Neue KI erkennt Extremwetter früher und kann selbst große Lücken in Klimadaten schließen

Als der Tropensturm Doksuri im Juli 2023 innerhalb kürzester Zeit zu einem Supertaifun anwuchs, hinterließ er entlang der Küsten Chinas und der Philippinen schwere Schäden. Dächer wurden abgedeckt, Straßen überflutet und ganze Regionen zeitweise lahmgelegt. Solche extremen Wetterlagen waren für KI-Anwendungen besonders schwer zu berechnen.

Ein Forschungsteam aus dem Umfeld der ETH Zürich hat nun ein KI-Modell vorgestellt, das genau bei diesen komplexen Ereignissen helfen soll. Das sogenannte Earth System Foundation Model, kurz ESFM, erkennt eigenständig Zusammenhänge zwischen Atmosphäre, Landoberfläche und Wasserkreislauf und kann dadurch genauere Vorhersagen treffen.

Wetter, Wasser und Land vernetzt

Im Gegensatz zu anderen KI-Anwendungen betrachtet ESFM die Wetterprozesse nicht isoliert. „Bisherige KI-Wettermodelle konzentrieren sich oft stark auf die Atmosphäre“, erklärt Teammitglied Fanny Lehmann, Mathematikerin und Postdoctoral Fellow am ETH AI Center. „Unser Modell dagegen verknüpft gezielt atmosphärische Wetterdaten mit hydrologischen und landbezogenen Daten. “

Gerade das gilt als entscheidender Fortschritt. Denn extreme Wetterereignisse entstehen häufig durch komplizierte Rückkopplungen zwischen Luftströmungen, Bodenbeschaffenheit und Wasserhaushalt. Das neue Modell lernt diese Wechselwirkungen eigenständig aus großen Datenmengen.

Erfolgreicher Test am Supertaifun Doksuri

Die Forschenden überprüften die Leistungsfähigkeit des Systems anhand des Supertaifuns Doksuri – der nicht Teil der Trainingsdaten war. Trotzdem sagte das Modell Windstärken über mehrere Tage hinweg erstaunlich genau voraus. Darüber hinaus rekonstruierte ESFM realistisch die Position des Sturms, seine Geschwindigkeit und seine räumliche Ausdehnung.

„Die eigentliche Stärke unseres Modells liegt darin, dass es die für das Wetter entscheidenden Wechselwirkungen aus verschiedenen Datenquellen erlernt“, sagt Lehmann. „Dadurch kann das ESFM sehr unterschiedliche und schwer vergleichbare Datentypen zusammenführen und erstmals gemeinsam auswerten.“

KI ergänzt fehlende Werte

Ein zentrales Problem der Klima- und Wetterforschung sind lückenhafte Daten. Messstationen sind ungleichmäßig verteilt, Satellitenbilder unvollständig oder Sensoren fallen zeitweise aus. Für klassische KI-Systeme bedeuten solche Lücken oft erhebliche Einschränkungen.

Das ESFM wurde dagegen speziell dafür entwickelt, fehlende Informationen intern zu rekonstruieren. Selbst wenn bei Satellitendaten nur ein Bruchteil der Bildpunkte vorhanden ist, kann die KI noch belastbare Vorhersagen liefern.

„Sie verlieren oft an Leistungsfähigkeit, wenn sie mit sehr heterogenen oder unvollständigen Daten arbeiten müssen. ESFM hingegen integriert Daten aus mehreren Quellen und schließt Datenlücken deutlich effizienter“, erklärt Firat Özdemir vom Swiss Data Science Center.

Möglich wird das durch einen mehrstufigen Ansatz. Das Modell verarbeitet Satellitenbilder, Wetterstationen oder Klimadaten zunächst getrennt und ordnet sie anschließend räumlich und zeitlich ein. So bleiben wichtige Details erhalten, obwohl die Daten aus völlig unterschiedlichen Quellen stammen.

Flexible Grundlage für Klima- und Umweltforschung

Die Forschenden verstehen das ESFM als eine neue Kategorie sogenannter Basismodelle. Diese KI-Systeme erwerben durch das Training mit sehr unterschiedlichen Datentypen eine Art allgemeines Verständnis komplexer Zusammenhänge.

Künftig könnte die Technologie deshalb weit über Sturmprognosen hinaus eingesetzt werden – etwa in Landwirtschaft, Hydrologie oder Biodiversitätsforschung. Wetter- und Wasserprozesse sollen damit zuverlässiger vorhergesagt und gleichzeitig soll ein besseres Verständnis für Dürren, Starkregen oder andere Klimaextreme gewonnen werden.

Quellenhinweis:

Ozdemir, F., Cheng, Y., Mohebi, S., Lehmann, F., Adamov, S., Trentini, L., Huang, L., Lingsch, L., Zhang, Z., Fuhrer, O., Soja, B., Mishra, S., Hoefler, T., Schemm, S., Salzmann, M. (2026): ESFM – A foundation model framework for heterogeneous data integration. EGU General Assembly 2026, Wien, 3. –8. Mai 2026.