In diesem Artikel werden verschiedene Aspekte von Wettermodellen behandelt, darunter:

Beginnen wir mit einem Beispiel: Das europäische Wettermodell ECMWF könnte für morgen um 14 Uhr einen Wind von 15 Knoten aus Osten auf der Insel Wight vorhersagen. Man fragt sich vielleicht, wie eine solche Windvorhersage überhaupt berechnet wird und ganz allgemein, wie ein numerisches Wettermodell funktioniert. Darüber hinaus kann ein anderes Modell wie das amerikanische Modell GFS etwas anderes prognostizieren, was für jeden verwirrend ist.

In diesem Artikel geht es darum, wie Wettermodelle konzipiert sind und wie sie funktionieren. Durch das Verständnis dieser Konzepte wird der Seemann in der Lage sein, numerische Wettervorhersagen besser zu interpretieren und die verschiedenen Modelle zu vergleichen, mit dem Ziel, bessere und sicherere Entscheidungen auf See zu treffen.

Wettermodelle liefern oft unterschiedliche Vorhersagen für denselben Ort, was für Segler verwirrend sein kann. Beispielsweise könnte das europäische Wettermodell ( ECMWF ) für morgen um 14 Uhr 15 Knoten Ostwind auf der Isle of Wight vorhersagen, während das amerikanische Modell (GFS) etwas anderes vorhersagt. Doch wie entstehen diese Prognosen und warum stimmen die Modelle manchmal nicht überein?

In diesem Artikel wird untersucht, wie numerische Wettermodelle entworfen werden und wie sie funktionieren. Durch das Verständnis dieser Konzepte können Segler Vorhersagen besser interpretieren, verschiedene Modelle vergleichen und auf See sicherere und fundiertere Entscheidungen treffen.

Wettermodelle sind ein komplexes Thema. Beginnen wir also 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, müssen Sie zunächst das aktuelle Wetter kennen.
Dies ist Ihr Ausgangspunkt und das Wettermodell berechnet die Änderung gegenüber diesem Ausgangszustand. In der Meteorologie wird dieser Ausgangspunkt als Anfangsbedingungen bezeichnet und kann als Momentaufnahme der Atmosphäre zusammengefasst werden.

Wenn wir nun den Zustand der Atmosphäre kennen, müssen wir alle Wetterparameter wie Windgeschwindigkeit, Windrichtung, Druck, Temperatur und Luftfeuchtigkeit messen. Dies muss überall auf der Welt geschehen, nicht nur an der Oberfläche, sondern auch in der Höhe. Für diese komplexe Aufgabe werden zahlreiche Instrumente eingesetzt, darunter landgestützte Stationen, Bojen, Schiffe, Flugzeuge, Satelliten und vieles mehr, wie im Bild unten dargestellt.

Das Bild oben ist beeindruckend, aber die Realität ist, dass der Zustand der Atmosphäre zu einem bestimmten Zeitpunkt nicht genau bekannt sein kann, entweder aufgrund fehlender Daten oder der Ungenauigkeit von Wetterinstrumenten. Unterm Strich ist die Ungenauigkeit der Anfangsbedingungen einer der Gründe dafür, dass numerische Wettervorhersagen nicht vollkommen genau sein können und Vorhersagen nicht zu 100 % korrekt sein können.

Zusammenfassend lässt sich also sagen, dass man keine perfekte Prognose, also keinen perfekten Kuchen , treffen kann, wenn man nicht über perfekte Ausgangsbedingungen, also die perfekten Zutaten , verfügt.

Die Schaffung von Anfangsbedingungen ist ebenfalls ein komplexer Prozess, und verschiedene Wetteragenturen schaffen unterschiedliche Anfangsbedingungen, um gleichzeitig dieselbe Atmosphäre darzustellen.
​
Beispielsweise kommen die beiden Wettermodelle GFS und ECMWF zu unterschiedlichen Anfangsbedingungen, selbst wenn sie viele der gleichen Instrumentendaten verwenden, um Anfangsbedingungen zu erstellen. Dies ist einer der Gründe, warum GFS und ECMWF unterschiedlich sein können. Nebenbei bemerkt: PredictWind verwendet diese beiden unterschiedlichen Anfangsbedingungen, um zwei verschiedene proprietäre Modelle zu generieren:

