Neues KI-Wettermodell WeatherNext 3 von Google DeepMind stellt revolutionäre Vorhersagetechniken vor

Revolution in der Wettervorhersage: Google DeepMind präsentiert WeatherNext 3

Die Wettervorhersage ist ein entscheidender Faktor für zahlreiche alltägliche Entscheidungen und komplexe wirtschaftliche Prozesse. Extreme Wetterereignisse unterstreichen die Notwendigkeit präziser und zeitnaher Prognosen. In diesem Kontext hat Google DeepMind mit der Einführung von WeatherNext 3 einen bedeutenden Schritt in der Entwicklung von KI-gestützten Wettermodellen vollzogen. Dieses neue Modell bricht mit traditionellen Ansätzen und setzt auf eine direkte Verarbeitung von Live-Satellitendaten, um Wetterphänomene mit bisher unerreichter Detailtiefe und Aktualität abzubilden.

Ein Paradigmenwechsel: Von physikalischen Simulationen zu Live-Satellitendaten

Bisherige KI-Wettermodelle, einschließlich des Vorgängers WeatherNext 2, basierten auf Daten aus numerischen Wettervorhersagemodellen (NWP). Diese Modelle, die auf Supercomputern laufen, sind komplex und mit einem Zeitverzug von etwa sechs Stunden behaftet. Dieser Umstand konnte zu Ungenauigkeiten führen, insbesondere bei sich schnell ändernden Wettervariablen wie Niederschlag oder Temperatur.

WeatherNext 3 vollzieht hier einen grundlegenden Wandel. Es verarbeitet direkt Live-Daten von geostationären Satelliten. Dies ermöglicht es dem Modell, stündlich eine neue Vorhersage zu generieren, basierend auf den aktuellsten Beobachtungen. Die Auflösung beträgt dabei bis zu fünf Kilometer. Dieser schnellere Aktualisierungszyklus ist besonders vorteilhaft bei der Vorhersage von sich rasch entwickelnden Stürmen oder Niederschlagsereignissen, da er frühere und präzisere Prognosen ermöglicht.

Erhöhte Detailgenauigkeit und lokale Präzision

Die Auflösung von WeatherNext 3 stellt einen signifikanten Fortschritt dar. Während Temperatur und Luftfeuchtigkeit mit einer Auflösung von fünf Kilometern prognostiziert werden, liegen andere Oberflächenvariablen bei zehn Kilometern und atmosphärische Werte wie Windgeschwindigkeit bei 25 Kilometern. Im Vergleich zu WeatherNext 2, das ein 25-Kilometer-Raster in sechsstündigen Intervallen nutzte, bietet WeatherNext 3 eine fünffach höhere Detailgenauigkeit.

Diese verbesserte Auflösung erlaubt es dem Modell, lokale topografische Merkmale wie Gebirgsketten und Küstenlinien präziser zu erfassen. Google veranschaulicht dies am Beispiel einer Temperaturvorhersage für das Vereinigte Königreich: Wo WeatherNext 2 ein verpixeltes Bild lieferte, bildet WeatherNext 3 die lokalen Gegebenheiten deutlich feiner ab. Das Modell wird zudem mit Daten von einzelnen Wetterstationen trainiert, um regionale Bedingungen noch genauer zu berücksichtigen. Insbesondere Regionen in Lateinamerika, Afrika und im asiatisch-pazifischen Raum, die historisch unterversorgt waren aufgrund der hohen Rechenkosten traditioneller regionaler Modelle, sollen von diesen genaueren globalen Vorhersagen profitieren.

Verbesserte Niederschlagsvorhersagen und Anwendungen für erneuerbare Energien

Die präzise Vorhersage von Niederschlägen, sei es Regen oder Schnee, stellt traditionell eine Herausforderung für globale Wettermodelle dar, da sie von schnellen Wolkenprozessen auf kleinen Skalen abhängt. Google hat WeatherNext 3 mit zwei Datenquellen trainiert, um diese Herausforderung zu meistern: dem satellitenbasierten IMERG-Datensatz der NASA und Googles eigener globaler Niederschlagsanalyse, die auf Satellitenradar basiert.

