Satellitengestützte Landoberflächeninformationen verbessern die Vorhersagegüte der bodennahen Temperatur

Warum bessere Temperaturvorhersagen für Sie wichtig sind

Ob es darum geht, was man nächste Woche anzieht, Ernten zu planen, Stromnetze zu betreiben oder Waldbrandrisiken zu managen – wir alle sind auf verlässliche Temperaturvorhersagen angewiesen. Selbst mit leistungsfähigen Supercomputern tun sich Wettermodelle jedoch weiterhin schwer, vor allem jenseits weniger Tage. Diese Studie untersucht eine einfache, aber bislang wenig genutzte Idee: Vorhersagen intelligenter machen, indem man der Landoberfläche mehr Beachtung schenkt – wie warm der Boden ist und wie aktiv Pflanzen wachsen – mithilfe globaler Satellitendaten.

Die Erde von oben betrachten

Moderne Wettervorhersagen beruhen vorwiegend auf Informationen über die Atmosphäre: Wind, Feuchte, Wolken und Luftdruck. Satelliten sammeln jedoch seit Jahrzehnten still und leise reichhaltige Informationen über die Landoberfläche. Dazu gehören die Landoberflächentemperatur (wie heiß die „Haut“ des Bodens ist), wie grün und belaubt die Vegetation ist, und ein schwaches Leuchten der Blätter – die sonneninduzierte Fluoreszenz –, das verrät, wie aktiv Pflanzen Photosynthese betreiben. Traditionelle Vorhersagesysteme ignorieren diese Land- und Pflanzensignale meist, weil sie sich schwer in physikalisch basierte Modelle einbetten lassen. Die Autorinnen und Autoren dieser Arbeit verfolgten einen anderen Ansatz: Statt Satellitendaten in bestehende Modelle zu zwängen, bauten sie ein separates, flexibles Deep-Learning-System, das direkt aus atmosphärischen und Satellitenbeobachtungen lernen kann.

Ein neuronales Netz das Wetter lehren

Dafür trainierte das Team tausende kleine neuronale Netze vom Typ Long Short-Term Memory (LSTM). Jedes konzentrierte sich auf einen bestimmten Punkt der Erde und lernte, wie sich die tägliche Temperatur an diesem Ort im Zeitverlauf entwickelt. Zunächst wurden den Netzen nur „standardmäßige“ Eingabedaten gegeben, ähnlich denen, die traditionelle Wettermodelle verwenden: bodennahe Lufttemperatur, einfallende Sonnenenergie und Wärme, Luftfeuchte, Druck, Niederschlag, Bodenfeuchte und Schneebedeckung. Danach trainierten sie eine zweite Netzfamilie, die zusätzlich drei satellitengestützte Landvariablen erhielt: Landoberflächentemperatur, einen Grünindex und Pflanzenfluoreszenz. Durch den Vergleich der Leistungsfähigkeit dieser beiden Modellgruppen konnten sie direkt messen, wie sehr die zusätzlichen Landinformationen halfen.

Kleine Zahlen, große Wirkung

Weltweit und für Vorhersagen von einem bis zwölf Tagen im Voraus verbesserte die Ergänzung um satellitengestützte Landinformationen die Temperaturprognosen durchgängig. Im Mittel sanken die Vorhersagefehler um etwa 6–7 Prozent, was einer Verbesserung von ungefähr einem Viertel Grad Celsius entspricht. Die größten Zugewinne zeigten sich rund vier Tage vorhersagezeit – ein wichtiges „mittelfristiges“ Zeitfenster, das oft für Planungen genutzt wird. Besonders deutlich waren die Verbesserungen in Wäldern außerhalb der Tropen und in semiariden Regionen, wo der Austausch von Wärme und Feuchte zwischen Land und Luft die lokalen Temperaturen stark bestimmt. In vielen dieser Gebiete wurden satellitenbasierte Messgrößen zur Pflanzenaktivität und Landoberflächentemperatur zu den wichtigsten Prädiktoren und übertrafen damit traditionelle atmosphärische Eingaben.

Was Pflanzen über die Hitze von morgen verraten

Ein auffälliges Ergebnis ist, dass Pflanzenfluoreszenz – ein direkter Hinweis auf Photosynthese – oft wichtiger war als einfachere Grünheitsmaße. Wenn Pflanzen aktiv Kohlenstoff aufnehmen und Wasser verdunsten, kühlen sie die Oberfläche und beeinflussen, wie eingehende Energie zwischen Luftaufheizung und Verdunstung aufgeteilt wird. Da diese Prozesse sich über Tage entfalten, verleihen sie den Vorhersagen eine Art „Gedächtnis“ für jüngste Landbedingungen. Die neuronalen Netze erfassten diesen Zusammenhang: Dort, wo die Vegetation stark jahreszeitlich variiert und wo Bodenfeuchte die Pflanzenaktivität begrenzt, halfen die zusätzlichen Satellitendaten am meisten. Im Gegensatz dazu zeigten tropische Regenwälder – mit dichten, immergrünen Kronen und häufigen Wolken, die Satellitenmessungen verschlechtern – gemischte Ergebnisse; in einigen Gitterzellen traten sogar leichte Verschlechterungen auf, die mit Problemen in der Datenqualität zusammenhingen.

Vorhersagehilfe, wenn sie am meisten zählt

Die Vorteile satellitengestützter Landinformationen beschränkten sich nicht nur auf einige wenige Tage im Voraus. Zwar schrumpfte die relative Verbesserung bei längeren Vorlaufzeiten – weil die Atmosphäre grundsätzlich schwerer vorherzusagen ist –, doch in manchen Regionen, etwa Teilen Nord- und Südamerikas, Südafrikas und Westasiens, nahm die Vorhersagegüte selbst bei 11–12 Tagen noch zu. Dies sind Zeiträume, in denen frühzeitige Warnungen vor Hitzewellen und Kälteperioden Leben retten und wirtschaftliche Schäden mindern können. Die Studie fand außerdem, dass in Regionen mit sehr spärlichen oder qualitativ schlechten Satellitendaten die Verwendung langfristiger Durchschnittsmuster dieser Landvariablen manchmal besser funktionierte als die Nutzung verrauschter Tageswerte – ein Hinweis auf praktische Strategien für reale Vorhersagesysteme.

Eine neue Partnerschaft zwischen Satelliten und Wettermodellen

Für Nichtfachleute ist die Kernbotschaft klar: Der Boden und die Pflanzen darauf liefern wertvolle Hinweise auf die Temperatur der Luft von morgen, und Satelliten sind einzigartig positioniert, um diese Hinweise weltweit zu erfassen. Indem ein Deep-Learning-System direkt aus diesen Beobachtungen lernt, zeigten die Forschenden, dass Vorhersagen spürbar präziser werden können, insbesondere einige Tage im Voraus, wenn viele Entscheidungen getroffen werden. Ihre Arbeit legt nahe, dass künftige operationelle Wettermodelle durch die systematische Einbindung satellitenbasierter Land- und Vegetationsdaten genauer und nützlicher werden könnten – indem sie die Stärken physikbasierter Modelle und datengetriebener Verfahren verbinden, um Wärme und Kälte besser vorherzusehen, die unseren Alltag prägen.

Zitation: Ruiz-Vásquez, M., O, S., Brenning, A. et al. Land surface information from satellites boost near-surface temperature forecast skill. Commun Earth Environ 7, 245 (2026). https://doi.org/10.1038/s43247-026-03298-1

Schlüsselwörter: Satelliten-Landoberflächendaten, Temperaturvorhersage, Tiefenlern-Wettermodelle, Vegetation und Klima, numerische Wettervorhersage