Google DeepMind und Google Research haben mit WeatherNext 3 die dritte Generation ihres globalen KI-Wettervorhersagemodells vorgestellt. Die Neuentwicklung löst sich weitgehend von den klassischen, rechenintensiven Physiksimulationen und stützt sich stattdessen direkt auf die kontinuierliche Auswertung von Echtzeit-Satellitendaten und weltweiten Messstationen. Das Modell liefert stündlich aktualisierte Prognosen auf einem weltweiten Raster von fünf Kilometern und wird ab sofort ohne Aufpreis in Googles Kernprodukte wie die Suche, Google Maps und Gemini ausgespielt.
Bisherige meteorologische Großmodelle basieren auf der sogenannten numerischen Wettervorhersage (NWP). Dabei berechnen Supercomputer komplexe thermodynamische Gleichungen der Atmosphäre. Diese physikalischen Simulationen sind zwar physikalisch fundiert, benötigen jedoch enorme Vorlaufzeiten: Bis die Daten verarbeitet und berechnet sind, vergehen oft bis zu sechs Stunden. Wenn Gewitterfronten oder Sturmtiefs kurzfristig entstehen, hinken herkömmliche Wetterkarten der Realität hinterher.
WeatherNext 3 umgeht diesen Rechenverzug, indem es Rohdaten geostationärer Wettersatelliten direkt in ein neuronales Netz einspeist. Anstelle stundenlanger Vorberechnungen erzeugt das System jede Stunde einen neuen, globalen Vorhersagelauf. Wie die Entwickler im offiziellen Google-Blog darlegen, ermögliche die Architektur eine fünfmal feinere räumliche Auflösung als beim Vorgängermodell WeatherNext 2.
Fünf Kilometer Rasterauflösung für Temperatur und Feuchtigkeit
Die praktische Nutzbarkeit einer Wetterprognose hängt entscheidend davon ab, wie präzise sie lokale Geländeformen abbildet. Täler, Küstenlinien oder Bergkämme erzeugen kleinräumige Mikroklimata, die in groben 25-Kilometer-Gittern schlicht verschwimmen. WeatherNext 3 differenziert die Vorhersage nach unterschiedlichen physikalischen Schichten:
| Merkmal | Traditionelle NWP-Modelle | WeatherNext 2 (Vorgänger) | WeatherNext 3 (Neu) |
|---|---|---|---|
| Datenbasis | Physikalische Strömungsgleichungen | NWP-Simulationen (Trainingsdaten) | Live-Satellitenmosaike & Messstationen |
| Aktualisierung | Alle 6 Stunden (hohe Latenz) | 6-Stunden-Schritte | Stündlich (1-Stunden-Takt) |
| Bodenauflösung | 9 bis 25 Kilometer | 25 Kilometer (0,25°) | 5 Kilometer (0,05°) |
| Inferenzdauer | Stunden auf Supercomputern | Minuten auf KI-Chips | Sekunden auf TPU-Clustern |
| Verfügbarkeit | Wetterdienste / APIs | Forschungszugang | Suche, Maps, Gemini, Cloud-APIs |
Bodennahe Kennzahlen wie Temperatur und Feuchtigkeit werden nativ auf fünf Kilometer genau berechnet. Übrige Oberflächenwerte folgen in einem Zehn-Kilometer-Gitter, während großräumige Strömungen und Windfelder in höheren Luftschichten mit 25 Kilometern Auflösung modelliert werden. In unabhängigen Live-Evaluationen der Plattform Brightband belegt das Modell aktuell den ersten Platz unter den globalen Wettermodellen.
Präzisere Niederschläge durch NASA-Radardaten
Niederschlagsvorhersagen galten in der KI-Forschung lange als notorische Schwachstelle. Wolkenbildung und kleinräumige Konvektionszellen verändern sich innerhalb von Minuten. Reine Mustererkennungsmodelle neigten deshalb dazu, Regengebiete übermäßig weichzuzeichnen oder scharfe Sturmfronten komplett zu übersehen.
Um dieses Defizit zu beheben, trainierte Google das Modell auf den IMERG-Satellitendaten der NASA sowie eigenen, radarbasierten Niederschlagsreanalysen. Das Unternehmen gibt an, dass sich die Genauigkeit bei mittleren Vorhersagezeiträumen um bis zu 60 Prozent gegenüber IMERG-Vergleichswerten und um 30 Prozent gegenüber bodennahen MRMS-Radarmessungen verbessert habe. Wer Aktivitäten einen Tag oder länger im Voraus plant, soll laut Google eine um bis zu 50 Prozent verlässlichere Regenwahrscheinlichkeit erhalten.
