Eine Wetterprognose ist ein Physik-Problem. Die Atmosphäre ist ein dünnes, turbulentes Fluid auf einer rotierenden Sphäre, ungleichmässig geheizt durch einen Stern 150 Millionen Kilometer entfernt. Fünfzig Jahre lang lösten wir dieses Problem durch rohe Gewalt: das Fluid diskretisiert, die Gleichungen integriert und einen grösseren Supercomputer gekauft. Nach Google’s eigener Ankündigung liefert sein neues WeatherNext-3-Modell jetzt 50% genauere Niederschlagsprognosen einen Tag oder mehr im Voraus. Es verbindet Echtzeit-Satellitenbeobachtungen mit einem gelernten Modell, um hochauflösende stündliche Prognosen ohne enorme Supercomputing-Leistung zu erzeugen.

Diese Zeile erscheint in einer langen Zusammenfassung, die Google über KI in der Wissenschaft veröffentlicht hat. Unter den anderen Punkten: AlphaGenome Atlas kartiert alle 9 Milliarden möglichen einzelnen Buchstaben-Änderungen im menschlichen Genom, Flood Hub deckt jetzt 2 Milliarden Menschen in über 150 Ländern ab, und die Brustkrebsstudie mit Imperial College London und dem NHS stellte fest, dass KI 25% der übersehenen Intervallkarzinome bei 175’000 Mammographien von Frauen kennzeichnen könnte. Der Grossteil gehört zu anderen Ressorts. Die Regenzahl landet auf einer Baustelle.

Was wurde eigentlich gemessen

Hier ist die Frage des Physikers. «50% genauer» verglichen mit welcher Baseline, auf welche Metrik, und mit welcher Fehlerquote? Der Blog-Post sagt es nicht, und eine Presse-Zusammenfassung ist kein Verifikationspapier. Behandelt die Ziffer als einen Anspruch, der auf seinen Methodenteil wartet. Der Kompromiss, offen gesagt: ein gelerntes Modell ist nur so gut wie die Vergangenheit, aus der es gelernt hat, und ein sich erwarmendes Klima produziert ständig Wetter ausserhalb des Bereichs, aus dem das Modell gelernt hat.

Die Herkunft verdient ihren Kredit. Frühere DeepMind-Wettermodelle wie GraphCast lernten von ECMWFs ERA5-Reanalyse. Das sind Jahrzehnte globaler Beobachtungen, Zelle für Zelle rekonstruiert, von Meteorologen und Datenspezialisten, deren Namen nie in die Schlagzeilen kommen. Jede gelernte Vorhersage nutzt ihr Archiv. PAZ’ Überblick zum Google DeepMind Wissenschaftsprogramm verfolgt die gleiche Entwicklung: Vorhersagen, die aus dem physikalischen Datensatz gelernt sind, nicht von Grund auf integriert.

←HEUTE: Im Jahr 2026 beansprucht ein gelerntes globales Modell eine 50%-Verbesserung bei Niederschlagsprognosen über 24+ Stunden, und es läuft bereits in Verbraucherprodukten.
→3012: Die Erdachse wird um etwa 14° um ihren 25’772-Jahr-Zyklus präzediert haben, und Prognosen werden immer noch sphärische Physik auf flache Blätter projizieren.
Drehpunkt: Eine Prognose hilft einer Baustelle nur, wenn Sie die Grösse der Gitterzelle kennen, die sie auf dem Gelände beschreibt.

Warum das Gitter in Zürich zählt

Sonne und Erde setzen die Bedingungen. Eine Prognose lebt auf einem Breitengrad-Längengradgitter, das um eine Sphäre gewickelt ist. Globale gelernte Modelle arbeiten üblicherweise bei 0,25°, und ein Viertelgrad ist nicht überall die gleiche Distanz. Bei Zürichs 47,4° N sind Längengradlinien enger beieinander als am Äquator, sodass jede Zelle etwa 19 km breit und 28 km hoch ist. Eine Zelle kann sowohl das Limmatal als auch den Fuss des Uetlibergs halten. Die Schweizer Topographie macht den Rest: MeteoSwiss betreibt sein eigenes ICON-basiertes Ensemble im Kilometre-Massstab genau deshalb, weil die Alpen grobe Gitter aufbrechen.

Atelier: Für ein Bauleitung-Team, das Betonagen, Fassadenverglasung oder Dachbeschichtung plant, senkt eine bessere Ein- bis Zwei-Tage-Regenprognose die Kosten jedes wetterkritischen Schritts. Das Risiko: Das Büro vertraut einer einzelnen Zahl, bevor es weiss, wie genau sie im eigenen Tal ist. Montag-Zug: Zwei Spalten ins Bautagebuch — prognostizierter gegen gemessener Niederschlag für jede geplante Betonage —, und MeteoSwiss parallel zu einer KI-Vorhersage einen Monat lang führen, bevor Sie eine Betonage einer davon anvertrauen.

Trick: Umrechnen Sie eine Prognose-Gitterzelle in Meter auf Ihrer Baustelle, bevor Sie ihr vertrauen. Ein Breitengrad-Abstand ist überall etwa 111 km. Längengradabstände schrumpfen um den Cosinus Ihres Breitengrades — das ist das 3D-zu-2D-Projektionsproblem in einer Zeile. Führen Sie dies für Ihren Breitengrad aus:

import math
lat, cell = 47.37, 0.25          # Zürich, Gitterabstand in Grad
dy = cell * 111.32               # km Nord-Süd
dx = dy * math.cos(math.radians(lat))  # km Ost-West
print(f"Zelle ≈ {dx:.1f} km × {dy:.1f} km")  # ≈ 18,8 × 27,8

Wenn die Zelle grösser ist als das Tal, in dem Ihr Kran steht, lesen Sie die Vorhersage als regionales Signal, nicht als Standortmessung.

Die Ansicht der späten 2070er Jahre ist einfach. Die Prognosen, die Schaden anrichteten, waren diejenigen, die Menschen in Zeitpläne eintrugen, ohne sie vorher gegen lokale Regen zu testen. Stellen Sie ein Regenmessgerät auf den Bauzaun, führen Sie das Protokoll und lassen Sie Ihre Messungen entscheiden, wie weit Sie dem Modell vertrauen.

Quelle: blog.google