Die Wettervorhersage ist – insbesondere im Zeitalter des Klimawandels – ein großes Geschäft. Heute beträgt der Markt für Wettervorhersagedienste in den USA 10 Milliarden US-Dollar; schätzungsweise ein Drittel der Wirtschaft ist von Wetter und Klima abhängig. Zu den Hauptabnehmern von Wettervorhersagetechnologien zählen Branchen von der Landwirtschaft über den Handel bis hin zum Militär. Diese basieren zumeist auf den Informationen großer nationaler Wetterdienste.

Doch heute tauchen spannende neue Technologien auf, die eine Verbesserung der Genauigkeit, Aktualität und Kosten von Wettervorhersagen versprechen – und das möglicherweise zu geringeren Kosten. Dazu gehören neue Wetterdatenquellen, auf maschinellem Lernen basierende Prognoseansätze und neue Anwendungen für Endbenutzer. Wir sehen bereits, dass neue Start-ups entstehen, die viele dieser neuen Technologien nutzen.

Unserer Ansicht nach können diese Neuerungen nicht schnell genug kommen. Allein in den USA hat die Häufigkeit von Naturkatastrophen mit Schäden von über einer Milliarde US-Dollar von 13,1 pro Jahr in den 2010er Jahren auf über 20 pro Jahr in den letzten fünf Jahren zugenommen. Wir sehen unter Klimatologen und Versicherern einen breiten Konsens darüber, dass Häufigkeit, Schwere und Auswirkungen dieser Ereignisse in den kommenden Jahren zunehmen werden. Daher werden Prognosetechnologien der nächsten Generation noch wichtiger.

Zu den lukrativsten Möglichkeiten, die wir im Rahmen unserer Marktforschung ermittelt haben, zählen Katastrophenschutz und -vorbereitung für Landesregierungen und Kommunalverwaltungen, Einsatzplanung für die Verteidigung, Routenplanung und Bodenbetrieb für Fluggesellschaften, Routenoptimierung für Logistikunternehmen, Energiebedarfsprognosen für Versorgungsunternehmen sowie zustandsbasiertes Marketing für die Reise- und Freizeitbranche.

Die Wissenschaft des Wetters – ein Blick zurück

Wenn wir einen Schritt zurücktreten, ist es klar, dass die Atmosphärenwissenschaft enorme Fortschritte gemacht hat, seit in den 1950er Jahren die ersten Modelle zur „numerischen Wettervorhersage“ (NWP) entwickelt wurden. Obwohl das Wetter im Kern stochastisch ist, werden die wohlverstandenen physikalischen Gesetze der Hydrodynamik schon seit langem angewendet, um das Wetter mit nützlicher Genauigkeit für den kurz- und mittelfristigen Zeitraum vorherzusagen. Um diese Gesetze in Vorhersagemodellen umzusetzen, muss die Erdatmosphäre als dreidimensionales Gitter aus Zellen simuliert werden, die ausgehend von beobachteten Ausgangsbedingungen Energie und Feuchtigkeit austauschen. Dies erfordert einige der komplexesten und anspruchsvollsten Rechenlasten überhaupt.

Folglich werden die Vorhersagen, auf die wir uns heute alle verlassen, im Allgemeinen von großen nationalen Wetterdiensten bereitgestellt – in erster Linie von der National Oceanic and Atmospheric Administration (NOAA) und dem National Weather Service (NWS) in Nordamerika sowie dem Europäischen Zentrum für mittelfristige Wettervorhersage (ECMWF) in Europa, ergänzt durch mehrere länderspezifische Modelle wie das Unified Model (UM) in Großbritannien und das ICON-Modell in Deutschland.

Übersicht über NWP von Google Research.

Doch es gibt auf dieser Grundlage neue Möglichkeiten für Innovationen, auch durch dieselben Kräfte, die Innovationen in so vielen anderen Branchen vorantreiben: neue Datenquellen, die große Trainingsdatensätze ergänzen, sinkende Rechenkosten und Techniken des maschinellen Lernens (ML), die Muster erkennen können, die über menschliches Urteilsvermögen hinausgehen.

Im Falle des Wetters besteht das theoretische Versprechen der ML-Wettervorhersage darin, einen beträchtlichen Teil der traditionellen, physikbasierten Modellierung „abzustrahieren“, um genaue Vorhersagen mit weitaus geringerem Rechenaufwand zu erstellen – das heißt, dies sowohl schneller als auch kostengünstiger zu tun. Stellen Sie sich dies analog zur Art und Weise vor, wie LLMs äußerst nützliche Textausgaben generieren können, ohne (erkennbar) die Regeln der Sprachsemantik und -syntax zu lernen.

Eine Abbildung aus „Forecasting Global Weather with Graph Neural Networks“ (Ryan Keisler, PhD), die einen Coder → Prozessor → Decoder-Ansatz zur Wettervorhersage unter Verwendung neuronaler Netzwerke zeigt. 