Schließlich werden die Anfangsbedingungen täglich zu bestimmten Zeiten 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. Dies kann in einer einzigen Gleichung zusammengefasst werden:

Diese Gleichung beginnt zum Zeitpunkt 0, also jetzt , also 0 UTC. Die Wettervorhersage, sagen wir 1 Minute später, ist das Wetter der Anfangsbedingungen plus einem Term F(A), der die Kombination aller Arten von Antrieben darstellt, die auftreten können, multipliziert mit dem Zeitschritt (z. B. 1 Minute), um der Wetteränderung während dieser einen Minute zu entsprechen. Dann machen wir eine Minute lang weiter, bis wir eine 10-Tage-Prognose erhalten.

Im folgenden Absatz geht es um die Funktion F , die physikalische Gleichung , die das Herzstück eines Wettermodells bildet.

Die Atmosphäre ist zu groß und komplex, um sie auf einmal zu simulieren, daher unterteilen Wissenschaftler sie in ein 3D-Gitter. Stellen Sie sich vor, Sie würden die Atmosphäre in winzige Würfel schneiden, wie einen riesigen Zauberwürfel. Jeder Würfel stellt einen kleinen Teil der Atmosphäre dar und das Modell berechnet, was in jedem einzelnen Würfel passiert.

Der Würfel hat eine definierte Länge und ist die Auflösung des Wettermodells. Die Angabe kann in Grad oder Kilometern erfolgen. Das ECMWF -Modell hat beispielsweise eine Auflösung von 0,1° oder 9 Kilometern.

Das Wettermodell verwendet mathematische Gleichungen, um vorherzusagen, wie sich jeder Würfel im Laufe der Zeit verändern wird. Diese Gleichungen basieren auf den Gesetzen der Physik, beispielsweise den Newtonschen Bewegungsgesetzen und den Gesetzen der Thermodynamik. Diese Gleichungen sind im Bild unten dargestellt.

Diese Gleichungen sind einschüchternd, aber sie sind wichtig, da sie von Allwettermodellen verwendet werden. Es ist nicht notwendig, diese Gleichungen im Detail zu verstehen, aber ein grundlegendes Verständnis einiger Begriffe kann dem Leser helfen, ein Wettermodell nicht als Black Box zu betrachten.

Nachfolgend haben wir zwei Videos und einen Artikel für den interessierten Leser zusammengestellt, Sie können aber auch gerne mit Abschnitt 1c fortfahren.

Der Computer führt die Simulation für jeden Gitterpunkt und jeden Zeitschritt durch und berechnet so, wie sich die Atmosphäre überall auf der Erde im Laufe der Zeit entwickelt. Dieser Vorgang wird immer wieder wiederholt und die Prognose für den nächsten Zeitschritt aktualisiert, bis die gesamte Prognosedauer erreicht ist (z. B. 10 Tage für ECMWF ). Die Modellausgabe wird normalerweise stündlich vereinfacht und verteilt (auch wenn der Zeitschritt des Modells viel kürzer ist, etwa einige Minuten). Zur Ausführung dieser Modelle sind sehr große Computer erforderlich; siehe Bild unten.

Die Berechnung einer 10-Tage-Wettervorhersage dauert einige Stunden, und dies ist einer der Gründe, warum die Vorhersage unter Verwendung der Anfangsbedingungen bei 0 GMT um 0 GMT nicht verfügbar ist. Im Allgemeinen sind einige Stunden erforderlich, und die GFS 0 GMT-Vorhersage ist um 4:40 GMT verfügbar, und für ECMWF , das eine höhere Auflösung hat, ist sie später um 7 GMT verfügbar. Diese Verzögerung ist auch auf die Zeit zurückzuführen, die benötigt wird, um Dateien mit Anfangsbedingungen zu erstellen, die Ausgabe zu verarbeiten und die Vorhersage an PredictWind oder andere Wetterunternehmen zu verteilen.

