DeepMind stellt WeatherNext Cyclones vor: 24 Stunden mehr Vorlauf bei Zyklon-Prognosen

DeepMind stellt WeatherNext Cyclones vor: 24 Stunden mehr Vorlauf bei Zyklon-Prognosen

Google DeepMind hat mit WeatherNext Cyclones (WN-C) ein KI-Modell vorgestellt, das tropische Wirbelstürme nach Angaben der beteiligten Forscher im Mittel mindestens einen Tag früher vorhersagt als führende operationelle Systeme. Entwickelt wurde es gemeinsam mit Google Research, dem US National Hurricane Center, der Colorado State University und dem UK Met Office. Die Vorhersagen betreffen Zugbahn, Intensität und Windradius. Gegenüber dem Ensemble des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF-ENS), dem NOAA-System HAFS und DeepMinds eigenem GenCast erreicht WN-C laut der in Nature veröffentlichten Studie im Mittel mindestens 24 Stunden Vorlaufvorsprung. Code und Modellgewichte wurden offengelegt und sind frei verfügbar. Die Studie erschien am 6. August 2026 in Nature. Das Modell erzeugt Vorhersagen für bis zu 15 Tage. Erstmals wird damit ein einzelnes DeepMind-Modell genannt, das bei Zugbahn, Intensität und Windradius gleichzeitig einen solchen Vorsprung erzielt. Tropische Wirbelstürme haben nach Angaben von DeepMind in den vergangenen 50 Jahren mehr als 700.000 Todesfälle und wirtschaftliche Schäden von über 1,4 Billionen US-Dollar verursacht. In der Notfallplanung bedeutet ein zusätzlicher Tag Vorlaufzeit mehr Zeit für Evakuierungsentscheidungen und Ressourcenplanung.

Technische Basis: FGN-Architektur, 28-km-Auflösung und 1.000-Member-Ensemble

Technisch setzt WeatherNext Cyclones auf Functional Generative Networks (FGNs). Diese Architektur erzeugt Ensembles effizient und bildet die Unsicherheit der Wetterentwicklung ab. Die Eingabeauflösung beträgt 28 mal 28 Kilometer, was 0,25 Grad entspricht; die kleinere Variante WeatherNext 2-mini arbeitet mit 111 mal 111 Kilometern. Regulär werden 50 Ensemblemitglieder erzeugt, für die Analyse seltener Ereignisse wie rapider Intensivierung lässt sich die Zahl auf bis zu 1.000 erhöhen. Eine 15-Tage-Vorhersage wird in unter einer Minute auf einer einzelnen TPU erzeugt. Nach Angaben der Forscher sind FGNs etwa achtmal schneller als frühere Diffusionsmodelle wie GenCast. Trainiert wurde das Modell unter anderem mit 40 Jahren globaler Atmosphärendaten und der IBTrACS-Datenbank, die fast 5.000 historische Stürme umfasst. Die Kombination aus globalen Atmosphärendaten und sturmzentrierten historischen Aufzeichnungen wird als Co-Training bezeichnet. Das Modell liefert keine einzelne deterministische Vorhersage, sondern eine Wahrscheinlichkeitsverteilung über viele konsistente Zukunftsszenarien. Dass die Genauigkeit trotz der im Vergleich zu traditionellen Modellen rund hundertfach gröberen Auflösung erhalten bleibt, ist nach Angaben der Wissenschaftler eine offene Forschungsfrage.

