Temperaturanomalien während der Hitzewelle in Sibirien im Jahr 2020, die historische Rekorde brach und unter anderem schwere Waldbrände verursachte. (Quelle: Zhongwei Zhang/KIT)

 

Wie gut moderne KI-Wettermodelle extreme Hitze-, Kälte- und Windereignisse vorhersagen, die bisherige historische Rekorde übertreffen, haben Forschende um Dr. Zhongwei Zhang am Institut für Statistik des KIT untersucht. Das Ergebnis: Bei diesen außergewöhnlichen Wetterbedingungen ist das physikbasierte hochauflösende Modell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage den derzeit führenden KI- Modellen durchweg überlegen.

 

KI unterschätzt Rekorde systematisch

Die Wissenschaftlerinnen und Wissenschaftler verglichen mehrere etablierte KI-Modelle – darunter GraphCast, Pangu Weather und Fuxi – mit dem numerischen, physikbasierten Referenzmodell HRES. Während KI-Modelle bei der Gesamtbewertung aller Wetterlagen gut abschneiden, zeigen sie bei Rekordereignissen durchweg größere Prognosefehler auf. Insbesondere unterschätzen sie sowohl die Intensität als auch die Häufigkeit extremer Ereignisse. „Unsere Analysen zeigen, dass KI-Modelle die Intensität von Hitze-, Kälte- und Windrekorden generell unterschätzen“, erklärt Zhang. „Je stärker ein Rekord vorherige Extremwerte übertrifft, desto größer ist die Unterschätzung.“

 

Grenzen neuronaler Netze

Die Ursache sehen die Forschenden in einer grundsätzlichen Einschränkung datengetriebener Modelle: KI-Systeme lernen aus historischen Daten und sind besonders gut darin, Wettermuster vorherzusagen, die bereits beobachteten Situationen ähneln. Rekordereignisse liegen jedoch per Definition außerhalb der bisherigen Beobachtungen. „Neuronale Netze haben Schwierigkeiten, verlässlich über ihren Trainingsbereich hinaus zu extrapolieren – also Vorhersagen jenseits der bisher beobachteten Werte zu treffen“, sagt Professor Sebastian Engelke, von der Universität Genf und der frühere Betreuer von Zhongwei Zhang. „Physikalische Modelle wie HRES basieren dagegen auf grundlegenden Gesetzen der Physik. Dies stellt sicher, dass ihre Vorhersagen auch dann noch zuverlässig sind, wenn die Atmosphäre in Zustände übergeht, die noch nicht beobachtet wurden.“ Gerade in einem sich rasch erwärmenden Klima treten solche rekordverdächtigen Wetterlagen immer häufiger auf – mit teils schwerwiegenden Folgen für Gesundheit, Infrastruktur und Wirtschaft.

 

Bedeutung für Frühwarnsysteme

Die Ergebnisse sind insbesondere für Frühwarnsysteme und das Katastrophenmanagement relevant. Eine systematische Unterschätzung extremer Ereignisse kann dazu führen, dass Warnungen zu spät oder gar nicht ausgesprochen werden. Die Autorinnen und Autoren der Studie betonen daher, dass KI-Wettermodelle derzeit klassische numerische Vorhersagen nicht ersetzen können. „Für risikoreiche Anwendungen sollte man sich nicht ausschließlich auf KI verlassen“, stellt Zhang fest. Stattdessen empfehlen die Forschenden einen parallelen Einsatz beider Ansätze sowie weitere Forschung an hybriden Modellen und physikinformierten neuronalen Netzen, die physikalisches Wissen mit KI-Methoden kombinieren.

 

Perspektiven für verbesserte KI-Modelle

Die Studie zeigt zugleich Wege auf, wie KI-Wettervorhersagen künftig robuster werden könnten. Dazu zählen unter anderem eine gezielte Anreicherung der Trainingsdaten mit simulierten Extremereignissen, neue Trainingsmethoden aus der Extremwertstatistik sowie hybride Modellansätze. Bis dahin bleibt die zentrale Botschaft: „KI ist ein leistungsstarkes Werkzeug für die Wettervorhersage – bei den extremsten und potenziell gefährlichsten Ereignissen sind physikalische Modelle jedoch weiterhin unverzichtbar“, so Engelke.

 

An der Studie waren auch Forschende der ETH Zürich, des Helmholtz-Zentrums für Umweltforschung, der Technischen Universität Dresden und der Universität Genf beteiligt.

 

Originalpublikation:

Zhongwei Zhang, Erich Fischer, Jakob Zscheischler and Sebastian Engelke: “Physics-based models outperform AI weather forecasts of record-breaking extremes.” Science Advances, 2026. DOI: 10.1126/sciadv.aec1433.

https://doi.org/10.1126/sciadv.aec1433