Extremwetter: physikalische Modelle robuster als KI-basierte Prognosen

31.05.2026

Zwar analysiert Künstliche Intelligenz riesige Datenmengen, erkennt Muster und liefert schnell alltägliche Wetterprognosen. Doch was passiert, wenn Wetterlagen auftreten, die bisher kaum beobachtet wurden? Bei außergewöhnlichen Ereignissen wie extreme Hitze, Kälte oder Wind sind physikbasierte Modelle zuverlässiger, hat eine internationale Studie ergeben.

Moderne Wettervorhersagen gehören zu den rechenintensivsten Aufgaben der Wissenschaft. Viele Jahre lang dominierten physikbasierte Modelle. In den vergangenen Jahren konnten Meteorologen zunehmend auf KI-Modelle zurückgreifen. Einige Systeme liefern Vorhersagen deutlich energieeffizienter und in Sekunden statt Stunden.

Forscher des Karlsruher Instituts für Technologie (KIT), der ETH Zürich, des Helmholtz-Zentrums für Umweltforschung, der Technischen Universität Dresden und der Universität Genf haben untersucht, wie gut KI-Systeme außergewöhnliche Hitze-, Kälte- und Windereignisse vorhersagen können. Das Ergebnis: Bei rekordbrechenden Extremereignissen schnitten klassische physikbasierte Modelle durchweg besser ab. KI-Systeme schnitten zwar bei der Bewertung aller Wetterlagen gut ab. Ihre Schwäche liegt bei Ausnahmen. Das bedeutet, sie unterschätzen die Intensität und Häufigkeit von Extremereignissen.

Wenn sich das Klima verändert und neue Wetterlagen auftreten, bieten physikalische Regeln häufig mehr Stabilität als reine Erfahrungsdaten. Physikbasierte Modelle arbeiten mit Naturgesetzen, die immer gelten, unabhängig ob ein Ereignis schon einmal beobachtet wurde.

Extrapolationsprobleme

KI-Modelle dagegen „lernen“ aus vergangenen Beispielen und sind in der Mustererkennung weit fortgeschritten. Treten allerdings Bedingungen auf, die in den Trainingsdaten kaum oder gar nicht vorkommen, beispielsweise bislang unbekannte Hitzerekorde oder ungewöhnliche Kombinationen von Wetterphänomenen, steigt das Risiko fehlerhafter Vorhersagen. Kurz gesagt: Physikalische Modelle können Neues simulieren. KI erkennt vor allem Bekanntes wieder.

Wenn ein System nur historische Daten kennt, wird es schwierig, etwas vorherzusagen, das außerhalb bisheriger „Erfahrungen“, also jenseits seiner Trainingsdaten liegt. Genau das passiert jedoch immer häufiger in einem sich erwärmenden Klima. Die Forschenden sprechen in diesem Zusammenhang von einem Extrapolationsproblem.

Da klassische Wettermodelle auf physikalischen Gesetzen beruhen, lassen sich damit auch Szenarien simulieren, die in der Atmosphäre noch nicht beobachtet wurden. Aber auch klassische Modelle sind nicht perfekt. Schon kleine Messfehler können die Vorhersagen verändern. Dennoch scheint der physikalische Ansatz derzeit robuster zu sein, wenn außergewöhnliche Ereignisse auftreten.

Hybride Ansätze

Die Studienautoren betonen, dass KI-Wettermodelle derzeit klassische numerische Vorhersagen nicht ersetzen können.

„Für risikoreiche Anwendungen sollte man sich nicht ausschließlich auf KI verlassen“, stellt Zhongwei Zhang, Studienleiter vom Institut für Statistik des KIT, fest.

Das gilt insbesondere für Frühwarnsysteme und das Katastrophenmanagement. Prognosefehler von KI-Modellen könnten dazu führen, dass Warnungen zu spät oder gar nicht ausgesprochen werden.

Aus diesem Grund verfolgen Forschungseinrichtungen hybride Ansätze. Dabei übernimmt KI Aufgaben, bei denen sie stark ist, zum Beispiel schnelle Mustererkennung oder effizientere Berechnungen. Physikbasierte Modelle liefern die wissenschaftlichen Leitplanken.