MIT-Methode verdoppelt Treffsicherheit von KI-Wettervorhersagen

In Kürze

Ein Team um Judah Cohen und Lester Mackey hat eine maschinell lernende Korrekturschicht entwickelt, die systematische Fehler bestehender Wettervorhersagemodelle im Zeitraum von zwei bis sechs Wochen nachträglich ausgleicht, ohne das zugrunde liegende Modell selbst zu ersetzen.
Mit einem führenden Vorhersagemodell kombiniert, verdoppelte die Methode laut der in «Nature» veröffentlichten Studie die Treffsicherheit in diesem Zeitfenster und erzielte dort erstmals Vorhersagen, die zuverlässiger sind als rein klimatologische Durchschnittswerte.
Der Ansatz verbessert laut den Forschenden insbesondere Vorhersagen zu Extremereignissen wie Überschwemmungen und Kälteperioden, statt wie klassische Fehlerkorrekturen lediglich Durchschnittswerte zu glätten; die siegreiche Einreichung eines internationalen Vorhersagewettbewerbs kombinierte die Methode zusätzlich mit mehreren Modellen, darunter jenem des europäischen Wetterdienstes ECMWF.

Was ist passiert?

Ein Forschungsteam am Massachusetts Institute of Technology (MIT) um Judah Cohen und Lester Mackey hat eine Methode entwickelt, die gezielt die Treffsicherheit von Wettervorhersagen im Zeitraum von zwei bis sechs Wochen verbessert. Wie MIT News am 14. Oktober 2026 berichtete und die Forschenden in der Fachzeitschrift «Nature» unter dem Titel «Advancing Subseasonal Forecasting with Machine Learning» beschreiben, ersetzt die neue Methode bestehende Vorhersagemodelle nicht, sondern lernt aus deren vergangenen systematischen Fehlern und korrigiert deren Ausgabe nachträglich – und passt sich dabei laufend an neu eintreffende Daten an.

Mit einem führenden Vorhersagemodell kombiniert, verdoppelte die Korrekturschicht laut der Studie in etwa die Treffsicherheit im Zeitfenster von zwei bis sechs Wochen und erreichte damit erstmals Vorhersagen, die in diesem Bereich zuverlässiger sind als rein klimatologische Durchschnittswerte. Die siegreiche Einreichung eines internationalen Vorhersagewettbewerbs kombinierte dafür das Modell des europäischen Wetterdienstes ECMWF mit einem weiteren Modell und wendete die Korrekturschicht zusätzlich auf das Ergebnis an.

Warum ist das wichtig?

Der Zeitraum von zwei bis sechs Wochen gilt in der Wettervorhersage seit Jahren als «Vorhersage-Wüste»: Kurzfristige numerische Wettermodelle verlieren nach rund zwei Wochen ihre Aussagekraft, während saisonale Klimamodelle erst für Monate im Voraus brauchbare Trends liefern – der Zwischenbereich blieb bislang kaum besser als eine reine Durchschnittsschätzung. Laut Cohen verbessert die neue Methode dabei nicht nur Durchschnittswerte, sondern gerade auch Vorhersagen zu Extremereignissen wie Überschwemmungen und Kälteperioden, während klassische Fehlerkorrekturverfahren solche Extremwerte tendenziell eher in Richtung Durchschnitt glätten.

Die Bedeutung liegt vor allem im praktischen Nutzen für Planungsentscheide, die weder ganz kurzfristig noch ganz langfristig getroffen werden können: Energieversorger müssen Wochen im Voraus wissen, ob ungewöhnlich viel oder wenig Niederschlag zu erwarten ist, Landwirtschaftsbetriebe planen Aussaat und Bewässerung auf ähnlichen Zeitskalen, und Katastrophenschutzbehörden brauchen frühzeitige Warnungen vor Hochwasser- oder Kälteperioden, lange bevor eine klassische Wettervorhersage greift.

Was bedeutet das für die Schweiz?

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

Der Zeitraum von zwei bis sechs Wochen gilt gerade in bergigem Gelände als besonders schwer vorhersagbare «Vorhersage-Wüste» zwischen kurzfristiger Meteorologie und saisonalen Klimaprognosen – relevant etwa für die Planung von Wasserkraftwerken, die ihre Stauseen vorausschauend bewirtschaften müssen, und für die Landwirtschaft bei Bewässerungs- und Erntezeitpunkten.
MeteoSwiss entwickelt derzeit ein eigenes, auf den Alpenraum spezialisiertes KI-Modell für die kurzfristige Wettervorhersage; die neue MIT-Methode zeigt, dass zusätzliches Potenzial auch im mittelfristigen Bereich liegt, auf das Schweizer Wetterdienste und Energieversorger bei eigenen Modellen aufbauen könnten.
Für die Schweizer Versicherungswirtschaft und den Katastrophenschutz sind laut den Forschenden gerade verbesserte Vorhersagen von Extremereignissen wie Überschwemmungen wertvoll – ein Bereich, in dem die Schweiz aufgrund ihrer Topografie und wiederkehrender Hochwasserereignisse in Alpentälern besonders exponiert ist.

Verwendete Quellen

MIT News berichtete am 14. Oktober 2026 über die in «Nature» veröffentlichte Studie; Phys.org und weitere Fachmedien ordneten die Bedeutung für Landwirtschaft, Energieplanung und Katastrophenschutz zusätzlich ein.

Quellenstatus: 1 verlinkte Quelle · 0 von 1 Originaldaten verifiziert. Prüfregeln ansehen

MIT News MIT News Originaldatum nicht erfasst Rolle: Ausgangsquelle · Zugriff: noch nicht protokolliert

Häufige Fragen

Was ist die Kernaussage zu MIT-Methode verdoppelt die Treffsicherheit von KI-Wettervorhersagen für zwei bis sechs Wochen?

Ein Team um Judah Cohen und Lester Mackey hat eine maschinell lernende Korrekturschicht entwickelt, die systematische Fehler bestehender Wettervorhersagemodelle im Zeitraum von zwei bis sechs Wochen nachträglich ausgleicht, ohne das zugrunde liegende Modell selbst zu ersetzen.

Warum ist diese KI-Meldung für die Schweiz relevant?

Der Zeitraum von zwei bis sechs Wochen gilt gerade in bergigem Gelände als besonders schwer vorhersagbare «Vorhersage-Wüste» zwischen kurzfristiger Meteorologie und saisonalen Klimaprognosen – relevant etwa für die Planung von Wasserkraftwerken, die ihre Stauseen vorausschauend bewirtschaften müssen, und für die Landwirtschaft bei Bewässerungs- und Erntezeitpunkten.

Welche Quelle nutzt KI News Schweiz für diese Einordnung?