Warum genaue Wettervorhersagen weiterhin schwierig sind: Die entscheidende Rolle von Echtzeitdaten

Wenn man eine Wettervorhersage-App öffnet, scheint der Vorgang einfach: Man wählt einen Ort, stellt eine Zeit ein und liest dann das Ergebnis ab.

Doch hinter dieser Fassade verbirgt sich eines der komplexesten Vorhersageprobleme der Wissenschaft.

Die Atmosphäre ist ein dreidimensionales System, das sich ständig verändert.

Bevor irgendein Modell vorhersagen kann, was als Nächstes passieren wird, muss es zunächst eine überraschend komplexe Frage beantworten: Was genau macht die Atmosphäre in diesem Moment?

Wir sehen die Atmosphäre nie in ihrer Gesamtheit.

Kein einzelnes Instrument liefert ein vollständiges Bild des Wetters. Wetterradargeräte erfassen Niederschlagspartikel. Satelliten überwachen Wolken, Luftfeuchtigkeit und Temperaturen aus dem Weltraum. Bodenstationen messen die Bedingungen an einzelnen Standorten. Wetterballons und Flugzeuge liefern Informationen aus verschiedenen Höhen.

Jede dieser Datenquellen weist eine eigene Genauigkeit, Aktualisierungsfrequenz, Abdeckungslücken und Messfehler auf. Daher ist die Erstellung eines aktuellen atmosphärischen Bildes vergleichbar mit der Rekonstruktion des Verkehrsflusses einer ganzen Stadt mithilfe von Kameras, die in verschiedene Richtungen gerichtet sind, ihre Daten zu unterschiedlichen Zeiten aktualisieren und viele Straßen völlig unsichtbar lassen.

Meteorologen bezeichnen den Prozess der Kombination von Beobachtungen mit früheren Vorhersagen als „Datenassimilation“. Dieser Prozess erzeugt eine Schätzung der aktuellen Wetterbedingungen, die als Analyse bezeichnet wird und als Ausgangspunkt für die nächste Vorhersage dient.

Wie das Europäische Zentrum für mittelfristige Wettervorhersage (ECMWF) erklärt, hängt die Qualität der Vorhersage entscheidend von der Genauigkeit dieser Analyse ab. Selbst das beste Modell hat Schwierigkeiten, wenn sein Ausgangsbild unvollständig, ungenau oder veraltet ist.

Warum können Wetter-Apps irreführend sein?

Eine gängige Methode zur Kurzfristvorhersage ist die optische Flussberechnung. Dabei werden aufeinanderfolgende Radarbilder analysiert, die Niederschlagsbewegung geschätzt und diese anschließend in die Zukunft extrapoliert. Diese Methode funktioniert gut, wenn sich ein Regengebiet gleichmäßig bewegt. Das Problem besteht jedoch darin, dass Gewitter keine statischen Gebilde sind, die über eine Karte ziehen; sie bilden sich, verstärken sich, schwächen sich ab, teilen sich und vereinen sich. So kann beispielsweise in einem Gebiet, in dem es 20 Minuten zuvor nicht geregnet hat, eine neue Konvektionszelle entstehen.

Stellen Sie sich einen Sturm vor, der sich einem Berg nähert. Eine einfache Hochrechnung würde vorhersagen, dass er sich mit derselben Geschwindigkeit weiterbewegt. Doch in Wirklichkeit kann das Gelände die Luftströmung verändern, das System verlangsamen und zu Starkregen oder Hagel beitragen. Die Herausforderung besteht also nicht nur darin, vorherzusagen, wohin der aktuelle Niederschlag zieht; ein effektives Modell muss auch die Veränderungen des Wettersystems selbst prognostizieren.

Ein weiteres Problem besteht darin, dass großräumige Modelle zwar Wetterfronten, Drucksysteme und die atmosphärische Zirkulation über Länder und Kontinente hinweg gut beschreiben können. Viele Ereignisse, die Menschen und Unternehmen betreffen, ereignen sich jedoch in einem viel kleineren Maßstab. Ein Gewitter kann beispielsweise einen Teil einer Stadt treffen, während ein anderer Teil nahezu trocken bleibt.

Eine Wolkenfront kann die Leistung eines Solarparks drastisch reduzieren, während sie die eines 20 Kilometer entfernten Solarparks übersteigt. Auch die Windverhältnisse können sich je nach Standort – Bodennähe, Gebäudedächer und Flughöhe einer Drohne – erheblich unterscheiden. Diese subtilen Abweichungen sind schwer vorherzusagen.

Das Wetter reagiert extrem empfindlich auf seinen Ausgangszustand. Selbst kleine Unsicherheiten bei Temperatur, Luftfeuchtigkeit oder Wind können sich im Laufe der Vorhersage verschlimmern. Das ist die wahre Bedeutung des „Schmetterlingseffekts“. Er bedeutet nicht, dass ein einzelner fehlerhafter Sensor automatisch eine globale Vorhersage zunichtemacht, sondern vielmehr, dass wir die Atmosphäre niemals perfekt messen können und die Unsicherheit ihres Ausgangszustands mit der Zeit zunimmt.

