Machine Learning verbessert Wettervorhersage auf zwei bis sechs Wochen voraus

Neuer Ansatz für die 2- bis 6-Wochen-Vorhersage

Ein gemeinsam von Microsoft Research, dem MIT, dem Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF) und weiteren Institutionen entwickeltes Machine-Learning-Verfahren namens Probabilistic Bias Correction (PBC) verbessert Wetterprognosen für den Zeitraum von zwei bis sechs Wochen. Die zugrunde liegende Studie ist im Fachjournal Nature erschienen, das Verfahren ist als offene Software veröffentlicht.

Was die Methode anders macht

Statt ein weiteres Wettermodell zu bauen, setzt PBC bei vorhandenen Vorhersagesystemen an. Die Software analysiert die historischen Vorhersagen eines Modells samt damaliger Beobachtungen und lernt, systematische Fehler der Wahrscheinlichkeitsverteilung zu korrigieren – auch deren Streuung und Form. Zwei schlanke ML-Modelle arbeiten dabei parallel: Debias++ korrigiert orts-, datums- und quantilabhängige Abweichungen, Persistence++ verarbeitet zurückliegende Messwerte und Klimamittel, um aktuelle Wettertendenzen und den Jahrestag abzubilden.

Hintergrund ist eine bekannte Lücke: Bis rund zwei Wochen sind Vorhersagen inzwischen sehr treffsicher, danach fallen physikbasierte wie datengetriebene KI-Modelle stark ab. Ursachen seien Fehler, die sich über viele Zeitschritte aufsummieren, systematische Modellverzerrungen und die Unberechenbarkeit der Atmosphäre.

Ergebnisse in Zahlen

Angewendet auf das operationell bereinigte dynamische ECMWF-Modell verbesserte PBC die Vorhersageleistung bei 98 Prozent der Niederschlagsziele, 92 Prozent der Temperaturziele und 91 Prozent der Druckziele. Beim KI-Vorhersagesystem AIFS des ECMWF verdoppelte die Methode die ohnehin geringe Leistung.

Im Wettbewerb „AI Weather Quest“, den das ECMWF im August 2025 als Echtzeit-Test startete, belegte das Team MicroEnsemble mit der PBC-Lösung MicroDuet im ersten Dreimonatszeitraum den ersten Platz für jede Wettervariable und jede Vorhersagefrist – vor sechs operativen Vorhersagezentren, einem dynamischen Multi-Modell-Ensemble sowie den Systemen von 34 Teams weltweit. Über ein volles Jahr Echtzeitbetrieb blieb MicroDuet ebenfalls am genauesten. Zwei Winterstürme in den USA Anfang 2026 wurden 19 bis 26 Tage im Voraus angekündigt: der Blizzard vom 22. bis 24. Februar, in Teilen der USA der größte Wintersturm der Aufzeichnungen, sowie Winter Storm Fern vom 23. bis 27. Januar, der nach Angaben der Quellen 174 Todesopfer und 4 Milliarden US-Dollar Schaden verursachte.

Was Nutzer davon haben

Die Gewinne betreffen vor allem die Treffsicherheit bei Extremwetter. Microsoft nennt als Praxisbeispiel verbesserte Monsunprognosen in Kenia, wo Kleinbauern über Saatgut- und Düngeentscheidungen entscheiden; nach unterdurchschnittlichen langen Regenzeiten 2026 gingen dort Maiserträge zurück.

Profitieren werden damit vor allem Wetterdienste, Behörden, Landwirte und Einsatzkräfte, die zwischen zwei und sechs Wochen vorausplanen müssen. Ein Endanwender-Tool für den privaten Alltag wird in den Quellen nicht genannt. Ressourcen spart die Methode, weil sie laut Microsoft-Forscher Lester Mackey „auf normalen CPUs lauffähig ist“ (sinngemäß übersetzt) – ohne Supercomputer oder leistungsfähige GPUs, wie sie für klassische Physikmodelle oder generative KI gebraucht werden. Das ist vor allem für Wetterdienste in Ländern mit knappen Ressourcen interessant. Ein deutscher Bezug: Das Karlsruher Institut für Technologie arbeitet laut Microsoft an der Umsetzung in Kenia mit.

Noch offen

Die Quellen enthalten keine Angaben dazu, ob Wetterdienste in Deutschland, Österreich oder der Türkei PBC einsetzen oder einsetzen wollen. Offen bleibt außerdem die operative Hürde: Matthew Chantry vom ECMWF, dort für maschinelles Lernen zuständig, schreibt, der Schritt von der Idee zum laufenden Betrieb bleibe die größte Herausforderung (sinngemäß übersetzt).

Wie es weitergeht

In Kenia werden KI-Modelle einschließlich PBC laut Microsoft derzeit getestet und erprobt. Das ECMWF arbeitet weiter an Vorhersagesystemen und Werkzeugen für die Subseasonal-Prognose sowie an datengetriebenen Verfahren.