KI News: Kurz und klar.

In der heutigen Zeit nutzen viele KI‑Modelle für die Wettervorhersage ein einziges, großes Netzwerk, das sämtliche physikalischen Prozesse – von der Advektion über Diffusion bis hin zu thermodynamischen Wechselwirkungen – implizit abbildet. Besonders die Advektion, die lange Strecken transportiert, erfordert dafür sehr aufwändige globale Interaktionsmechanismen oder tief verschachtelte Convolution‑Schichten, was die Rechenkosten stark erhöht.

Ein neues Transformer-Modell namens Searth Transformer hat die Art und Weise, wie wir mittelfristige Wettervorhersagen erstellen, grundlegend verändert. Im Gegensatz zu bisherigen Modellen, die vorwiegend auf visionären Architekturen basieren, berücksichtigt der Searth Transformer die kugelförmige Geometrie der Erde sowie die zonale Periodizität und die meridionalen Grenzen. Durch die Integration dieser physikalischen Vorgaben in die fensterbasierte Selbstaufmerksamkeit entsteht ein Modell, das global konsistente Informationen austauschen kann.

In der Luftfahrt ist die kurzfristige Vorhersage von Sichtbehinderungen und Niederschlag entscheidend für Sicherheit und Effizienz. Traditionell stützt sich die Industrie auf aufwändige numerische Wettervorhersagen und von Menschen erstellte TAF-Produktionen, die oft zu konservativ sind und nur begrenzte Zeitauflösungen bieten.

Traditionell werden Wettervorhersagen aus der Sicht des Vorhersagers bewertet – ein Ansatz, der in der Praxis jedoch nicht immer die entscheidenden Fragen beantwortet. Eine neue Studie (arXiv:2512.14779v1) untersucht, wie Vorhersagen aus der Perspektive derjenigen beurteilt werden können, die auf Basis dieser Daten Entscheidungen treffen.

Die Erzeugung hochauflösender Wettervorhersagen bleibt eine zentrale Herausforderung der numerischen Wettervorhersage. Häufig werden dafür Downscaling‑Methoden eingesetzt, die die Ausgabe globaler Modelle auf kleinere Skalen übertragen. Dabei unterscheiden sich dynamische und statistische Ansätze; letzterer nutzt statistische Zusammenhänge zwischen historischen Niedrig- und Hochauflösungsdaten.

In der regionalen Wettervorhersage steht die Niederschlagsvorhersage im Fokus, weil sie präzise, hochauflösende Prognosen liefert. Dabei nutzt man aktuelle Radaraufnahmen, um die Niederschlagsentwicklung in kurzer Zeit zu prognostizieren. Ein weit verbreitetes Deep‑Learning‑Paradigma dafür ist die kaskadierte Architektur, die zunächst einen deterministischen Teil zur Vorhersage des Mittelwerts nutzt und anschließend ein probabilistisches Modell, das lokale Details erzeugt.

Wettervorhersagen, die ausschließlich auf Daten basieren, haben in den letzten Jahren zwar große Fortschritte gemacht, doch die Leistungssteigerung ist inzwischen nahezu gesättigt. Das neue Modell „Mixture of Weather Experts“ (MoWE) bietet einen frischen Ansatz, um diese Grenze zu überwinden, ohne einen völlig neuen Vorhersagealgorithmus zu entwickeln.

In der Meteorologie ist die Bewertung von Wettervorhersagen von entscheidender Bedeutung. Traditionelle, punktuelle Bewertungsmetriken können zwar Fehler quantifizieren, bleiben jedoch bei der Beschreibung, Interpretierbarkeit und dem Verständnis der dynamischen Entwicklung hinter den Erwartungen von Fachleuten zurück. Mit dem raschen Aufstieg multimodaler Large‑Language‑Modelle (MLLMs) eröffnet sich die Möglichkeit, diese Lücken zu schließen.