Dieser Artikel behandelt verschiedene Aspekte von Wettermodellen, darunter:

Nehmen wir ein Beispiel: Morgen um 14 Uhr sagt das europäische Wettermodell ECMWF für die Isle of Wight einen Ostwind mit 15 Knoten voraus. Man fragt sich, wie eine solche Windvorhersage überhaupt berechnet wird und ganz allgemein, wie ein numerisches Wettermodell funktioniert. Hinzu kommt, dass ein anderes Modell wie das amerikanische GFS möglicherweise eine andere Vorhersage trifft, was die Sache für jeden verwirrend macht.

Dieser Artikel erläutert die Funktionsweise und den Aufbau von Wettermodellen. Durch das Verständnis dieser Konzepte kann der Seemann numerische Wettervorhersagen besser interpretieren und verschiedene Modelle vergleichen, um so auf See fundiertere und sicherere Entscheidungen zu treffen.

Wettermodelle liefern oft unterschiedliche Vorhersagen für denselben Ort, was für Segler verwirrend sein kann. Beispielsweise könnte das europäische Wettermodell ( ECMWF ) morgen um 14 Uhr 15 Knoten Wind aus Osten auf der Isle of Wight vorhersagen, während das amerikanische Modell (GFS) etwas anderes prognostiziert. Doch wie entstehen diese Vorhersagen und warum weichen die Modelle manchmal voneinander ab?

Dieser Artikel erläutert die Konstruktion und Funktionsweise numerischer Wettermodelle. Durch das Verständnis dieser Konzepte können Seeleute Vorhersagen besser interpretieren, verschiedene Modelle vergleichen und auf See sicherere und fundiertere Entscheidungen treffen.

Wettermodelle sind ein komplexes Thema, daher beginnen wir mit einem einfachen Vergleich. Numerische Wettervorhersage ist wie „ einen Kuchen backen “.

Lassen Sie uns nun diese vier Schritte im Detail aufschlüsseln:

Um das Wetter in der Zukunft vorherzusagen, muss man zunächst das aktuelle Wetter kennen.
Dies ist Ihr Ausgangspunkt, und das Wettermodell berechnet die Veränderung gegenüber diesem Ausgangszustand. In der Meteorologie wird dieser Ausgangspunkt als Anfangszustand bezeichnet und kann als Momentaufnahme der aktuellen Atmosphäre zusammengefasst werden.

Um den Zustand der Atmosphäre zu kennen, müssen wir heute alle Wetterparameter messen, darunter Windgeschwindigkeit, Windrichtung, Luftdruck, Temperatur und Luftfeuchtigkeit. Dies muss weltweit überall geschehen, nicht nur am Boden, sondern auch in der Höhe. Für diese komplexe Aufgabe kommen zahlreiche Instrumente zum Einsatz, darunter landgestützte Stationen, Bojen, Schiffe, Flugzeuge, Satelliten und viele mehr, wie die Abbildung unten zeigt.

Das obige Bild ist beeindruckend, doch tatsächlich lässt sich der Zustand der Atmosphäre zu einem bestimmten Zeitpunkt nicht perfekt bestimmen, sei es aufgrund fehlender Daten oder der Ungenauigkeit von Wetterinstrumenten. Kurz gesagt: Die Ungenauigkeit der Anfangsbedingungen ist einer der Gründe, warum numerische Wettervorhersagen nicht hundertprozentig genau sein können und Vorhersagen nicht immer zu 100 % korrekt sind.

Zusammenfassend lässt sich also sagen: Ohne perfekte Ausgangsbedingungen, also ohne die perfekten Zutaten , kann man keine perfekte Vorhersage, also keinen perfekten Kuchen , erstellen.

Die Erstellung von Anfangsbedingungen ist ebenfalls ein komplexer Prozess, und verschiedene Wetterdienste erstellen unterschiedliche Anfangsbedingungen, um dieselbe Atmosphäre zur selben Zeit darzustellen.
​
Beispielsweise liefern die beiden Wettermodelle GFS und ECMWF , obwohl sie viele der gleichen Instrumentendaten zur Bestimmung der Anfangsbedingungen verwenden, unterschiedliche Anfangsbedingungen. Dies ist einer der Gründe für die möglichen Abweichungen zwischen GFS und ECMWF . Am Rande sei erwähnt, dass PredictWind diese beiden unterschiedlichen Anfangsbedingungen nutzt, um zwei verschiedene proprietäre Modelle zu generieren.

