KI-Rahmenwerk verbessert Wettervorhersagen bis zu sechs Wochen im Voraus

Forscher haben ein Machine-Learning-Rahmenwerk namens Probabilistic Bias Correction (PBC) entwickelt, das die Genauigkeit von Wettervorhersagen für den Zeitraum von zwei bis sechs Wochen erheblich verbessert, ein Zeitraum, der als subseasonale Vorhersage bekannt ist. Das Rahmenwerk, das in einem am 14. Oktober 2026 in Nature veröffentlichten Papier detailliert beschrieben wird, korrigiert systematische Fehler in bestehenden dynamischen und künstlichen Intelligenzmodellen und bietet zuverlässigere Vorhersagen für extreme Wetterereignisse.

Wie Probabilistic Bias Correction funktioniert

Die subseasonale Vorhersage ist schwierig, da sich kleine Fehler in den Anfangsbedingungen im Laufe der Zeit aufschaukeln und zu erheblichen Ungenauigkeiten führen. PBC geht diesem Problem entgegen, indem es aus den vergangenen Fehlern eines Modells lernt. „Unsere neue Pipeline (PBC) nimmt Ihr bevorzugtes Modell als Eingabe und lernt, auf welche Weise es dazu neigt, Fehler zu machen. Sie korrigiert diese Fehler dann und liefert eine bessere Ausgabevorhersage für den subseasonalen Bereich“, sagte Lester Mackey, Senior Principal Researcher bei Microsoft Research New England.

Das Rahmenwerk funktioniert, indem es historische Vorhersagen und Beobachtungen analysiert, um systematische Verzerrungen zu identifizieren. Es verwendet zwei ergänzende Machine-Learning-Komponenten: Debias++, das standort- und datumspezifische Korrekturen anwendet, und Persistence++, das Vorhersagen mit aktuellen Wettermustern kombiniert. Diese Korrekturen werden dann kombiniert, um eine probabilistische Vorhersage zu erstellen, die Unsicherheiten berücksichtigt.

Leistung in globalen Wettbewerben

Die Wirksamkeit von PBC wurde im AI Weather Quest 2025 demonstriert, einem Echtzeitwettbewerb, der vom European Centre for Medium-Range Weather Forecasts (ECMWF) organisiert wurde. Ein Team namens MicroDuet, das PBC auf das dynamische Modell von ECMWF und ein Hybridmodell namens POET anwendete, erzielte in der ersten Saison die besten Ergebnisse für alle Wettervariablen und Vorhersagehorizonte.

Laut dem Nature-Papier übertraf MicroDuet die entzerrten dynamischen Vorhersagen von sechs operativen Vorhersagezentren (ECMWF, NOAA, ECCC, HMCR, KMA und JMA), ein internationales Multimodell-Ensemble sowie die Vorhersagesysteme von 34 Teams weltweit. In der Saison September–Oktober–November war MicroDuet das einzige Modell, das das entzerrte ECMWF-Modell für alle Variablen und Vorhersagehorizonte signifikant übertraf.

Das Rahmenwerk zeigte auch starke Ergebnisse bei der Anwendung auf das KI-Vorhersagesystem von ECMWF (AIFS-SUBS). PBC verdoppelte den mittleren Rang-Wahrscheinlichkeits-Genauigkeitsindex (RPSS) von AIFS-SUBS für alle Variablen und Vorhersagehorizonte im Jahr 2025. Bei Anwendung auf das dynamische ECMWF-Modell verbesserte PBC die Genauigkeit für 91 % der Druck-, 92 % der Temperatur- und 98 % der Niederschlagsziele im Vergleich zu operativen Entzerrungsprotokollen.

Anwendungen in der Praxis in Kenia

Über Wettbewerbsbenchmarks hinaus wird PBC in realen Szenarien eingesetzt, um die landwirtschaftliche Planung zu unterstützen. Genevieve Flaspohler, die Rhiza Research leitet, arbeitet mit der Kenya Meteorological Service Authority (KMSA) zusammen, um PBC für Monsunvorhersagen zu testen. „Eine gute Wettervorhersage, die zur richtigen Zeit über den richtigen Kommunikationskanal bereitgestellt wird, kann ein großer Unterschiedfaktor für landwirtschaftliche Ergebnisse sein“, sagte Flaspohler.

Dr. Phillip Okello, leitender Meteorologe bei KMSA, hob die Wirksamkeit des Rahmenwerks in der Region hervor. „Die meiste Bias-Korrektur passt nur an, wie viel Regen eine Vorhersage vorhersagt. PBC korrigiert die Wahrscheinlichkeiten selbst, und im gesamten Großen Horn von Afrika verbesserte es unsere Vorhersagen mehr als jede andere Methode, die wir getestet haben“, sagte Okello. Das Tool hilft lokalen Meteorologen, die Wahrscheinlichkeit sehr starker oder sehr leichter Regenfälle zu identifizieren, was für Bauern, die für ihre Ernten auf Niederschlag angewiesen sind, entscheidend ist.

Warum es wichtig ist

Genaue subseasonale Vorhersagen sind unerlässlich, um Risiken im Zusammenhang mit extremen Wetterereignissen wie Waldbränden, Überschwemmungen und Hitzewellen zu managen. Durch die Verbesserung der Zuverlässigkeit von Vorhersagen 2 bis 6 Wochen im Voraus kann PBC Versorgungsunternehmen, Landwirten und Einsatzkräften helfen, bessere Entscheidungen zu treffen. Judah Cohen, Klimatologe am MIT und Co-Autor der Studie, betonte die gesellschaftlichen Vorteile: „Extremes Wetter hat die größten Auswirkungen auf unsere Gesellschaft, und verbesserte Vorhersagen dieser Ereignisse können große gesellschaftliche Vorteile bringen.“ Das Rahmenwerk ist Open-Source und somit für eine breitere Adoption in Regionen mit begrenzter Vorhersageinfrastruktur zugänglich.

Quellen (auf Englisch)

• nature.com: Advancing subseasonal forecasting with machine learning | Nature
• microsoft.com: New AI framework bridges a critical gap in mid-range weather forecasts - Microsoft Research
• gizmodo.com: Forget the 10-Day Forecast. AI Just Improved Extreme Weather Warnings Up to 6 Weeks Out

KI-Übersetzung des englischen Originalartikels, automatisch geprüft, damit sie dasselbe aussagt wie das Original. Die Quellen wurden auf Englisch geprüft.