Im Quellenvergleich
Worin die Quellen übereinstimmen
Google DeepMind und Google Research haben das KI-Wettermodell WeatherNext 3 veröffentlicht. Das Modell lernt direkt aus Echtzeit-Beobachtungen wie Satellitendaten und erstellt stündliche Vorhersagen. Die Auflösung beträgt fünf Kilometer für Temperatur und Feuchtigkeit, zehn Kilometer für andere Oberflächenwerte und 25 Kilometer für atmosphärische Größen wie Wind. Laut Google verbessert sich die Genauigkeit von Niederschlagsvorhersagen in mittelfristigen Prognosen um bis zu 60 Prozent gegenüber dem Vorgänger WeatherNext 2 beziehungsweise NASA-Daten (IMERG). WeatherNext 3 wird in Google-Produkte wie Suche, Gemini, Maps und Earth Engine integriert. Die Quellen berichten weitgehend übereinstimmend. Das Modell liefert auch Vorhersagen für die Energiewirtschaft, etwa Windgeschwindigkeiten in 100 Metern Höhe und Sonneneinstrahlung. Google nennt Verbesserungen von bis zu 60 Prozent, die aber nur für frühe Vorhersagezeiträume gelten. Laut Forscherpapier beträgt der Zeitvorteil realistisch zwei bis drei Stunden. Google betont, es handle sich um ein experimentelles System, amtliche Warnungen blieben maßgeblich. Das Modell ist laut Google rund fünfmal schärfer als der Vorgänger und erfasst lokale Ereignisse und Topografie genauer. Zusätzlich trainiert es mit Daten einzelner Wetterstationen; davon profitieren laut Google besonders Regionen in Lateinamerika, Afrika und dem asiatisch-pazifischen Raum. Bei Niederschlag zeigt der CRPS-Wert laut Google Verbesserungen von bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und zehn Prozent gegenüber Regenmessern. Bei Planungen einen Tag oder länger im Voraus sollen Nutzer bis zu 50 Prozent genauere Niederschlagsprognosen erhalten. Das Startup WindBorne widerspricht dem Anspruch, das erste KI-Modell mit direkter Satellitendaten-Nutzung zu sein: Sein Modell WeatherMesh 6 verarbeite bereits seit Ende 2025 rohe Beobachtungsdaten. Google entgegnet, seine Vorhersagen seien global höher aufgelöst. Beide Modelle sind weiterhin auf nationale Wetterdatensätze angewiesen. KI-Wettervorhersagen gelten als schneller und günstiger als klassische Supercomputer-Berechnungen und könnten laut Experten Entwicklungsländern helfen.
Aktualisierungen
04.09.2026
10:08Das Modell liefert auch Vorhersagen für die Energiewirtschaft, etwa Windgeschwindigkeiten in 100 Metern Höhe und Sonneneinstrahlung.
Google nennt Verbesserungen von bis zu 60 Prozent, die aber nur für frühe Vorhersagezeiträume gelten.
Laut Forscherpapier beträgt der Zeitvorteil realistisch zwei bis drei Stunden.
Google betont, es handle sich um ein experimentelles System, amtliche Warnungen blieben maßgeblich.
06.09.2026
11:07Das Modell ist laut Google rund fünfmal schärfer als der Vorgänger und erfasst lokale Ereignisse und Topografie genauer.
Zusätzlich trainiert es mit Daten einzelner Wetterstationen; davon profitieren laut Google besonders Regionen in Lateinamerika, Afrika und dem asiatisch-pazifischen Raum.
Bei Niederschlag zeigt der CRPS-Wert laut Google Verbesserungen von bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und zehn Prozent gegenüber Regenmessern.
Bei Planungen einen Tag oder länger im Voraus sollen Nutzer bis zu 50 Prozent genauere Niederschlagsprognosen erhalten.
08.09.2026
19:06Das Startup WindBorne widerspricht dem Anspruch, das erste KI-Modell mit direkter Satellitendaten-Nutzung zu sein: Sein Modell WeatherMesh 6 verarbeite bereits seit Ende 2025 rohe Beobachtungsdaten.
Google entgegnet, seine Vorhersagen seien global höher aufgelöst.
Beide Modelle sind weiterhin auf nationale Wetterdatensätze angewiesen.
KI-Wettervorhersagen gelten als schneller und günstiger als klassische Supercomputer-Berechnungen und könnten laut Experten Entwicklungsländern helfen.
Worin sie sich unterscheidenAnspruch, erstes KI-Modell mit direkter Satellitendaten-Nutzung zu sein·Genauigkeitsverbesserung bei Niederschlagsvorhersagen·Parameterzahl und Auflösungsvergleich+4 weitere
Anspruch, erstes KI-Modell mit direkter Satellitendaten-Nutzung zu sein- Das Modell ist das erste KI-Modell, das rohe Satellitendaten direkt für eine hochauflösende globale Vorhersage nutzt.1
- Das Modell verarbeitet nun auch Satellitendaten, was die Zeit zwischen aktueller Wetterlage und neuer Vorhersage verkürzt.2
Genauigkeitsverbesserung bei Niederschlagsvorhersagen- Das Modell schneidet bei Regenvorhersagen 60 Prozent besser ab als der Vorgänger WeatherNext 2.1
- Die Genauigkeit verbessert sich in mittelfristigen Prognosen um bis zu 60 Prozent gegenüber NASA-Daten (IMERG).3
- Bei Wirbelsturm-Vorhersagen sind die Verbesserungen gegenüber WeatherNext 2 klein.4
Parameterzahl und Auflösungsvergleich- Das Modell hat 2,4-mal mehr Parameter als sein Vorgänger.1
- Die Auflösung ist etwa fünfmal schärfer als beim Vorgänger WeatherNext 2.3
Zusätzliche Anwendungsbereiche- Das Modell liefert Vorhersagen für die Energiewirtschaft, etwa Windgeschwindigkeiten in 100 Metern Höhe und Sonneneinstrahlung.3
- Für Photovoltaik- und Windkraftanlagen sagt das Modell Windgeschwindigkeiten, Sonneneinstrahlung und Wolkenbedeckung voraus.4
Bewertung auf Vergleichsplattform- Bei Tests auf der Vergleichsplattform Operational WeatherBench von Brightband schnitt das Modell am besten ab – auch besser als traditionelle Vorhersagen des US-Wetterdienstes und des ECMWF.1
- Laut unabhängigen Live-Auswertungen von Brightband sei es das bisher genaueste und fortschrittlichste seiner Art.3
Einschränkungen bei Extremereignissen- Das Karlsruher Institut für Technologie zeigte Schwächen von KI-Modellen bei Extremereignissen mit Rekordwerten.4
Zeitvorteil gegenüber klassischen Modellen- Laut Forscherpapier beträgt der Zeitvorteil realistisch zwei bis drei Stunden.4