Schließlich werden die Anfangsbedingungen täglich zu bestimmten Uhrzeiten unter Verwendung der UTC-Zeit generiert. Typischerweise werden sie als 0 UTC oder 12 UTC bezeichnet.

Die Anfangsbedingungen werden dann verwendet, um das Wetter etwas später vorherzusagen, was als Modellzeitschritt bezeichnet wird, und dies kann in einer einzigen Gleichung zusammengefasst werden:

Diese Gleichung beginnt zum Zeitpunkt t = 0, also 0 UTC. Die Wettervorhersage, sagen wir eine Minute später, entspricht den Wetterbedingungen der Anfangsphase plus einem Term F(A). Dieser Term repräsentiert die Kombination aller möglichen Einflussfaktoren, multipliziert mit dem Zeitschritt (z. B. 1 Minute), um die Wetteränderung innerhalb dieser Minute zu berechnen. Anschließend wird dies für jede weitere Minute wiederholt, bis eine 10-Tage-Vorhersage vorliegt.

Im folgenden Absatz wird die Funktion F erläutert, die die physikalische Gleichung darstellt, die das Herzstück eines Wettermodells bildet.

Die Atmosphäre ist zu groß und komplex, um sie als Ganzes zu simulieren. Daher unterteilen Wissenschaftler sie in ein dreidimensionales Raster. Man kann sich das wie einen riesigen Zauberwürfel vorstellen, der in winzige Würfel zerlegt wird. Jeder Würfel repräsentiert einen kleinen Ausschnitt der Atmosphäre, und das Modell berechnet, was in jedem einzelnen Würfel vor sich geht.

Der Würfel hat eine definierte Kantenlänge und entspricht der Auflösung des Wettermodells. Diese kann in Grad oder Kilometern angegeben werden. Beispielsweise hat das ECMWF -Modell eine Auflösung von 0,1° bzw. 9 Kilometern.

Das Wettermodell verwendet mathematische Gleichungen, um vorherzusagen, wie sich die einzelnen Würfel im Laufe der Zeit verändern werden. Diese Gleichungen basieren auf physikalischen Gesetzen wie den Newtonschen Bewegungsgesetzen und den Gesetzen der Thermodynamik. Sie sind in der Abbildung unten dargestellt.

Diese Gleichungen wirken zwar komplex, sind aber unerlässlich, da sie in allen Wettermodellen verwendet werden. Ein detailliertes Verständnis dieser Gleichungen ist nicht notwendig, doch ein grundlegendes Verständnis einiger Begriffe kann dem Leser helfen, ein Wettermodell nicht als Blackbox zu betrachten.

Wir haben unten zwei Videos und einen Artikel für den interessierten Leser bereitgestellt, Sie können aber auch direkt zu Abschnitt 1c springen.

Der Computer führt die Simulation für jeden Gitterpunkt und jeden Zeitschritt durch und berechnet so die zeitliche Entwicklung der Atmosphäre weltweit. Dieser Prozess wird fortlaufend wiederholt und die Vorhersage für den nächsten Zeitschritt aktualisiert, bis die gesamte Vorhersagedauer erreicht ist (z. B. 10 Tage beim ECMWF ). Die Modellausgabe wird üblicherweise vereinfacht und stündlich veröffentlicht (selbst wenn der Zeitschritt des Modells deutlich kürzer ist, etwa einige Minuten). Für die Ausführung dieser Modelle sind sehr leistungsstarke Computer erforderlich; siehe Abbildung unten.

