Ein hybrides Rahmenwerk für globale Wettervorhersagen mithilfe eines grob aufgelösten dynamischen Kerns und eines Multigrid-Neuraloperators

Warum schnellere, intelligentere Vorhersagen wichtig sind

Wettervorhersagen beeinflussen tägliche Entscheidungen und schützen Leben und Eigentum – von der Flugplanung bis zur Sturmvorbereitung. Die genauesten Vorhersagen stammen jedoch aus riesigen Computermodellen, die viel Energie und Zeit verbrauchen. Gleichzeitig können neue Systeme der künstlichen Intelligenz Wetter schnell vorhersagen, verletzen dabei aber mitunter grundlegende physikalische Regeln, was Meteorologen beunruhigt. Diese Studie stellt einen neuen Weg vor, beide Welten zu vereinen, mit dem Ziel, die Geschwindigkeit der KI zu bewahren und zugleich die physikalische Realitätsnähe traditioneller Wettermodelle sicherzustellen.

Zwei Blickwinkel auf die Atmosphäre verbinden

Konventionelle numerische Wettervorhersage verwendet Gleichungen, die beschreiben, wie sich Luft bewegt und verändert. Diese Modelle sind zuverlässig, aber sehr rechenaufwändig, wenn sie global hochauflösend betrieben werden. Reine KI‑Modelle lernen Muster direkt aus historischen Daten und laufen deutlich schneller, können sich aber im Verlauf der Vorhersage von realem Verhalten entfernen. Die Autorinnen und Autoren schlagen ein hybrides System namens HMgNO vor, das ein einfaches, grob aufgelöstes physikalisches Modell mit einem neuronalen Netzwerk koppelt, das als intelligenter Korrektor wirkt und die Vorhersagen wieder in Richtung Realität lenkt.

Wie das hybride System funktioniert

Das hybride Rahmenwerk folgt einem wiederholten Zyklus. Zuerst lässt ein niederaufgelöstes physikalisches Modell die Atmosphäre mithilfe der bekannten Bewegungsgleichungen einen Zeitschritt voranschreiten. Diese grobe Vorhersage wird dann auf ein feineres Gitter hochskaliert. Anschließend schätzt ein Neuraloperator, der auf jahrelangen historischen Daten trainiert wurde, die Vorhersagefehler und korrigiert sie. Der korrigierte Zustand dient als Ausgangspunkt für die nächste Runde. Da das neuronale Netzwerk nur Ein‑ und Ausgaben des physikalischen Modells sieht, müssen keine Gradienten durch den physikalischen Code zurückpropagiert werden. Dieses „Plug‑and‑Play“-Design erlaubt es, viele vorhandene Wettermodelle in das Rahmenwerk einzufügen, ohne sie neu schreiben zu müssen.

Wie gut es das Wetter vorhersagt

Die Forschenden testeten HMgNO für globale Vorhersagen bis zu zehn Tagen und verglichen es mit drei starken Konkurrenten: einem operativen Vorhersagesystem namens HRES, einem führenden KI‑Modell namens Pangu‑Weather und einem weiteren Hybridmodell namens NeuralGCM. Anhand gängiger Fehlermaße und Mustervergleiche erreichte HMgNO bei längeren Vorlaufzeiten für viele Schlüsselgrößen wie Winde und Druckmuster in höheren Atmosphärenschichten ähnliche oder bessere Ergebnisse als diese Modelle. Während es in den ersten Tagen etwas weniger genau ist als HRES, wachsen seine Fehler langsamer und sind gegen Tag 10 am geringsten, besonders für obere Luftfelder, die großräumige Wettersysteme steuern.

Physikalische Plausibilität bewahren

Über die reine Genauigkeit hinaus untersuchte das Team, wie physikalisch realistisch die Vorhersagen sind. Im Mittelpunkt stand das Gleichgewicht zwischen Druckfeldern und Winden in mittleren und hohen Breiten, wo die Atmosphäre üblicherweise einer bekannten Beziehung namens geostrophisches Gleichgewicht folgt. Reine KI‑Modelle neigten dazu, dieses Gleichgewicht mit zunehmender Vorhersagedauer zu verlieren, was zu unrealistischen Windmustern führte. Im Gegensatz dazu hielten HMgNO und das andere Hybridmodell eine vertikale Struktur, die der eines vertrauenswürdigen Reanalyse‑Datensatzes deutlich näherkam, was auf gesündere Verknüpfungen zwischen Massen‑ und Windfeldern hindeutet. Fallstudien zur bodennahen Temperatur über Ozean, Regenwald und Wüste zeigten, dass HMgNO auch tägliche Heiz‑ und Abkühlzyklen über sehr unterschiedliche Landschaften lernen konnte, ohne die komplexen Oberflächenformeln zu nutzen, auf die Standardmodelle angewiesen sind.

Geschwindigkeit, Kosten und Energieeinsparung

Große KI‑ und Hybridmodelle benötigen oft enorme Trainingsdatenmengen und leistungsstarke Cluster spezialisierter Chips. Pangu‑Weather und NeuralGCM wurden auf fast vier Jahrzehnten hochwertiger Daten mit hunderten High‑End‑Prozessoren über Tage bis Wochen trainiert, was kostspielige und energieintensive Einsätze darstellt. HMgNO erreichte dagegen vergleichbare Vorhersagequalität mit nur 12 Jahren Daten und vier handelsüblichen Grafikprozessoren, schloss das Training in weniger als zwei Tagen ab und benötigte weniger als ein Terabyte Speicher. Diese dramatische Reduktion von Kosten und Hardware senkt die Hürde für Forschungsgruppen und Wetterdienste, denen große Rechenzentren nicht zur Verfügung stehen.

Was das für künftige Vorhersagen bedeutet

Die Studie zeigt, dass eine sorgfältig gestaltete Partnerschaft zwischen physikbasierten Modellen und KI genaue, stabile und physikalisch konsistente globale Vorhersagen liefern kann – zu einem Bruchteil der Trainingskosten aktueller Spitzenmodelle. HMgNO ist nicht perfekt: Eine begrenzte vertikale Detailtiefe der Trainingsdaten und ein Kompromiss zwischen scharfen kleinräumigen Merkmalen und dem Gesamtfehler schränken die Leistung noch ein. Das Rahmenwerk ist jedoch flexibel und bereit, von reichhaltigeren Daten, höherer Auflösung und neuen Methoden zur Unsicherheitsabschätzung zu profitieren. Für die Öffentlichkeit weist diese Linie der Forschung auf schnellere, zugänglichere und verlässlichere Wetterempfehlungen hin, die tägliche Entscheidungen unterstützen und Gesellschaften besser auf Extremereignisse vorbereiten können.

Zitation: Hu, Y., Yin, F., Zhang, W. et al. A hybrid framework for global weather forecasting via low-resolution dynamical core and multigrid neural operator. npj Clim Atmos Sci 9, 112 (2026). https://doi.org/10.1038/s41612-026-01374-z

Schlüsselwörter: hybride Wettervorhersage, neuraler Operator, numerische Wettervorhersage, künstliche Intelligenz, globale Klimadaten