Evaluierung: Trackfehler, Intensitätsgewinne und Vergleich mit ECMWF, HAFS, GenCast

In der Evaluierung über tropische Wirbelstürme der Jahre 2023 bis 2025 lag der mittlere Fünf-Tage-Trackfehler von WeatherNext Cyclones bei 230 Kilometern. Das ECMWF-Ensemble ENS kam auf 370 Kilometer, DeepMinds eigenes GenCast auf 335 Kilometer. Bei Drei-Tages-Prognosen übertraf das Modell die Intensitätsvorhersagen des NOAA-Systems HAFS um durchschnittlich 3,75 Knoten. Die Forscher geben an, dass WN-C bei Zugbahn, Intensität und Windradius im Mittel mindestens einen Tag Vorlaufvorsprung gegenüber den führenden operationellen Systemen erreicht. Eine Drei-Tages-Prognose von WN-C entspricht demnach der Genauigkeit, die frühere Modelle erst bei zwei Tagen erreichten. Der Unterschied von 230 statt 370 Kilometern kann in der Praxis darüber entscheiden, ob eine Evakuierungsanordnung die richtige Küstenregion betrifft. Die Bewertung umfasste Stürme aus dem Zeitraum 2023 bis 2025, darunter auch Fälle rapider Intensivierung. Die Ergebnisse wurden in einer peer-reviewten Studie veröffentlicht, an der auch das US National Hurricane Center und das UK Met Office beteiligt waren.

Widersprüche: Publikationsstatus und operative Nutzung durch das National Hurricane Center

In der Berichterstattung bestehen zwei Widersprüche. Erstens zum Publikationsstatus: Einige Fachquellen sprechen davon, die Studie sei bei Nature zur Veröffentlichung angenommen worden, andere berichten von einer Veröffentlichung am 6. August 2026 in Nature. Die wahrscheinliche Erklärung ist ein unterschiedlicher Berichtsstand: Manche Artikel erschienen vor der endgültigen Publikation und beschrieben den Annahmestatus, andere danach. Zweitens zur operativen Nutzung: DeepMind betont, das Weather Lab sei ein Forschungswerkzeug, Live-Vorhersagen seien keine offiziellen Warnungen. Gleichzeitig berichten Fachquellen, das National Hurricane Center habe sich bei Hurrikan Melissa im Oktober 2025 auf DeepMind-Prognosen gestützt und diese in den Vorhersagen genutzt. Hurrikan Melissa traf Jamaika am 28. Oktober 2025 als Kategorie-5-Hurrikan mit anhaltenden Winden von 185 Meilen pro Stunde. Möglicherweise wurde das Modell als experimentelle Zusatzguidance parallel zu offiziellen Modellen verwendet, ohne offizielle Warnungen zu ersetzen; die Quellen beschreiben den Grad der operativen Einbindung unterschiedlich. Der Widerspruch betrifft nicht die Modellleistung, sondern den Status der Veröffentlichung und die Einordnung der Live-Prognosen.

Folgen: Wer gewinnt, wer verliert, wer handeln muss

Aus den belegten Fakten lassen sich Folgen ableiten. Gewinner sind Wetterdienste und Notfallmanagement: Ein zusätzlicher Tag Vorlaufzeit bei Zugbahn, Intensität und Windradius schafft mehr Zeit für Evakuierungen und Ressourcenplanung. Google und DeepMind stärken ihre Position im KI-Wetterbereich, weil das Modell führende operationelle Systeme übertrifft und als Open Source verfügbar ist. Forschung und Entwickler profitieren von offengelegtem Code und Gewichten, die lokale Verifikation und Anpassung ermöglichen. Verlierer könnten Betreiber traditioneller numerischer Modelle sein, deren Systeme wie ECMWF-ENS oder NOAA HAFS in der Evaluierung schlechter abschneiden. Regionen ohne Zugang zu TPU-Beschleunigern könnten abgehängt werden, da das vollständige Modell erhebliche Rechenkapazität erfordert. Handeln müssen lokale Wetterdienste, Katastrophenschutz und Regulierer: Sie müssen KI-Prognosen als Zusatzguidance einordnen, offizielle Warnungen weiterhin über lokale Agenturen laufen lassen und den Einsatz regulieren, damit experimentelle Vorhersagen nicht als offizielle Warnungen missverstanden werden. Die offengelegten Gewichte erlauben es meteorologischen Zentren und akademischen Einrichtungen, das System lokal zu betreiben und zu prüfen, setzen aber entsprechende Hardware voraus.