Wettervorhersagen entstehen mithilfe von komplexen Computermodellen, die auf Basis physikalischer Gesetzmäßigkeiten und Wetterdaten simulieren, wie sich die Wetterlage in den nächsten Tagen verändern wird. Inzwischen können aber auch künstliche Intelligenzen das Wetter vorhersagen. Solche KI-Vorhersagemodelle werden mit historischen Wetterdaten trainiert und können so typische Wettermuster in aktuellen Wetterdaten erkennen.
Was Schmetterlinge mit dem Wetter zu tun haben
Ein Problem aber bleibt – egal ob klassische Vorhersage oder KI-Modell: Halbwegs sichere Wetterprognosen sind nur für wenige Tage im Voraus möglich. Schuld daran ist der berühmte Schmetterlingseffekt, den der US-Meteorologe Edward Lorenz in den 1970er Jahren entdeckte. Demnach können in einem komplexen System wie dem Wetter kleinste Effekte enorme Veränderungen nach sich ziehen – der Flügelschlag eines Schmetterlings verursacht dadurch wenige Wochen später und ganz woanders einen Sturm.
„Lorenz ermittelte eine theoretische Zeitgrenze von zwei Wochen, ab der wir das Wetter nicht mehr vorhersagen können – das zufällige Rauschen im System wird zu stark“, erklärt Co-Autor Judah Cohen vom Massachusetts Institute of Technology (MIT). Dadurch gelten Prognosen für den Zeitraum zwei bis sechs Wochen in der Zukunft als nahezu unmöglich. „In den meisten Fällen sind diese subsaisonalen Prognosen nicht besser, als wenn man sie im Casino ausgewürfelt hätte“, sagt Cohen.
KI-gestützte Fehlerkorrektur statt komplett neuem Prognosemodell
Das könnte sich nun ändern. Forschende um Cohen und Erstautorin Hannah Guan von der Harvard University und Microsoft Research haben ein KI-Modell entwickelt, das subsaisonale Wettervorhersagen erheblich verbessert. Diese sogenannte probabilistische Bias-Korrektur (PBC) beruht auf zwei miteinander gekoppelten KI-Modellen, die anhand von historischen Vorhersagedaten und vergangenen Wetterdaten gelernt haben, Fehler in den Prognosen bestehender Vorhersagemodelle zu erkennen.
Der Clou dabei: „PBC korrigiert vorhersagbare Fehler, statt zu versuchen, die gesamte atmosphärische Dynamik von Grund auf neu zu lernen“, erklären Guan und ihre Kollegen. Sie sehen in ihrem Modell daher keinen Ersatz für gängige Wetterprognosemodelle, sondern ein Werkzeug für die nachträgliche Korrektur – das Post-Processing. Das PBC-Modell kann mit jedem vorhandenen Vorhersagemodell gekoppelt werden – egal ob klassisch numerisch oder KI-basiert, wie das Team erklärt.
Funktionsprinzip des KI-Zusatzmodells PBC: Ein Teil des KI-Modells nutzt zuvor anhand historische Daten gelernte Fehlerquellen, um die Vorhersagedaten eines klassischen oder KI-gestützten Prognosemodells zu korrigieren. Der zweite PBC-Modellteil nutzt zusätzlich zeitversetzte Beobachtungsdaten zur Korrektur. Beides zusammen ergibt dann die korrigierte Prognose. — © Guan et al./ Nature, CC-by-nc-nd 4.0
Treffsicherheit verdoppelt bis verdreifacht
Im Praxistest kombinierten die Forschenden ihre PBC-KI mit drei führenden Systemen für die subsaisonale Wettervorhersage: dem Modellensemble des European Centre for Medium-Range Weather Forecasts (ECMWF), dem KI-basierten Prognosesystem AIFS-SUBS und dem hybriden Prognosemodell POET, das Transformer-KI mit dem klassischen ECMWF-Modell kombiniert. Anhand von Wetterdaten der Jahre 2016 bis 2024 testeten Guan und ihr Team, ob die nachträgliche Korrektur durch PBC die Wettervorhersagen für drei bis vier Wochen im Voraus verbessern konnte.
