Google DeepMind stellt WeatherNext 3 mit stündlichen Vorhersagen in 5‑Kilometer‑Auflösung vor

Google DeepMind und Google Research haben am 3. September 2026 WeatherNext 3 vorgestellt, ein globales KI‑Wettervorhersagemodell, das stündliche Vorhersagen mit einer Auflösung von bis zu 5 Kilometern erzeugt und in Google Search, die Gemini‑App, Google Maps, die Google Maps‑Platform‑Weather‑API sowie Google Earth Engine integriert wird.

Die Teams bezeichneten WeatherNext 3 als ihr bisher fortschrittlichstes und genauestes globale Wettermodell und verwiesen auf unabhängige Live‑Bewertungen von Brightband. Zu der Veröffentlichung wurde ein technisches Papier von Forschern bei Google DeepMind, Google Research und Google beigefügt, in dem steht, dass das Modell bereits im operativen Einsatz ist.

Stündliche Vorhersagen mit höherer Auflösung

WeatherNext 3 erzeugt stündliche Vorhersagen in mehreren räumlichen Auflösungen. Wichtige Oberflächenvariablen wie Temperatur und Feuchtigkeit werden mit einer Auflösung von 5 Kilometern bereitgestellt, andere Oberflächenvariablen mit 10 Kilometern und atmosphärische Variablen wie Windgeschwindigkeit mit 25 Kilometern. Google erklärte, dass dies ein globales Wetterbild liefert, das etwa fünfmal schärfer ist als das vorherige Modell WeatherNext 2, das Vorhersagen auf einem 25‑Kilometer‑Raster in sechs‑Stunden‑Schritten erzeugte.

Laut dem Papier baut WeatherNext 3 auf dem Functional Generative Network‑Ansatz auf, der WeatherNext 2 zugrunde lag, und erzeugt 15‑tägige Ensemble‑Vorhersagen mit 64 Mitgliedern, die darauf trainiert sind, den Continuous Ranked Probability Score (CRPS) zu minimieren – ein Standardmaß für die Qualität probabilistischer Vorhersagen. Das Modell erhöht die latente Größe von 768 auf 1024 und die Tiefe des Mesh‑Transformers von 24 auf 32 Schichten im Vergleich zu WeatherNext 2, und die Produktionsversion wurde mit Daten bis zum 30. Juni 2026 trainiert. Das System verarbeitet Live‑Mosaike geostationärer Satelliten mit einer einstündigen Aktualisierung zusammen mit herkömmlichen historischen Analysen und speist einen einzigen Mesh‑Transformer, der dichte rasterbasierte Felder, diskrete Zyklon‑Spuren und Vorhersagen auf Stationsniveau ausgibt.

Auf rohen Beobachtungen trainiert

Die meisten KI‑Wettermodelle, einschließlich WeatherNext 2, werden mit Daten aus numerischen Wettervorhersagemodellen trainiert, also physikalischen Simulationen, die eine Datenverzögerung von sechs Stunden aufweisen. Google erklärte, dass diese Verzögerung bei schnell wechselnden Variablen wie Regen und Oberflächentemperatur zu Verzerrungen führen kann. WeatherNext 3 hingegen verarbeitet ein Mosaik aus Live‑Daten geostationärer Satelliten weltweit, wodurch es eine kontinuierlich aktualisierte Sicht auf die Atmosphäre erhält und jede Stunde eine neue Vorhersage ermöglicht, die auf den jeweils neuesten Satellitenbeobachtungen basiert.

Das Papier gibt an, dass das Satellitenmosaik 11 Kanäle mit einer Auflösung von 0,1 Grad abdeckt und eine betriebliche Latenz von etwa einer Stunde aufweist. WeatherNext 3 wird zudem direkt mit spärlichen Wetterstationsbeobachtungen trainiert und kombiniert drei Oberflächendatensätze – METAR‑Flughafenstationen, regionale Mesonet‑Netzwerke und ICOADS‑Schiffs‑ und Bojenmessungen – seit 2001. Das Papier berichtet, dass dieser Stations‑Ausgabekopf die 2‑Meter‑Temperatur und den Taupunkt für jeden Ort und jede Zeit vorhersagt, wobei lokale geografische Merkmale wie die Höhe berücksichtigt werden.

Für Niederschlag wird das Modell mit zwei Quellen trainiert: dem von der NASA bereitgestellten satellitenbasierten Produkt Integrated Multi‑satellite Retrievals for GPM (IMERG) und der eigenen globalen Niederschlags‑Reanalyse des Teams, genannt PARDIG, die das Papier als experimentelle Schätzung beschreibt, die von einem separaten KI‑Modell erzeugt wird, das darauf trainiert ist, spärliche weltraumgestützte Radardaten des GPM‑Kernobservatoriums vorherzusagen.

