ForschungModelle 🇩🇪 09.08.2026 15:01

Google DeepMind sagt mit WeatherNext gleichzeitig Zugbahn und Intensität von Zyklonen voraus

Google/DeepMindGoogle/DeepMind Google DeepMindGoogle DeepMind European Centre for Medium-Range Weather ForecastsEuropean Centre for Medium-Range Weather Forecasts National Oceanic and Atmospheric AdministrationNational Oceanic and Atmospheric Administration
Google DeepMind hat WeatherNext Cyclones (WN-C) vorgestellt, ein KI-System, das Zugbahnen und Intensitäten tropischer Wirbelstürme genauer vorhersagt als spezialisierte Modelle und dabei etwa einen Tag weiter in die Zukunft blickt. Trotz der Verwendung von Daten mit etwa 100-mal gröberen Gitterzellen übertrifft es bestehende Modelle. Der Ansatz verwendet funktionale generative Netzwerke und wurde zusammen mit dem National Hurricane Center und anderen Partnern entwickelt.
Googles DeepMind WeatherNext Cyclones (WN-C) ist ein KI-System zur Vorhersage tropischer Wirbelstürme, das etwa einen Tag weiter im Voraus prognostizieren kann als führende operationelle Modelle. Entwickelt zusammen mit dem National Hurricane Center (NHC), dem Cooperative Institute for Research in the Atmosphere und dem britischen Wetterdienst (Met Office), läuft es seit Juni 2025 live in Googles Weather Lab. Bei einer Fünf-Tage-Vorhersage beträgt der durchschnittliche Positionsfehler 230 Kilometer, verglichen mit 370 beim Ensemble (ENS) des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) und 335 bei DeepMinds früherem GenCast-Modell. Bei Drei-Tage-Intensitätsprognosen ist WN-C um 3,75 Knoten genauer als NOAAs HAFS. Trotz der Verwendung eines Gitters, bei dem jeder Punkt etwa 28 Quadratkilometer abdeckt und damit etwa 100-mal gröber ist als spezialisierte regionale Modelle, schneidet das System besser ab, was die Forscher zu dem Schluss führt, dass eine hohe Auflösung für hochmoderne Intensitätsvorhersagen nicht unbedingt erforderlich ist. Das Modell verwendet Functional Generative Networks (FGN) anstelle von Diffusion, was es achtmal schneller macht. Trainiert wurde es mit fast 20 Terabyte globaler Atmosphärendaten und einer kuratierten Datenbank von etwa 5.000 historischen Wirbelstürmen. Das System kann 1.000 parallele Vorhersageszenarien pro Sturm generieren, was hilft, seltene Extremereignisse zu erfassen. Während WN-C die Zugbahnvorhersagen in Kombination mit Konsensmodellen um 28 % verbessert, bringt es für die Intensität nur eine Verbesserung von etwa 6 %, was darauf hindeutet, dass klassische Modelle weiterhin einen wesentlichen Beitrag leisten. DeepMind hat den Code und die Gewichte für WeatherNext 2 und WN-C frei auf GitHub verfügbar gemacht, und eine Mini-Version kann in einem kostenlosen Colab-Notebook ausgeführt werden. Die Autoren betonen jedoch, dass nationale Wetterdienste für offizielle Warnungen maßgeblich bleiben.
Quelle: The Decoder (DE) — Original
Unsere früheren Beiträge zu diesem Thema ↓
Aktuelle Nachrichten