PredictWind hat ein Tool entwickelt, um die aktuelle und nächste Modellaktualisierungszeit einfach zu ermitteln, sodass der Kunde weiß, wie lange er auf die neueste Prognose warten muss.
​

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

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

Nachfolgend finden Sie eine Tabelle, die dies für einige Modelle zusammenfasst :

PredictWind lädt diese Wetterausgaben von GFS und ECMWF zweimal täglich herunter (Lauf um 0 UTC und 12 GMT). Modelle werden auch um 6 UTC und 18 UTC ausgeführt, die zu diesen Zeiten verwendeten Anfangsbedingungen haben jedoch eine geringere Auflösung und werden nicht von PredictWind vertrieben.

Im ersten Abschnitt haben wir globale Modelle vorgestellt, die das Wetter für die ganze Welt vorhersagen. Diese Modelle eignen sich hervorragend für die Vorhersage großer Wetterereignisse, beispielsweise eines großen Tiefs, das den Atlantik überquert, und des damit verbundenen Windes.

Aufgrund ihres großen Maßstabs können solche Modelle jedoch keine lokalisierten Wettermuster wie eine lokale Meeresbrise oder die Beschleunigung der Windgeschwindigkeit zwischen zwei Hügeln erfassen. Um dieses Problem zu lösen, wurden regionale Modelle entwickelt. Diese regionalen Modelle vergrößern einen bestimmten Bereich, typischerweise ein Land, und prognostizieren diesen kleineren Bereich mit einer höheren Auflösung, die es ihnen ermöglicht, lokale Effekte zu erfassen.

Regionale / mesoskalige Modelle (höhere Auflösung, kurzfristige Prognosen)

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 alle Küsten der USA, Europas, Australiens, Neuseelands und vieles mehr.
​
Einzelheiten finden Sie in der weltweiten Abdeckungskarte von PredictWind nach Prognosemodell .

Die Windkarte unten gilt für den Standort: Newport, USA. Die Karte nutzt die Split-Screen-Funktion (Umschalttaste rot hervorgehoben), die es Ihnen ermöglicht, ein Modell ( GFS 25 km ) links und ein anderes Modell ( PWG 1 km ) rechts zu platzieren.
​

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 die Modellauflösung zu erfahren:

Bisher haben wir deterministische Wettermodelle diskutiert. Diese Modelle nehmen einen Satz von Anfangsbedingungen an und liefern eine Prognoselösung. Diese Methode ist am genauesten und funktioniert im kurzen bis mittleren Bereich, also einigen Tagen, gut. Allerdings nimmt die Vorhersagegenauigkeit mit der Zeit ab, sodass eine andere Art von Wettermodell namens „Ensembles“ verwendet werden kann.

Ein Ensemble-Wettermodell verfolgt einen anderen Ansatz. Anstelle einer Prognose werden viele leicht unterschiedliche Simulationen (Ensemble-Mitglieder genannt) ausgeführt, jede mit kleinen Änderungen in den Anfangsbedingungen und der Physik (z. B. ECMWF ENS). Dies trägt dazu bei, die Bandbreite möglicher Wetterergebnisse aufzuzeigen und Vorhersagen zuverlässiger zu machen, insbesondere bei langfristigen Vorhersagen und extremen Wetterbedingungen.
​

Ensembles werden verwendet, um Hurrikane zu verfolgen, die sehr schwer vorherzusagen sind. Jede gelbe Linie unten ist eine Spur des Hurrikanzentrums für ein Ensemblemitglied. Ein solcher Plot wird manchmal als „Spaghetti“-Plot bezeichnet. Wenn die gelben Spuren gruppiert und dicht sind, ist die Wahrscheinlichkeit groß, dass der Hurrikan diesem Fleck folgt. Wenn die gelben Spuren nicht gruppiert sind und auseinanderlaufen, besteht große Unsicherheit über die Spur des Hurrikans.
​

PredictWind verwendet Ensemble für das Wetterrouting von mehr als 10 Tagen, was über das deterministische ECMWF Modell hinausgeht.

Wenn Ihre Wetterroute länger als 10 Tage dauert, erfolgt die Berechnung der Wetterroute nach 10 Tagen mithilfe eines Mitglieds der Ensemble-Vorhersage. Dies ist beispielsweise bei einer Atlantiküberquerung sinnvoll, die länger als 10 Tage dauert. Die Route führt Sie zu Ihrem Endpunkt in der Karibik, anstatt mitten im Meer zu enden.

