Neuronale Netze gegen Wettermodelle · 22. OKTOBER 2026

NASA

Wie Wetterdienste die KI-Wettervorhersage mit Physik trainieren

Bei der KI-Wettervorhersage berechnen neuronale Netze das Wetter in Minuten statt Stunden. Das EZMW betreibt sein Modell AIFS seit Februar 2025, der Deutsche Wetterdienst sein AICON seit März 2026. Gelernt haben beide aus physikalischen Modelldaten.

VON MARTIN JENDRISCHIK · 9 Min. LESEN

Klassische Wettermodelle lösen die Gleichungen der Strömungsphysik auf einem Gitter rund um den Globus. Dafür braucht es Supercomputer. Der Deutsche Wetterdienst (DWD) hat 2025 auf seinem Hochleistungsrechner rund 400.000 Modellvorhersagen berechnet. Täglich empfängt er etwa acht Terabyte Beobachtungsdaten, wie er in einer Pressemitteilung vom März 2026 mitteilt.

Neuronale Netze gehen einen anderen Weg. Sie lösen keine Gleichungen, sondern lernen aus Jahrzehnten vergangenen Wetters, wie sich ein Zustand der Atmosphäre in den nächsten Stunden weiterentwickelt. Zwischen der GraphCast-Studie von 2023 und dem Regelbetrieb beim DWD lagen keine drei Jahre.

Abgeschaltet hat trotzdem kein Wetterdienst sein Physikmodell. Jede KI-Wettervorhersage steht auf Daten, die physikalische Modelle erzeugt haben: beim Training und bei jedem einzelnen Start. Wer verstehen will, was die neue Technik leistet und wo sie scheitert, muss diese Abhängigkeit kennen.

Wie neuronale Netze das Wetter von morgen berechnen

Für eine KI-Wettervorhersage bekommt das Modell den aktuellen Zustand der Atmosphäre als Eingabe: Temperatur, Wind, Feuchte und Luftdruck an Millionen Gitterpunkten und in mehreren Höhenschichten. Daraus schätzt es den Zustand einige Stunden später. Das Ergebnis speist es wieder als Eingabe ein und rechnet Schritt für Schritt bis zu zehn oder 15 Tage voraus.

Wie das funktioniert, beschrieb ein Team von Google Deepmind um Remi Lam im November 2023 in der Fachzeitschrift Science. Ihr Modell GraphCast nimmt laut der frei zugänglichen Fassung der Studie zwei Wetterzustände im Abstand von sechs Stunden auf. Daraus sagt es den Zustand sechs Stunden später voraus. Es arbeitet auf einem Gitter von 0,25 Grad, das entspricht am Äquator rund 28 mal 28 Kilometern.

Das Netz hat 36,7 Millionen Parameter, also einstellbare Gewichte, die das Training festlegt. Eine Zehn-Tage-Vorhersage erzeugt GraphCast auf einem einzigen Google-Rechenchip in unter einer Minute. Das physikalische Hochauflösungsmodell HRES des EZMW brauchte für dieselbe Vorhersage bei feinerem Gitter rund eine Stunde auf einem Großrechner mit 11.664 Prozessorkernen.

Physikalische Gesetze kennt das Netz nicht. Es hat aus Beispielen gelernt, wie sich Tiefdruckgebiete verlagern oder wie der Jetstream mäandert. Die Rechenzeit fällt beim Training an, das bei GraphCast rund vier Wochen auf 32 Spezialchips dauerte. Danach kostet jede einzelne Vorhersage fast nichts.

Woher die KI-Modelle ihr Wissen über das Wetter beziehen

GraphCast, GenCast und das europäische Modell AIFS lernten aus ERA5, der Reanalyse des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW). Eine Reanalyse rekonstruiert das Wetter der Vergangenheit. Der Copernicus-Klimadienst beschreibt ERA5 als globalen Datensatz ab 1940 mit stündlichen Werten. Ein physikalisches Wettermodell verbindet dafür alte Beobachtungen aus aller Welt zu einem lückenlosen Bild.

