WeatherNext 3: Wie Googles Wetter-KI stündlich globale Prognosen erstellt

Was Google am 3. September veröffentlicht hat

WeatherNext 3 ist ein spezialisiertes KI-System für globale, mittelfristige Wettervorhersagen. Google bezeichnet es als operatives Ensemble-Modell: Statt nur einen möglichen Verlauf zu berechnen, erzeugt es 64 Varianten, mit denen sich Unsicherheit und die Wahrscheinlichkeit bestimmter Entwicklungen abbilden lassen.

Die wichtigste Änderung liegt nicht allein in einer höheren räumlichen Auflösung. Das Modell verarbeitet aktuelle Satellitenmosaike und startet jede Stunde eine neue Vorhersage. WeatherNext 2 arbeitete laut Google dagegen auf einem 25-Kilometer-Raster und in Sechs-Stunden-Schritten.

Ereignisdatum: 3. September 2026. WeatherNext 3 ist ein Wetter-Spezialmodell und kein neues allgemeines Sprachmodell.

Satelliten- und Stationsdaten fließen direkt ins Modell

Viele KI-Wettermodelle werden mit Analysefeldern trainiert und initialisiert, die Messungen mit physikalischen Rechenmodellen zusammenführen. WeatherNext 3 nimmt zusätzlich niedrig verzögerte Bilder geostationärer Satelliten direkt auf. Dadurch kann es schnell veränderliche Wolken- und Niederschlagssysteme näher am aktuellen Beobachtungsstand erfassen.

Für lokale Temperatur- und Taupunktprognosen lernt das System außerdem aus räumlich verstreuten Wetterstationen und geografischen Merkmalen. Das Forschungspapier berichtet niedrigere Fehler auch an Stationen, die im Training nicht enthalten waren. Das ist ein Ergebnis des veröffentlichten Versuchsaufbaus, kein Beleg dafür, dass jeder Ort und jede Wetterlage gleich gut vorhergesagt wird.

Fünf Kilometer gelten nicht für jede Wettervariable

Die häufig genannte Fünf-Kilometer-Auflösung braucht eine genaue Einordnung. Sie gilt für stationsbezogene Oberflächenwerte wie Temperatur und Feuchtigkeit. Andere Oberflächenfelder, darunter Wind, liegen laut Produktdokumentation auf einem Raster von etwa zehn Kilometern; atmosphärische Ebenen werden mit ungefähr 25 Kilometern berechnet.

Auch eine feinere Rasterung macht aus einer Prognose keine lokale Gewissheit. Gewitterzellen, Starkregen oder Windböen können kleiner sein als ein Rasterfeld und bleiben physikalisch schwer vorhersagbar. Der praktische Gewinn muss deshalb für die tatsächlich benötigte Variable, Region und Vorlaufzeit getrennt geprüft werden.

• Neue globale Vorhersage jede Stunde
• Bis zu 15 Tage Vorhersagehorizont
• 64 Ensemble-Mitglieder zur Darstellung von Unsicherheit
• Bis zu 5 km für stationsbezogene Temperatur und Feuchtigkeit
• Etwa 10 km für weitere Oberflächen- und 25 km für atmosphärische Variablen

Niederschlag wird gegen reale Beobachtungen trainiert

Für Regen und Schnee verwendet Google unter anderem die satellitengestützten IMERG-Daten der NASA sowie eine eigene globale Niederschlagsanalyse. Damit soll das Modell schärfere Grenzen von Niederschlagsgebieten darstellen als frühere globale KI-Systeme, deren Ergebnisse häufig räumlich geglättet wirken.

Google nennt für frühe Vorlaufzeiten Verbesserungen des Continuous Ranked Probability Score von bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und 10 Prozent gegenüber Regenmessern. Diese Werte sind Herstellerangaben aus dem eigenen Evaluationsrahmen. Sie vergleichen probabilistische Verteilungen und dürfen nicht als pauschal 60 Prozent genauere Wettervorhersage gelesen werden.

Die veröffentlichten Prozentwerte beschreiben Verbesserungen einer probabilistischen Bewertungsmetrik in bestimmten Tests. Sie sind keine allgemeine Trefferquote.

Wind- und Solarvariablen zielen auf die Energieplanung

WeatherNext 3 prognostiziert Wind in 100 Metern Höhe, Wolkenbedeckung und solare Einstrahlung. Diese Größen sind für Wind- und Solarparks relevant, weil Erzeugungsplanung und Netzbetrieb nicht nur eine allgemeine Wetterlage, sondern die erwartete Leistung zu bestimmten Zeiten benötigen.

