Die KI dringt in die Wetter- und Klimamodellierung vor, aber sie ist noch weit von einer „Revolution“ entfernt

Das Übersetzerteam Shenyi ist ein Übersetzungs- und Redaktionsteam unter 36Kr, das sich auf Bereiche wie Technologie, Wirtschaft, Berufsleben und Alltag konzentriert und vor allem neue Technologien, neue Ansichten und neue Trends aus dem Ausland vorstellt.

Anmerkung der Redaktion: Maschinelles Lernen dringt tief in Systeme zur Wetter- und Klimamodellierung ein – von kurzfristigen Wettervorhersagen bis hin zu langfristigen Klimasimulationen, von Parameteroptimierungen bis zur Modellersetzung. KI durchdringt zunehmend die internen Strukturen traditioneller physikalischer Modelle. Dennoch ersetzt es nicht die bestehenden Paradigmen, sondern sucht nach einem Gleichgewicht zwischen Effizienzsteigerung und physikalischen Einschränkungen. Die wahre Veränderung ist keine Revolution, sondern eine schrittweise Rekonstruktion. Dieser Text basiert auf einer Übersetzungsarbeit.

Bildquelle: Getty Images

KI ist überall – aber gibt es wirklich echte Veränderungen?

Heutzutage ist KI fast allgegenwärtig. Kaum hat man einen halben Satz in ein Eingabefeld geschrieben, schlägt das System bereits die Fortsetzung vor. Wer einen nicht vernetzten Kühlschrank kaufen möchte, stellt fest, dass Sprachassistenten inzwischen zur Standardausstattung gehören. Die technische Durchdringung beschleunigt sich so stark, dass man sich fragt: Erleben wir wirklich einen technologischen Sprung – oder sind wir lediglich von einer überzeichneten technologischen Erzählung umgeben?

Wenn KI in die Wetter- und Klimamodellierung eindringt, wird diese Frage noch dringlicher und berührt sogar die Grenzen der wissenschaftlichen Modellierung selbst.

Anfang dieses Jahres veröffentlichte eine Behörde des US-amerikanischen National Weather Service eine Vorhersagegrafik, in der Namen nicht existierender Städte in Idaho wie „Whata Bod“ oder „Orangeotild“ auftauchten. Später stellte sich heraus, dass es sich um ein KI-generiertes Bild für soziale Medien handelte – keine Ausgabe eines echten Vorhersagesystems. Trotzdem lösen solche Vorfälle leicht Missverständnisse aus, als ob Wettervorhersagen mittlerweile von großen Modellen übernommen würden. In Wirklichkeit wurden Meteorologen und Klimawissenschaftler jedoch nicht durch Prompt-Ingenieure ersetzt.

KI dringt zwar in dieses Feld ein – aber nicht auf radikale Weise. Es handelt sich eher um eine durchdringende Werkzeugunterstützung als um eine vollständige Systemablösung.

Nicht große Sprachmodelle, sondern maschinelles Lernen sind das, was wirklich wirkt

In der Meteorologie und Klimawissenschaft bezieht sich der Begriff „KI“ hauptsächlich auf maschinelles Lernen – nicht auf große Sprachmodelle.

Auf das Wesentliche reduziert, ist seine Aufgabe direkt: Muster aus Daten extrahieren und eine Zuordnung zwischen Eingaben und Ausgaben herstellen.

Die grundlegendste Form ist die lineare Regression – das Anpassen einer Trendlinie an Daten. Darauf aufbauend folgen Anpassungen nichtlinearer Funktionen oder Modellierungen höherdimensionaler Beziehungen. Die Formen werden komplexer, aber das Wesen bleibt gleich: Das Finden statistischer Regelmäßigkeiten im Datenraum.

Der entscheidende Wandel des maschinellen Lernens liegt darin, dass es nicht mehr auf manuell definierte Regeln angewiesen ist, sondern mithilfe von Optimierungsalgorithmen automatisch Strukturen aus Daten lernt – und so komplexe Zusammenhänge erfasst, die sich kaum explizit formulieren lassen.