Erste Anzeichen für neue, ML-basierte Prognoseansätze sind ermutigend. DeepMind berichtet , dass sein GraphCast-Modell bei über 90 % von 1.380 Testvariablen und Prognosevorlaufzeiten genauere Vorhersagen liefert als das führende HRES-Modell des ECMWF, und Nvidia behauptet , dass sein FourCastNet-Modell Prognosen um Größenordnungen schneller (und damit günstiger) berechnen kann als ECMWF-Modelle – und das bei vergleichbarer oder höherer Genauigkeit.

Neuere Anbieter wie Atmo, Zeus AI und WindBorne Systems behaupten ebenfalls, dass ihre ML-Modelle eine höhere Genauigkeit und Granularität bieten als herkömmliche NWP-Modelle. Andere Unternehmen bieten ML-Wettervorhersagen an, die auf bestimmte Anwendungsfälle abgestimmt sind, wie etwa Jua (für den Energiehandel) und Excarta (für Versicherungen und Solar).

Obwohl in der Branche und an Hochschulen nahezu Einigkeit darüber besteht, dass Deep-Learning-Ansätze bei der Verbesserung von Prognosen eine Rolle spielen werden, bleiben Fragen offen. Erklärbarkeit, die unklare Einbeziehung physikalischer Einschränkungen, das Potenzial für Halluzinationen und die Fähigkeit, seltene, aber extreme Wetterereignisse zu berücksichtigen, sind alles Hürden, die ML-Modelle noch überwinden müssen.

Am wichtigsten ist, dass ML-Modelle noch nicht über einen längeren Zeitraum hinweg in unternehmenskritischen Anwendungsfällen gründlich getestet wurden. Unter den von uns befragten Experten herrscht die Meinung vor, dass das wahrscheinliche Endergebnis hybride Ansätze sein werden, die Deep Learning mit hart erarbeiteten Erkenntnissen aus der physikbasierten NWP kombinieren.

„Die Fortschritte der reinen maschinellen Lernmodelle waren im [1. Halbjahr 2023] ziemlich erstaunlich und viele Wissenschaftler auf diesem Gebiet waren hinsichtlich der Qualität der Vorhersagen überrascht.“

– Peter Deuben, Leiter der Erdsystemmodellierung beim ECMWF

„Die Ergebnisse [von ML-basierten Prognosesystemen] sind erstaunlich.“

– Hendrik Tolman, leitender Berater des National Weather Service für Modellierung

Das Graphcast-Modell von DeepMind weist deutlich weniger Fehler auf als HRES, das führende ECMWF-Modell. 

Mit der zunehmenden Komplexität von ML-Modellen wird die Datenassimilierung eine zentrale Herausforderung darstellen, also die Einbindung neuer Datenquellen mit unterschiedlicher zeitlicher und detaillierter Struktur.  Unternehmen wie Spire, DTN und Tomorrow.io sammeln hochentwickelte Wetterdaten über Wetterstationen am Boden, Satelliten (für Bildgebung, Radiookkultation usw.), Sensoren und weltraumgestützte Radargeräte. Dadurch könnte die Abdeckung der Atmosphäre auf große Teile der Erde ausgeweitet werden, die heute nur unzureichend erforscht sind.

WindBorne beispielsweise sammelt atmosphärische Daten von seinen Wetterballons, die über Ozeane und Regenwälder navigieren können, um schwer zugängliche Daten zu erhalten. Diese Art neuer Daten verspricht eine Verbesserung der Modellgenauigkeit, die Fähigkeit zur vollständigen Einbindung neuer Daten scheint jedoch noch in den Kinderschuhen zu stecken.

Übersicht über die innovativen Global Sounding Balloons (GSBs) von WindBorne. 

Neben Prognosen und Daten besteht ein weiterer wichtiger Bereich für die Wertschöpfung im Wetterbereich in Geschäftsanwendungen, die Wettervorhersagen in umsetzbare Erkenntnisse umsetzen, z. B. für die Planung der effizientesten Flug- oder LKW-Route, die Entscheidung, ob ein Open-Air-Konzert wegen Gewitters abgesagt werden soll oder nicht, oder den Start einer wetterabhängigen Werbekampagne.

Wetter-Apps für Verbraucher stellen eine weitere interessante Möglichkeit dar: In den USA werden Wettervorhersagen über 300 Milliarden Mal pro Jahr abgerufen, und fast neun von zehn erwachsenen Amerikanern holen sich drei oder mehr Mal am Tag eine Wettervorhersage.

Insgesamt sind wir von den Möglichkeiten des maschinellen Lernens bei der Wettervorhersage begeistert, da es durch neue Quellen hochauflösender Daten ermöglicht und in nützliche Geschäfts- und Verbraucheranwendungen umgesetzt wird.

Diese Verbesserungen könnten nicht nur einen erheblichen grundlegenden Mehrwert für Tausende von Kunden im öffentlichen Sektor, im Militär und in der Privatwirtschaft schaffen, sondern sie könnten möglicherweise auch neue Anwendungsfälle erschließen und die Abdeckung auf Wählergruppen ausdehnen, die von den bestehenden Regierungen nicht ausreichend versorgt werden.

Wenn Sie ML für die Wettervorhersage entwickeln oder darin investieren, würden wir gerne von Ihnen hören.