// SCINEXX — SPAZIO & SCIENZA
KI-Wettermodell verbessert Vorhersagen für kommende Wochen deutlich
Wetter auf lange Sicht: Jenseits von zwei Wochen sinkt die Verlässlichkeit von Prognosen rapide. Ein neues Verfahren der künstlichen Intelligenz lernt, typische Fehler bestehender Wettermodelle zu korrigieren, und verbessert damit Vorhersagen für die kommenden Wochen. Besonders vielversprechend sind die Ergebnisse bei Niederschlägen und Extremwetter, doch die Prognosen liefern Wahrscheinlichkeiten statt Gewissheit.
Cambridge (U.S.A.). Ob ein Kälteeinbruch droht oder Trockenheit anhält, ist für Landwirtschaft, Stromversorgung und Katastrophenschutz schon Wochen vorher wichtig. Doch gerade für diesen Zeitraum sind Wetterprognosen besonders unsicher. Kleine Fehler in den Ausgangsdaten können sich in der chaotischen Atmosphäre mit jedem weiteren Tag verstärken.
Für die nächsten sieben bis zehn Tage liefern Wettermodelle inzwischen oft brauchbare Hinweise. Auch moderne KI-Wettermodelle sind in diesem Bereich konkurrenzfähig. Nach etwa zwei Wochen wird es aber schwierig, aus vielen möglichen Wetterentwicklungen die wahrscheinlicheren zuverlässig herauszufiltern.
Forscher des Massachusetts Institute of Technology (MIT) um Judah Cohen haben nun untersucht, ob sich dieser Verlust an Vorhersagegüte begrenzen lässt. Dabei entwickelten sie eine lernende Nachkorrektur für bestehende physikalische und KI-Modelle des European Centre for Medium-Range Weather Forecasts (ECMWF). Statt neue Wetterabläufe selbst zu berechnen, wertet das Verfahren systematische Fehler früherer Prognosen aus.
Das Verfahren heißt probabilistische Fehlerkorrektur (PBC). Es vergleicht frühere Vorhersagen mit dem tatsächlich eingetretenen Wetter und passt daraufhin die berechneten Wahrscheinlichkeiten an. Dadurch kann es beispielsweise erkennen, ob ein Modell die Chance auf starken Regen in einer bestimmten Region regelmäßig unterschätzt.
„Wir haben diese Hülle gebaut, die Lester Nachbearbeitung nennt. Wir wissen, dass KI-Modelle viele Fehler haben, deshalb dachten wir, vielleicht können wir diese Fehler beziffern und beseitigen“, erklärt Judah Cohen.
Getestet wurde der Ansatz für die durchschnittliche Temperatur in zwei Metern Höhe, die Niederschlagssumme und den Luftdruck. Im Mittelpunkt standen die dritte und vierte Prognosewoche, genauer die Tage 19 bis 25 und 26 bis 32 nach Erstellung der Vorhersage. Bewertet wurden nicht einzelne Wettertage, sondern die Wahrscheinlichkeiten verschiedener Entwicklungen.
„Sobald weitere Vorhersagen und Daten verfügbar werden, passt unser Modell seine Korrektur laufend an und verbessert sie“, erläutert Judah Cohen.
Das Ergebnis: Bei einem bereits leistungsfähigen KI-Wettermodell stieg im Testjahr 2025 der mittlere Prognosewert RPSS von rund 0,03 auf 0,06. Der sogenannte Ranked Probability Skill Score misst, wie gut die vorhergesagten Wahrscheinlichkeiten im Vergleich zu langjährigen Klimawerten abschneiden. Eine Verdopplung dieses zunächst niedrigen Werts bedeutet daher nicht, dass doppelt so viele Wettervorhersagen richtig sind.
Auch das klassische, physikalische Prognosemodell profitierte. Gegenüber dessen üblicher Fehlerkorrektur verbesserten sich die Niederschlagsprognosen in 98 Prozent der untersuchten Gitterzellen, die Temperaturprognosen in 91 bis 92 Prozent und die Luftdruckprognosen in 89 bis 91 Prozent. Diese Werte beschreiben die räumliche Verbreitung der Verbesserung und sind keine Trefferquoten.