Wie KI-Wettermodelle funktionieren

Unter den Routen, die Saily WR für einen Törn zeichnet, stammen drei von Modellen, die anders sind als die übrigen: AIFS des ECMWF, AICON des DWD und AIGFS der NOAA. Siebzig Jahre lang hieß Wettervorhersage, die Physik der Atmosphäre zu lösen; ihr Wind kommt dagegen aus neuronalen Netzen, die das Wetter aus seiner eigenen Vergangenheit gelernt haben. Die Worte „künstliche Intelligenz“ verleiten zu blindem Vertrauen oder zu einem Achselzucken, und keines von beiden hilft einem Skipper, der einen Törn abwägt. Um zu wissen, wie viel Gewicht ihre Routen verdienen, lohnt es sich, einen Blick unter die Haube zu werfen und zu sehen, was darin vorgeht.

Ein klassisches Wettermodell ist angewandte Physik. Es zerlegt die Atmosphäre in Kästen, beim IFS des ECMWF etwa 9 km breit und 137 übereinandergestapelt, und wendet in jedem die Gesetze an, die die Luft bestimmen: die newtonschen Gesetze für ihre Bewegung, die Erhaltung ihrer Masse, ihrer Energie und ihres Wassers. Schritt für Schritt, jeweils ein paar Minuten Wetter auf einmal, berechnet es, wie sich Wind, Druck, Temperatur und Feuchte verändern. Was kleiner ist als ein Kasten, eine Cumuluswolke, die Turbulenz über den Wellen, lässt sich nicht berechnen und wird durch vereinfachte Regeln dargestellt, die Parametrisierungen, in denen sich ein großer Teil des Fehlers eines Modells verbirgt. Eine Vorhersage über fünfzehn Tage hält einen großen Teil eines Supercomputers beschäftigt.

Jede Vorhersage, ob klassisch oder nicht, beginnt mit einem Bild der Gegenwart, der Analyse. Das ECMWF empfängt rund 800 Millionen Beobachtungen am Tag, von Satelliten, Wetterballonen, Flugzeugen, Schiffen, Driftbojen und Wetterstationen, und behält nach der Prüfung etwa sechzig Millionen davon, und doch lassen sie große Lücken, vor allem über den Ozeanen. Die Datenassimilation füllt sie: Sie nimmt eine kurze Vorhersage des physikalischen Modells und zieht sie zu jeder Beobachtung hin, so weit diese Beobachtung Vertrauen verdient, bis sie das beste Gleichgewicht zwischen dem findet, was das Modell erwartete, und dem, was gemessen wurde. Dieser Schritt, der heikelste der ganzen Kette, zählt für alles Weitere: Keines der KI-Modelle in Saily WR führt ihn aus. Jedes startet von der Analyse eines physikalischen Modells.

Der Sprung der KI-Modelle besteht darin, die Gleichungen durch Erfahrung zu ersetzen. Stellen Sie sich einen Navigator vor, der jede Wetterkarte der letzten vierzig Jahre im Abstand von sechs Stunden studiert und auswendig gelernt hätte, wie jede in die nächste überging: Zeigte man ihm die Karte von jetzt und die von vor sechs Stunden, könnte er die Karte für sechs Stunden später skizzieren. Genau diese Aufgabe stellt man einem neuronalen Netz: aus dem Zustand der Atmosphäre von jetzt und dem einen Schritt zuvor den Zustand einen Schritt später vorhersagen, sechs Stunden voraus bei AIFS und AIGFS, drei bei AICON. Kein Gesetz der Physik ist darin festgeschrieben: Alles, was es weiß, hat es in seinen Beispielen gefunden.

Sein Lehrbuch ist eine Reanalyse: das Wetter der Vergangenheit, mit einem einzigen Modell und einem einzigen Assimilationsverfahren neu gerechnet, sodass jedes Jahr auf die gleiche Weise gezeichnet ist. ERA5, die Reanalyse des ECMWF, liefert den Zustand der Atmosphäre stündlich seit 1940, auf einem Gitter von einem Viertelgrad. AIFS lernte aus ihren Jahren 1979 bis 2022, dann aus den jüngsten Analysen des ECMWF; GraphCast, das Netz von Google DeepMind im Herzen von AIGFS, ebenfalls aus ERA5 und den Analysen des ECMWF, bevor die NOAA es mit ihren eigenen feinabstimmte; AICON aus fünfzehn Jahren einer Reanalyse, die der DWD mit ICON erstellt hat. Trainieren heißt, dem Netz Millionen von Zustandspaaren zu zeigen, jedes Mal zu messen, wie weit seine Schätzung von dem abweicht, was tatsächlich geschah, und seine Millionen von Parametern, die Gewichte seiner Verbindungen, so anzupassen, dass es ein wenig näher liegt. Das geschieht einmal für jede Version, für AIFS etwa eine Woche auf 64 Grafikprozessoren, und danach wird das Modell so verwendet, wie es ist.