Für kurzfristige Vorhersagen (bis zu 36 Stunden) liefern hochauflösende Modelle wie PWG und PWE 1 km von PredictWind oder lokale Modelle wie AROME, HRRR und NAM sowie globale Modelle wie ECMWF und GFS detaillierte Wind- und Welleninformationen. Für eine längerfristige Planung (bis zu 7–10 Tage) helfen globale Modelle, darunter ECMWF , SPIRE, UKMO und die eigenen Modelle von PredictWind, dabei, sich entwickelnde Trends zu erkennen und die Prognosesicherheit zu beurteilen.

Wir bieten mehrere Modelle an, da es kein einzelnes Modell gibt, das stets das genaueste ist. Die Leistung kann je nach Standort und Bedingungen variieren – manchmal schneidet ein Modell besser ab, dann übernimmt ein anderes die Führung. Wenn alle Modelle ähnliche Muster aufweisen, können Sie sich stärker auf die Prognose verlassen. Wenn sie stark voneinander abweichen, ist das ein Zeichen dafür, dass die Situation unsicherer ist.

Es ist immer am besten, sich die Karten mit der höchsten verfügbaren Auflösung anzusehen – eine höhere Auflösung bedeutet normalerweise eine genauere Vorhersage. Ein Vergleich der Vorhersage mit lokalen Beobachtungsstationen und Ihren eigenen Sicht-/Instrumentendaten kann ebenfalls hilfreich sein. Wenn PWG beispielsweise 25 Knoten Regen aus südlicher Richtung vorhersagt und genau das erleben Sie, dann leistet es wahrscheinlich gute Arbeit und sollte kurzfristig eher vertrauenswürdig sein.

Sie können die Modellgenauigkeitsbewertungen eines nationalen Wetterzentrums hier überprüfen:
👉 Technischer Bericht zur Modellvalidierung

Bei nur 1–2 Modellen kann es schwierig sein, zu wissen, welchem ​​Modell 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 jedes Modell darstellt, lesen Sie diesen Hilfeartikel:
👉 PredictWind-Modellterminologie

Während der Fahrt empfehlen wir Ihnen, Ihre Wetterroute mindestens zweimal täglich zu aktualisieren. Sie können auch Live-Beobachtungen in Ihrer Nähe überwachen, um zu sehen, welches Modell derzeit den tatsächlichen Bedingungen am besten entspricht.

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

Ensemble-Modelle wie ECMWF ENS, Helfen Sie dabei, Unsicherheiten einzuschätzen und mögliche Wettertrends für eine längerfristige Planung über 7–10 Tage hinaus zu identifizieren. Wenn die Meeresbedingungen im Vordergrund stehen, 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 und beeinflussen die Segeleffizienz, den Treibstoffverbrauch und die Schiffsstabilität. Wellenhöhe und -periode bestimmen, wie rau das Meer sein wird, während Meeresströmungen und Gezeiten die Navigation und die Treibstoffeffizienz beeinflussen. Stürme und Unwetter, einschließlich Wirbelstürme und Sturmböen, können ernsthafte Risiken darstellen, weshalb es wichtig ist, ihre Entwicklung zu verfolgen. Sichtbarkeit und Nebel sind ebenfalls wichtige Faktoren, insbesondere beim Navigieren durch verstopfte oder enge Wasserstraßen.
​​

Bei der Anwendung von Prognosedaten ist es am besten, mehrere Modelle zu vergleichen, um Trends und Inkonsistenzen zu erkennen. Ensemble-Vorhersagen sollten zur Einschätzung der Unsicherheit, insbesondere bei Langstreckenfahrten, herangezogen werden. Da sich die Meeresbedingungen schnell ändern können, sind häufige Aktualisierungen erforderlich, um eine sichere Navigation zu gewährleisten. Die Anpassung von Routen und Zeitplanung basierend auf vorhergesagtem Wind, Wellen und Stürmen trägt zur Optimierung von Sicherheit und Effizienz bei.
​

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

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

Heutzutage erobert künstliche Intelligenz (KI) die Welt im Sturm und betrifft viele Bereiche, einschließlich der Wettervorhersage. Die Wettervorhersage mit künstlicher Intelligenz verwendet einen völlig anderen Ansatz als die numerische Wettervorhersage.
​
In einem KI-Modell gibt es keine physikalischen Gleichungen oder Regeln der Meteorologie. Stattdessen wird das KI-Modell zunächst mit vielen historischen Wetterdaten gefüttert, wodurch das Modell lernen kann, das Wetter vorherzusagen. Das kann etwas verwirrend sein. Nehmen wir also eine einfache Analogie, um das Grundkonzept des KI-Wettermodells zu verstehen.

