WeatherNext gewinnt einen Tag bei Hurrikanprognosen

WeatherNext erreichte bei tropischen Wirbelstürmen mit drei Tagen Vorlauf dieselbe Prognosegenauigkeit wie frühere Modelle mit zwei Tagen. Der Vergleich stammt aus der in Nature veröffentlichten WeatherNext-Forschung zu tropischen Wirbelstürmen und wird in dem Bericht von Ars Technica zusammengefasst. Ars berichtet außerdem, dass die Hurrikanforschung historisch etwa zehn Jahre Arbeit benötigte, um einen zusätzlichen Tag Prognosevorsprung zu gewinnen.

Der strategische Wert liegt nicht bloß in einem besseren Messwert. Eine Prognose mit drei Tagen Vorlauf gibt Meteorologen mehr Zeit, mögliche Verläufe zu vergleichen und Risiken zu kommunizieren, als eine ähnlich genaue Vorhersage mit nur zwei Tagen Vorlauf. Gemessen wird damit potenzielle Entscheidungszeit, nicht nur Modellleistung.

Hurrikan Melissa lieferte im Oktober 2025 ein Beispiel aus dem laufenden Betrieb. Fünf Tage vor dem Landfall bezifferte WeatherNext die Wahrscheinlichkeit, dass Melissa Jamaika als Hurrikan der Kategorie 5 erreichen würde, laut Ars Technica auf 80 Prozent. Dem Bericht zufolge verursachte Melissa später im ganzen Land Überschwemmungen und Erdrutsche. Das US National Hurricane Center nutzte WeatherNext als eine von mehreren Grundlagen für frühere Warnungen.

Dieses Beispiel belegt einen praktischen Einsatz, aber keine breite operative Validierung. Ein einzelner Sturm kann zeigen, dass die Prognose rechtzeitig bei Meteorologen ankam und Entscheidungen beeinflussen konnte. Er zeigt nicht, ob der in rückblickenden Tests gemessene Vorsprung von WeatherNext auch bei künftigen Stürmen, in anderen Regionen oder über mehrere Saisons Bestand hat.

Hurrikanprognosen arbeiten auf zwei Skalen. Die Zugbahn eines Sturms hängt von großräumigen Wettersystemen wie vorherrschenden Winden und Kaltfronten ab. Seine Intensität wird dagegen von lokalen Bedingungen in Atmosphäre und Ozean bestimmt. Frühere KI-Systeme prognostizierten Zugbahnen besser als Intensitäten, weil globalen Modellen die nötigen lokalen Details fehlten, heißt es im Ars-Bericht über die Nature-Forschung.

Genau deshalb ist die Intensität der schwierigere Test. Es genügt nicht zu wissen, wohin sich ein Sturm bewegen könnte, wenn Notfallentscheidungen ebenso davon abhängen, wie stark er wird. WeatherNext ist dann relevant, wenn das Modell diese Lücke schließen kann, ohne die hochaufgelösten Eingangsdaten zu benötigen, die Forschende bislang für Intensitätsprognosen vorausgesetzt hatten.

DeepMind und Google Research begegneten der geringen Zahl verfügbarer Zyklonbeispiele, indem sie WeatherNext sowohl mit allgemeinen Wetterdaten als auch mit Zyklondaten trainierten. Statt eine einzige deterministische Antwort auszugeben, erzeugt das Modell eine Verteilung möglicher Zugbahnen und Intensitäten. Das beschreiben die Nature-Forschung und die Berichterstattung von Ars Technica.

Damit verändert sich die Rolle des Modells. WeatherNext wählt nicht eine Zukunft aus und verlangt Vertrauen in genau dieses Ergebnis. Es bildet eine Bandbreite plausibler Entwicklungen ab, sodass Meteorologen sowohl den wahrscheinlichsten Verlauf als auch die gefährlichen Randfälle prüfen können.

Während der Saison 2025 erzeugte WeatherNext für jeden Sturm 50 Szenarien. Inzwischen sind es laut Ars Technica 1.000. Die Forschenden erklärten gegenüber Ars, dass die ihnen verfügbaren numerischen Modelle mit der vorhandenen Rechenleistung nicht so viele Szenarien erzeugen konnten.