WeatherNext 3 führt zudem Vorhersagen ein, die auf die Erzeugung erneuerbarer Energien abzielen. Google erklärte, dass das Modell Windgeschwindigkeiten in 100 Meter Höhe – etwa Turbinenhöhe – für die Windenergieproduktion prognostiziert sowie hochauflösende Wolkenbedeckung und Sonneneinstrahlungswerte, um Solarfarmen bei der Abschätzung des bodennahen Sonnenlichts zu unterstützen.

Berichtete Evaluierungsergebnisse

Bei mittelfristigen globalen Niederschlagsvorhersagen berichtete Google CRPS‑Verbesserungen von bis zu 60 % gegenüber IMERG, 30 % gegenüber dem radarbasierten MRMS‑Produkt und 10 % gegenüber Regenmesser‑Messungen für kurze Vorlaufzeiten. Das Papier ergänzt, dass bei Bewertungen gegenüber Wetterstationen, die aus dem Training herausgehalten wurden, der Stations‑Ausgabekopf den CRPS für die 2‑Meter‑Temperatur um bis zu 30 % im Vergleich zu WeatherNext 2 und um 40 % im Vergleich zum ECMWF‑ENS‑System bei kurzen Vorlaufzeiten verbessert.

Das Papier beschreibt zudem eine quasi‑Echtzeit‑Bewertung über den sechs‑wöchigen Zeitraum vom 1. Juli bis zum 11. August 2026 unter Verwendung operativer Datenströme. In dieser Bewertung berichten die Autoren, dass WeatherNext 3 ECMWFs AIFS ENS v2 bei allen oberen Atmosphärenvariablen übertroffen hat, mit einer durchschnittlichen Verbesserung von etwa 10 % in der ersten Vorhersagewoche, und dass es gegenüber WeatherNext 2 kleine, aber beständige Verbesserungen beim durchschnittlichen Ensemble‑Fehler von tropischen Zyklon‑Spuren und -Intensität zeigte.

Das Papier dokumentiert zudem Einschränkungen. Die Autoren weisen auf sichtbare räumliche und zeitliche Artefakte in einzelnen Vorhersage­proben hin, darunter hexagonale Muster, die die Mesh‑Struktur des Modells widerspiegeln, zeitliche Diskontinuitäten über sechs‑Stunden‑Grenzen in einigen Ausgabeköpfen und ein pro‑Mitglied globales Wärme‑ bzw. Kälte‑Bias im Stations‑Kopf. Sie stellen fest, dass Randstatistiken wie Ensemble‑Quantile weitgehend frei von Artefakten sind, mit Ausnahme der Antarktis, wo Stationsdaten spärlich sind.

Verfügbarkeit in Google‑Produkten

WeatherNext 3 wird ab dem 3. September 2026 die Wettererlebnisse in Google Search, der Gemini‑App, Google Maps, der Google Maps‑Platform‑Weather‑API und Google Earth Engine mit Strom versorgen. Google erklärte, dass Nutzer, die einen Tag oder länger im Voraus planen, bis zu 50 % genauere Niederschlagsvorhersagen erhalten werden, wobei die größten Verbesserungen in Regionen zu erwarten sind, in denen Vorhersagen historisch weniger zuverlässig waren.

Forscher, Entwickler und Unternehmen können die Daten abfragen in BigQuery und Earth Engine oder sie im Zarr‑Format massenhaft aus dem Google Cloud Storage herunterladen. Die Entwicklerdokumentation von Google beschreibt das Modell als Bereitstellung von 15‑tägigen globalen probabilistischen Vorhersagen, die stündlich über 64 Ensemble‑Mitglieder initialisiert werden, und nennt eine benutzerdefinierte Inferenz‑Option auf Google Cloud, mit der Kunden maßgeschneiderte Vorhersagen auf dedizierten Beschleunigern erzeugen können, wobei sie die Ensemble‑Größe und Vorhersagehorizonte steuern können. Die Vorhersagen können zudem in Echtzeit über Weather Lab, die interaktive Visualisierungs‑Website von Google DeepMind, eingesehen werden.

Die Ankündigung von Google enthält einen Haftungsausschluss, dass WeatherNext ein automatisiertes, experimentelles KI‑System ist und dass Nutzer für offizielle Vorhersagen, Unwetterwarnungen und öffentliche Sicherheitshinweise die örtlichen meteorologischen Behörden oder nationalen Wetterdienste konsultieren sollten.