In Kürze

  • Google DeepMind hat am 13. November 2026 zwei Datensätze öffentlich gemacht, die dem Wettervorhersage-Modell WeatherNext 3 zugrunde liegen: «SatWeave», eine stündlich aktualisierte globale Mosaik aus geostationären Satellitenbildern, und «PARDIG», einen auf Radarbeobachtungen trainierten KI-Niederschlagsdatensatz.
  • «PARDIG» liefert laut einer unabhängigen Zusammenfassung globale Niederschlagsdaten in einer räumlichen Auflösung von rund 10 Kilometern und einem zeitlichen Takt von 15 Minuten, mit einer Latenz von etwa fünf Stunden; beide Datensätze stehen über Google Cloud Storage offen zur Verfügung, historische PARDIG-Kataloge zusätzlich über Google Earth Engine.
  • Das eigentliche Vorhersagemodell WeatherNext 3 bleibt im Gegensatz zu seinem Vorgänger WeatherNext 2 weiterhin proprietär; Googles eigene Angaben zur Verbesserung der Niederschlagserkennung sind bislang nicht unabhängig durch Dritte verifiziert.

Was ist passiert?

Google DeepMind hat am 13. November 2026 zwei Datensätze offengelegt, auf denen das hauseigene Wettervorhersage-Modell WeatherNext 3 basiert. «SatWeave» ist eine global zusammengesetzte Mosaik aus geostationären Satellitenbildern, die stündlich aktualisiert wird und dem Modell damit laufend einen aktuellen Blick auf aufkommende Wolkenformationen und Stürme liefert – ein Vorteil gegenüber Modellen, die nur auf alle sechs Stunden aktualisierten Analysedaten basieren. «PARDIG» ist ein mit künstlicher Intelligenz erzeugter globaler Niederschlagsdatensatz, der auf spärlichen Radarbeobachtungen der NASA-Mission GPM Core Observatory trainiert wurde und laut einer unabhängigen Zusammenfassung Niederschlagsdaten in einer Auflösung von rund 10 Kilometern und einem 15-Minuten-Takt mit einer Latenz von etwa fünf Stunden liefert.

Beide Datensätze – sowohl die laufenden als auch die historischen Versionen – stehen offen über Google Cloud Storage zur Verfügung; die historischen PARDIG-Kataloge sind zusätzlich über die Plattform Google Earth Engine zugänglich. Google wirbt damit, dass PARDIG bestehende Referenzdatensätze wie IMERG, MSWEP V3, ERA5 und HRES in bestimmten Kennzahlen übertrifft; diese Angaben stammen allerdings aus eigenen Unternehmensangaben und wurden laut verfügbaren Quellen bislang nicht durch unabhängige Dritte nachvollzogen. Das fertige Vorhersagemodell WeatherNext 3 selbst bleibt im Unterschied zum offen verfügbaren Vorgängermodell WeatherNext 2 weiterhin eine proprietäre Google-Technologie.

Warum ist das wichtig?

Wetterprognosen gehören zu den Bereichen, in denen KI-Modelle in den vergangenen Jahren besonders schnell an klassische numerische Wettervorhersageverfahren herangerückt sind oder sie in einzelnen Anwendungen bereits übertroffen haben. Die Qualität solcher Modelle hängt massgeblich von der Qualität und Dichte der verwendeten Trainingsdaten ab – weshalb die Offenlegung hochaufgelöster, KI-gestützt erzeugter Datensätze wie PARDIG auch über Googles eigene Anwendungen hinaus Bedeutung für die gesamte Wetter- und Klimaforschung haben kann, etwa für akademische Gruppen, die eigene Modelle für spezifische Regionen oder Anwendungsfälle entwickeln.