GraphCast trainierte mit ERA5-Daten von 1979 bis 2017, das Ensemble-Modell GenCast mit 40 Jahren von 1979 bis 2018. Das EZMW nutzte für sein eigenes Modell AIFS laut Modellbeschreibung ERA5 von 1979 bis 2022. Danach verfeinerte es das Netz mit Analysen seines operativen Physikmodells IFS aus den Jahren 2016 bis 2022.

Für seine KI-Wettervorhersage geht der DWD einen eigenen Weg. Er hat AICON laut Präsidentin Sarah Jones mit einem hauseigenen Datensatz trainiert. Für ihn analysierte das DWD-Modell ICON 15 Jahre Wetter weltweit in 13 Kilometern Auflösung und im Drei-Stunden-Raster. Jones nennt die Trainingsdaten den entscheidenden Faktor für die Qualität eines KI-Verfahrens.

Auch im laufenden Betrieb hängt jede KI-Wettervorhersage an der Physik. Ihren Startzustand liefert die Datenassimilation, bei der ein physikalisches Modell frische Messungen von Satelliten, Ballons und Wetterstationen verarbeitet. Das EZMW nennt diese Abhängigkeit ausdrücklich. Der DWD arbeitet mit dem Verfahren AI-VAR daran, auch diesen Schritt mit KI zu erledigen.

Wie GraphCast und GenCast die Physikmodelle schlugen

Lam und Kollegen verglichen GraphCast mit HRES, damals der genauesten deterministischen Vorhersage der Welt. Deterministisch heißt: Das Modell liefert genau einen Wetterverlauf. Bei 90 Prozent von 1.380 Prüfgrößen lag GraphCast vorn, gemessen an verschiedenen Variablen, Höhen und Vorhersagezeiten. Auch Zugbahnen tropischer Wirbelstürme und extreme Temperaturen traf es nach Angaben der Autoren besser.

Ende 2024 legte Deepmind mit GenCast eine KI-Wettervorhersage als Ensemble vor. Das Modell erzeugt viele leicht unterschiedliche Vorhersagen, die zusammen die Unsicherheit abbilden. In der Studie in Nature übertraf GenCast das Ensemble ENS des EZMW bei 97,2 Prozent von 1.320 Prüfgrößen. Eine 15-Tage-Vorhersage für mehr als 80 Variablen entstand in acht Minuten.

Beide Studien messen den Erfolg allerdings an ERA5 oder an Analysen, also wieder an Daten aus der Physik. Niederschlag ließen Lam und Kollegen in der Auswertung weg, weil ERA5 dabei bekannte Verzerrungen aufweist. GraphCast und GenCast blieben Forschungsmodelle. In den Regelbetrieb brachten die KI-Wettervorhersage erst die staatlichen Wetterdienste.

Was EZMW und DWD mit KI-Modellen im Betrieb rechnen

Am 25. Februar 2025 nahm das EZMW sein Modell AIFS Single in Betrieb, parallel zum physikalischen IFS. Nach Angaben des Zentrums schlägt es Physikmodelle bei vielen Messgrößen um bis zu 20 Prozent, etwa bei Zugbahnen tropischer Wirbelstürme. Für eine Vorhersage braucht es rund 1.000-mal weniger Energie. Sein Gitter misst 28 Kilometer, das des IFS neun Kilometer.

Seit dem 1. Juli 2025 läuft zusätzlich das Ensemble AIFS ENS mit 51 Mitgliedern und 31 Kilometern Gitterweite. Das EZMW meldet auch hier Gewinne von bis zu 20 Prozent, etwa bei der Bodentemperatur. „Wir sehen AIFS und IFS als einander ergänzend“, sagt Florian Pappenberger, Direktor für Vorhersagen beim EZMW. Für hochaufgelöste Felder hält das Zentrum sein Physik-Ensemble weiter für unverzichtbar.

Seine eigene KI-Wettervorhersage startete der DWD am 2. März 2026. Bundesverkehrsminister Patrick Schnieder schaltete AICON in Offenbach frei. Das Modell rechnet im Drei-Stunden-Takt und liefert laut DWD für bodennahe Größen in den ersten drei Tagen genauere Werte als alle anderen getesteten KI-Modelle. Das Physikmodell ICON läuft weiter, AICON ergänzt es.