Wie erfasst ein Netz einen ganzen Planeten? Nicht als flaches Bild: Die Erde ist rund, und auf einem Gitter aus Breiten- und Längengraden drängen sich die Meridiane an den Polen zusammen. Alle drei sammeln das Wetter auf einem Netz aus Punkten, die gleichmäßig über die Kugel verteilt und mit ihren Nachbarn verbunden sind, einem Graphen. GraphCast baut ihn, indem es die Flächen eines Ikosaeders, eines Würfels mit zwanzig Seiten, immer wieder unterteilt, bis es rund 40.000 Knoten hat; AICON zeichnet ihn aus den eigenen Dreiecken von ICON. In GraphCast und AICON übermitteln die Knoten einander dann Nachrichten: Kurze Verbindungen tragen das lokale Wetter, lange lassen Information in einem einzigen Schritt einen Ozean überqueren. AICON gewichtet diese Nachrichten mit Attention, einem Mechanismus, mit dem jeder Punkt lernt, welche seiner Nachbarn am meisten zählen; AIFS, dessen Herz eher ein Transformer als ein Graph ist, wendet Attention auf Fenster an, die über sein Punktnetz gleiten. Am Ende wird das Ergebnis wieder auf das Gitter der Vorhersage verteilt.

Ein Netz, das nur einen Schritt vorausschauen kann, reicht Tage voraus, indem es sich selbst füttert: Seine Vorhersage für sechs Stunden wird zum Ausgangspunkt des nächsten Schritts, und so weiter, 64-mal für die sechzehn Tage von AIGFS. Diese Verkettung, Autoregression genannt, ist das schwache Glied: Ein früh gemachter Fehler wird in jeden folgenden Schritt weitergetragen und kann wachsen. Um ihn in Schach zu halten, trainiert man die Netze nicht nur auf einen Schritt, sondern auch auf mehrere verkettete, damit sie lernen, ihre eigene Drift zu korrigieren. Dieses Training hat versteckte Kosten, auf die die nächsten Absätze kommen: Der DWD entschied sich, AICON auf einen einzigen 3-Stunden-Schritt zu trainieren, gerade um die Details zu bewahren, die ein längeres Training abschleift.

Einmal trainiert, sind diese Modelle verblüffend genügsam. Eine zehntägige AIFS-Vorhersage dauert einige Minuten auf einem einzigen Grafikprozessor, wo das IFS einen großen Teil eines Supercomputers braucht, und das ECMWF beziffert die Energieeinsparung auf etwa das Tausendfache. Das verändert, was sich ein Vorhersagezentrum leisten kann: Fünfzig Vorhersagen gleichzeitig zu rechnen, um die Unsicherheit zu messen, wie es AIFS ENS mit seinen 51 Mitgliedern tut, kostet wenig. Doch die Einsparung endet bei der Vorhersage selbst. Die Analyse, von der sie startet, kommt weiterhin vom physikalischen System und seinen Beobachtungen, zu vollen Kosten: Die KI-Modelle machen die Vorhersage günstiger, nicht das Wissen über die Gegenwart.

Ihre bekannteste Schwäche rührt daher, wie sie benotet werden. Im Training wird der Fehler meist als mittlerer quadratischer Fehler gemessen, der Mittelwert der quadrierten Abstände zwischen Vorhersage und Wirklichkeit. Fünf Tage voraus hat die Atmosphäre mehrere mögliche Zukünfte: Ein Tief kann nördlich an Irland vorbeiziehen oder südlich. Angesichts dieses Zweifels ist die Antwort, die einen quadratischen Fehler am kleinsten hält, keine der beiden Zugbahnen, sondern ihr Mittel, ein flacheres Tief irgendwo dazwischen. Das Netz lernt, sich abzusichern, und seine Felder werden umso glatter, je weiter es vorausschaut: Windspitzen werden abgestumpft, Fronten weichgezeichnet, Stürme abgeschwächt. Das ECMWF merkt an, dass AIFS tropische Wirbelstürme weniger intensiv macht als das IFS, und die Meteorologen des DWD stellten fest, dass AICON starken Wind unterschätzt.