Gleichzeitig zeigt der Schritt exemplarisch, wie grosse Technologiekonzerne den Begriff «Offenheit» selektiv auslegen: Während die zugrunde liegenden Datensätze frei verfügbar gemacht werden, bleibt das daraus trainierte, unmittelbar einsatzbereite Vorhersagemodell unter Verschluss. Dritte können damit zwar eigene Modelle auf Basis der Daten entwickeln, nicht aber direkt von der fertigen WeatherNext-3-Vorhersage profitieren, ohne eine kommerzielle Vereinbarung mit Google einzugehen.

Was bedeutet das für die Schweiz?

Redaktionelle Einordnung: Die folgenden Schlussfolgerungen beziehen sich auf die genannten Quellen. Sie sind keine zusätzlichen Meldungen der Originalquelle.

  • Offene, hochaufgelöste Niederschlags- und Satellitendaten sind für ein topografisch komplexes Land wie die Schweiz von besonderem Interesse, da lokale Wetterphänomene in den Alpen und in Föhntälern von global trainierten Modellen oft nur unzureichend erfasst werden; frei zugängliche Trainingsdaten könnten hiesigen Forschungseinrichtungen helfen, eigene, regional angepasste Modelle zu entwickeln.
  • Für Institutionen wie MeteoSchweiz oder Schweizer Hochschulen, die an Hochwasser- und Unwetterwarnsystemen arbeiten, eröffnet die Offenlegung die Möglichkeit, die Datensätze auf ihre Tauglichkeit für alpine Verhältnisse zu testen – vorausgesetzt, die von Google kommunizierten Genauigkeitsangaben werden unabhängig überprüft, bevor sie in sicherheitsrelevante Warnsysteme einfliessen.
  • Der Fall verdeutlicht zugleich eine wiederkehrende Einschränkung bei «offener» KI aus den grossen Technologiekonzernen: Offen sind primär die Trainingsdaten, während das fertige, direkt nutzbare Vorhersagemodell proprietär bleibt – ein Umstand, den Schweizer Forschungseinrichtungen bei der Einordnung von Kooperationsangeboten berücksichtigen sollten.

Verwendete Quellen

Der Originalbeitrag von Google DeepMind wurde am 13. November 2026 veröffentlicht. Ein Direktabruf war in dieser Recherche-Umgebung durch die Netzwerkrichtlinie blockiert; die Angaben stützen sich auf eine inhaltlich übereinstimmende Zusammenfassung von datanorth.ai sowie weitere Fachmedien, die den Originalbeitrag zitieren, und wurden über Websuche recherchiert.

Quellenstatus: 2 verlinkte Quellen · Originaldaten vollständig verifiziert. Prüfregeln ansehen

Häufige Fragen

Was ist die Kernaussage zu Google DeepMind öffnet Wetterdaten-Sätze hinter seinem KI-Modell WeatherNext 3?

Google DeepMind hat am 13. November 2026 zwei Datensätze öffentlich gemacht, die dem Wettervorhersage-Modell WeatherNext 3 zugrunde liegen: «SatWeave», eine stündlich aktualisierte globale Mosaik aus geostationären Satellitenbildern, und «PARDIG», einen auf Radarbeobachtungen trainierten KI-Niederschlagsdatensatz.

Warum ist diese KI-Meldung für die Schweiz relevant?

Offene, hochaufgelöste Niederschlags- und Satellitendaten sind für ein topografisch komplexes Land wie die Schweiz von besonderem Interesse, da lokale Wetterphänomene in den Alpen und in Föhntälern von global trainierten Modellen oft nur unzureichend erfasst werden; frei zugängliche Trainingsdaten könnten hiesigen Forschungseinrichtungen helfen, eigene, regional angepasste Modelle zu entwickeln.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?

Der Originalbeitrag von Google DeepMind wurde am 13. November 2026 veröffentlicht. Ein Direktabruf war in dieser Recherche-Umgebung durch die Netzwerkrichtlinie blockiert; die Angaben stützen sich auf eine inhaltlich übereinstimmende Zusammenfassung von datanorth.ai sowie weitere Fachmedien, die den Originalbeitrag zitieren, und wurden über Websuche recherchiert.