Mehr Szenarien verbessern eine Prognose nicht automatisch. Ihr Wert liegt in der Abdeckung: Eine größere Menge kann Entwicklungen sichtbar machen, die in einer kleineren Stichprobe fehlen. Der Preis dafür ist zusätzlicher Bewertungsaufwand. Meteorologen müssen weiterhin entscheiden, welche Verläufe Aufmerksamkeit verdienen und wie belastbar die zugrunde liegende Verteilung ist.

Die Szenarien ähneln den Ästen eines Entscheidungsbaums. Jeder Ast beginnt mit leicht veränderten Ausgangsbedingungen und zeigt, wie sich diese Unterschiede über mehrere Tage verstärken könnten. Kein einzelner Ast muss Gewissheit liefern. Entscheidend ist, ob die Streuung gefährliche Entwicklungen sichtbar macht, die eine einzelne Prognose verbergen würde.

Melissa zeigt den Unterschied zwischen nützlichen Hinweisen und belastbaren Belegen. Ars berichtet, dass das National Hurricane Center bereits eine Intensität der Kategorie 5 prognostizierte, als Melissa noch Kategorie 1 hatte, und bezeichnet dies als Premiere für die Behörde. Das ist ein bemerkenswertes Praxisbeispiel. Doch die Aussage stammt aus dem Ars-Bericht und belegt nicht, dass sich die rückblickend gemessene Leistung von WeatherNext im breiten Einsatz bestätigt hat.

Die belastbare Schlussfolgerung ist enger: WeatherNext lieferte während eines schweren Sturms Informationen, die Meteorologen nutzten, und erkannte laut Bericht frühzeitig einen gefährlichen Verlauf. Erst eine Wiederholung über mehr Stürme und Saisons könnte zeigen, ob daraus dauerhaft verlässliche operative Leistung wird.

Die wissenschaftliche Erklärung hinkt der Prognose hinterher. Forschende verstehen noch nicht vollständig, wie WeatherNext aus vergleichsweise grob aufgelösten Atmosphärendaten auf die Intensität schließt. Das Modell scheint verwertbare Signale zu erkennen, für die nach bisherigen Annahmen höher aufgelöste Daten nötig wären. Seine interne Herleitung bleibt jedoch unklar, schreibt Ars Technica über die Nature-Studie.

Daraus entsteht ein praktischer Konflikt. Ein Modell kann nützlich sein, bevor Forschende seine interne Methode vollständig erklären können. Fehlende Nachvollziehbarkeit erschwert jedoch die Einschätzung, wann das System versagen könnte. Der zusätzliche Prognosevorsprung ist nur dann wertvoll, wenn Meteorologen auch seine Grenzen verstehen.

Diese Grenzen sind konkret. Extreme Wirbelstürme sind selten, entsprechend wenige relevante Trainingsbeispiele stehen zur Verfügung. WeatherNext prognostiziert Zugbahnen und Intensitäten, nicht die Folgen für Menschen. Fachleute müssen weiterhin mehrere Modelle kombinieren und die Ergebnisse in Einschätzungen zu Überschwemmungen, Windschäden, Evakuierungsbedarf und Ressourceneinsatz übersetzen, wie Ars berichtet.

Für Entwickler zeigt WeatherNext, warum KI eher als Unsicherheitsmaschine denn als Orakel behandelt werden sollte. Der potenzielle Nutzen entsteht durch mehr Szenarien und zusätzliche Entscheidungszeit, während das fachliche Urteil bei den Meteorologen bleibt. Dass die während der Hurrikansaison verwendeten WeatherNext-Modelle laut Ars Technica als Open Source veröffentlicht werden, erlaubt Forschenden, diese Grenzen systematisch zu testen, statt aus Melissa allein auf die Zuverlässigkeit zu schließen.

Welches messbare Muster in der Atmosphäre erlaubt WeatherNext, die Intensität eines Wirbelsturms aus Daten abzuleiten, die nach heutiger physikbasierter Praxis als zu grob gelten?