Die Berechnung einer 10-Tage-Wettervorhersage dauert einige Stunden. Dies ist einer der Gründe, warum die Vorhersage mit den Anfangsbedingungen um 0:00 Uhr GMT nicht um 0:00 Uhr GMT verfügbar ist. In der Regel werden einige Stunden benötigt. Die GFS-Vorhersage um 0:00 Uhr GMT ist um 4:40 Uhr GMT verfügbar, ECMWF mit ihrer höheren Auflösung erst um 7:00 Uhr GMT. Diese Verzögerung entsteht auch durch die Zeit, die für die Generierung der Anfangsbedingungendateien, die Verarbeitung der Ergebnisse und die Verteilung der Vorhersage an PredictWind oder andere Wetterdienste benötigt wird.

PredictWind hat ein Tool entwickelt, mit dem sich der aktuelle und der nächste Modellaktualisierungszeitpunkt leicht ermitteln lassen, sodass der Kunde weiß, wie lange er auf die neueste Prognose warten muss.
​

Weitere Informationen zu den Modellaktualisierungszeiten finden Sie unter Modellaktualisierungszeiten (GMT).

Die Prognoseergebnisse werden in einem Format namens GRIB (Gridded Binary) verteilt, das wie folgt organisiert ist:

Nachfolgend finden Sie eine Tabelle mit einer Zusammenfassung für einige Modelle :

PredictWind lädt die Wetterdaten von GFS und ECMWF zweimal täglich herunter (0:00 UTC und 12:00 GMT). Die Modelle werden auch um 6:00 UTC und 18:00 UTC ausgeführt, die zu diesen Zeitpunkten verwendeten Anfangsbedingungen haben jedoch eine geringere Auflösung und werden nicht von PredictWind bereitgestellt.

Im ersten Abschnitt haben wir globale Modelle vorgestellt, die das Wetter für die gesamte Welt vorhersagen. Diese Modelle eignen sich hervorragend zur Vorhersage großflächiger Wetterlagen, wie beispielsweise eines großen Tiefdruckgebiets, das den Atlantik überquert, und der damit verbundenen Winde.

Aufgrund ihres großen Maßstabs können solche Modelle jedoch lokale Wetterphänomene wie eine lokale Seebrise oder die Windgeschwindigkeitszunahme zwischen zwei Hügeln nicht erfassen. Um dieses Problem zu lösen, wurden Regionalmodelle entwickelt. Diese Regionalmodelle konzentrieren sich auf ein bestimmtes Gebiet, typischerweise ein Land, und prognostizieren dieses kleinere Gebiet mit einer höheren Auflösung, wodurch sie lokale Effekte erfassen können.

Regionale / mesoskalige Modelle (Höhere Auflösung, kurzfristige Vorhersagen)

PredictWind hat zwei regionale Modelle namens PWG und PWE 1 km entwickelt. Klicken Sie hier, um mehr über diese Modelle zu erfahren.
​
Diese Modelle sind nicht auf ein bestimmtes Land beschränkt, sondern konzentrieren sich auf die weltweit beliebten Segelküsten. Zu den abgedeckten Gebieten gehören die Küsten der USA, Europas, Australiens und Neuseelands sowie viele weitere.
​
Für Details siehe PredictWind Worldwide Coverage Map by Forecast Model .

Die untenstehende Windkarte gilt für den Standort Newport, USA. Die Karte nutzt die Split-Screen-Funktion (Umschaltknopf rot hervorgehoben), mit der Sie ein Modell ( GFS 25 km ) links und ein anderes Modell ( PWG 1 km ) rechts anzeigen können.
​

PWG zeigt deutlich, wie der Nordwind mit den Land- und Wasserkanälen interagiert, während GFS diese Informationen aufgrund der geringen Auflösung nicht liefern kann.

Hier ist ein tolles Video, um mehr über Modellauflösung zu erfahren:

Bisher haben wir deterministische Wettermodelle besprochen. Diese Modelle verwenden einen Satz von Anfangsbedingungen und liefern eine einzige Vorhersage. Diese Methode ist am genauesten und funktioniert gut im kurzen bis mittleren Zeitraum, also für einige Tage. Die Vorhersagegenauigkeit nimmt jedoch mit der Zeit ab, weshalb ein anderer Wettermodelltyp, sogenannte Ensembles, verwendet werden kann.

