Googles WeatherNext 3 rechnet das Wetter jede Stunde neu

Google DeepMind und Google Research haben am 3. September WeatherNext 3 vorgestellt — ein globales KI-Wettermodell, das laut den Forschenden erstmals rohe Satellitendaten direkt verarbeitet, statt auf die alle sechs Stunden fertige Physik-Rechnung der Wetterdienste zu warten. Das Modell läuft ab sofort in der Google-Suche, in Maps, in der Gemini-App und über die Maps Platform Weather API.

Sechs Stunden warten war gestern

Der wichtigste Unterschied steckt nicht in der Auflösung, sondern in der Datenquelle. Bisherige KI-Wettermodelle — auch WeatherNext 2 — lernen und starten ausschliesslich auf der sogenannten Analyse: einem physikalisch gerechneten Zustandsbild der Atmosphäre, das Wetterdienste alle sechs Stunden erstellen. Bis so eine Analyse verteilt ist, ist sie laut dem Forschungspapier zwischen sechs und zwölf Stunden alt.

WeatherNext 3 zieht zusätzlich ein Mosaik aus geostationären Satellitenbildern über elf Spektralkanäle direkt ins Modell — mit einer Latenz von knapp einer Stunde. Dadurch kann das System jede Stunde eine neue Vorhersage starten. DeepMind gibt dafür einen latenzbereinigten Vorsprung von rund drei Stunden beim Niederschlag an. heise ordnet den realistischen Zeitgewinn im Alltag eher bei zwei bis drei Stunden ein.

Was die Zahlen wirklich sagen

Google beschreibt WeatherNext 3 als das bisher genaueste globale Wettermodell. Die Kennzahlen dazu stammen mit einer Ausnahme aus DeepMinds eigener Auswertung:

• Auflösung: Das native Modellgitter liegt bei 0,1 Grad, also rund 11 Kilometern — damit auf dem Niveau des Ensembles des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF). Temperatur und Feuchte gibt ein separater Stationskopf auf einem 0,05-Grad-Raster aus, also etwa 5 Kilometern. WeatherNext 2 rechnete auf 25 Kilometern in Sechs-Stunden-Schritten.
• Horizont und Ensemble: 15 Tage, 64 Ensemble-Mitglieder. Ein Ensemble ist ein Bündel leicht unterschiedlicher Rechnungen, aus dem sich Wahrscheinlichkeiten ableiten lassen.
• Rechenzeit: Ein einzelnes Ensemble-Mitglied braucht laut Papier rund 6,3 Minuten auf vier TPUv5p-Chips. Kein Supercomputer, sondern eine Handvoll Beschleuniger.
• Niederschlag: Bis zu 60 Prozent besser als WeatherNext 2 gemessen am Satellitenprodukt IMERG — aber ausdrücklich nur für kurze Vorlaufzeiten.
• Gegen ECMWF: In einer sechswöchigen Echtzeitprüfung im Juli und August 2026 lag WeatherNext 3 bei den Höhenvariablen im Schnitt rund 10 Prozent vor dem KI-Modell AIFS ENS v2 des ECMWF. Die Autoren warnen selbst davor, aus sechs Wochen zu viel abzuleiten.

Die einzige unabhängige Bestätigung liefert Operational WeatherBench, ein Live-Ranking des Startups Brightband. Dort liegt WeatherNext 3 laut TechCrunch derzeit vorn — vor KI-Modellen von Google, Microsoft, Nvidia und ECMWF und vor den klassischen Prognosen des US-Wetterdienstes.

Ehrlicherweise gehört auch die Kehrseite dazu: Bei Wirbelstürmen fällt der Fortschritt gegenüber dem Vorgänger klein aus, teilweise ist er negativ. Und das Papier beschreibt sichtbare Artefakte — wabenförmige Muster aus der Gitterstruktur des Modells, vor allem beim Niederschlag.

Fünf Kilometer sind im Alpenraum grob

Für dich als Nutzerin oder Nutzer heisst das zunächst: Die Wetterangaben in Suche und Maps werden bei Planung über einen Tag hinaus laut Google bis zu 50 Prozent treffsicherer beim Niederschlag.

Für die Schweiz lohnt aber ein zweiter Blick. MeteoSchweiz betreibt mit ICON-CH1-EPS ein Regionalmodell mit rund 1 Kilometer Gitterweite, 11 Ensemble-Mitgliedern und einem neuen Lauf alle drei Stunden. Gegen dieses Relief-Niveau ist ein globales 5-Kilometer-Raster grob — ein Alpental ist oft schmaler als eine einzige Gitterzelle. Google nennt als Hauptnutzniesser denn auch ausdrücklich Regionen in Lateinamerika, Afrika und Asien-Pazifik, wo solche Regionalmodelle fehlen.

Trotzdem ist der Ansatz für Bergregionen interessant: WeatherNext 3 lernt direkt auf Messungen einzelner Wetterstationen und berücksichtigt dabei deren Höhenlage. Laut Papier sinkt der Fehler selbst an Stationen, die das Modell im Training nie gesehen hat. Eine alpenspezifische Auswertung fehlt in allen bisher verfügbaren Unterlagen — ob das im Schweizer Gelände trägt, ist offen.

Dass Deep Learning in der Meteorologie angekommen ist, hat MeteoSchweiz Ende August mit den neuen Gewitterwarnungen gezeigt. WeatherNext 3 zielt auf die andere Skala: global, mittelfristig, stündlich aktualisiert. Für amtliche Warnungen bleiben laut Google weiterhin die nationalen Wetterdienste massgeblich — das Modell läuft ausdrücklich als experimentelles System. Herunterladen kannst du die Vorhersagedaten, nicht das Modell: über BigQuery, Earth Engine und Google Cloud Storage.