Es wurde ein neues Wettermodell entwickelt: Könnte es endlich Vorhersagen für mehr als zwei Wochen liefern?
Die Wettervorhersage ist bekanntermaßen schwierig. Selbst die derzeit besten Modelle sind aufgrund der atmosphärischen und klimatischen Variablen, die die Grundlagen der Chaostheorie bilden, auf eine Zeitspanne von mehr als zwei Wochen nicht immer präzise.
Die neuen, in Nature veröffentlichten Ergebnisse zeigen ein neues Wettermodell, das zuverlässige Vorhersagen mit einer Vorlaufzeit von bis zu sechs Wochen liefern kann. Selbst mit den derzeit besten und zuverlässigsten Modellen sind Vorhersagen über einen Zeitraum von mehr als zwei Wochen hinaus nicht präzise.
Chaostheorie und Vorhersage
Selbst die vorhersehbarsten Systeme der Welt können völlig unvorhersehbare Ergebnisse hervorbringen, wie der MIT-Mathematiker Edward Lorenz in den 1970er Jahren erstmals nachwies. Judah Cohen, Klimatologe am MIT, erklärte: „Er hat diese theoretische Grenze von zwei Wochen festgelegt, jenseits derer wir das Wetter einfach nicht vorhersagen können, weil das Rauschen im System so stark zunimmt, dass es jedes ursprüngliche Signal überlagert.“
Dieser Zeitraum von zwei Wochen ist für viele Klimaforscher nach wie vor unübertroffen, und seine Zuverlässigkeit hat sich seit fast 50 Jahren bewährt. Aktuelle KI-Modelle scheinen bei Vorhersagen mit einem Vorlauf von 2 bis 6 Wochen zu versagen – ein Zeitraum, der als substationäre Vorhersage bezeichnet wird. Dieser wird als „Wüste der Vorhersagbarkeit“ bezeichnet, da er langsam wirkende und stark schwankende atmosphärische Kräfte wie El Niño umfasst. Wenn variable atmosphärische Kräfte ins Spiel kommen, wird die Vorhersage erheblich schwieriger.
„Ich habe das nie ganz geglaubt. Theoretisch kann die Atmosphäre eine unendliche Anzahl von Mustern erzeugen, aber sie neigt dazu, sich immer wieder in diesen bevorzugten Mustern zu wiederholen
Neues Prognosemodell
Cohen und sein Kollege Lester Mackey haben Jahre damit verbracht, ein KI-System zu entwickeln, das Vorhersagefehler minimiert und durch Nachbearbeitung aus diesen lernt. Die KI verbessert sich durch die Nachbearbeitung, indem sie die Ungenauigkeiten mit den vorhandenen historischen Daten vergleicht.
Cohen und sein Team stellten drei Versionen ihres Modells vor, die mit dem Nachbearbeitungssystem des Europäischen Zentrums für mittelfristige Wettervorhersagen (ECMWF) erstellt wurden. Das ECMWF gilt als das weltweit führende Zentrum für Wettervorhersagen. Diese Modelle basierten auf historischen Klimadurchschnittswerten. Dies ist das erste Mal, dass eine Gruppe ein Programm mit Nachbearbeitungsfunktionen vorstellt.
Die Ergebnisse wurden in Nature veröffentlicht. Die Nachbearbeitung mittels KI übertraf die aktuellen Vorhersagemodelle bei weitem. Im subseasonalen Zeitraum von 2 bis 6 Wochen verdoppelte sich die allgemeine Genauigkeit der Vorhersagen. Diese Ergebnisse und Verbesserungen könnten beispielsweise eine große Hilfe für Landwirte und Energieversorger sein, die in hohem Maße auf subseasonale Vorhersagen angewiesen sind.
Cohen erklärt: „Es verbessert auch die Vorhersagen von extremen Wetterereignissen, seien es Überschwemmungen, Kältewellen oder andere. Es ist von entscheidender Bedeutung, beides vorherzusagen, aber die extremen Ereignisse könnten diejenigen sein, die die größten Auswirkungen auf die Gesellschaft haben.“ Es wird erwartet, dass diese Ergebnisse zu weiteren Fortschritten auf diesem Gebiet führen werden. „Es wurde in Frage gestellt, ob es sich lohnt, in Modelle für diesen Zeitraum zu investieren. [Aber] mit unseren Modellen übertreffen wir systematisch die klimatologischen Durchschnittswerte“, erklärt Cohen.
Artikelreferenz
Guan, H., Moutadid, S., Orenstein, P. et al.. (2026). Advancing subseasonal forecasting with machine learning.