Der Trainingsmechanismus ist im Kern eine hochdimensionale Optimierung

Ein typisches maschinelles Lernmodell wird normalerweise von Grund auf trainiert. Zuerst wird die Modellstruktur definiert – beispielsweise ein neuronales Netz, das im Wesentlichen einen Raum einstellbarer Parameter bildet, in dem alle Fähigkeiten des Modells verdichtet sind.

Anschließend wird das System mit einer großen Menge gekennzeichneter Daten gefüttert – beispielsweise Tausenden von annotierten Bildern. Durch iterative Anpassung der Parameter nähern sich die Vorhersagen des Modells schrittweise den echten Kennzeichnungen an. Von außen betrachtet ist dies ein Lernprozess; mechanistisch gesehen handelt es sich jedoch eher um ein hochdimensionales Optimierungsproblem.

Hinter den Fähigkeitssteigerungen verbergen sich strukturelle Einschränkungen

Während die Fähigkeiten des maschinellen Lernens zunehmen, sind seine strukturellen Grenzen klar definiert.

Erstens die Grenze der Generalisierbarkeit: Modelle können Daten außerhalb der Trainingsverteilung nicht stabil verarbeiten. Sobald Eingaben den Erfahrungsbereich überschreiten, sinkt die Leistung deutlich. Zweitens werden Datenverzerrungen verstärkt: Wenn eine Objektklasse in den Trainingsdaten immer mit einem bestimmten Hintergrund verbunden ist, kann das Modell Hintergrundinformationen fälschlicherweise als Schlüsselmerkmale interpretieren.

Drittens das Problem der Erklärbarkeit: Die internen Strukturen tiefer Modelle lassen sich meist nicht in menschenlesbare logische Ketten zurückführen. Ihre Entscheidungsprozesse ähneln eher statistischen Kopplungen als regelbasierten Ableitungen.

Veränderungen bei Wettermodellen sind im Kern Effizienzsteigerungen

Bei der Wettervorhersage funktioniert das Training maschineller Lernmodelle ähnlich wie bei der Bilderkennung – nur stammen die Daten diesmal aus meteorologischen Beobachtungen zu verschiedenen Zeitpunkten.

Da keine physikalischen Gleichungen punktuell gelöst werden müssen, sind solche Modelle rechnerisch deutlich schneller als traditionelle Wettermodelle. Unternehmen wie Google, Nvidia, Huawei und Microsoft haben bereits entsprechende Modelle entwickelt und arbeiten mit akademischen Einrichtungen zusammen – sodass diese in einigen Szenarien bereits mit traditionellen Vorhersagesystemen konkurrieren können.

Das Europäische Zentrum für Mittelfristige Wettervorhersage hat im Februar 2025 sein erstes maschinelles Lernmodell in Betrieb genommen, das parallel zum traditionellen IFS-System läuft. Das Modell wurde auf Basis von „Reanalyse-Daten“ trainiert: Es kombiniert Beobachtungen mit physikalischer Konsistenz, um globale Wetterzustände zu rekonstruieren – und lernt so, die Wetterentwicklung der nächsten 6 Stunden vorherzusagen.

Zu den Eingabevariablen des Modells gehören Temperatur, Luftdruck, Windgeschwindigkeit, Wasserdampf und Bewölkung. Es nutzt keine expliziten physikalischen Gleichungen, sondern lernt direkt die räumlichen und zeitlichen Muster dieser Variablen.

Wesentliche Probleme treten zutage

Das Problem liegt darin, dass solche Modelle physikalische Einschränkungen nicht verstehen.

Sie erkennen nicht, dass Niederschlag nicht negativ sein kann – und erfüllen nicht automatisch die Erhaltungsgesetze von Masse und Energie. Bei der Minimierung von Fehlern können sie physikalisch unplausible Ergebnisse erzeugen. Deshalb sind zusätzliche Einschränkungen nötig: Beispielsweise wird negativer Niederschlag direkt auf Null korrigiert.