Ein Ensemble-Wettermodell verfolgt einen anderen Ansatz. Anstatt einer einzigen Vorhersage führt es viele leicht unterschiedliche Simulationen (sogenannte Ensemblemitglieder) durch, die jeweils kleine Änderungen in den Anfangsbedingungen und der physikalischen Funktionsweise aufweisen (z. B. ECMWF ENS). Dies trägt dazu bei, die Bandbreite möglicher Wetterereignisse aufzuzeigen und die Vorhersagen zuverlässiger zu machen, insbesondere für Langzeitprognosen und Extremwetterereignisse.
​

Ensembles werden verwendet, um Hurrikane zu verfolgen, die sehr schwer vorherzusagen sind. Jede gelbe Linie unten zeigt die Zugbahn des Hurrikanzentrums eines Ensemblemitglieds. Ein solches Diagramm wird manchmal als „Spaghetti-Diagramm“ bezeichnet. Liegen die gelben Zugbahnen eng beieinander, ist die Wahrscheinlichkeit hoch, dass der Hurrikan diesem Bereich folgt. Sind die gelben Zugbahnen hingegen weit auseinander, besteht große Unsicherheit über den weiteren Verlauf des Hurrikans.
​

PredictWind verwendet Ensemble für die Wetterrouting-Analyse mit einer Dauer von mehr als 10 Tagen, was über das deterministische ECMWF -Modell hinausgeht.

Erstreckt sich Ihre Wetterroute über mehr als 10 Tage, wird die Berechnung nach 10 Tagen anhand einer Ensemble-Vorhersage durchgeführt. Dies ist beispielsweise bei einer Atlantiküberquerung von mehr als 10 Tagen sinnvoll. Die Route führt Sie dann zu Ihrem Zielpunkt in der Karibik, anstatt mitten im Ozean zu enden.

Für Kurzfristvorhersagen (bis zu 36 Stunden) liefern hochauflösende Modelle wie PWG und PWE 1km von PredictWind oder lokale Modelle wie AROME, HRRR und NAM zusammen mit globalen Modellen wie ECMWF und GFS detaillierte Wind- und Welleninformationen. Für die längerfristige Planung (bis zu 7–10 Tage) helfen globale Modelle wie ECMWF , UKMO und die eigenen Modelle von PredictWind, sich entwickelnde Trends zu erkennen und die Zuverlässigkeit der Vorhersagen einzuschätzen.

Wir bieten mehrere Modelle an, da kein einzelnes Modell durchgehend die höchste Genauigkeit liefert. Die Leistung kann je nach Standort und Bedingungen variieren – mal liefert ein Modell bessere Ergebnisse, mal ein anderes. Zeigen alle Modelle ähnliche Muster, können Sie der Vorhersage mehr Vertrauen schenken. Weichen die Ergebnisse stark voneinander ab, deutet dies auf größere Unsicherheit in der Situation hin.

Es empfiehlt sich stets, die höchstmöglichen Kartenauflösungen zu verwenden – eine höhere Auflösung bedeutet in der Regel eine genauere Vorhersage. Ein Vergleich der Vorhersage mit lokalen Wetterstationen und eigenen visuellen/instrumentellen Daten kann ebenfalls hilfreich sein. Wenn PWG beispielsweise 25 Knoten Wind aus Süd mit Regen vorhersagt und dies genau Ihren Beobachtungen entspricht, dann ist die Vorhersage wahrscheinlich zutreffend und sollte kurzfristig als verlässlicher erachtet werden.

Die Genauigkeitsbewertungen der Modelle eines nationalen Wetterzentrums können Sie hier überprüfen:
👉 Technischer Bericht zur Modellvalidierung

Bei nur 1–2 Modellen ist es schwierig zu entscheiden, welchem ​​man vertrauen kann, aber mit Zugriff auf bis zu 9 Modelle ist es einfacher, einen Konsens zu erkennen und fundiertere Entscheidungen zu treffen.

Um besser zu verstehen, was die einzelnen Modelle darstellen, lesen Sie bitte diesen Hilfeartikel:
👉 Terminologie des PredictWind-Modells

Während Ihrer Reise empfehlen wir Ihnen, Ihre Wetterroute mindestens zweimal täglich zu aktualisieren. Sie können außerdem Live-Beobachtungen in Ihrer Region verfolgen, um zu sehen, welches Modell die aktuellen Bedingungen am besten abbildet.

