Subsaisonale Wetterprognosen mit KI: Wie probabilistische Fehlerkorrektur den Vorhersagehorizont erweitert

Quantitative Ergebnisse und methodische Einordnung der Messwerte

Um die Leistungsfähigkeit der probabilistischen Fehlerkorrektur objektiv zu überprüfen, koppelten die Forschenden ihre PBC-KI in umfangreichen Praxistests mit drei führenden Systemen für die subsaisonale Wettervorhersage [2]. Dazu zählten das klassische physikalische Modellensemble des European Centre for Medium-Range Weather Forecasts (ECMWF), das rein KI-basierte Prognosesystem AIFS-SUBS sowie das hybride Prognosemodell POET, welches eine Transformer-KI mit dem klassischen ECMWF-Modell verbindet [2]. Anhand historischer Wetterdaten der Jahre 2016 bis 2024 sowie in Auswertungen für das Testjahr 2025 untersuchten Guan und ihr Team, inwieweit die nachträgliche Korrektur durch PBC die Prognosen für die dritte und vierte Woche im Voraus verbessern konnte [2, 4]. Geprüft wurde der Ansatz für drei zentrale meteorologische Variablen: die durchschnittliche Temperatur in zwei Metern Höhe, die Niederschlagssumme sowie den bodennahen Luftdruck [2, 4].

Wenn Sie die publizierten Erfolgszahlen als Entscheidungsgrundlage für Ihr Unternehmen heranziehen, ist eine präzise Differenzierung der in den unterschiedlichen Berichten genannten Metriken unerlässlich, da relative Verbesserungen von statistischen Kennzahlen leicht mit absoluten Trefferquoten verwechselt werden können [2, 4]. In der Auswertung über die drei Modellkombinationen hinweg zeigte sich zunächst durchgängig ein deutlicher Leistungszuwachs: Beim ECMWF-Ensemble erhöhte die PBC-Korrektur die berichtete Trefferquote der Niederschlagsprognosen um das Dreifache, während PBC beim KI-System AIFS-SUBS die Vorhersage-Treffsicherheit in sämtlichen Variablen und für alle untersuchten Vorlaufzeiten verdoppelte [2]. Selbst bei POET, der bereits ohnehin leistungsstarken Kombination aus ECMWF-Modellen und Transformer-KI, steigerte die Nachkorrektur die Vorhersageleistung beim Niederschlag um 68 bis 98 Prozent, beim bodennahen Luftdruck um 15 bis 32 Prozent und bei der Temperatur um fünf bis sieben Prozent [2].

• Methodische Einordnung des KI-Modelltests (RPSS): Bei einem bereits leistungsfähigen KI-Wettermodell stieg im Testjahr 2025 der mittlere Prognosewert RPSS (Ranked Probability Skill Score) durch PBC von rund 0,03 auf 0,06 [4]. Der RPSS misst, wie gut die vorhergesagten Wahrscheinlichkeiten im Vergleich zu langjährigen klimatologischen Durchschnittswerten abschneiden [4]. Eine Verdopplung dieses zunächst niedrigen Ausgangswertes belegt zwar einen klaren statistischen Zugewinn, bedeutet jedoch ausdrücklich nicht, dass doppelt so viele Wettervorhersagen richtig sind [4].
• Räumliche Verbreitung beim physikalischen Modell: Gegenüber der üblichen Fehlerkorrektur des klassischen, physikalischen Prognosemodells verbesserten sich durch PBC die Niederschlagsprognosen in 98 Prozent der untersuchten Gitterzellen, die Temperaturprognosen in 91 bis 92 Prozent und die Luftdruckprognosen in 89 bis 91 Prozent der Zellen [4]. Diese Prozentwerte beschreiben die räumliche Verbreitung der Verbesserung über das globale Berechnungsnetz und sind keine direkten Trefferquoten [4].
• Präzisierung des Vorhersagehorizonts: Obwohl im Kontext subsaisonaler Prognosen definitorisch von einem Zeitraum bis zu sechs Wochen gesprochen wird [1, 2], standen im Mittelpunkt der konkreten Modelltests die dritte und vierte Prognosewoche – genauer die Tage 19 bis 25 sowie die Tage 26 bis 32 nach Erstellung der jeweiligen Vorhersage [2, 4].
• Fokus auf Wahrscheinlichkeiten statt Einzeltagen: Bewertet wurden in den Untersuchungen keine tagesgenauen Einzelwetterlagen, sondern Wochenmittelwerte sowie die Wahrscheinlichkeiten verschiedener Wetterentwicklungen [4].

