WeatherNext 3: Googles KI-Wettermodell setzt auf stündliche Satellitendaten

WeatherNext 3: Stündliche KI-Wettervorhersage aus Satellitendaten

Google DeepMind und Google Research haben WeatherNext 3 vorgestellt, ein globales KI-Wettermodell, das direkt aus Echtzeit-Beobachtungen lernt – einschließlich roher Satellitendaten. Das Modell erzeugt stündlich eine Vorhersage in hoher räumlicher Auflösung und soll damit lokale, schnell wechselnde Wetterereignisse besser abbilden als frühere Systeme. Nach Angaben des Unternehmens handelt es sich um das fortschrittlichste und genaueste globale Wettermodell, das bislang entwickelt wurde; Live-Evaluierungen des Start-ups Brightband stützen diese Einschätzung. Bisherige KI-Wettermodelle litten oft unter zu geringer räumlicher Auflösung und hatten Schwierigkeiten, Echtzeitdaten von Satelliten einzubeziehen. WeatherNext 3 adressiert genau diese Punkte, indem es Rohdaten geostationärer Satelliten direkt verarbeitet und daraus jede Stunde eine neue Vorhersage ableitet. Statt allein auf historische Aufzeichnungen zu setzen, lernt das Modell aus den aktuellsten Beobachtungen, was die Vorhersage näher an den tatsächlichen Zustand der Atmosphäre bringt. Der Vorgänger WeatherNext 2 aktualisierte seine Vorhersagen nur alle sechs Stunden; WeatherNext 3 verkürzt dieses Intervall auf eine Stunde und erhöht zugleich die räumliche Auflösung. Damit reagiert das System schneller auf kurzfristige Änderungen der Atmosphäre, etwa bei aufziehenden Gewittern oder sich rasch entwickelnden Sturmsystemen. Die Ergebnisse sollen weltweit in Google-Produkte einfließen und dort verlässlichere Wetterinformationen liefern. Für Nutzer bedeutet das konkret: Wetterdaten in alltäglichen Anwendungen werden häufiger aktualisiert und können kleinräumige Unterschiede besser darstellen, als es mit bisherigen KI-Modellen möglich war.

Technische Sprünge: 5-km-Raster, Rohdaten und reduzierte Verzögerung

Die technischen Neuerungen gegenüber dem Vorgänger WeatherNext 2 sind deutlich. WeatherNext 2 arbeitete mit einem 25-Kilometer-Raster und aktualisierte seine Vorhersagen in Sechs-Stunden-Schritten. WeatherNext 3 erhöht die räumliche Auflösung für wichtige Oberflächenvariablen wie Temperatur und Feuchtigkeit auf ein 5-Kilometer-Raster; atmosphärische Variablen wie Windgeschwindigkeit werden mit 25 Kilometern aufgelöst. Das feinere Raster für Oberflächenvariablen ist besonders relevant, weil lokale Unterschiede – etwa zwischen Stadt und Umland oder entlang von Küstenlinien – so besser abgebildet werden können. Gleichzeitig erzeugt das Modell stündlich eine neue Vorhersage statt nur alle sechs Stunden. Möglich wird das durch eine veränderte Datenbasis: Die meisten KI-Wettermodelle stützen sich auf einen Datensatz des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF), der etwa fünf Stunden für die Zusammenstellung benötigt und nur alle sechs Stunden aktualisiert wird. WeatherNext 3 nutzt bereits zusammengestellte ECMWF-Ausgaben und ergänzt sie mit Echtzeit-Bildern geostationärer Satelliten. Dadurch sinkt die typische Datenverzögerung auf drei bis vier Stunden, verglichen mit etwa sieben Stunden bei bisherigen Ansätzen. DeepMind-Forscher Ilan Price erklärt den Vorteil: „It gets much more accurate by not waiting for the next analysis date and using the most recent information.“ (Übersetzung: Es wird deutlich genauer, indem es nicht auf den nächsten Analysezeitpunkt wartet und die aktuellsten Informationen nutzt.) Der Grund dafür liegt in der Natur der Wettervorhersage: Je aktueller die Eingangsdaten, desto geringer ist die Unsicherheit über den gegenwärtigen Zustand der Atmosphäre, und desto präziser kann das Modell die kurzfristige Entwicklung prognostizieren. Das feinere Raster verbessert die räumliche Auflösung für lokale Vorhersagen, und die stündliche Kadenz erlaubt es dem Modell, häufiger auf neue Beobachtungen zu reagieren – ein Unterschied, der besonders bei schnell ziehenden Wettersystemen relevant ist. Zusätzlich sagt WeatherNext 3 Windgeschwindigkeiten in 100 Metern Höhe voraus – ungefähr auf Nabenhöhe von Windkraftanlagen – sowie Wolkenbedeckung und Sonneneinstrahlung. Diese Größen sind für Netzbetreiber und Entwickler erneuerbarer Energien relevant, um die Stromproduktion aus Wind- und Solaranlagen abzuschätzen. Die direkte Nutzung von Roh-Satellitendaten ist dabei ein zentraler Fortschritt: Bisher mussten solche Daten erst aufbereitet und in standardisierte Formate überführt werden, was Zeit kostete und Informationen verloren gehen ließ. WeatherNext 3 verarbeitet die Rohdaten direkt und kann so mehr Details aus den Beobachtungen ziehen.