Hintergrund: Physikalisches Fundament
Mesh-Transformer als Rechenkern: WeatherNext 3 verwendet ein flexibles Functional Generative Network (FGN). Es verknüpft unvollständige Satellitenbilder und unregelmäßig verteilte Wetterstationen auf einem globalen Raumgitter, ohne dass Daten vorher aufwendig interpoliert werden müssen.
Das Tail-Risk-Dilemma: Rein datengetriebene Modelle glänzen im statistischen Mittel, bergen jedoch ein Restrisiko bei historischen Jahrhundertunwettern. Wenn physikalische Extremsituationen im Trainingsdatensatz fehlen, können rein statistische Netze die Intensität unterschätzen.
Spezialmetriken für Windkraft und Solarparks
Neben Alltagsprognosen zielt Google mit WeatherNext 3 direkt auf den Energiesektor. Das Modell prognostiziert Windgeschwindigkeiten in 100 Metern Höhe - exakt jener Nabenhöhe, auf der moderne Windkraftanlagen operieren. Betreiber von Windparks können damit die Stromeinspeisung ins Netz präziser kalkulieren.
Für Solarparks liefert das System hochauflösende Prognosen zur Wolkenbedeckung und der auftreffenden Sonnenstrahlung (Globalstrahlung). Da schwankende erneuerbare Energien die Stromnetze vor gewaltige Herausforderungen stellen, gewinnen solche Vorhersagen im kurzfristigen Intraday-Stromhandel an den Strombörsen enormen wirtschaftlichen Wert. Ähnlich wie bei Googles jüngsten Fortschritten bei Gemini 3.8 und spezialisierten Agentenmodellen zeigt sich hier der Trend, Grundlagenforschung unmittelbar in kommerzielle Cloud-Dienste zu überführen.
Rollout in Endanwender-Apps und Google Cloud
Während frühere Modelle wie GraphCast primär akademischen Charakter hatten, rollt Google WeatherNext 3 ab sofort weltweit aus. Die aktualisierten Daten speisen die Wetterkarten der Google-Suche, der Google Maps-App sowie Abfragen an den Chatbot Gemini. Entwickler und Unternehmen können die Prognosen über die Weather-API der Google Maps Platform abrufen oder gigabytegroße Rohdaten direkt in BigQuery und Google Earth Engine analysieren.
Trotz der technischen Sprünge enthält die Veröffentlichung eine wichtige juristische Einschränkung: Google betont in einem ausdrücklichen Disclaimer, dass das System keine behördlichen Unwetterwarnungen ersetzt. Bei akuten Gefahrenlagen und Evakuierungen müssen sich Bürger weiterhin an nationale Wetterbehörden wie den Deutschen Wetterdienst (DWD) oder GeoSphere Austria halten. Wie belastbar die datengetriebenen Vorhersagen im Vergleich zu staatlichen Institutionen abschneiden, fügt sich in die übergeordnete Debatte ein, inwieweit KI-Systeme komplexe Zukunftsszenarien zuverlässig vorhersehen können.
🎯 Was das für die Praxis bedeutet
1. Intraday-Stromprognosen schärfen: Betreiber von Solar- und Windparks sollten die 100-Meter-Wind- und Einstrahlungsdaten testen, um Fahrplanabweichungen und teure Ausgleichsenergiekosten zu senken.
2. Logistik- und Flottenrouten optimieren: Transport- und Lieferdienste profitieren bei Maps-Routenplanungen von stündlichen Regen- und Sturmaktualisierungen auf dem 5-Kilometer-Raster.
3. Katastrophenschutz bleibt Hoheitsaufgabe: Für sicherheitskritische Notfallpläne und behördliche Warnketten dürfen KI-Modelle nur ergänzend herangezogen werden; rechtlich verbindlich bleiben die Warnungen staatlicher Wetterämter.
4. Cloud-Integration evaluieren: Unternehmen mit wetterabhängigem Geschäft (Agrar, Bauwirtschaft, Gastronomie) können BigQuery-Konnektoren nutzen, um historische und stündliche Prognosen ohne eigene Modell-Infrastruktur in ERP-Systeme einzubinden.
