WeatherNext 3 ist Google DeepMinds neuestes globales KI-Wettermodell und das erste seiner Art, das stündlich aktualisierte Prognosen auf Basis von Rohdaten aus Satellitenbildern und Wetterstationen generiert. Das Ensemble-Modell erzielt eine räumliche Auflösung von bis zu 5 km für Temperatur sowie 10 km für Wind und Strahlungsvariablen. Neben der Integration in Google-Dienste (Suche, Maps, Gemini) richtet sich das System an die Industrie – etwa zur Erzeugungsprognose in der Solar- und Windenergie – und steht über Cloud-Plattformen wie BigQuery und Earth Engine zur Verfügung.
Wichtigste Punkte
Stündliche Prognosefrequenz: Durch die direkte Einbindung roher Satellitenbilder und Stationsdaten generiert das Modell stündliche Updates zur Verfolgung dynamischer Wetterlagen wie Regen und Schnee.
Hohe räumliche Auflösung: Das Modell prognostiziert bodennahe Temperatur und Luftfeuchtigkeit auf einer 5-km-Rasterebene sowie Wind- und Strahlungsparameter auf 10 km Genauigkeit.
Probabilistisches Ensemble-Modell: Verwendet Ensemble-Techniken zur Maximierung der Vorhersagegenauigkeit und verbesserten Verfolgung von Extremwetterereignissen wie tropischen Zyklonen.
Industrieanwendung für Erneuerbare Energien: Bietet spezifische Variablen wie Sonneneinstrahlung und Bewölkungsgrad, die Anlagenbetreibern die Effizienzsteuerung von Wind- und Solarparks erleichtern.
Google-Produktintegration & Enterprise-Zugang: Das Modell speist Konsumentenanwendungen (Search, Maps, Gemini) und wird kommerziell über BigQuery, Google Maps Platform, Earth Engine und Google Cloud Storage bereitgestellt.
Forschungsplattform Weather Lab: Bietet eine interaktive Weboberfläche zum Testen von Live-Vorhersagelayern, zur Zyklonenverfolgung und zum Vergleich des KI-Modells mit klassischen meteorologischen Baselines.
Diskussions-Highlights
Modellarchitektur und technische Evaluation: WeatherNext 3 reduziert die Ensemble-Gewichte gegenüber dem Vorgänger WeatherNext 2 von 4 auf 2. Die 5-km-Auflösung resultiert aus einem auf Stationsdaten trainierten Decoder-Head (Rasp et al., 2026); Fachleute merken an, dass die kontinuierliche Gitterausgabe unklar lässt, wie gut das KI-Modell physische Schockfronten oder Verdunstungskühlung abbildet.
Vergleich mit numerischer Wettervorhersage (NWP): Während globale KI-Modelle Fortschritte machen, erreichen klassische regionale NWP-Modelle in komplexer Topografie (z. B. Gebirge) bereits Grid-Größen von 1–2 km. Diskutiert wird die Koexistenz und schrittweise Einbindung von KI-Prognosen in bestehende NWP-Pipelines.
Divergenz zwischen Modellleistung und Endnutzer-App: Nutzer bemängeln, dass Google-Wetter-Widgets in der Praxis häufig Niederschläge verpassen. Als Gründe werden verzögerte Rollouts des neuen Modells, die Nutzung externer Drittanbieter (z. B. Weather.com) oder eine bewusste Bevorzugung "sonnigerer" Prognosen zur Maximierung der Nutzerzufriedenheit vermutet.
Einfluss von Primärdaten und Infrastruktur: Es wird über die Abhängigkeit von Primärdaten diskutiert. Während Kürzungen bei US-Wetterballon-Starts (NOAA) thematisiert werden, weisen Experten darauf hin, dass 5G-Frequenzbänder nahe den Absorptionslinien von atmosphärischem Wasserdampf Rauschen (10–20 dB) in Mikrowellensatellitendaten verursachen können.
Usability-Kritik am Weather Lab: Nutzer bemängeln die voreingestellte UTC-Zeitzone, imperiale Einheiten sowie unklare Initialisierungszeiten ("Init Time"), wenngleich Meteorologen betonen, dass diese Parameter meteorologische Standards darstellen.
Externe Ressourcen & Alternativen: In der Diskussion wird auf die Analyse des Deutschen Wetterdienstes (DWD) zur KI-NWP-Koexistenz, auf Acme Weather (neues Projekt der Dark-Sky-Gründer) sowie auf etablierte Visualisierungstools wie Windy.com verwiesen.
Glossar
NWP (Numerical Weather Prediction): Numerische Wettervorhersage. Traditionelle Methode, die den Zustand der Atmosphäre mithilfe komplexer physikalischer und mathematischer Gleichungen auf Supercomputern simuliert.
Ensemble-Modell: Ein Vorhersageansatz, bei dem mehrere Modellläufe mit leicht variierten Anfangsbedingungen oder Modellgewichtungen kombiniert werden, um Wahrscheinlichkeiten und Unsicherheiten abzubilden.
Decoder-Head: Eine spezialisierte neuronale Netzwerkschicht am Ende der Modellarchitektur, die abstrakte latente Repräsentationen in konkrete Zielvariablen (z. B. Temperatur auf einem 5-km-Gitter) übersetzt.
Init Time (Initialisierungszeitpunkt): Der genaue Zeitpunkt, an dem die Beobachtungsdaten erfasst wurden, auf deren Basis der Vorhersagelauf gestartet wird.
CRPS (Continuous Ranked Probability Score): Ein statistisches Evaluierungsmaß für probabilistische Vorhersagemodelle, das misst, wie gut die vorhergesagte Wahrscheinlichkeitsverteilung mit den tatsächlichen Beobachtungen übereinstimmt.
FGN (Forecast Generation Network): Eine spezielle Architektur neuronaler Netze zur Erzeugung probabilistischer räumlich-zeitlicher Vorhersagen.
Out-of-Band Emissions (Außerbandaussendungen): Unerwünschte Signalabstrahlungen von Sendern (wie 5G-Masten) außerhalb ihres zugewiesenen Frequenzbandes, die benachbarte Messfrequenzen (z. B. Mikrowellen-Wasserdampfsensoren von Wetterstatelliten) stören können.
Reanalysis Data (Reanalysedaten): Kombination aus vergangenen Wetterbeobachtungen und numerischen Modellen zur Erstellung eines lückenlosen, konsistenten historischen Datensatzes des globalen Klimas.