Die Ergebnisse zeigen deutliche Verbesserungen: Für mittelfristige globale Vorhersagen konnte die Genauigkeit (gemessen am Continuous Ranked Probability Score, CRPS) gegenüber IMERG um bis zu 60 Prozent und gegenüber MRMS um 30 Prozent gesteigert werden. Bei kurzen Vorhersagezeiten wurden gegenüber Regenmessern Verbesserungen von zehn Prozent erzielt. Dies führt zu bis zu 50 Prozent genaueren Niederschlagsvorhersagen, insbesondere in Gebieten, in denen Prognosen bisher weniger zuverlässig waren.

Darüber hinaus liefert WeatherNext 3 spezifische Daten für den Sektor der erneuerbaren Energien. Es prognostiziert Windgeschwindigkeiten in 100 Metern Höhe – etwa auf Turbinenhöhe – um die Leistung von Windparks genauer abzuschätzen. Präzisere Daten zur Wolkenbedeckung und Sonneneinstrahlung ermöglichen es Solaranlagenbetreibern, die erwartete Stromerzeugung zu kalkulieren. Diese Informationen sollen Netzbetreiber dabei unterstützen, Angebot und Nachfrage besser auszugleichen.

Integration und Verfügbarkeit

Die durch WeatherNext 3 generierten Wetterdaten werden stündlich aktualisiert. Forschenden, Entwickelnden und Unternehmen stehen diese Daten über BigQuery und Earth Engine zur Verfügung oder können im Rahmen des Google Cloud Storage heruntergeladen werden. WeatherNext 3 ist bereits in zentrale Google-Produkte integriert und versorgt Wetterfunktionen in Google Search, der Gemini App, Google Maps, der Google Maps Platform Weather API und Google Earth Engine.

Es ist wichtig zu betonen, dass die Atmosphäre immer ein gewisses Maß an Unvorhersehbarkeit aufweisen wird. Google weist darauf hin, dass für offizielle Vorhersagen, Unwetterwarnungen und Sicherheitshinweise weiterhin die nationalen Wetterdienste die primäre Anlaufstelle bleiben.

Historischer Kontext und Ausblick

Die Entwicklung von WeatherNext 3 baut auf den Erfolgen früherer Modelle auf. Bereits im November 2025 stellte Google DeepMind WeatherNext 2 vor, das bei 99,9 Prozent aller meteorologischen Variablen und Vorhersagefenster genauer war als die erste Generation von WeatherNext und dabei achtmal schneller arbeitete. Dieses Modell, basierend auf dem Functional Generative Network, das auch WeatherNext 3 zugrunde liegt, versorgte bereits Google Search, Gemini, Pixel Weather und die Weather API.

Im August 2026 wurden WeatherNext 2 und WeatherNext Cyclones unter einer Open-Source-Lizenz veröffentlicht. Das Zyklonmodell ist in der Lage, tropische Sturmverläufe und -intensitäten in einem einzigen System zu prognostizieren und blickt dabei etwa einen Tag weiter voraus als führende operationelle Modelle, trotz eines deutlich gröberen Rasters. Ende 2024 hatte DeepMind zudem GenCast veröffentlicht, das erste probabilistische KI-Wettermodell, das das Ensemble-System des ECMWF übertraf.

Mit WeatherNext 3 setzt Google DeepMind einen neuen Maßstab in der KI-gestützten Wettervorhersage und unterstreicht das Potenzial von Künstlicher Intelligenz, komplexe wissenschaftliche Herausforderungen zu lösen und praktische Anwendungen mit weitreichenden Auswirkungen zu schaffen.

Bibliographie

- Google DeepMind. (2026, September 3). *WeatherNext 3: Our most advanced global weather AI model*. Blog Post. - Kemper, J. (2026, September 6). *Google's WeatherNext 3 ditches physics simulations and learns weather directly from live satellite data*. The Decoder. - Rasp, S., Babenko, B., Masters, D., et al. (2026, September 3). *WeatherNext 3: Increasing resolution and performance of global weather models with raw observations*. arXiv. - Google DeepMind. (n.d.). *WeatherNext 3*. - Calma, J. (2026, September 3). *Google says its AI weather model is getting better*. The Verge. - Google for Developers. (n.d.). *WeatherNext models*. - Li, A. (2026, September 3). *Google WeatherNext 3 has ’50% more accurate precipitation forecasts’*. 9to5Google. - Campbell, I. C. (2026, September 3). *Google's New AI Weather Model Uses Live Satellite Data For Higher-Resolution Forecasts*. Engadget. - TPS. (2026, September 6). *WeatherNext 3: Google's New AI Weather Model Explained*.