Brightband-Evaluierung: Genauer als Microsoft, Nvidia und ECMWF

Die Live-Evaluierung von Brightband auf der Plattform Operational WeatherBench bescheinigt WeatherNext 3 die höchste Genauigkeit unter den getesteten führenden Modellen. Operational WeatherBench ist ein Werkzeug zum Vergleich von KI-Wettervorhersagen, das Metriken wie Temperatur, Windgeschwindigkeit und Luftfeuchtigkeit auswertet. Demnach schlägt WeatherNext 3 andere Deep-Learning-Modelle von Google selbst, von Microsoft, Nvidia und dem ECMWF. Auch traditionelle Vorhersagen des US National Weather Service und des ECMWF werden übertroffen. Das ist bemerkenswert, weil diese traditionellen Systeme auf Supercomputern basieren, die physikalische Gleichungen der Atmosphäre durchrechnen – ein Verfahren, das als genau gilt, aber teuer und vergleichsweise langsam ist. WeatherNext 3 erreicht die besseren Werte, obwohl es auf einem anderen Ansatz beruht: Es lernt direkt aus Beobachtungsdaten und erzeugt daraus Vorhersagen, ohne die vollständige physikalische Simulation nachzubilden. Die Ergebnisse stammen von Brightband, einem Start-up, das die Modelle im laufenden Betrieb vergleicht. Damit wird die Herstellerangabe, WeatherNext 3 sei das fortschrittlichste und genaueste globale Wettermodell bisher, durch externe Tests gestützt. Auch die eigenen Vorgängermodelle von Google, die in der Evaluierung enthalten sind, werden übertroffen. Die Live-Evaluierung bedeutet, dass die Modelle mit echten, aktuellen Daten getestet werden, nicht nur mit historischen Datensätzen. Das ist ein wichtiger Unterschied zu statischen Benchmarks, weil es die Leistung unter realen Bedingungen misst. Für die Einordnung wichtig: Die Evaluierung bezieht sich auf die getesteten Modelle und Metriken; sie ist keine Garantie für jede Wetterlage. Dennoch zeigt sie, dass der Abstand zwischen KI-Modellen und klassischen numerischen Wettervorhersagen weiter schrumpft – und dass Google derzeit an der Spitze liegt. Die Tatsache, dass WeatherNext 3 sowohl andere KI-Modelle als auch die etablierten physikalischen Systeme übertrifft, deutet darauf hin, dass die Kombination aus direkter Satellitennutzung, hoher zeitlicher Auflösung und feinem Raster einen echten Vorteil bringt.

