AIFS-CRPS: Ensemble‑Vorhersagen mit einem Modell, das mit einer Verlustfunktion auf Basis des Continuous Ranked Probability Score trainiert wurde

Warum intelligentere Wetterwahrscheinlichkeiten für Sie wichtig sind

Wenn Sie den Wetterbericht ansehen, sehen Sie meist eine einzelne Vorhersage: Regen oder Sonne, heiß oder kalt. Die Atmosphäre ist jedoch chaotisch, und entscheidend ist die Bandbreite der Möglichkeiten – besonders bei Stürmen, Hitzewellen oder wochenlangen Mustern, die Ernten, Reisen und Energieverbrauch beeinflussen. Diese Arbeit stellt ein neues, KI‑basiertes Vorhersagesystem vor, AIFS‑CRPS, das nicht nur das Wetter von morgen schätzt, sondern die Wahrscheinlichkeiten vieler möglicher Zukünfte angibt – oft genauer und effizienter als heutige, physikbasierte Supercomputer‑Modelle.

Von einzelnen Antworten zu Wahrscheinlichkeitsbereichen

Traditionelle Wettermodelle nutzen physikalische Gesetze, um die Atmosphäre vielfach mit leicht unterschiedlichen Anfangsbedingungen zu simulieren. Zusammen liefern diese „Ensemble“-Vorhersagen eine Wahrscheinlichkeitsverteilung: Wie wahrscheinlich ist starker Regen oder ein Kälteeinbruch? Frühe maschinelle Lernmodelle für das Wetter wurden dagegen so trainiert, dass sie den mittleren Fehler einer Einzelvorhersage minimieren, wodurch sie dazu neigten, kleine, scharfe Merkmale wie intensive Stürme zu glätten. Sie konnten an typischen Tagen bemerkenswert genau sein, hatten aber Schwierigkeiten, Unsicherheit darzustellen, und dämpften oft Extreme. AIFS‑CRPS ist darauf ausgelegt, diese Lücke zu schließen, indem es probabilistische Vorhersagen direkt erzeugt, sodass Ungewissheit in das Modell integriert ist, statt nachträglich hinzugefügt zu werden.

Eine KI, die lernt, ehrlich unsicher zu sein

AIFS‑CRPS ist eine Ensemble‑Variante des Artificial Intelligence Forecasting System des ECMWF. Statt zu lernen, eine einzige Best‑Guess‑Zukunft zu treffen, lernt es, aus einem einzigen KI‑Modell viele plausible Zukünfte zu generieren, indem es wohlgeformtes Rauschen in seine interne Darstellung der Atmosphäre einspeist. Die Schlüsselinnovation ist die Trainingsmethode: Das Modell wird mit einer statistischen Messgröße namens Continuous Ranked Probability Score (CRPS) optimiert, die Vorhersageverteilungen belohnt, die hohe Wahrscheinlichkeit dem tatsächlichen Ereignis zuordnen, und sowohl verfehlte Ereignisse als auch Über‑Sicherheit bestraft. Die Autoren führen eine „fast faire“ Variante dieses Scores ein, die Verzerrungen durch endliche Ensemble‑Größen korrigiert und numerische Pathologien vermeidet, die das Training auf moderner Hardware sonst stören würden.

Scharfe Details, die nicht verschwimmen

Ein Haupttest für jedes Ensemble‑System ist, ob es realistische Variabilität beibehält, wenn die Vorhersagezeit von Stunden auf Tage ausgedehnt wird. In direkten Vergleichen verlor ein früheres KI‑System, das mit einem Standard‑Mean‑Squared‑Error‑Loss trainiert wurde, mit zunehmender Vorlaufzeit allmählich kleinräumige Struktur, sodass Karten verwaschen wirkten. Im Gegensatz dazu erhält AIFS‑CRPS Details und Energie über Skalen hinweg besser, näher an Referenzanalysen und fortgeschrittenen physikbasierten Modellen. Die Autoren begegnen einer frühen Tendenz des Modells, zu viel feinräumiges Rauschen zu erzeugen, indem sie das Referenzfeld während des Trainings „trunkieren“ – die kleinsten Zuckungen aus dem vorherigen Schritt entfernen, damit die KI diese nicht einfach verstärkt – ohne echte kleinräumige Wettermerkmale zu dämpfen. Dieses Gleichgewicht ist entscheidend für die Darstellung intensiver Stürme und anderer hochwirksamer Ereignisse.