Sie sollten die Wettervorhersage mindestens zweimal täglich überprüfen. Die globalen Modelle von PredictWind werden alle 12 Stunden aktualisiert, einige regionale Modelle sogar häufiger. Eine vollständige Liste der Aktualisierungszeiten finden Sie in diesem Artikel:
👉 Wettervorhersage-Aktualisierungszeiten (GMT)

Ensemble-Modelle, wie beispielsweise ECMWF ENS, Sie helfen dabei, Unsicherheiten einzuschätzen und mögliche Wettertrends für eine längerfristige Planung über 7–10 Tage hinaus zu identifizieren. Wenn die Seebedingungen von primärer Bedeutung sind, bieten Wellen- und Ozeanmodelle wie WW3 (WaveWatch III) oder RTOFS detaillierte Vorhersagen zu Wellenhöhen, Meeresströmungen und Meeresoberflächentemperaturen.
​

Bei der Planung einer Seereise sollten mehrere wichtige Wetterparameter überwacht werden. Windgeschwindigkeit und -richtung sind entscheidend, da sie die Segeleffizienz, den Treibstoffverbrauch und die Stabilität des Schiffes beeinflussen. Wellenhöhe und -periode bestimmen den Seegang, während Meeresströmungen und Gezeiten die Navigation und den Treibstoffverbrauch beeinflussen. Stürme und Unwetter, einschließlich Zyklonen und Sturmböen, können erhebliche Risiken bergen, weshalb es unerlässlich ist, ihre Entwicklung zu verfolgen. Sichtverhältnisse und Nebel sind ebenfalls wichtige Faktoren, insbesondere bei der Navigation durch stark befahrene oder enge Wasserstraßen.
​​

Bei der Anwendung von Vorhersagedaten empfiehlt es sich, mehrere Modelle zu vergleichen, um Trends und Unstimmigkeiten zu erkennen. Ensemble-Vorhersagen sollten zur Bewertung der Unsicherheit herangezogen werden, insbesondere bei Langstreckenfahrten. Da sich die Seebedingungen schnell ändern können, sind häufige Aktualisierungen notwendig, um eine sichere Navigation zu gewährleisten. Die Anpassung von Routen und Reisezeiten an die vorhergesagten Wind-, Wellen- und Sturmbedingungen trägt dazu bei, Sicherheit und Effizienz zu optimieren.
​

Durch die Verwendung der richtigen Wettermodelle und die Überwachung wichtiger Parameter können Seeleute fundierte Entscheidungen treffen, Risiken minimieren und reibungslosere, effizientere Reisen gewährleisten.

Wie wir seit Beginn dieses Artikels gesehen haben, verwendet die numerische Wettervorhersage einen festen Satz von Regeln, nämlich die physikalischen Gleichungen der Meteorologie, um zu berechnen, wie sich das Wetter ändert.
​

Künstliche Intelligenz (KI) erobert heutzutage die Welt im Sturm und beeinflusst viele Bereiche, darunter auch die Wettervorhersage. Die KI-gestützte Wettervorhersage verfolgt einen völlig anderen Ansatz als die numerische Wettervorhersage.
​
In einem KI-Modell gibt es keine physikalischen Gleichungen oder meteorologischen Regeln. Stattdessen wird das KI-Modell zunächst mit vielen historischen Wetterdaten gefüttert, wodurch es lernt , das Wetter vorherzusagen. Das mag etwas verwirrend klingen, daher betrachten wir eine einfache Analogie, um das Grundprinzip des KI-Wettermodells zu verdeutlichen.

Nehmen wir das Beispiel eines alten Fischers, der jeden Tag um 5 Uhr morgens zum Fischen hinausfährt. Mit seiner 40-jährigen Erfahrung auf See könnte er, wenn man ihn eines Morgens am Steg fragt, ob es heute windig wird, antworten: „Ich schätze, 10 Knoten aus Nordosten, wenn ich um 10 Uhr wieder am Steg bin.“ Ohne irgendwelche Wettermodelle im Kopf durchzurechnen, vergleicht er intuitiv das aktuelle Wetter mit ähnlichen Tagen aus seiner Vergangenheit. Kurz gesagt: Seine Erfahrung ermöglicht ihm eine Vorhersage, die allein auf historischen Daten basiert.