Solche „physikalischen Zwänge“ werden zu einem wichtigen Gestaltungsbereich für maschinelle Lernmodelle in der Meteorologie.

Gleichzeitig ist ihr Effizienzvorteil offensichtlich: Das traditionelle IFS-Modell verbraucht etwa 1000-mal mehr Rechenenergie als das AIFS-Modell und benötigt rund 30 Minuten Laufzeit. Ein maschinelles Lernmodell kommt hingegen mit etwa 3 Minuten aus – dieser Vorteil wird bei Ensemble-Vorhersagen noch deutlich größer.

Extremwetterereignisse sind die Schwachstelle von Modellen

Reguläre Wettervorhersagen sind relativ stabil – aber die Vorhersage von Extremwetter ist eine ganz andere Herausforderung.

Weil extreme Ereignisse von Natur aus selten sind, sind die Trainingsdaten unvollständig. Modelle können kaum von nie dagewesenen Extremfällen lernen. Studien zeigen, dass maschinelle Lernmodelle Häufigkeit und Intensität von Extremereignissen oft unterschätzen – und die Fehler wachsen mit zunehmender Extremität. Der Grund liegt darin, dass Modelle nie über die Grenzen ihrer Trainingsverteilung hinausgehen können.

Das Ergebnis ist eine „Glättung“ von Extremwetterereignissen, die sich zu Durchschnittswerten hin verschieben.

Wetter und Klima sind im Grunde zwei unterschiedliche Problemstellungen

Wettervorhersage konzentriert sich auf die kurzfristige Entwicklung von Zuständen – während Klimamodelle auf langfristige statistische Strukturen abzielen, beispielsweise Energiebilanzen oder Reaktionen des Klimasystems.

Aus Modellierungssicht ist das eine ein Anfangswertproblem, das andere ein Randwertproblem. Fragen wie der Einfluss von CO₂-Emissionen auf die langfristige Klimastruktur lassen sich nicht direkt aus historischen Daten lernen – physikalische Gesetze bleiben also unersetzlich.

Hybridmodelle werden zum Mainstream

Tapio Schneider vom Caltech beteiligt sich am CliMA-Projekt, das eine neue Generation von Klimamodellen entwickeln soll. Diese laufen auf GPU- und Cloud-Architekturen und nutzen die Programmiersprache Julia anstelle des traditionellen Fortran.

Der Kerngedanke ist nicht, physikalische Modelle durch maschinelles Lernen zu ersetzen – sondern es in Module für lokale Prozesse einzubetten.

Klimamodelle bestehen aus vielen Teilsystemen, deren mikroskopische Prozesse sich nicht vollständig auflösen lassen und nur durch parametrische Näherungen beschrieben werden können. CliMA ersetzt einige dieser parametrischen Module durch maschinelles Lernen – beispielsweise für Schneeprozesse – und fügt Einschränkungen zur Erhaltung der Wassermenge hinzu.

Innerhalb des aktuellen Klimabereichs funktioniert dieser Ansatz gut, weil viele Regelmäßigkeiten übertragbar sind. In komplexen Szenarien wie Wolkensystemen besteht aber nach wie vor das Risiko von Modellausfällen, da zukünftige Zustände außerhalb der Verteilung historischer Daten liegen könnten.

Daraus ergibt sich eine klare Strategie: Maschinelles Lernen wird in Bereichen eingesetzt, in denen Lernen möglich ist – physikalische Modelle bleiben in anderen Bereichen erhalten.

Die Modelloptimierung tritt in die Phase der „Meta-Probleme“ ein

Einige Parameter physikalischer Modelle lassen sich anpassen – dieser Vorgang wird Modellkalibrierung genannt. Maschinelles Lernen kann diesen Prozess optimieren.

