Die Geschäftsbereiche Google DeepMind und Google Research haben die neue Version des Modells WeatherNext 3 vorgestellt. Laut einer unabhängigen laufenden Bewertung des Unternehmens Brightband sagt dieses System das globale Wetter von allen verfügbaren Modellen am genauesten voraus. Die wichtigste Innovation besteht darin, woher das System seine Eingabedaten bezieht. Statt ausschließlich anhand der Ergebnisse klassischer physikalischer Simulationen zu lernen, nutzt es direkt Satellitenbilder und Messungen von Bodenstationen. Es kann jede Stunde eine neue Vorhersage erstellen.
Ein schärferes Bild der Atmosphäre
Der Nutzen einer Vorhersage hängt davon ab, wie detailliert sie einen bestimmten Ort und Zeitpunkt beschreiben kann. WeatherNext 3 berechnet Temperatur und Luftfeuchtigkeit an der Erdoberfläche in einem Raster mit einer Auflösung von fünf Kilometern. Weitere Oberflächenwerte verarbeitet es mit einer Auflösung von zehn Kilometern, während Größen in höheren Atmosphärenschichten, beispielsweise die Windgeschwindigkeit, in Abständen von fünfundzwanzig Kilometern kartiert werden. Insgesamt ist dieses Wetterbild etwa fünfmal detaillierter als bei der Vorgängerversion WeatherNext 2, die lediglich mit einem Raster von fünfundzwanzig Kilometern arbeitete und Vorhersagen in Abständen von sechs Stunden ausgab.
Dieser Unterschied wird durch einen Vergleich der in zwei Metern Höhe über dem Boden gemessenen Temperatur auf den Britischen Inseln deutlich. Während das ältere Modell die Landschaft zu großen, groben Flächen verwischte, kommt die neuere Version auch mit stark gegliedertem Gelände zurecht. Berge und Täler verschwinden auf der Karte somit nicht unter einem einzigen Durchschnittswert.
Daten von Satelliten
Die meisten meteorologischen KI-Modelle lernen anhand von Daten numerischer Vorhersagesysteme. Diese Systeme laufen auf Supercomputern, simulieren die Physik der Atmosphäre und weisen eine Verzögerung von sechs Stunden auf. Bei Größen, die sich schnell verändern, was insbesondere für Niederschläge und bodennahe Temperaturen gilt, entstehen dadurch Abweichungen.
Das neue Modell lädt deshalb fortlaufend ein Mosaik aus Bildern geostationärer Satelliten und verfügt dadurch ständig über einen aktuellen Überblick über die tatsächlichen Vorgänge in der Atmosphäre. Jede neue stündliche Vorhersage basiert somit auf den neuesten Beobachtungen. Wenn sich ein Sturm, ein Frontensystem oder ein Niederschlagsband unerwartet schnell bildet, erhalten Rettungskräfte, Leitstellen und die Flugsicherung die Informationen früher und in detaillierterer Form.
Lernen direkt anhand von Messstationen
Temperatur und Luftfeuchtigkeit können sich innerhalb weniger Kilometer verändern, was jeder Bewohner von Küstenregionen, abgeschlossenen Tälern oder Vorgebirgsgebieten zu spüren bekommt. Klassische Modelle versagen in diesen Gebieten, weil sie mit einem vereinfachten Bild der Atmosphäre arbeiten, in dem lokale Schwankungen verloren gehen. WeatherNext 3 wird stattdessen direkt mit Daten von Bodenmessstationen trainiert, sodass das Fünf-Kilometer-Raster die Form der Landschaft präzise abbildet.
Google erwartet von diesem Ansatz den größten Nutzen in Lateinamerika, Afrika und im asiatisch-pazifischen Raum. In diesen Regionen fehlen meist detaillierte lokale Modelle, da ihr Betrieb auf Supercomputern sehr kostspielig ist. Detaillierte Vorhersagen werden damit künftig Milliarden von Menschen und lokalen Unternehmen zugänglich, die sich bislang auf grobe Schätzungen verlassen mussten.
Die Vorhersage von Regen und Schneefall gehört zu den schwierigsten meteorologischen Aufgaben. Niederschläge entstehen in Wolken durch Prozesse, die in sehr kleinem Maßstab ablaufen und sich schnell verändern, sodass klassische physikalische Simulationen sie nur schwer erfassen können. Das Ergebnis ist häufig eine ungenaue Schätzung oder eine vollständig verfehlte Grenze eines starken Gewitters.
Die Entwickler trainierten das Modell daher mit zwei besonders hochwertigen Datenquellen. Die erste ist das Satellitenprodukt IMERG der NASA, die zweite eine eigene globale Niederschlagsberechnung auf Grundlage von Satellitenradar. Den Messungen zufolge hat sich die Genauigkeit mittelfristiger Niederschlagsvorhersagen deutlich verbessert. Im Vergleich zu älteren Methoden stieg die Genauigkeit gegenüber den IMERG-Daten um bis zu sechzig Prozent, gegenüber dem US-amerikanischen MRMS-Netz um dreißig Prozent und gegenüber Regenmessern bei kurzfristigen Vorhersagen um zehn Prozent. Auf den Karten zeigt sich dieser Fortschritt darin, dass anstelle unscharfer Flächen präzise abgegrenzte Niederschlagsbänder entstehen, die den tatsächlichen Satellitenbeobachtungen genau entsprechen.
Das Modell berechnet zudem Größen, die für den Bereich der erneuerbaren Energien entscheidend sind. Es prognostiziert die Windgeschwindigkeit in einer Höhe von hundert Metern über dem Boden, was der Höhe entspricht, in der sich die Rotorblätter von Windkraftanlagen drehen. Hinzu kommen detaillierte Informationen zur Bewölkung und zur Intensität der Sonneneinstrahlung. Betreiber von Übertragungsnetzen und Energieunternehmen können dadurch die erzeugte Strommenge genauer einschätzen und besser auf die aktuelle Nachfrage abstimmen.
Wo das Modell bereits eingesetzt wird und wie es in Europa aussieht
Das Modell WeatherNext 3 wird seit seiner Ankündigung schrittweise in die Dienste von Google integriert, konkret in die Google Suche, die Gemini-App, Google Maps, die Google Maps Platform Weather API und die Plattform Google Earth Engine. Google plant eine weltweite Einführung ohne regionale Ausnahmen für die Europäische Union. Menschen in der Tschechischen Republik werden den Ergebnissen dieses Modells daher am häufigsten in der gewöhnlichen Wettervorhersage der Google Suche oder in Google Maps begegnen.
Der größte technologische Fortschritt wird bei längerfristigen Aussichten erwartet. Bei der Planung von Aktivitäten mehrere Tage oder ein Wochenende im Voraus erhalten Nutzer eine um bis zu fünfzig Prozent genauere Niederschlagsvorhersage. Die deutlichste Verbesserung werden Regionen feststellen, in denen die bisherigen Vorhersagen hinsichtlich ihrer Zuverlässigkeit zurücklagen.
Wer selbstständig mit meteorologischen Daten arbeiten möchte, muss nichts aufwendig einrichten oder trainieren. Die stündlich aktualisierten globalen Vorhersagen stehen für Abfragen in den Werkzeugen BigQuery und Earth Engine zur Verfügung oder können gesammelt aus Google Cloud Storage heruntergeladen werden.