Die KI-gestützte Wettervorhersage ist zwar ähnlich, weist aber deutliche Unterschiede im Umfang auf. Historische Wetterdaten bestehen aus Billionen von Datenpunkten, während das KI-Modell Millionen von Parametern umfasst. Zusätzlich nutzt das KI-Modell räumliche Muster in den beobachteten Daten, um zukünftige Wetterbedingungen vorherzusagen. Im Folgenden werden wir dies genauer erläutern.

ERA5 ist ein globaler Reanalysedatensatz des Europäischen Zentrums für mittelfristige Wettervorhersage ( ECMWF ). Er liefert stündliche Wetter- und Klimadaten von 1950 bis heute und deckt die gesamte Erde mit einer räumlichen Auflösung von etwa 31 km ab. ERA5 kombiniert Beobachtungen von Satelliten, Wetterstationen und Bojen mit fortschrittlichen numerischen Modellen, um vergangene Wetterbedingungen präzise zu rekonstruieren. Er umfasst wichtige Variablen wie Temperatur, Windgeschwindigkeit, Luftdruck, Niederschlag und Meeresoberflächentemperatur.

Wichtig ist, sich das enorme Ausmaß der ERA5-Daten vor Augen zu führen. Wir sprechen hier von 20 Millionen Gigabyte . Schauen wir uns nun an, wie dieser riesige Datensatz genutzt werden kann, um das KI-Wettermodell zu trainieren und so zukünftige Wettervorhersagen zu ermöglichen.

Wetterdaten werden typischerweise in einer Wetterkarte dargestellt, die nichts anderes als ein Bild ist. Daher ist die Art der KI, die für die Wettervorhersage verwendet wird, dieselbe wie bei der Bildverarbeitung.

Ein Vision Transformer (ViT) zerlegt die Wetterkarte in kleine Ausschnitte, ähnlich wie ein Foto in Puzzleteile. Jeder Ausschnitt wird in Zahlen umgewandelt und wie ein Wort in einem Satz behandelt. Anschließend betrachtet ein Transformer-Modell alle Ausschnitte gemeinsam und nutzt Selbstaufmerksamkeit, um Beziehungen zwischen weit entfernten Gebieten zu erkennen – beispielsweise die Entstehung eines sich über mehrere Regionen ausbreitenden Sturms. Dies hilft KI-Modellen, Muster in Wetterdaten genauer und schneller zu verstehen. ViTs analysieren das Gesamtbild gleichzeitig und eignen sich daher hervorragend für die Vorhersage komplexer Wettersysteme.

Im Folgenden wird beschrieben, wie ein Vision Transformer ein Bild analysiert, es in neun Tokens zerlegt und mithilfe von KI-Methoden, sogenannten Attention-Verfahren, Muster im Bild erkennt. Ähnlich könnte man beispielsweise eine Wetterkarte verwenden, um Muster wie Kaltfronten oder zyklonische Konvergenzen bei Tiefdruckgebieten zu identifizieren.

Der entscheidende Punkt ist, dass wir das Modell mit historischen Wetterdaten trainieren müssen. Erst wenn das Modell trainiert ist, können wir es nutzen, um neue Wetterdaten zu prognostizieren und das Wetter von morgen vorherzusagen.

Um den Trainingsmechanismus zu erklären, betrachten wir eine einzelne Wetterkarte, nämlich die Lufttemperatur am 1. Januar 2000 um 4 Uhr morgens, die vom ERA5-Datensatz bereitgestellt wird (siehe Abbildung unten). Sie stellt nicht die realen Daten dar, sondern dient lediglich der Veranschaulichung.

Mit image4am allein kann das KI-Modell eine gute Vorhersage erstellen, wenn es die Lufttemperatur sechs Stunden später um 10 Uhr generieren kann. Da die ERA5-Datenbank ebenfalls die Karte von 10 Uhr enthält, kann das KI-Modell seine Vorhersage mit dem Bild in der Datenbank vergleichen und potenziell aus seinen Fehlern lernen, um sich zu verbessern.