Das NASA-GISS-Team generierte 450 Simulationsergebnisse durch Anpassung von Parameterkombinationen, jede Simulation läuft ein Jahr lang. Die Ergebnisse werden mit Beobachtungsdaten verglichen – unter anderem bezüglich der Anzahl von Wirbelstürmen und Abweichungen in der Energiebilanz. Anschließend wird ein maschinelles Lernmodell trainiert, um die Beziehung zwischen Parametern und Fehlern zu lernen – und daraus die optimalen Parameterkombinationen abzuleiten. Im Kern handelt es sich auch hier um ein hochdimensionales Optimierungsproblem.

Simulatoren und Ersatzmodelle

Maschinelles Lernen kann auch zur Modellkompression genutzt werden: Leichte Modelle werden trainiert, um komplexe physikalische Modelle nachzuahmen – so entstehen Ersatzsysteme.

Diese Modelle werden auf Basis aufwändiger Simulationsdaten trainiert. Sie ermöglichen es, verschiedene Emissionsszenarien schnell zu erkunden, ohne ständig auf Supercomputing-Ressourcen zurückgreifen zu müssen. Obwohl die Genauigkeit etwas abnimmt, sinken die Rechenkosten drastisch.

Noch wichtiger ist, dass sich dadurch eine geschlossene Schleife bildet: Simulatoren erzeugen Daten, die wiederum zum Training effizienterer Modelle genutzt werden.

Dieser Ansatz wird zunehmend auf Bereiche wie Eisschilde, Meereis und ozeanische Zirkulationen ausgeweitet.

Wenn man fast die Hälfte der Ergebnisse mit weniger als 1 % der Rechenkosten erzielen kann, ist diese Methode technisch sinnvoll.

Das Black-Box-Problem bleibt ungelöst

Der zentrale Streitpunkt um maschinelles Lernen ist nach wie vor das Black-Box-Problem: Jeder Term in einem physikalischen Modell hat eine klare Bedeutung – die internen Strukturen neuronaler Netze lassen sich dagegen meist nicht erklären.

Der Kernwert wissenschaftlicher Modelle liegt im Verständnis der Realität – nicht nur in der Vorhersage von Ergebnissen. Wenn man das Modell nicht erklären kann, lässt sich auch nicht seine Ausfallgrenze bestimmen.

Deshalb geht die Klimawissenschaft vorsichtig mit maschinellem Lernen um. In der Praxis gehört diese Methode aber dennoch zum System wissenschaftlicher Verfahren, da ihre Ergebnisse letztendlich durch Experimente und numerische Prüfungen validiert werden müssen.

Erklärbare KI versucht, die Undurchsichtigkeit zu verringern

Ein Ansatz besteht darin, den Einfluss von Eingangsvariablen auf die Ausgänge zu verfolgen. Beispielsweise fanden Forscher bei einem Niederschlagsvorhersagemodell heraus, dass es anfangs stark von Blitzinformationen abhing. Nachdem diese Informationen entfernt wurden, nutzte das Modell stattdessen Infrarot- und Wasserdampfdaten – und begann, Strukturmerkmale von Wolken zu erkennen.

Dadurch können Forscher überprüfen, ob das Modell physikalischen Mechanismen folgt – und das Black-Box-Problem teilweise mildern.

Der tatsächliche Stellenwert des maschinellen Lernens

Maschinelles Lernen ist Teil der Big-Data-Wissenschaft. Sein Kernwert liegt darin, Strukturen aus riesigen Datenmengen zu extrahieren.

Seine Wirkung hängt vom Anwendungsfall ab – es gibt keine einheitliche Schlussfolgerung.

In der Wettervorhersage hat es die Rechenmethoden und Effizienzstrukturen bereits deutlich verändert. In der Klimawissenschaft befindet es sich noch in der Erkundungsphase – durchdringt aber zunehmend die inneren Strukturen von Modellen.

Wie Laure Zanna von der NYU feststellt, ist es derzeit nur einer von vielen Faktoren – aber in Zukunft könnte es eine wichtigere Rolle bei Hypothesentests und der Zuverlässigkeit von Simulationen spielen.

Übersetzer: Xiaochuan