Aus diesem Grund erstellen moderne Vorhersagesysteme zunehmend sogenannte „Ensembles“: mehrere mögliche Vorhersagen anstelle einer einzigen, vermeintlich sicheren Prognose. Für viele Entscheidungen ist die Kenntnis einer 30-prozentigen Wahrscheinlichkeit für einen schweren Sturm hilfreicher als eine zuverlässige Vorhersage, die sich später als falsch erweist.

Die Bedeutung des richtigen Zeitpunkts

Latenz ist eine der am wenigsten beachteten Fehlerquellen bei Wettervorhersagen. Stellen Sie sich ein Modell vor, das auf Basis von zwei Stunden zuvor gemessenen Wetterdaten eine hervorragende Vorhersage liefert. Entsteht jedoch nur 20 Minuten vorher ein Gewitter, ist diese Vorhersage praktisch wertlos, egal wie ausgefeilt das Modell ist.

Die Weltorganisation für Meteorologie (WMO) definiert „Nowcasting“ als eine detaillierte lokale Vorhersage, die sich vom heutigen Zeitpunkt bis zu den nächsten sechs Stunden erstreckt. Für praktische Anwendungen geht Nowcasting jedoch über die reine Vorhersage des Zeithorizonts hinaus. Es erfordert einen kontinuierlichen Arbeitsablauf, der neue Beobachtungen erfasst, deren Qualität überprüft, sie synchronisiert, das Modell ausführt und innerhalb weniger Minuten ein aktualisiertes Ergebnis liefert.

Gleichzeitig bedeutet Echtzeit-Wettervorhersage nicht, dass es buchstäblich keine Verzögerung gibt. Vielmehr bedeutet es, dass das System die Atmosphäre ständig überwacht und seine Daten schnell genug aktualisiert, um die getroffenen Entscheidungen zu beeinflussen.

Dies ist für einige Branchen von großer Bedeutung. Ein Verbraucher, der überlegt, ob er einen Regenschirm mitnehmen soll, mag eine ungenaue Lieferzeitprognose tolerieren. Viele operative Systeme hingegen nicht. Lieferdrohnen müssen vor Erreichen des Zielgebiets wissen, ob Starkregen, Eis oder gefährliche Winde ihren Flugweg beeinträchtigen. Ein Flughafen muss unter Umständen den Start- und Landebahnbetrieb anpassen, wenn sich in der Nähe ein Gewitter entwickelt.

Betreiber von Solaranlagen müssen schnellziehende Wolkenfronten vorhersehen, bevor die Produktion abrupt einbricht. Logistik- und Mobilitätsplattformen können Fahrzeuge umleiten, bevor Überschwemmungen oder Starkregen das Straßennetz lahmlegen.

Dasselbe Prinzip gilt für Outdoor-Aktivitäten, Rettungsdienste, Landwirtschaft und den Energiehandel. Diese Nutzer benötigen nicht einfach nur die Wettervorhersage für morgen. Sie müssen wissen, was sich ändert, wo es sich ändert und ob noch Zeit zum Handeln bleibt.

Künstliche Intelligenz beschleunigt die Wettervorhersage, aber Geschwindigkeit allein genügt nicht.

Wettervorhersagemodelle mit künstlicher Intelligenz können Vorhersagen schneller und mit weniger Rechenaufwand erstellen als viele herkömmliche numerische Modelle. Einige haben physikalische Systeme in bestimmten Variablen und Vorhersagezeiträumen bereits übertroffen. Allerdings löst KI das Problem der Überwachung und Beobachtung nicht.

Die meisten globalen KI-Vorhersagemodelle basieren nach wie vor auf einer Atmosphärenanalyse, die mit herkömmlichen numerischen Wettervorhersagesystemen erstellt wird. Ist diese Analyse auch nur wenige Stunden veraltet, reicht die Geschwindigkeit der Inferenz nicht aus, um den Ausgangszustand zu aktualisieren.

KI-Modelle können die Schwere seltener Ereignisse unterschätzen, da extreme Beispiele in ihren Trainingsdaten unterrepräsentiert sind und manche Trainingsmethoden gleichmäßigere, statistisch wahrscheinlichere Ergebnisse bevorzugen. Jüngste Forschungsergebnisse zeigen, dass führende KI-Modelle bei der Vorhersage von Standardereignissen wie Hitze, Kälte und Wind größere Fehler erzeugen können als physikbasierte Systeme.

Aus diesem Grund dürfte die Zukunft kaum ein einfacher Wettstreit zwischen künstlicher Intelligenz und Physik sein. Das ECMWF betreibt bereits neben seinem traditionellen physikalischen Modell ein eigenes KI-gestütztes System zur operationellen Vorhersage.

Die leistungsstärkste Architektur kombiniert globale Modelle, hochfrequente lokale Beobachtungen, KI-basierte Echtzeitvorhersagen (Nowcasting), physikalische Randbedingungen und probabilistische Unsicherheitsabschätzungen.