Bewährungsprobe im Echtzeit-Wettbewerb und bei Extremwetter

Da rückblickende Modelltests anhand historischer Daten stets das Risiko bergen, nur in der Rückschau optimale Ergebnisse zu liefern, unterzogen die Forschenden ihr Verfahren im Herbst beziehungsweise im vierten Quartal 2025 einem anspruchsvollen Echtzeit-Härtetest [2, 4]. Sie beteiligten sich am AI Weather Quest des ECMWF, einem alljährlichen internationalen Wettbewerb, bei dem die Teilnehmenden jede Woche Echtzeit-Vorhersagen für Wetterlagen rund um den Globus einreichen müssen [1, 2, 4]. Am Ende der Saison werden diejenigen Modelle als Gewinner gekürt, die über den Zeitraum hinweg die besten Ergebnisse für die Drei- und Vierwochen-Vorhersage erzielt haben [2].

Für diesen Wettbewerb nutzte das Team eine als MicroDuet bezeichnete Kombination nachkorrigierter Wettermodelle, die PBC mit dem ECMWF-Modell und POET verband [2, 4]. MicroDuet belegte für alle drei untersuchten Wettergrößen (Temperatur, Niederschlag, Luftdruck) und beide Prognosezeiträume den ersten Platz [2, 4]. Damit schnitt die durch PBC optimierte Modellkombination besser ab als die von 34 anderen Teams eingereichten Prognosesysteme, unter denen sich mehrere reine KI-Modelle sowie sechs Modellensembles der weltweit führenden staatlichen Wetterdienste befanden [2, 4].

Früherkennung von Überschwemmungen und Kälteeinbrüchen

Besonders relevant für das betriebliche und staatliche Risikomanagement ist der Befund, dass die Korrektur nicht nur den typischen, gemittelten Wetterverlauf besser abbildet, sondern auch bei Tests mit seltenen Extremwerten für Temperatur, Niederschlag und Luftdruck an Vorhersagegüte gewann [2, 4]. Für dokumentierte Überschwemmungen steigerte das PBC-Verfahren die statistische Güte der Niederschlagsprognosen gegenüber dem unkorrigierten Ausgangsmodell um 76 bis 92 Prozent [4]. Zudem lieferte der Wettbewerb im Spätjahr 2025 einen konkreten Praxishinweis auf frühere Warnmöglichkeiten: Ende November 2025 sagte das Wettbewerbssystem für Mitte Dezember einen Kälteeinbruch im Osten der USA voraus, der später tatsächlich eintrat, während die übliche korrigierte Modellprognose dieses Ereignis übersehen hatte [4]. Wissenschaftlich gilt hierbei allerdings die Einschränkung, dass ein einzelnes Erfolgsbeispiel noch nicht beweist, dass ähnliche Extremereignisse künftig überall auf der Welt Wochen im Voraus zuverlässig erkannt werden [4].

Welche weitreichenden Konsequenzen solche zusätzlichen Vorwarnzeiten haben können, verdeutlicht die Mitteilung des MIT am Beispiel einer schweren Wetterkatastrophe im US-Bundesstaat Texas im Jahr 2021 [1]. Damals suchten drei schwere Winterstürme den Bundesstaat heim, woraufhin die Versorgung mit Elektrizität, Heizmitteln und Wasser zusammenbrach und mindestens 246 Menschen starben [1]. Hätte man diese Stürme mehr als nur zwei Wochen im Voraus kommen sehen, hätten die Verantwortlichen laut dem MIT besser planen und beispielsweise rechtzeitig mehr Gas bereitstellen können [1].

Alternative KI-Ansätze: Von GenCast bis zur Startdaten-Optimierung

Die Forschungsarbeit von Guan und Cohen steht im Kontext einer breiteren wissenschaftlichen Entwicklung, bei der unterschiedliche Forschungsgruppen versuchen, die Vorhersagegrenzen der Meteorologie mithilfe maschinellen Lernens zu verschieben [2, 3, 5]. Ein Vergleich mit zwei weiteren in den Quellen dokumentierten Studien verdeutlicht, dass KI-Verfahren derzeit an ganz unterschiedlichen Punkten der meteorologischen Prozesskette ansetzen [2, 3, 5].