Zu Beginn des Modelltrainings erhält das Modell das Bild „image4am“ und erstellt seine erste Vorhersage „imageForecast10am“. Diese Vorhersage wird tatsächlich sehr ungenau sein. Das Vorhersagebild könnte eine einheitliche Karte mit 20 °C weltweit darstellen oder vielleicht eine Karte wie die untenstehende, die etwas besser ist, aber nicht annähernd der realen Karte „image10am“ in der ERA5-Datenbank entspricht.

Selbst wenn die erste Vorhersage des KI-Modells zwischen 4 und 10 Uhr morgens katastrophal ist, kann das Modell die Vorhersage von 10 Uhr morgens mit dem in ERA5 gespeicherten Bild von 10 Uhr morgens vergleichen. Das Modell erkennt so, wo und wie stark die Vorhersage fehlerhaft war, beispielsweise ein Temperaturfehler von +2 °C über London. Mit diesem Wissen über alle Fehler auf der Karte passt das Modell seine Parameter an, um die Temperaturfehler zu minimieren.
​
Anschließend wird dasselbe Bild (Image4am) erneut in das Modell eingespeist. Die Vorhersage wird etwas besser, aber insgesamt immer noch recht ungenau sein. Neue Fehler werden berechnet und die Millionen von Parametern erneut leicht angepasst. Durch diese wiederholte Vorgehensweise verfeinert das Modell seine Parameter und wird immer besser. Am Ende erhalten wir ein trainiertes Modell, das nun zur Vorhersage der Lufttemperatur anhand aktueller Daten – einer heutigen Lufttemperaturkarte – verwendet werden kann, um eine präzise Vorhersage zu erstellen.

Hier einige weitere relevante Punkte zu KI-Wettermodellen:

Zusammenfassend lässt sich ein KI-Wettermodell als Bedienfeld mit Millionen von Reglern vorstellen, die während des Trainings angepasst werden können, um so gute Vorhersagen anhand historischer Datensätze zu ermöglichen. Ein solches Bedienfeld ist in der Abbildung unten dargestellt.

Nachdem wir nun die Kernkonzepte von KI-Wettermodellen vorgestellt haben, werfen wir einen Blick auf die Modelle, die Anfang 2025 verfügbar sind.

Hier ist eine Vergleichstabelle der beliebtesten KI-basierten Wettervorhersagemodelle, darunter Fengwu, GraphCast, FourCastNet und Pangu-Weather.

Eine Frage, die Sie sich vielleicht stellen, ist: Sind KI-Wettermodelle besser als numerische Wettermodelle?

Diese Frage ist nicht leicht zu beantworten, daher führen wir unten die Antwort von Chat-GPT auf, die wahrscheinlich KI-Wettermodelle bevorzugt. Urteilen Sie selbst!

KI-Wettermodelle verbessern sich rasant, aber traditionelle numerische Wettervorhersagemodelle (NWP) haben in einigen Bereichen immer noch entscheidende Vorteile:

Zusammenfassend lässt sich sagen, dass PredictWind stets nach Innovationen und neuen Technologien sucht, um seinen Nutzern die weltweit beste Wettertechnologie bieten zu können.

PW AI : PW AI ist unser eigenes PredictWind-KI-Modell, das mit unseren proprietären Meeresdatensätzen trainiert wurde. Es vereint die Stärken von ECMWF , AIFS, Fengwu und GraphCast, um eine einzige, optimierte globale Vorhersage zu erstellen. Für die ersten drei Tage liefert es stündliche Zeitschritte und bietet damit eine höhere Genauigkeit als andere KI-Modelle. PW AI erzielt in Validierungsstudien über kurze bis mittelfristige Zeiträume in größeren Gebieten sehr gute Ergebnisse.

Um mehr zu erfahren, lesen Sie weiter! Im nächsten Artikel, „Meeresmeteorologie 2: Wind“ , untersuchen wir, wie der Wind jede Entscheidung auf dem Wasser beeinflusst, lernen, seine Kräfte zu beherrschen, Wetterkarten zu entschlüsseln und seine Kraft für eine sichere und souveräne Navigation zu nutzen.