Den Grundstein legte der DWD im August 2025 mit einem eigenen KI-Zentrum. Ab 2027 soll ein neuer Hochleistungsrechner globale und regionale KI-Modelle mit hoher Auflösung trainieren, Stand Oktober 2026. Vizepräsidentin Renate Hagedorn betont, dass in kritischen Lagen weiterhin Meteorolog*innen beraten.

Wo die KI-Wettervorhersage an Grenzen stößt

Am deutlichsten scheitern KI-Modelle an Rekorden. Forscher um Zhongwei Zhang vom Karlsruher Institut für Technologie verglichen GraphCast, Pangu-Weather und Fuxi mit HRES bei rekordbrechender Hitze, Kälte und Wind. Bei solchen Ereignissen lag das Physikmodell durchweg vorn, berichtet das KIT im Mai 2026 zur Studie in Science Advances.

Die KI-Modelle unterschätzten Stärke und Häufigkeit der Rekorde. Je weiter ein Ereignis über die Rekorde der Trainingsdaten hinausging, desto größer fiel der Fehler aus. „Neuronale Netze tun sich schwer, verlässlich über ihren Trainingsbereich hinaus zu extrapolieren“, sagt Ko-Autor Sebastian Engelke von der Universität Genf. Für Frühwarnungen raten die Autoren davon ab, sich allein auf KI zu stützen.

Im Klimawandel wiegt das schwer. Eine KI-Wettervorhersage lernt aus der Vergangenheit, während die Erwärmung immer neue Rekorde erzeugt, wie die Hitzewelle 2026 mit 41,8 Grad zeigte. Die Autoren schlagen vor, Trainingsdaten mit simulierten Extremereignissen anzureichern oder Physik und KI zu koppeln.

Hinzu kommt die Unschärfe. GraphCast glättet bei langen Vorhersagezeiten seine Felder, um unsichere Lagen abzusichern, räumen Lam und Kollegen ein. Die Gitter der operativen KI-Modelle sind mit 28 bis 31 Kilometern zudem gröber als das IFS mit neun Kilometern. Eine einzelne Gewitterzelle ist deutlich kleiner als eine Gitterzelle. Wie unterschiedlich Modelle schon bei großräumiger Hitze rechnen, zeigte die August-Hitze in den Wetter-Apps.

Die dritte Grenze ist die Abhängigkeit selbst. Ohne Reanalysen wie ERA5 und ohne die Analysen der Physikmodelle fehlten den Netzen Lehrstoff und Startwerte. Die physikalischen Modelle bleiben deshalb Fundament der KI-Wettervorhersage, auch dort, wo das neuronale Netz am Ende die bessere Zahl liefert. Für Prognosen über Wochen und Monate gelten ohnehin andere Grenzen (mehr dazu: Winterprognose).

Was die KI-Wettervorhersage für Windstrom leisten kann

Für ein Stromsystem mit viel Wind und Sonne zählt jede bessere Prognose. Netzbetreiber und Stromhändler planen mit der erwarteten Einspeisung, und lange windarme Phasen wie die Dunkelflaute müssen sie früh erkennen. Ein Ensemble zeigt dabei, wie sicher eine Windprognose ist und welche Reserve nötig wird.

Den Nutzen der KI-Wettervorhersage für Windstrom hat das Deepmind-Team in der GenCast-Studie geprüft, in einem bewusst vereinfachten Versuch. Die Forscher rechneten die Windvorhersagen an 5.344 Windparks aus einer globalen Kraftwerksdatenbank mit einer idealisierten Leistungskurve in Strom um. Die Datenbank erfasst rund 40 Prozent der weltweiten Windkraftleistung von 2020. Für Gruppen von Windparks sagte GenCast die Gesamtleistung genauer voraus als ENS.

Ein Praxistest mit echten Einspeisedaten war das nicht. Für Solarstrom enthält die Studie keinen vergleichbaren Versuch. Wie gut KI-Modelle Bewölkung und Einstrahlung für Photovoltaik-Prognosen treffen, belegen die hier ausgewerteten Studien deshalb nicht. Den Rechenvorteil nutzen Netzbetreiber bereits auf anderen Feldern (mehr dazu: KI im Stromnetz).

