Google Deepmind hat ein neues KI-System namens WeatherNext Cyclones (WN-C) vorgestellt, das tropische Wirbelstürme etwa einen Tag weiter in die Zukunft prognostizieren kann als führende operative Modelle. Diese Verbesserung entspricht dem Fortschritt, den die traditionelle Wettervorhersage in den letzten zehn Jahren erzielt hat.
Verbesserte Genauigkeit und neue Fähigkeiten
Das neue KI-Modell wurde in Zusammenarbeit mit dem National Hurricane Center (NHC), dem Cooperative Institute for Research in the Atmosphere und dem UK Met Office entwickelt. Seit Juni 2025 werden die Prognosen live in Googles Weather Lab eingesetzt. Laut Deepmind half das Modell bereits im Jahr 2025, die rapide Intensivierung des Hurrikans Melissa, der in Jamaika auf Land traf, rechtzeitig vorherzusagen. Eine rapide Intensivierung liegt vor, wenn ein Sturm innerhalb von 24 Stunden eine Windgeschwindigkeitszunahme von mindestens 30 Knoten (etwa 55 km/h) erfährt.
Die Wirbelsturmvorhersage litt bisher unter einem Kompromiss: Globale Modelle wie das Ensemble-System (ENS) des ECMWF waren gut in der Vorhersage der Zugbahn, aber zu grob für die Intensität. Spezialisierte regionale Modelle wie das Hurricane Analysis and Forecast System (HAFS) der NOAA lieferten präzisere Intensitätswerte, verloren aber an Genauigkeit bei der Zugbahn. WN-C kann laut einer in Nature veröffentlichten Studie beides in einem einzigen System handhaben.
Die Genauigkeit des WN-C-Modells ist signifikant: Für eine Fünftagesprognose weicht die geschätzte Position des Sturmzentrums im Durchschnitt um 230 Kilometer ab, verglichen mit 370 Kilometern bei ENS und 335 Kilometern bei Deepminds Vorgängermodell GenCast. Bei Dreitagesprognosen für die Intensität ist WN-C um 3,75 Knoten (etwa 6,9 km/h) genauer als HAFS. Das Modell schneidet zudem bei probabilistischen Intensitätsprognosen über verschiedene Vorlaufzeiten hinweg mehr als doppelt so gut ab wie ENS und GenCast. Für die Wahrscheinlichkeit von 64-Knoten-Winden – der Schwelle zur Hurrikanstärke – bietet WN-C einen höheren praktischen Nutzen für die Entscheidungsfindung als ENS.
Technische Details und Verfügbarkeit
WN-C arbeitet mit einem Datenraster, bei dem jeder Punkt etwa 28 Kilometer abdeckt – das ist etwa hundertmal gröber als bei spezialisierten regionalen Modellen. Selbst eine kompakte Variante mit 111 Kilometern pro Rasterpunkt liefert noch konkurrenzfähige Ergebnisse. Die Entwickler stellen fest, dass eine hohe Auflösung keine zwingende Voraussetzung für eine präzise Intensitätsvorhersage ist und dass die groben Wetterdaten offenbar mehr Informationen über die Sturmstärke enthalten als bisher angenommen. Wie die Modelle bei dieser Auflösung derart genaue Vorhersagen generieren, bleibt eine offene Forschungsfrage.
Das System nutzt Funktionale Generative Netzwerke (FGN). Im Gegensatz zu GenCast, das auf Diffusion basiert und Dutzende von Durchläufen pro Vorhersageschritt benötigt, kommt FGN mit einem einzigen Durchlauf aus und ist dadurch achtmal schneller. Zur Erfassung von Unsicherheiten injiziert das System Rauschen in die Steuerungsebenen des Netzwerks, was unterschiedliche, aber physikalisch konsistente Szenarien erzeugt.
Für das Training wurden fast 20 Terabyte globale atmosphärische Daten von ECMWF-Analysen sowie eine kuratierte Datenbank mit etwa 5.000 historischen Wirbelstürmen verwendet. Durch die gemeinsame Verarbeitung dieser unterschiedlichen Datenquellen kann das Netzwerk Zugbahn, Intensität und Windradien direkt vorhersagen. Eine 15-Tage-Prognose läuft auf einem von Googles KI-Chips in weniger als einer Minute. Dies ermöglichte Deepmind, die Anzahl der parallelen Vorhersageläufe von 50 auf 1.000 zu skalieren, was die Zuverlässigkeit bei der Erfassung seltener Extremereignisse verbessert. Der Kritische Erfolgsindex, der korrekte Warnungen, Fehlalarme und verpasste Ereignisse berücksichtigt, steigt laut der Studie von unter 0,3 auf 0,5.
Deepmind betont, dass traditionelle numerische Modelle weiterhin wichtig sind. Bei der simulierten gewichteten Hinzufügung zu den Konsensmodellen des NHC verbessert WN-C die Zugbahnvorhersagen um durchschnittlich 28 Prozent und die Intensität um etwa 6 Prozent. Die geringere Verbesserung bei der Intensität zeigt, dass traditionelle Modelle in diesem Bereich noch stark beitragen.
Deepmind hat den Code und die Gewichte sowohl für WeatherNext 2 als auch für WeatherNext Cyclones auf GitHub quelloffen zur Verfügung gestellt. Eine Mini-Variante läuft auf einer einzelnen TPU in einem kostenlosen Colab Notebook. Für offizielle Warnungen verweisen die Autoren weiterhin auf nationale Wetterdienste, da WN-C als Unterstützung für Meteorologen gedacht ist und nicht als Ersatz.
Hintergrund und Unternehmensentwicklung
Im vergangenen Jahr stellte Deepmind WeatherNext 2 vor, die zugrunde liegende Wetter-KI, die nun zusammen mit der Zyklon-Variante quelloffen ist. Das Google Weather Lab wurde im Juni 2025 gestartet. Zuvor hatte Deepmind Ende 2024 GenCast veröffentlicht, das erste probabilistische Wettermodell, das das Ensemble des ECMWF schlug und ebenfalls quelloffen ist. WN-C tauscht den Diffusionsansatz von GenCast gegen die schnellere FGN-Methode aus und erweitert den Anwendungsbereich auf tropische Wirbelstürme.
Googles Vorhersagebilanz war nicht immer so stark; so unterschätzte das Android Earthquake Alerts System die Erdbeben in der Türkei im Jahr 2023 erheblich. Parallel zu diesen wissenschaftlichen Errungenschaften durchläuft Deepmind selbst turbulente Zeiten: CEO Demis Hassabis ist von den täglichen Geschäften zurückgetreten, um Chief Scientist von Alphabet zu werden, und Chief Researcher Jeff Dean hat das Unternehmen nach 27 Jahren verlassen, um das KI-Startup Discovery Loop mitzugründen.
Thema: Google DeepMind. Quelle/Inspiration: The Decoder.