WxC-Bench: Ein neues Datenset für Wetter- und Klimanwendungen

Warum klügere Wetterdaten wichtig sind

Von holprigen Flugreisen bis zu sintflutartigen Regenfällen und sich verstärkenden Hurrikanen beeinflusst die Atmosphäre das tägliche Leben auf zahllose Arten. In den letzten Jahren hat die künstliche Intelligenz begonnen, das Wetter schneller und in manchen Fällen genauer vorherzusagen als traditionelle Computermodelle. Diese leistungsfähigen Systeme werden jedoch meist nur für eine einzelne Aufgabe trainiert und sind auf sorgfältig aufbereitete Daten angewiesen. Dieses Paper stellt WxC-Bench vor, ein neues offenes Datenset, das der KI eine reichere, sauberere Sicht auf unsere Atmosphäre bieten soll, sodass ein einziges Modell mehrere verschiedene Wetter- und Klimaufgaben lernen kann, anstatt nur eine.

Verschiedene Wetterdaten zusammenbringen

WxC-Bench (Kurzform für Weather and Climate Bench) basiert auf einer einfachen Idee: Wenn wir eine universell einsetzbare KI für die Erdatmosphäre wollen, brauchen wir einen einzigen, gut organisierten Ort, an dem viele Arten von Wetterdaten und -problemen zusammengeführt werden. Die führenden KI-Wetterssysteme konzentrieren sich heute meist auf mittelfristige Vorhersagen — Prognosen für Tage im Voraus — und verwenden einen großen Datenpool. WxC-Bench geht weiter. Es sammelt Informationen von Satelliten, langjährigen Wetter-Reanalysen, hochauflösenden Vorhersagemodellen, Hurrikandatenbanken und sogar Pilotenberichten aus dem Cockpit. Die Autoren bereinigen und standardisieren diese Quellen so, dass sie direkt von maschinellen Lernwerkzeugen verwendet werden können und dadurch die Zeit und das Fachwissen zur Datenaufbereitung für neue Studien reduzieren.

Sechs reale Wetteraufgaben in einer Bench

Statt sich auf eine einzelne Bewertungsgröße zu konzentrieren, ist WxC-Bench um sechs praktische Aufgaben herum organisiert, die verschiedene Zeit- und Raumskalen abdecken. Am einen Ende steht die Luftturbulenz für die Luftfahrt, ein kurzlebiges, kleinskaliges Risiko, das Flugzeuge unvermittelt durchschütteln kann. Hier verknüpft das Datenset tägliche Momentaufnahmen der Atmosphäre über den USA mit von Piloten eingereichten Berichten, sodass KI-Modelle lernen, wo raue Luft typischerweise auftritt. Eine andere Aufgabe fokussiert sich auf Schwerewellen — Wellen in der Luft, die Energie und Impuls zwischen Atmosphärenschichten transportieren und in Klimamodellen notorisch schwer darstellbar sind. Dafür liefert WxC-Bench globale Felder von Winden und Temperaturen sowie die subtilen Impulsflüsse, die diese Wellen tragen, und bietet der KI damit ein seltenes Trainingsfeld für Prozesse, die herkömmliche Modelle approximieren müssen.

Von historischen Mustern zu künftigem Regen und Stürmen

Weitere WxC-Bench-Aufgaben blicken zeitlich und räumlich weiter. Ein Wetter-„Analog“-Datenset hilft KI, vergangene Situationen zu finden, die einem aktuellen Muster ähneln — so wie ein menschlicher Vorhersager sich an frühere Stürme erinnert. Die Autoren teilen eine globale Reanalyse in Hunderte überlappender Kacheln, sodass Modelle nach ähnlichen Druck- oder Temperaturmustern lokal oder weltweit suchen können. Für längere Horizonte fordert ein Niederschlagsdatenset Modelle auf, tägliche Regenmengen bis zu mehreren Wochen im Voraus vorherzusagen — genau das Zeitfenster, das für Landwirtschaft und Wasserwirtschaft entscheidend ist und in dem heutige Vorhersagen oft versagen. Diese Sammlung verwendet fast vierzig Jahre Satellitenbeobachtungen und die besten verfügbaren Niederschlagsschätzungen, sodass KI lernen kann, wie großräumige Wolkenmuster heute mit Regen in vielen Tagen zusammenhängen.

