SIGMAformer: ein raumzeitlicher Gaußscher Mischkorrelations-Transformer für globale Wettervorhersagen

Warum bessere Wettervorhersagen wichtig sind

Von Hitzewellen bis zu plötzlichen Windstürmen beeinflussen extreme Wetterereignisse den Alltag, den Energieverbrauch und die Sicherheit weltweit. Moderne Computermodelle simulieren die Atmosphäre bereits sehr detailliert, können jedoch teuer im Betrieb sein und scharfe lokale Veränderungen übersehen. Dieser Beitrag stellt einen neuen Ansatz der künstlichen Intelligenz vor, der direkt aus Tausenden von Bodenstationen lernt, um globale Vorhersagen von Wind und Temperatur genauer und aussagekräftiger zu machen — besonders wenn das Wetter aus dem Ruder läuft.

Von Rohstationsdaten zu globalem Verständnis

Traditionelle Wettervorhersage beruht auf physikbasierten Modellen, die komplexe Gleichungen auf einem festen Gitter lösen. Gleichzeitig treffen Millionen von Messungen aus ungleich verteilten Stationen auf. Diese Stationsaufzeichnungen erfassen lokale Eigenheiten wie Bergwinde oder städtische Wärmeinseln, lassen sich aber schwer zu einem einzigen kohärenten Bild verweben. Viele neuere Machine‑Learning‑Systeme können entweder großskalige atmosphärische Muster oder lokale Details handhaben, doch sie tun sich oft schwer, beides gleichzeitig zu erfassen, und verhalten sich meist wie Blackboxes, die wenig Erklärungen liefern, warum sie eine bestimmte Vorhersage treffen.

Ein neuer Weg, geteilte Muster zu erkennen

Die Autoren stellen SIGMAformer vor, eine Vorhersagearchitektur, die darauf ausgelegt ist, zu lernen, wie sich das Wetter an Tausenden von Standorten über die Zeit gemeinsam entwickelt. Im Kern steht ein Musterfinder, der ähnliche Formen in den Daten — etwa wiederkehrende Schwankungen der Windgeschwindigkeit oder Temperatur — in eine Handvoll repräsentativer Muster gruppiert. Anstatt jede Station und jede Stunde separat zu behandeln, lernt das Modell, welches Muster wo und wann aktiv ist. Diese Muster steuern dann einen zweiten Teil des Systems, der den relevantesten Momenten und Orten erhöhte Aufmerksamkeit schenkt und zugleich verrauschte oder wenig hilfreiche Signale abschwächt. Dieser gezielte Fokus erlaubt es dem Modell, entfernte Regionen zu verbinden, die häufig ähnliches Wetterverhalten zeigen, etwa Teile Ostasiens und Nordamerikas, die durch den Jetstream gekoppelt sind.

Wetter über Raum und Zeit verfolgen

Zur Überprüfung trainierten die Autoren SIGMAformer mit zwei Jahren stündlicher Windgeschwindigkeits‑ und Temperaturdaten von 3850 Stationen weltweit. Sie verglichen seine Leistung sowohl mit standardmäßigen statistischen Methoden als auch führenden Deep‑Learning‑Modellen unter Verwendung gängiger Qualitätsmaße für Vorhersagen. Insgesamt lieferte SIGMAformer die geringsten Fehler für beide Variablen, mit besonders deutlichen Verbesserungen bei der Windgeschwindigkeit, die typischerweise unbeständiger ist als die Temperatur. Entfernten die Forschenden Schlüsselkomponenten des Designs, wie das Modul, das veränderliche Verbindungen zwischen Stationen lernt, sackte die Leistung merklich ab, was zeigt, dass diese Komponenten zentral für die Leistungsfähigkeit des Modells sind.

Nachvollziehen, wie das Modell „denkt“

Über die reine Genauigkeit hinaus zeigt die Studie, dass SIGMAformer Einblicke darin gewährt, wie es die Atmosphäre interpretiert. Das Modell erzeugt Karten und Diagramme, die offenlegen, welche Stationen und Zeiträume es für eine gegebene Vorhersage als besonders wichtig ansah. Bei der Temperatur hob es sowohl nahegelegene Stationen als auch weit entfernte Regionen hervor, die durch großskalige Klimamuster verbunden sind. Beim Wind konzentrierte es sich auf Signale kürzerer Reichweite und schnellerer Bewegung, die mit bekanntem Verhalten von Jetstreams und planetaren Wellen übereinstimmen. Diese visuellen Muster deuten darauf hin, dass das System nicht einfach die Daten auswendig lernt, sondern sich an anerkannten physikalischen Prozessen ausrichtet, was Vorhersagenden helfen kann, den Ausgaben zu vertrauen und sie zu verfeinern.

Was das für künftige Wetterwerkzeuge bedeutet

Insgesamt kommt der Artikel zu dem Schluss, dass SIGMAformer ein vielversprechender Schritt in Richtung datengetriebener Wettersysteme ist, die Detailtreue, Skalierbarkeit und Interpretierbarkeit verbinden. Es benötigt mehr Rechenzeit als einige andere neuronale Netzmodelle, weil es explizit Beziehungen über Tausende von Stationen verfolgt. Im Gegenzug liefert es jedoch genauere Vorhersagen, bessere Erkennung extremer Hitze und starker Winde sowie klarere Hinweise darauf, warum diese Vorhersagen erstellt wurden. Wird der Ansatz auf mehr Wettervariablen ausgeweitet und für schnellere Abläufe optimiert, könnte er zu einem nützlichen Baustein für Echtzeit‑Warnsysteme und für die Zusammenführung von Informationen vieler verschiedener Umwelt­sensoren zu einem einzigen, kohärenten Blick auf die sich verändernde Atmosphäre werden.

Zitation: Kim, DY., Suk, HI. SIGMAformer: a spatiotemporal Gaussian mixture correlation transformer for global weather forecasting. npj Clim Atmos Sci 9, 113 (2026). https://doi.org/10.1038/s41612-026-01385-w

Schlüsselwörter: Wettervorhersage, Maschinelles Lernen, Vorhersage der Windgeschwindigkeit, Vorhersage der Temperatur, Sensorennetze