Der größte Hebel liegt im Ensemble. Wo eine Physik-Vorhersage mit 51 Mitgliedern Supercomputer bindet, kostet eine KI-Wettervorhersage nur einen Bruchteil der Energie. Das EZMW beziffert den Unterschied auf etwa das 1.000-Fache. Mehr Szenarien in kürzerer Zeit können künftig helfen, Flauten und Sturmspitzen im Stromnetz früher einzuplanen.

QUELLEN

1. Science: Learning skillful medium-range global weather forecasting, Lam et al., 14. November 2023.
2. Science Advances: Numerical models outperform AI weather forecasts of record-breaking extremes, Zhang, Fischer, Zscheischler, Engelke, 2026.

Das könnte Sie auch interessieren

JoachimKohler-HB / Wikimedia Commons, CC BY-SA 4.0

WISSEN

Erdenwerke mischen Holz, Rinde und Kompost statt Torf in die Blumenerde

Torfersatz aus Grünkompost, Holzfasern, Rindenhumus und Kokos soll Blumenerde ohne Moorboden möglich machen. Die Bundesregierung wollte Torf im Hobbygarten bis 2026 und im Erwerbsgartenbau bis 2030 weitgehend ersetzen. Der Erklärartikel zeigt Emissionen nach Thünen-Daten, Grenzen der Ersatzstoffe, den Stand der Torfmooskultur und worauf Gärtner achten sollten.

Molgreen / Wikimedia Commons, CC BY-SA 4.0

WISSEN

Dessauer Bundesbehörde wacht über jede Tonne Treibhausgas

Das Umweltbundesamt in Dessau-Roßlau legt jedes Jahr bis 15. März die Treibhausgasbilanz des Vorjahres vor, rechnet Projektionen bis 2045 und betreibt über die Deutsche Emissionshandelsstelle den CO₂-Handel. Das Porträt zeigt Aufgaben, Haushalt und Stellen 2026, die Prüfung durch den Expertenrat, die Luftbilanz und den Streit um die Zulassung von Pflanzenschutzmitteln.

WISSEN

Der Bund kassiert beim Haushaltsstrom das 41-Fache

Seit 1999 erhebt der Bund die Stromsteuer, seit 2003 liegt der Regelsatz bei 2,05 Cent je Kilowattstunde. Industrie und Landwirtschaft zahlen seit 2026 dauerhaft das EU-Minimum, private Haushalte den vollen Satz. Was die Steuer bringt, wer befreit ist und warum Wärmepumpen und E-Autos mehr zahlen als Gasheizungen.

WISSEN

Hausbesitzer verdienen mit eigenem Solarstrom mehr als mit Einspeisung

Für Solaranlagen mit Inbetriebnahme bis Ende 2026 zahlt der Netzbetreiber zwischen 5,44 und 12,22 Cent pro Kilowattstunde, 20 Jahre lang plus Inbetriebnahmejahr. Welche Sätze je Größe gelten, was bei negativen Strompreisen passiert, warum Eigenverbrauch mehr bringt und was die Bundesregierung mit dem EEG 2027 für kleine Anlagen plant.

WISSEN

Deutschland erlebt im Schnitt gut vier Dunkelflauten pro Jahr

Eine Dunkelflaute entsteht, wenn Wind- und Solaranlagen im Winter tagelang kaum Strom erzeugen. Der Beitrag erklärt, wie Bundesnetzagentur, DWD und KIT den Begriff abgrenzen, wie oft und wie lange solche Phasen auftreten, was bei den Preisspitzen im November und Dezember 2024 geschah und welche Kraftwerke, Speicher und Leitungen Deutschland künftig dafür plant.

privat

WISSEN

Der Chemiker, der das FCKW-Verbot vorantrieb

Verbietet die Welt die FCKW, heilt die Ozonschicht: Das sagten Reinhard Zellner und seine Kollegen Mitte der achtziger Jahre voraus. Die Prognose ist eingetroffen. Ein Porträt des Chemikers aus Höxter, der mit Ministern zu Messkampagnen flog, beim Hoechst-Chef vorsprach und in der Enquete-Kommission auch die Klimaprognose mitschrieb.