Für den Zeitraum von bis zu 15 Tagen hat Googles KI-Forschungslabor DeepMind das hochauflösende Modell GenCast entwickelt und ebenfalls im Fachmagazin Nature vorgestellt [5]. GenCast wurde mit historischen Wetterdaten aus vier Jahrzehnten (bis einschließlich 2018) aus dem Archiv des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW/ECMWF) trainiert, um globale Wettermuster zu erlernen [5]. Getestet an den Wetterdaten des Jahres 2019 lieferte GenCast nach Angaben von DeepMind in mehr als 97 Prozent der Fälle kleinräumig bessere Vorhersagen als das führende operative Modell des EZMW – nachdem frühere KI-Modelle des Labors vor einem Jahr lediglich zehn Tage abgedeckt hatten [5]. Ein markanter Unterschied liegt im Ressourcenbedarf: Während ein Supercomputer für die klassische EZMW-Prognose Stunden rechnen muss, benötigt GenCast für eine 15-Tage-Prognose lediglich rund acht Minuten auf einem einzigen Google Tensor-Prozessor (TPU) der fünften Generation [5]. DeepMind kündigte zudem an, Echtzeit-Vorhersagen veröffentlichen zu wollen, die sich in andere Prognosen integrieren lassen [5].

Optimale Störungen in den Ausgangsdaten bei GraphCast

Während das PBC-Modell des MIT am Ende der Kette eine Nachbearbeitung durchführt [2, 4], setzten die beiden US-Atmosphärenforscher P. T. Vonich und G. J. Hakim in einer 2025 auf dem Preprint-Server arXiv veröffentlichten Studie am genauen Gegenteil an: den Startbedingungen der Simulation [3]. Wettermodelle beginnen ihre Berechnungen mit einem dreidimensionalen Gitter-Schnappschuss der aktuellen Atmosphäre (Temperatur, Luftdruck, Wind, Feuchtigkeit), der aus der hochwertigen ERA5-Reanalyse stammt, aufgrund eines weltweit unterschiedlich dichten Messnetzes jedoch kleine Fehler und Unsicherheiten aufweist [3].

Die Forscher nutzten das KI-Wettermodell GraphCast von Google DeepMind und veränderten die Startdaten für 732 verschiedene Zeitpunkte im Jahr 2020 (je zwei Uhrzeiten an 366 Tagen) mithilfe des mathematischen Verfahrens des Gradientenabstiegs minimal [3]. Diese gezielten, kleinen Anpassungen im Rahmen natürlicher Beobachtungsunsicherheiten – sogenannte optimale Störungen – zeigten klare, physikalisch plausible Muster wie stärkere Aufwinde in der Innertropischen Konvergenzzone, trockenere Luft in den Subtropen oder kühlere Temperaturen über bestimmten Meeresregionen, was im Mittel einer verstärkten Hadley-Zelle innerhalb der Troposphäre entsprach [3]. Das Resultat dieser optimierten Anfangszustände war eine Reduktion der Vorhersagefehler bei 10-Tages-Prognosen um durchschnittlich 86 Prozent [3]. Gemessen an sogenannten Anomalie-Korrelationen blieb der Wettertrend bis zu 33 Tage statistisch signifikant, und praktisch brauchbare Trendvorhersagen waren im Schnitt bis zu 27,5 Tage – also nahezu vier Wochen – möglich [3]. Zudem verbesserten diese angepassten Startdaten auch die Prognosen in einem völlig anderen KI-Wettermodell, nämlich Pangu-Weather von Huawei [3].

Im direkten Vergleich zum praxiserprobten PBC-Ansatz von MIT, Harvard und Microsoft unterliegt die Studie von Vonich und Hakim jedoch zwei wesentlichen Einschränkungen: Erstens hat die Arbeit noch den Preprint-Status und damit noch nicht das übliche wissenschaftliche Begutachtungsverfahren (Peer Review) durchlaufen [3]. Zweitens handelt es sich um eine reine Rückschau-Studie, bei der die KI die reale Zukunft des Jahres 2020 bereits kannte und den Startzustand gezielt darauf hin optimierte [3]. Da die Zukunft in der Realität unbekannt ist, schlagen die Autoren vor, solche optimalen Störungen künftig durch neue KI-Trainingsmethoden oder Kombinationen mit klassischen Modellen aus der Vergangenheit zu lernen [3].

Strategische Implikationen für Wirtschaft und Infrastruktur

Aus den vorliegenden Forschungsergebnissen lässt sich analytisch ableiten, dass die Verknüpfung etablierter Wettermodelle mit spezialisierten KI-Korrekturverfahren die wirtschaftliche Nutzbarkeit von Mittelfrist- und Langfristprognosen spürbar erweitert [2, 3, 4]. Ob es in drei bis vier Wochen eher mild, stürmisch, trocken oder nass wird, mag für Privatpersonen im Alltag zweitrangig sein – für wetterabhängige Industrien, Versorgungsunternehmen und öffentliche Verwaltungen hängen an diesem Zeithorizont hingegen kritische operative Planungsprozesse [3, 4].

