KI in der Meteorologie: KI-Wettervorhersage unterschätzt Extremereignisse systematisch

05.05.2026 – Künstliche Intelligenz revolutioniert die Meteorologie, doch bei Rekordwerten stößt sie an ihre Grenzen. Wenn es um extreme Hitze oder Stürme geht, sind klassische physikalische Modelle der KI noch immer überlegen, zeigt eine Studie des Karlsruher Instituts für Technologie (KIT).

Physikalische Modelle bei Extremen überlegen

Forscher des KIT haben gemeinsam mit Experten aus Deutschland und der Schweiz moderne KI-Systeme wie GraphCast, Pangu-Weather und Fuxi mit dem etablierten numerischen Modell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage (EZMW) verglichen.

Physikbasierte HRES-Modelle schnitten im Vergleich bei Wetterextremen konsistent besser ab als die KI-basierten Konkurrenten. KI-Modelle wie GraphCast oder Pangu-Weather liefern für durchschnittliches Wetter schnelle und präzise Ergebnisse, doch bei Extremereignissen sind sie weniger verlässlich. Bei Rekordhitze, extremer Kälte und außergewöhnlichen Windgeschwindigkeiten machten KI-Modelle über fast alle Vorhersagezeiträume hinweg messbar größere Fehler.

Das strukturelle Problem des maschinellen Lernens

Die beiden Modelle funktionieren grundlegend verschieden. Klassische numerische Modelle basieren auf physikalischen Gleichungen und aktuellen Messdaten. KI-Modelle hingegen nutzen historische Wetterdaten, um durch Mustererkennung statistische Zusammenhänge zu finden und daraus ihre Prognosen abzuleiten.

Für die Studie wurden die KI-Modelle mit Daten aus den Jahren 1979 bis 2017 trainiert. Im anschließenden Testzeitraum von 2018 bis 2020 mussten sie sich bei Ereignissen bewähren, die außerhalb ihres bisherigen Erfahrungsschatzes lagen, wie etwa den Hitzewellen in Sibirien und den USA im Jahr 2020. Dabei zeigte sich eine systematische Schwäche. Die KI-Modelle unterschätzten sowohl die Häufigkeit als auch die Intensität von Extremwetterereignissen. Insbesondere wurden Hitze-Rekorde zu niedrig angesetzt, und Kälte-Rekorde überschätzt.

„KI-Wettermodelle haben den Nachteil, dass sie atmosphärische Dynamiken aus historischen Daten erlernen müssen. Das bedeutet, dass Zustände, die im Training nicht oder kaum vorkamen, schlechter abgebildet werden. Physikbasierte Modelle haben hier einen konzeptuellen Vorteil: Sie lösen Erhaltungsgleichungen und sind dadurch nicht an die Grenzen des Beobachteten gebunden. Das macht sie nicht zur universell besseren Lösung, denn sie sind rechenintensiv und haben eigene systematische Fehler. Aber KI-Modelle müssen noch besser darin werden, in ungesehene Zustände zu extrapolieren“, erklärt Nicole Ludwig, Professorin für Intelligente Energiesysteme, Institut für Informatik, Universität Augsburg

Hybride Architekturen als Zukunft der Meteorologie

Da folgenschweren Extremwetterereignisse in einem sich rasch erwärmenden Klima immer häufiger auftreten, ist die Schwachstelle der KI-Modelle besonders kritisch. Die Autoren der Studie betonen daher, dass KI-Modelle dringend technologisch weiterentwickelt werden müssen, bevor sie in Anwendungen wie Frühwarnsysteme oder im Katastrophenmanagement alleinverantwortlich eingesetzt werden können. Denn dafür müssen sie in der Lage sein, auch beispiellose, rekordbrechende Extremwetterereignisse zuverlässig abzubilden und vorherzusagen.

Entscheidend für die Einordnung sei, dass die getesteten Modelle GraphCast, Pangu-Weather und Fuxi nicht mehr zur aktuellen Generation an KI-Wettermodellen gehörten, fügt Ludwig hinzu. „Sie sind alle deterministisch. Das heißt, sie berechnen eine einzelne Vorhersage ohne jede Unsicherheitsangabe.“ Neuere, probabilistische und generative Modelle wie beispielsweise AIFS-CRPS des ECMWF seien nicht untersucht worden. Dieses Modell erzeuge explizit Ensembles möglicher Wetterverläufe und sollte besser geeignet sein, um Extreme vorherzusagen. Grundsätzlich habe die Schwäche bei Extremen aber strukturelle Gründe.

Es gibt bereits verschiedene Ansätze, um das Problem anzugehen, wie etwa hybride Architekturen, die atmosphärische Physik als Lernziel verankern, oder den gezielten Transfer von Wissen aus anderen Regionen der Welt. „40 Grad in Europa mag selten sein, vergleichbare Temperaturen in anderen Teilen der Welt dagegen nicht. Am vielversprechendsten erscheinen derzeit probabilistische, generative Modelle. Diese sollten mit Klimainformationen angereichert sein und über die historisch beobachteten Zustände hinaus extrapolieren können“, kommentiert Ludwig. jb