Übertrifft den Stand der Technik für Tage bis Wochen

Das Team bewertet AIFS‑CRPS gegen das hochauflösende Integrated Forecasting System (IFS) Ensemble des ECMWF. Für Vorhersagen bis zu 15 Tagen erzielt das KI‑Ensemble bessere Werte für viele Schlüsselgrößen wie bodennahe Temperaturen und Temperaturen auf 850 hPa, Winde in der Jet‑Stream‑Höhe und mittlere troposphärische Druckmuster. Je nach Variable erreichen Verbesserungen in gängigen probabilistischen und Fehlermaßen oft 5–20 Prozent. Das KI‑Ensemble zeigt manchmal eine „Überdispersion“ – seine Mitglieder sind weiter gestreut als durch den mittleren Fehler strikt erforderlich – doch dies ist weitgehend eine Nebenwirkung der Verwendung von Anfangsbedingungs‑Perturbationen, die für das Physikmodell abgestimmt wurden, nicht für den deutlich niedrigeren Fehler des KI‑Systems. Auf längeren, subseasonalen Vorlaufzeiten von zwei bis sechs Wochen erreicht das KI‑System – obwohl es nur auf Vorhersagen bis zu 72 Stunden trainiert wurde – bei vielen Oberflächen‑ und Troposphärenfeldern ähnliche oder bessere Leistungen als das IFS, wenn rohe Vorhersagen betrachtet werden, und bleibt wettbewerbsfähig, wenn Verzerrungen entfernt und nur Anomaliefähigkeit gewertet wird.

Dem langsamen Herzschlag der Tropen folgen

Ein kritischer Test für subseasonale Vorhersagen ist die Madden–Julian‑Oszillation (MJO), ein langsam wanderndes Muster tropischer Störungen, das Monsune, Stürme und sogar das Wetter in mittleren Breiten beeinflussen kann. Anhand eines Standardindex, der auf Windanomalien basiert, zeigen die Autoren, dass AIFS‑CRPS MJO‑Vorhersagen mit höheren Korrelationen und geringeren Fehlern als das IFS‑Ensemble über einen mehrjährigen Testzeitraum liefert. Wichtig ist, dass die Streuung des KI‑Ensembles sehr eng mit dem typischen Vorhersagefehler übereinstimmt – ein Kennzeichen eines gut kalibrierten probabilistischen Systems. In einer Fallstudie reproduziert die KI das Wachstum und die ostwärts gerichtete Bewegung eines großen MJO‑Ereignisses treuer als das Physikmodell, das dazu neigt, seine Stärke zu unterschätzen und zu schnell wieder in neutrale Verhältnisse zurückzugehen.

Was das für das tägliche Wetter und darüber hinaus bedeutet

Für Nicht‑Spezialisten lautet die Schlussfolgerung, dass KI heute mehr kann als nur schnelle, ansprechende Wetterkarten liefern. Systeme wie AIFS‑CRPS können die Wahrscheinlichkeiten verschiedener Ausgänge quantifizieren – wie wahrscheinlich es ist, dass eine Hitzewelle anhält, ob sich die Zugbahn eines Sturms verschieben könnte oder wie stabil ein mehrwöchiges Muster sein dürfte – häufig ebenso gut oder besser als die fortschrittlichsten physikbasierten Modelle und zu einem Bruchteil der Rechenkosten. Herausforderungen bleiben, etwa die Verbesserung der Leistung in der Stratosphäre und das Feintuning im Umgang mit Extremen, doch diese Arbeit zeigt, dass probabilistisches Training KI zu einem wirklich nützlichen Werkzeug für risikobewusste Wetter‑ und Klimadienste machen kann. Praktisch bedeutet das informativere Vorhersagen für Regierungen, Unternehmen und die Öffentlichkeit, genau dann, wenn es am wichtigsten ist.

Zitation: Lang, S., Alexe, M., Clare, M.C.A. et al. AIFS-CRPS: ensemble forecasting using a model trained with a loss function based on the continuous ranked probability score. npj Artif. Intell. 2, 18 (2026). https://doi.org/10.1038/s44387-026-00073-7

Schlüsselwörter: KI-Wettervorhersage, Ensemble-Vorhersage, probabilistische Vorhersagen, subseasonale Vorhersage, Madden–Julian-Oszillation