Nehmen wir das Beispiel eines alten Fischers, der jeden Tag um 5 Uhr morgens das Dock verlässt, um angeln zu gehen. Wenn man ihn trotz seines Wissens über die Fahrten zur See in den letzten 40 Jahren eines Morgens am Dock trifft und ihn fragt, ob es heute windig sein wird, könnte er sagen: „Um 10 Uhr morgens bin ich wieder am Dock, schätze ich, 10 Knoten aus Nordost.“ Ohne irgendein numerisches Wettermodell in seinem Kopf laufen zu lassen, vergleicht er stattdessen intuitiv das aktuelle Wetter mit allen ähnlichen Tagen, die er in der Vergangenheit erlebt hat. Kurz gesagt, seine Erfahrung ermöglicht es ihm, eine Prognose zu erstellen, die ausschließlich auf historischen Daten basiert, die er erlebt hat.

KI-Wettervorhersagen sind ein wenig ähnlich, weisen jedoch einige deutliche Unterschiede im Maßstab auf. Historische Wetterdaten bestehen aus Billionen von Datenpunkten und das KI-Modell besteht aus Millionen von Parametern. Darüber hinaus nutzt das KI-Modell räumliche Muster in beobachteten Daten, um zukünftige Wetterbedingungen zu prognostizieren. Lassen Sie uns das jetzt genauer erklären.

ERA5 ist ein globaler Reanalysedatensatz, der vom Europäischen Zentrum für mittelfristige Wettervorhersage ( ECMWF ) erstellt wurde. Es liefert stündliche Wetter- und Klimadaten von 1950 bis heute und deckt den gesamten Planeten mit einer räumlichen Auflösung von etwa 31 km ab. ERA5 kombiniert Beobachtungen von Satelliten, Wetterstationen und Bojen mit fortschrittlichen numerischen Modellen, um vergangene Wetterbedingungen genau zu rekonstruieren. Es umfasst Schlüsselvariablen wie Temperatur, Windgeschwindigkeit, Luftdruck, Niederschlag und Meeresoberflächentemperatur.

Es ist wichtig zu wissen, wie groß die ERA5-Daten sind. Wir sprechen von 20 Millionen Gigabyte . Sehen wir uns nun an, wie dieser große Datensatz verwendet werden kann, um das KI-Wettermodell zu trainieren, damit es die Zukunft vorhersagen kann.

Wetterdaten werden typischerweise in einer Wetterkarte dargestellt, die nichts weniger als ein Bild ist. Aus diesem Grund ist die Art der KI, die für die Wettervorhersage verwendet wird, dieselbe wie die Bildverarbeitung.

Ein Vision Transformer (ViT) funktioniert, indem er die Wetterkarte in kleine Teile aufteilt, so als würde man ein Foto in Puzzleteile zerschneiden. Jeder Patch wird in Zahlen umgewandelt und wie ein Wort in einem Satz behandelt. Ein Transformatormodell betrachtet dann alle Flecken zusammen und nutzt die Selbstaufmerksamkeit, um Beziehungen zwischen entfernten Gebieten zu finden – so wie man einen Sturm entdeckt, der sich über Regionen hinweg bildet. 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 erfahren Sie, wie ein Vision Transformer ein Bild aufnimmt, es in 9 Token zerlegt und mithilfe von KI-Methoden Aufmerksamkeit erregt, um einige Muster in einem Bild zu finden. Ebenso könnte eine Wetterkarte verwendet werden, um Muster wie eine Kaltfront, eine Zyklonkonvergenz für tiefe Tieflandsysteme usw. zu finden.