Hurrikane, Flugsicherheit und leicht verständliche Prognosen

WxC-Bench richtet sich auch auf hochwirksame Extremereignisse und Kommunikation. Ein Hurrikandatenset fasst mehr als vier Jahrzehnte an Sturmbahnen und Intensitäten aus allen großen Ozeanbecken zusammen und erfasst alles von schwachen tropischen Stürmen bis zu den zerstörerischsten Kategorie-5-Systemen. Indem so viele Regionen und Umgebungen kombiniert werden, ermöglicht es der KI, zu untersuchen, welche Bedingungen eine schnelle Intensivierung oder ungewöhnliche Bahnen begünstigen. Schließlich koppelt eine Natural-Language-Aufgabe Gitter-Wetterkarten über den USA mit menschlich verfassten Vorhersagediskussionen. Nach sorgfältiger Textbereinigung — Entfernen von Störzeichen wie überflüssiger Interpunktion und wiederholten Füllwörtern — trainiert dieser Teil der Bench Modelle darauf, komplexe Karten in klare schriftliche Zusammenfassungen zu überführen und rückt die KI damit einen Schritt näher an die Erstellung nutzerfreundlicher Vorhersagen.

Testen der Daten mit Basis-KI-Modellen

Um zu zeigen, dass diese kuratierten Datensätze wirklich für maschinelles Lernen bereit sind, führen die Autoren für jede Aufgabe eine Reihe von Basismodellen durch. Einfache neuronale Netze können bereits turbulente von ruhigen Regionen besser unterscheiden als ältere Methoden; ein spezialisiertes Netzwerk kann Schlüsselmustern der Auswirkungen von Schwerewellen um Gebirgszüge und Sturmspuren herum reproduzieren; ein Bildsuchmodell findet erfolgreich vergangene Wetterkarten, die einem gegebenen Muster ähneln; ein autoregressives System, das auf Satellitendaten trainiert wurde, kann Niederschläge Wochen voraus mit einer Leistungsfähigkeit vorhersagen, die auf längeren Vorlaufzeiten mit angesehenen internationalen Vorhersagezentren vergleichbar ist. Für Hurrikane und Vorhersagetexte zeigen moderne Architekturen wie FourCastNet und Vision–Language-Modelle, dass die Daten realistisches Sturmtracking und brauchbare schriftliche Zusammenfassungen unterstützen können, auch wenn noch Verbesserungsbedarf besteht.

Was das für die zukünftige Wetter-KI bedeutet

Im Ganzen betrachtet ist WxC-Bench weniger ein einzelnes Datenset als eine Werkzeugkiste zum Aufbau und Testen der nächsten Generation von Wetter- und Klima-KI. Indem Probleme von Sekunden bis Wochen und von lokaler Turbulenz bis zu globalen Sturmstatistiken und verständlichen Berichten abgedeckt werden, fordert es KI-Systeme heraus, über eine enge Spezialaufgabe hinaus zu verallgemeinern. Weil WxC-Bench offen verfügbar ist, mit Code und einem Python-Paket für einfachen Zugriff, können Forschende neue Foundation-Modelle benchmarken, sie fair vergleichen und die Sammlung nach und nach mit neuen Aufgaben erweitern. Für eine allgemeine Leserschaft lautet das Fazit: Besser organisierte Daten wie WxC-Bench bringen uns näher an KI-Systeme, die gefährliche Stürme früher erkennen, sicherere Flüge ermöglichen, Planung für Wasser und Landwirtschaft unterstützen und das Wetter von morgen in Alltagssprache erklären können.

Zitation: Shinde, R., Ankur, K., Phillips, C.E. et al. WxC-Bench: A Novel Dataset for Weather and Climate Downstream Tasks. Sci Data 13, 596 (2026). https://doi.org/10.1038/s41597-026-06839-7

Schlüsselwörter: künstliche Intelligenz, Wettervorhersage, Klimadaten, Hurrikane, Niederschlagsvorhersage