Das Ergebnis: In allen drei Kombinationen konnte das neue KI-System PBC die subsaisonalen Wettervorhersagen der bestehenden Modelle verbessern. Beim ECMWF-Ensemble erhöhte die PBC-Korrektur beispielsweise die Trefferquote der Niederschlagsprognosen um das Dreifache. „Bei AIFS-SUBS verdoppelte PBC die Vorhersage-Treffsicherheit in allen Variablen und für alle Vorlaufzeiten um das Doppelte“, berichtet das Team.
Und selbst bei POET, der ohnehin schon leistungsstarken Kombination der ECMWF-Modelle mit einer KI, verbesserte die Nachkorrektur mit PBC die Vorhersageleistung erheblich: „Sie erhöhte sich beim Niederschlag um 68 bis 98 Prozent, beim bodennahen Luftdruck um 15 bis 32 Prozent und bei der Temperatur um fünf bis sieben Prozent“, schreiben Guan und ihre Kollegen.
Sieger beim internationalen Vorhersage-Wettbewerb
Für ihren finalen Test nutzten die Forschenden eine MicroDuet getaufte Kombination aus PBC, ECMWF-Modell und POET, um beim „AI Weather Quest“ des ECMWF im Jahr 2025 mitzumachen. In diesem alljährlichen internationalen Wettbewerb reichen Wettbewerber jede Woche die Echtzeit-Vorhersagen für Wetterlagen rund um den Globus ein. „Am Ende der Saison werden dann die Modelle mit den besten Ergebnissen für die Drei- und Vierwochen-Vorhersage als Gewinner gekürt“, erklärt das Team.
Auch hier konnte sich das neue System durchsetzen: Die durch PBC optimierte Modellkombination schnitt besser ab als die von 34 anderen Teams eingereichten Prognosemodelle, wie Guan und ihre Kollegen berichten. Unter den Konkurrenten waren auch mehrere reine KI-Modelle sowie sechs Ensembles der weltweit führenden staatlichen Wetterdienste.
Leistung der im AI Weather Quest konkurrierenden Wettervorhersagemodelle. Das durch PBC ergänzte Kombimodell MicroDuet schnitt bei den subsaisonalen Vorhersagen am besten ab (hier die Werte für das vierte Quartal 2025). — © Guan et al./ Nature, CC-by-nc-nd 4.0
Neus Werkzeug für die Meteorologie
Nach Ansicht der Forschenden demonstriert dies, dass der richtige Einsatz von KI auch die von der Chaostheorie gesetzten Vorhersagegrenzen der Meteorologie überwinden kann - das galt bislang als weitgehend unmöglich. „Bislang konnte niemand ein Modell präsentieren, das das Wetter für diesen subsaisonalen Zeitraum besser vorhersagt als langfristige Durchschnittswerte“, sagt Cohen. „Es wurde sogar bezweifelt, ob sich Investitionen in Modelle für diesen Zeitraum überhaupt lohnen.“
Doch das KI-gestützte PBC-Modell beweist nun, dass es sich doch lohnt. „Unser Zusatzmodell liefert nicht nur bessere Ergebnisse für den subsaisonalen Zeitraum, es verbessert auch die Prognose von Extremwetterereignissen wie Überschwemmungen, Kälteeinbrüchen oder Hitze“, erklärt Cohen. Weil das PBC-Modell mit allen gängigen Vorhersagemodellen kombinierbar und noch dazu Open Source und günstig sei, könnte es die Meteorologie einen großen Schritt voranbringen – gerade in ärmeren Ländern.
Quelle: Hannah Guan (Microsoft Research, Harvard College, Cambridge, USA) et al., Nature, 2026; doi: 10.1038/s41586-026-11126-x