Die Forschung arbeitet an der Abhilfe. Ensembles, die auf ein anderes Maß trainiert werden, den Continuous Ranked Probability Score oder CRPS, der eine Gruppe von Vorhersagen belohnt, deren Streuung der tatsächlichen Unsicherheit entspricht, halten jedes Mitglied scharf, statt sie zu einem glatten Mittel zusammenfallen zu lassen: Das ist der Weg von AIFS ENS. Version 1.1 von AIGFS misst seit Juli ihre Fehler an den Mustern jedes Feldes, Skala für Skala, statt Punkt für Punkt, um weit voraus weniger zu verwischen. AICON, auf einen einzigen kurzen Schritt trainiert, fällt nach der eigenen Messung des DWD weniger verschwommen aus als die deterministischen, auf ERA5 trainierten Modelle. Keine dieser Abhilfen ist vollständig, und Saily WR liest von jedem Modell eine einzige Vorhersage: Bei Sturm lesen Sie den Wind eines KI-Modells noch immer am besten als wahrscheinlich zu schwach.

Glänzen können AIFS und AIGFS beim großen Bild mehrere Tage voraus, dem Teil einer Vorhersage, der über eine Ozeanüberquerung entscheidet: wo die Tiefs und Hochs liegen werden, wann eine Front eintrifft, welchen Weg ein tropischer Sturm nimmt. In seiner ursprünglichen Form, von den Analysen des ECMWF gestartet, schlug GraphCast die beste deterministische Vorhersage seiner Zeit bei 90 % der 1.380 Ziele, an denen es geprüft wurde; das ECMWF fand AIFS bei vielen Gütemaßen vor seinem physikalischen IFS, um bis zu 20 %, darunter bei den Zugbahnen tropischer Wirbelstürme. AICON, für das Wetter nahe der Oberfläche gebaut, schneidet beim Wind der ersten Tage am besten ab und lässt ICON bei den großen Systemen jenseits von etwa zwei Tagen den Vortritt. Das sind Gütemaße für Lagen und Muster, nicht für die Stärke des Windes in einer Schauerbö.

Ihre Grenzen kommen von dem, was sie gelernt haben. Ein Netz kennt nur das Wetter seines Lehrbuchs: Ein Sturm, stärker als jeder in den Jahrzehnten seiner Reanalyse, liegt außerhalb seiner Erfahrung, und nichts in ihm garantiert, dass es die Gesetze der Physik über das hinaus einhält, was seine Beispiele es gelehrt haben. Die erste Version von AIFS, die im Training die Bodenfeuchte falsch gewichtete, sagte Regenflecken aus dem Nichts vorher. Ihre Gitter sind grob, etwa 30 km bei AIFS und AIGFS, und die Dreiecke von AICON, 13 km groß, erreichen Saily WR auf einem Gitter von einem Viertelgrad wie dem ihren: keine Seebrise, keine Beschleunigung um ein Kap, kein Windschatten hinter einer Insel. Und sie ersetzen die physikalischen Modelle nicht, sie stützen sich auf sie: Ohne die Analyse von IFS, GFS oder ICON hätten sie keinen Ausgangspunkt.

Gerade diese Abhängigkeit macht sie auf See nützlich. Jedes KI-Modell hat einen physikalischen Zwilling, der von genau derselben Analyse startet: AIFS mit dem IFS des ECMWF, AICON mit ICON, AIGFS mit GFS. Wo die Routen zweier Zwillinge auseinandergehen, sind sie vom selben Wetter aufgebrochen, der Unterschied kommt also allein von den Modellen: ein Zeichen, dass die Vorhersage unsicher ist oder dass das KI-Modell sie glättet. Angenommen, Sie liegen in A Coruña und warten auf ein Fenster, um in vier Tagen die Biskaya zu überqueren: Stimmen AIFS und das IFS überein und pflichtet ihnen GFS bei, das von einer anderen Analyse startet, steht das Fenster auf festem Grund; zeigt AIFS allein ein schwächeres Tief, glättet es dieses höchstwahrscheinlich. Lesen Sie AIFS und AIGFS für das Wo und das Wann der großen Systeme, AICON für den Wind der ersten Tage, die physikalischen Modelle für die Stärke des Windes und ihre Uneinigkeit als Maß Ihres Zweifels.