Das Schlüsselkonzept besteht darin, dass wir das Modell anhand historischer Wetterdaten trainieren müssen. Erst wenn das Modell trainiert ist, können wir das Modell zur Vorhersage neuer Wetterdaten verwenden, um das Wetter von morgen vorherzusagen.

Um den Trainingsmechanismus zu erklären, nehmen wir eine einzelne Wetterkarte, die die Lufttemperatur am 1. Januar 2000 um 4 Uhr morgens darstellt und vom ERA5-Datensatz bereitgestellt wird, siehe Abbildung unten – sie stellt nicht die tatsächlichen Daten dar, sondern dient als visuelle Hilfe.

Wenn nur image4am verwendet wird, liefert das KI-Modell eine gute Vorhersage, wenn es die Lufttemperatur 6 Stunden später um 10 Uhr morgens ermitteln kann. Da die ERA5-Datenbank auch über die 10-Uhr-Karte verfügt, kann das KI-Modell seine Prognose mit dem Bild in der Datenbank vergleichen und möglicherweise aus seinen Fehlern lernen, um sich zu verbessern und zu lernen.

Zu Beginn des Modelltrainings erhält das Modell das Bild4am und es erstellt sein erstes BildForecast10am, und die Vorhersage wird tatsächlich wirklich schlecht sein. Das Vorhersagebild kann eine einheitliche Karte von 20°C auf der ganzen Welt sein oder vielleicht eine Karte wie die untenstehende, die etwas besser ist, aber nicht einmal annähernd dem echten Kartenbild10am entspricht, das in der ERA5-Datenbank gespeichert ist.

Auch wenn die erste Vorhersage, die für das KI-Modell von 4 bis 10 Uhr morgens erstellt wurde, schrecklich ist, kann das Modell ImageForecast10am mit dem in ERA5 gespeicherten Image10am vergleichen. Das Modell weiß, wo die Prognose falsch war und um wie viel, z. B. ein Temperaturfehler von +2° über London. Da das Modell all diese Fehler überall auf der Karte kennt, passt es seine Parameter an, um die Temperaturfehler zu minimieren.
​
Dann wird das gleiche Image4am-Bild ein weiteres Mal in das Modell eingegeben, und die Prognose wird etwas besser, aber insgesamt immer noch ziemlich schlecht sein. Es werden erneut neue Fehler berechnet und die Millionen Parameter noch einmal leicht angepasst. Durch mehrmaliges Wiederholen verfeinert das Modell seine Parameter und wird immer besser. Am Ende erhalten wir ein trainiertes Modell, das zur Vorhersage der Lufttemperatur anhand neuer Daten verwendet werden kann. Heute handelt es sich dabei um eine Lufttemperaturkarte, sodass eine genaue Vorhersage erstellt werden kann.

Hier sind einige zusätzliche relevante Punkte zu KI-Wettermodellen:

Zusammenfassend lässt sich sagen, dass man sich ein KI-Wettermodell wie ein Bedienfeld mit Millionen von Knöpfen vorstellen kann, die während des Trainings angepasst werden können, sodass es bei der Vorhersage der historischen Datensätze gute Arbeit leistet. Ein solches Panel kann im Bild unten visualisiert werden.

Nachdem wir nun die Kernkonzepte des KI-Wettermodells vorgestellt haben, werfen wir einen Blick darauf, welche Modelle Anfang 2025 derzeit 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, lautet: Sind KI-Wettermodelle besser als numerische Wettermodelle?

Die Beantwortung dieser Frage ist schwierig, daher stellen wir unten die von Chat-GPT bereitgestellte Antwort dar, die wahrscheinlich auf KI-Wettermodelle ausgerichtet ist. Überlassen Sie es also dem Leser, zu urteilen!

KI-Wettermodelle verbessern sich schnell, aber herkömmliche Modelle zur numerischen Wettervorhersage (NWP) bieten in einigen Bereichen immer noch entscheidende Vorteile:

Zusammenfassend lässt sich sagen, dass PredictWind immer auf der Suche nach Innovationen und neuen Technologien ist, um unseren Benutzern die weltweit beste Wettertechnologie zu bieten. Im Jahr 2025 wird PredictWind sein Angebot bestehender globaler und regionaler numerischer Wettermodelle um KI-Wettermodelle erweitern. Bleiben Sie also dran für mehr!