Google-Produkte: Suche, Maps und Gemini bekommen neue Wetterdaten

Google plant, WeatherNext 3 weltweit in seine Produkte zu integrieren. Konkret sollen die Vorhersagen in die Wetterinformationen einfließen, die Nutzer in der Google-Suche, in Google Maps und im KI-Assistenten Gemini sehen. Zudem wird das Modell über Googles Cloud-Plattformen für Nutzer und Forscher verfügbar sein. Samier Merchant, Senior Staff Engineer bei Google, sagt dazu: „This is going to be the first time that some of the core variables feed and power a lot of the Google products.“ (Übersetzung: Dies wird das erste Mal sein, dass einige der Kernvariablen viele der Google-Produkte speisen und antreiben.) Das bedeutet: Bisher wurden KI-Wettervorhersagen oft nur in Forschungskontexten oder speziellen Diensten genutzt; mit WeatherNext 3 fließen zentrale Modellgrößen direkt in die breite Produktpalette ein. Für Nutzer ändert sich dadurch die Datenbasis hinter den angezeigten Wetterinformationen – ohne dass sie das Modell selbst kennen müssen. Die stündliche Aktualisierung und die höhere räumliche Auflösung können sich direkt in genaueren und aktuelleren Wetterangaben in alltäglichen Anwendungen niederschlagen. Die Verfügbarkeit über Cloud-Plattformen erlaubt es auch externen Entwicklern und Forschern, die Vorhersagen in eigene Anwendungen einzubinden, etwa für Logistik, Landwirtschaft oder Energiemanagement. Damit wird WeatherNext 3 nicht nur ein internes Google-Werkzeug, sondern eine potenzielle Grundlage für eine breitere Nutzung von KI-Wetterdaten.

Folgen für den Wettbewerb: Traditionelle Dienste unter Druck

Die Evaluierungsergebnisse setzen Wettbewerber unter Druck. Wenn WeatherNext 3 in unabhängigen Benchmarks sowohl konkurrierende KI-Modelle von Microsoft und Nvidia als auch die traditionellen Vorhersagen des ECMWF und des US National Weather Service übertrifft, müssen diese Anbieter nachziehen – sei es durch höhere Auflösung, häufigere Aktualisierungen oder die Einbindung von Echtzeit-Satellitendaten. Besonders das ECMWF, dessen Datensatz bislang die Grundlage vieler KI-Wettermodelle bildet, steht vor der Frage, wie es mit der stündlichen Kadenz und der direkten Satellitennutzung konkurrieren will. Traditionelle Wetterdienste, die auf teuren Supercomputern basieren, geraten zusätzlich unter Kostendruck: Die Quellen beschreiben diese Systeme als teuer und vergleichsweise langsam, während KI-Modelle wie WeatherNext 3 Vorhersagen schneller und mit geringerem Rechenaufwand erzeugen. Der Grund für diesen Druck liegt in der grundlegenden Funktionsweise: KI-Modelle lernen Muster aus großen Datenmengen und können dann in Sekunden oder Minuten Vorhersagen erstellen, während numerische Modelle komplexe physikalische Gleichungen für jeden Zeitschritt lösen müssen, was erhebliche Rechenleistung erfordert. Dadurch können KI-Modelle häufiger aktualisiert werden und mit weniger Ressourcen ähnliche oder bessere Ergebnisse liefern. Gleichzeitig profitieren Nutzer von Google-Produkten von genaueren und aktuelleren Wetterinformationen, ohne dafür separate Dienste nutzen zu müssen. Für Betreiber erneuerbarer Energien sind die Vorhersagen von Windgeschwindigkeit in 100 Metern Höhe, Wolkenbedeckung und Sonneneinstrahlung unmittelbar relevant: Sie erlauben präzisere Abschätzungen der zu erwartenden Stromproduktion aus Wind- und Solaranlagen. Das kann Netzbetreibern helfen, Einspeisung und Last besser zu planen. Die Verschiebung ist Teil eines größeren Trends: KI-Modelle übernehmen zunehmend Aufgaben, die bisher numerischen Wettermodellen vorbehalten waren. Das geschieht, weil Deep-Learning-Modelle direkt aus Beobachtungen lernen können, ohne dass jede physikalische Wechselwirkung explizit programmiert werden muss, und weil sie durch ihre Geschwindigkeit und Flexibilität neue Anwendungen ermöglichen, die mit traditionellen Systemen nicht praktikabel wären. Die Quellen sprechen von einem grundlegenden Wandel in der Meteorologie durch Deep-Learning-Techniken. Ob sich der Vorsprung von WeatherNext 3 halten lässt, wird davon abhängen, wie schnell andere Anbieter ähnliche Techniken übernehmen.