• Energiewirtschaft und Versorgungssicherheit: Energieversorger und Netzbetreiber müssen Angebot und Nachfrage sowie Brennstoffreserven Wochen im Voraus aufeinander abstimmen [1, 3, 4]. Frühzeitige Hinweise auf großräumige Kälteeinbrüche, Hitzewellen oder veränderte Wind- und Niederschlagsverhältnisse verschaffen zusätzliche Vorbereitungszeit, um beispielsweise Gasreserven oder Kraftwerkskapazitäten bedarfsgerecht bereitzustellen [1, 2, 4].
• Landwirtschaft und Agrarplanung: In der Landwirtschaft ermöglichen verlässlichere Wahrscheinlichkeitsaussagen für die dritte und vierte Woche eine präzisere Einschätzung, was auf die Böden zukommt – etwa im Hinblick auf anhaltende Trockenheit, Bodenfeuchte oder Starkregen –, sodass Betriebe Aussaat und Bewässerung rechtzeitig planen können [3, 4].
• Katastrophenschutz, Winterdienste und Veranstaltungswirtschaft: Für den Schutz vor Überschwemmungen, die Einsatzplanung kommunaler Winterdienste sowie für Veranstalter großer Freiluft-Events und Festivals liefern verbesserte Drei- bis Vier-Wochen-Trends wertvolle Vorlaufzeit für logistische und personelle Schutzmaßnahmen [2, 3, 4].
• Kostengünstige Open-Source-Integration: Da die Korrektursoftware PBC frei zugänglich (Open Source), vergleichsweise sparsam im Rechenaufwand und günstig im Betrieb ist sowie modular an bestehende Prognosesysteme angebunden werden kann, eignet sie sich auch für kleinere Institutionen oder Wetterdienste in ärmeren Ländern ohne eigene Supercomputer-Infrastruktur [2, 4].

Grenzen für das betriebliche Risikomanagement

Wenn Sie den Einsatz solcher KI-gestützten Prognosewerkzeuge in Ihrem Unternehmen bewerten, sollten Sie trotz der belegten Fortschritte die methodischen Grenzen im Blick behalten [4]. Die Forschungsergebnisse rund um PBC liefern Wahrscheinlichkeiten und verbesserte Wochenmittel für die dritte und vierte Prognosewoche, jedoch keine deterministische Gewissheit oder die exakte Vorhersage eines lokalen Sturms sechs Wochen im Voraus [4]. Ob sich die im Wettbewerb nachgewiesenen Vorteile im dauerhaften operativen Wetterdienst über sämtliche geografischen Regionen und seltene Extremereignisse hinweg konstant bewähren, muss die weitere Praxis zeigen [4].

Darüber hinaus betonen die beteiligten Forscherinnen und Forscher übereinstimmend, dass KI weder klassische physikalische Wettermodelle noch menschliche Meteorologinnen und Meteorologen ersetzt, sondern diese ergänzt [2, 3]. Da reine maschinelle Lernmodelle keine explizite Physik abbilden, sondern Muster aus historischen Daten extrapolieren, bleiben sie allein bei langfristigen Klimaentwicklungen oder extremen Ausreißern anfällig [3]. Die tragfähigste Perspektive für professionelle Anwender liegt daher in hybriden Systemarchitekturen, die physikalische Simulationen, verbesserte Startbedingungen und lernende Nachkorrekturen wie PBC miteinander kombinieren [1, 2, 3, 4].

Quellen

1. [1] 6 Wochen im Voraus: Wie MIT-Forscher mit KI die Wettervorhersage verbessern — https://t3n.de/news/6-wochen-mit-wettervorhersage-1768331 (abgerufen am 2026-10-15)
2. [2] Wettervorhersage: KI-Modell schlägt Schmetterlingseffekt — https://wissenschaft.de/artikel/wettervorhersage-ki-modell-schlaegt-schmetterlingseffekt (abgerufen am 2026-10-15)
3. [3] Mit KI: Gibt es bald einen Wetterbericht für vier Wochen? | mdr.de — https://www.mdr.de/wissen/umwelt-klima/mit-ki-wetter-vorhersage-vier-wochen-im-voraus-100.html (abgerufen am 2026-10-15)
4. [4] KI-Wettermodell verbessert Vorhersagen für kommende Wochen deutlich - Lernendes Verfahren macht Vorhersagen für Regen und Kälte zuverlässiger - scinexx.de — https://www.scinexx.de/news/geowissen/ki-wettermodell-verbessert-vorhersagen-fuer-kommende-wochen-deutlich (abgerufen am 2026-10-15)
5. [5] Deepmind: KI liefert beste Wettervorhersage für mehr als zwei Wochen im Voraus | heise online — https://www.heise.de/news/Deepmind-KI-liefert-beste-Wettervorhersage-fuer-mehr-als-zwei-Wochen-im-Voraus-10189677.html (abgerufen am 2026-10-15)