Der Nutzen entsteht jedoch erst im Zusammenspiel mit Anlagenkennlinien, lokalen Messungen, Ausfallinformationen und den Regeln des jeweiligen Energiemarkts. Ein globales Wetterfeld ersetzt weder die standortspezifische Leistungsprognose noch operative Sicherheitsprüfungen.

Wo WeatherNext 3 verfügbar ist

Google integriert WeatherNext 3 seit dem Veröffentlichungstag in Search, die Gemini-App, Google Maps, die Weather API der Google Maps Platform und Google Earth Engine. Für eigene Analysen stehen aktuelle und historische Vorhersagedaten außerdem über BigQuery, Earth Engine und Google Cloud Storage bereit.

Die Entwicklerseite nennt 15-tägige globale Ensemble-Prognosen, stündliche Initialisierung und verschiedene Wege von fertigen Datensätzen bis zu kundenspezifischer Inferenz auf Google Cloud. Preise, Regionen und Nutzungsbedingungen hängen vom gewählten Produkt ab und sollten vor einer produktiven Integration direkt in der jeweiligen Cloud-Dokumentation geprüft werden.

• Verbraucherzugang über Search, Gemini und Maps
• Anwendungszugang über die Google Maps Platform Weather API
• Abfragen in BigQuery und Earth Engine
• Massendaten über Google Cloud Storage
• Experimentelle Visualisierung im Weather Lab

Was noch nicht unabhängig bewiesen ist

Das technische Paper ist als Preprint veröffentlicht. Viele Leistungsangaben stammen von den Entwicklerinnen und Entwicklern selbst, auch wenn Google zusätzlich auf ein öffentliches Live-Leaderboard von Brightband verweist. Eine einzelne Rangliste beantwortet noch nicht, wie robust das Modell bei regional seltenen Extremen, Sensorausfällen oder veränderten Klimabedingungen arbeitet.

Google schreibt selbst, dass die Atmosphäre unvorhersagbar bleibt. Für amtliche Prognosen, Unwetterwarnungen und Hinweise zur öffentlichen Sicherheit verweist das Unternehmen ausdrücklich auf lokale meteorologische Behörden und nationale Wetterdienste. Diese Grenze sollte auch jede Anwendung sichtbar übernehmen.

WeatherNext 3 kann zusätzliche Entscheidungsdaten liefern. Bei Unwetter und öffentlicher Sicherheit bleiben amtliche Warnungen die verbindliche Quelle.

So lässt sich WeatherNext 3 sinnvoll testen

Ein belastbarer Pilot vergleicht WeatherNext 3 nicht nur mit dem Vorgängermodell, sondern mit der heute tatsächlich genutzten Prognosequelle. Dafür werden historische Vorhersagen mit später gemessenen Stations-, Radar- oder Anlagendaten zusammengeführt. Metriken werden pro Variable, Region, Jahreszeit und Vorlaufzeit ausgewertet.

Für operative Entscheidungen sind Kalibrierung und Ausfallverhalten ebenso wichtig wie ein mittlerer Fehler. Teams sollten prüfen, ob vorhergesagte Wahrscheinlichkeiten zu beobachteten Häufigkeiten passen, wie verspätete Daten gekennzeichnet werden und welcher Rückfallpfad bei fehlenden Aktualisierungen greift.

• Variable, Region und Vorlaufzeit vor dem Test festlegen
• Historische Prognosen strikt gegen spätere Beobachtungen prüfen
• Mittlere Fehler, Extremereignisse und Wahrscheinlichkeitskalibrierung getrennt messen
• Datenlatenz, Lücken und Versionswechsel protokollieren
• Amtliche Warnungen als unabhängigen Sicherheitskanal beibehalten

Die MindrAils-Einordnung

WeatherNext 3 ist relevant, weil Google drei bisher oft getrennte Schritte enger verbindet: aktuelle Beobachtungen aufnehmen, globale Ensemble-Prognosen erzeugen und die Ergebnisse unmittelbar in Produkte und Datenplattformen ausspielen. Die stündliche Aktualisierung und die feineren Oberflächenfelder können vor allem bei schnell wechselndem Wetter und energiebezogenen Anwendungen nützlich sein.

Der Release zeigt zugleich, wie sorgfältig Auflösungs- und Genauigkeitsangaben gelesen werden müssen. Fünf Kilometer gelten nicht für alle Variablen, Prozentverbesserungen hängen von Metrik und Vergleichsdaten ab, und eine KI-Prognose bleibt eine Wahrscheinlichkeitsaussage. Der richtige nächste Schritt ist deshalb ein nachvollziehbarer Vergleich auf den eigenen Daten, nicht blindes Vertrauen in eine globale Bestmarke.