Kurzfassung

Google DeepMind hat am 6. August 2026 in einer in «Nature» erschienenen Studie das Modell WeatherNext vorgestellt, das bei der Vorhersage tropischer Zyklone rund einen Tag mehr verlässliche Vorwarnzeit liefert als bisherige operative Modelle – Dreitagesprognosen erreichen damit die Genauigkeit, die zuvor nur auf zwei Tage möglich war.

  • Google DeepMind hat am 6. August 2026 in einer in «Nature» erschienenen Studie das Modell WeatherNext vorgestellt, das bei der Vorhersage tropischer Zyklone rund einen Tag mehr verlässliche Vorwarnzeit liefert als bisherige operative Modelle – Dreitagesprognosen erreichen damit die Genauigkeit, die zuvor nur auf zwei Tage möglich war.
  • Das Modell wurde mit 20 Terabyte an Wetterdaten sowie der historischen Sturmdatenbank IBTrACS trainiert und nutzt sogenannte Functional Generative Networks, die jeweils 1000 mögliche Wetterverläufe simulieren, um auch plötzliche Intensivierungen von Stürmen frühzeitig zu erkennen.
  • Google stellt drei Modellvarianten – WeatherNext Cyclones, WeatherNext 2 und die kompakte Version WeatherNext 2-mini, die auf einer einzelnen TPU in einem kostenlosen Colab-Notebook läuft – gemeinsam mit dem Quellcode auf GitHub zur Verfügung.

Was ist passiert?

Google DeepMind hat am 6. August 2026 in der Fachzeitschrift «Nature» eine Studie veröffentlicht, die zeigt, wie das KI-Modell WeatherNext die Vorhersage tropischer Zyklone deutlich verbessert. Konkret erreichen Dreitagesprognosen des Modells eine Genauigkeit, die bislang nur mit den besten verfügbaren operativen Wettermodellen auf einen Zeithorizont von zwei Tagen möglich war – ein Gewinn von rund 24 Stunden effektiver Vorwarnzeit. Bei der Auswertung von Zyklonen aus den Jahren 2023 bis 2025 lagen die Vorhersagen von WeatherNext zu Zugbahn, Intensität und Windstruktur im Schnitt einen Tag oder mehr vor den Prognosen führender operativer Modelle.

Trainiert wurde das Modell mit 20 Terabyte an Wetterdaten sowie der historischen Sturmdatenbank IBTrACS. Technisch setzt WeatherNext auf sogenannte Functional Generative Networks, die für jede Vorhersage rund 1000 mögliche Wetterverläufe simulieren und dadurch auch seltene, aber gefährliche Ereignisse wie eine plötzliche Intensivierung eines Sturms zuverlässiger erkennen als bisherige Modelle. Eine vollständige Fünfzehn-Tage-Wettervorhersage lässt sich mit dem Modell auf einer einzelnen Tensor Processing Unit (TPU) in weniger als einer Minute berechnen.

Warum ist das wichtig?

Zusätzlich zur wissenschaftlichen Publikation stellt Google den Quellcode und die trainierten Modellgewichte in drei Varianten quelloffen zur Verfügung: WeatherNext Cyclones, jene Version, die während der vergangenen Hurrikansaison lief und deren Ergebnisse in die Studie eingeflossen sind; WeatherNext 2, die bereits seit Oktober 2025 operativ eingesetzte Weiterentwicklung; sowie WeatherNext 2-mini, eine kompakte Variante, die auf einer einzelnen TPU in einem kostenlosen Colab-Notebook läuft. Damit können Forschungsinstitute und Wetterdienste weltweit auf die Technologie zugreifen, ohne eigene, aufwendige Trainingsinfrastruktur aufbauen zu müssen.

Eine um einen Tag verlängerte, verlässliche Vorwarnzeit bei tropischen Zyklonen hat unmittelbare praktische Bedeutung: Sie verschafft Behörden und betroffener Bevölkerung mehr Zeit für Evakuierungen und Schutzmassnahmen und wirkt sich direkt auf die Risikoeinschätzung der globalen Versicherungs- und Rückversicherungswirtschaft aus, die Milliardenbeträge an Kapital für Naturkatastrophenschäden vorhalten muss. Genauere Vorhersagemodelle können damit sowohl Menschenleben retten als auch die Grundlage für präzisere Prämienkalkulationen verbessern.

Was bedeutet das für die Schweiz?

Obwohl die Schweiz als Binnenland selbst nicht von tropischen Zyklonen betroffen ist, zählen Schweizer Rückversicherer wie Swiss Re und die Zurich Insurance Group zu den weltweit grössten Trägern von Hurrikan- und Zyklonrisiken in ihren globalen Naturkatastrophenportfolios. Präzisere Vorhersagemodelle wie WeatherNext wirken sich deshalb direkt auf deren interne Katastrophenmodelle, die Kalkulation von Rückversicherungsprämien und die Höhe der vorzuhaltenden Schadenreserven aus – ein Bereich, in dem sich generative KI-Methoden zunehmend als Kerntechnologie etablieren.

Da Google sowohl den Quellcode als auch die Modellgewichte offenlegt, können Schweizer Hochschulen wie die ETH Zürich, die EPFL oder das Oeschger-Zentrum für Klimaforschung der Universität Bern die zugrunde liegenden Methoden für eigene Forschungsvorhaben zu Extremwetterereignissen nutzen, ohne auf kostenpflichtige Cloud-Infrastruktur grosser Anbieter angewiesen zu sein – etwa für die Verbesserung von Unwetter- und Starkregenprognosen im Alpenraum. Für den Schweizer Rückversicherungsstandort unterstreicht die Entwicklung zugleich, wie wettbewerbsentscheidend der Zugang zu den leistungsfähigsten verfügbaren KI-Vorhersagemodellen inzwischen geworden ist.

Häufige Fragen

Was ist die Kernaussage zu Google DeepMind macht KI-Modell für präzisere Zyklonvorhersagen quelloffen – ein Tag mehr Vorwarnzeit?

Google DeepMind hat am 6. August 2026 in einer in «Nature» erschienenen Studie das Modell WeatherNext vorgestellt, das bei der Vorhersage tropischer Zyklone rund einen Tag mehr verlässliche Vorwarnzeit liefert als bisherige operative Modelle – Dreitagesprognosen erreichen damit die Genauigkeit, die zuvor nur auf zwei Tage möglich war.

Warum ist diese KI-Meldung für die Schweiz relevant?

Die Schweiz ist zwar selbst nicht von tropischen Zyklonen betroffen, doch Schweizer Rückversicherer wie Swiss Re und die Zurich Insurance Group zählen zu den weltweit grössten Trägern von Hurrikan- und Zyklonrisiken – präzisere Vorhersagen wirken sich direkt auf deren Katastrophenmodelle, Prämienkalkulation und Schadenreserven für globale Naturkatastrophenportfolios aus.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

Google DeepMind veröffentlichte die Ergebnisse am 6. August 2026 im eigenen Blog und in der Fachzeitschrift «Nature»; Engadget, Dataconomy und weitere Fachmedien lieferten zusätzliche technische Einordnung.