MeteoSchweiz warnt neu mit Deep Learning vor Gewittern

MeteoSchweiz hat seine automatischen Gewitterwarnungen auf künstliche Intelligenz umgestellt. Seit dem Sommer 2026 berechnet ein Deep-Learning-Modell rund um die Uhr und alle fünf Minuten für die ganze Schweiz, wie wahrscheinlich Hagel, Starkregen und Blitze in der kommenden Stunde sind — trainiert wurde es auf den Supercomputern des nationalen Hochleistungsrechenzentrums CSCS in Lugano. Das Bundesamt für Meteorologie und Klimatologie hat den Wechsel am 27. August 2026 kommuniziert und meldet drei Verbesserungen: heftige Gewitter werden zuverlässiger erfasst, es gibt weniger Fehlalarme, und die Vorwarnzeit ist länger geworden.

Vom starren Pfeil zum lernenden Blick

Bisher folgte die automatische Gewitterwarnung dem sogenannten Lagrangschen Ansatz: Das System entdeckt eine Gewitterzelle, ordnet ihr eine Intensität zu, bestimmt Richtung und Geschwindigkeit — und schreibt beides in die Zukunft fort. Die Annahme dahinter ist, dass Stärke und Zugbahn über den ganzen Vorhersagezeitraum konstant bleiben. Genau das trifft bei Gewittern selten zu.

«Diese Einschränkungen haben wir mit dem neuen Algorithmus nicht mehr», sagt Ulrich Hamann im MeteoSchweiz-Blog. Der wissenschaftliche Mitarbeiter am Standort Locarno war federführend für die Entwicklung zuständig.

Das neue Modell wertet stattdessen ganze zeitliche Abfolgen von Radarbildern aus. Es erkennt daran, ob ein Gewitter sich abschwächt oder intensiviert, ob es auf einen Bergkamm zuzieht und sich dort verstärkt — und es sieht Bildstrukturen, die auf eine rotierende Aufwindzone hindeuten, wie sie bei besonders gefährlichen Superzellen auftritt. Auch wie sich mehrere Gewitter gegenseitig beeinflussen, fliesst neu in die Prognose ein.

35 Minuten Vorsprung im Mendrisiotto

Die erste Bewährungsprobe kam sofort. Am 9. Juni 2026, dem Abend des ersten Betriebstages, zog gegen 21.30 Uhr ein aussergewöhnlich starkes Gewitter über das Mendrisiotto im Tessin. In Coldrerio fielen 40,9 Millimeter Niederschlag in zehn Minuten — ein neuer Rekord für die Alpensüdseite; der bisherige Höchstwert lag bei 37,1 Millimetern und stammte aus dem Jahr 2024. Dächer, Autos und landwirtschaftliche Kulturen wurden beschädigt.

Zur Hagelgrösse gehen die Angaben auseinander: Der MeteoSchweiz-Blog spricht von Körnern bis fünf Zentimeter, blue News berichtete unmittelbar nach dem Unwetter unter Berufung auf MeteoSchweiz von bis zu sieben Zentimetern Durchmesser.

Das neue System warnte rund 35 Minuten, bevor der Radar Hagel von über zwei Zentimetern bestätigte.

Bemerkenswert ist dabei die räumliche Trennschärfe: Für das Mendrisiotto gab das System die höchste Warnstufe aus, für die weniger betroffene Region am Luganersee nur Stufe 3. Ein Warnsystem, das flächendeckend Alarm schlägt, nützt niemandem — ein Warnsystem, das die richtige Region trifft, schon.

Fünf Radare, jeder einzelne Blitz

Als Eingangsdaten nutzt das Modell die Radarprodukte der fünf Wetterradare, die MeteoSchweiz betreibt und aus denen sich Hagel, Regen und Schnee unterscheiden lassen. Dazu kommen aktuelle Blitzdaten: Jeder einzelne Blitz wird vermessen und ins Modell eingespeist. Trainiert wurde der Algorithmus am CSCS mit Radar- und Blitzbeobachtungen aus mehreren Jahren sowie hochauflösenden Geländedaten — so lernt er, wie Gewitter mit der Schweizer Topografie interagieren.

Zur Entwicklungsdauer machen die beiden MeteoSchweiz-Quellen unterschiedliche Angaben: Die Medienmitteilung spricht von vier Jahren, Hamann nennt im Blog drei Jahre wissenschaftliche Entwicklung — finanziert über ein EUMETSAT-Stipendium für eine Postdoc-Stelle — plus zwei weitere Jahre für die operationelle Umsetzung. Klar ist: MeteoSchweiz betreibt bereits seit rund zehn Jahren weitgehend automatisierte Gewitterwarnungen. Neu ist nicht die Automatisierung, sondern das Deep Learning darin.

Wo KI-Wettermodelle sonst schwächeln

Der Zeitpunkt ist heikel. Im Frühjahr 2026 veröffentlichten Forschende des Karlsruher Instituts für Technologie und der Universität Genf im Fachjournal Science Advances eine Studie, die drei prominente KI-Wettermodelle — GraphCast, Pangu-Weather und FuXi — mit dem physikalischen Referenzmodell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage verglich. Bei Rekordereignissen unterschätzten die KI-Modelle sowohl die Intensität als auch die Häufigkeit systematisch. Der Grund: Neuronale Netze lernen aus der Vergangenheit und extrapolieren schlecht über ihren Trainingsbereich hinaus.

Das ist kein direkter Gegenbeweis — jene Studie untersucht globale Mittelfristprognosen über Tage, MeteoSchweiz macht Nowcasting über eine Stunde mit ganz anderen Daten. Aber die Grundfrage bleibt dieselbe: Wie verlässlich ist ein Modell genau dann, wenn das Ereignis noch nie so dagewesen ist? Hamann benennt die verwandte Schwäche selbst. Die Zusammenhänge zwischen Eingangsdaten und Resultat seien komplex und schwerer zu erklären; MeteoSchweiz setzt deshalb Explainable AI ein, einen Werkzeugkasten, um nachzuvollziehen, wie das Modell zu seinem Ergebnis kommt.

Meteorologen dürfen die Maschine überstimmen

Die vielleicht wichtigste Designentscheidung steckt im Kleingedruckten: Meteorologinnen und Meteorologen können weiterhin eigene manuelle Warnungen ausgeben und das Modell damit überstimmen. Wenn Erfahrung und Wetterbeobachtung sagen «da kommt etwas», obwohl das Modell schweigt, gilt der Mensch. Diese Funktion sauber in den neuen Algorithmus zu integrieren, war laut Hamann eine der grössten Herausforderungen der Umstellung.

Für dich als Nutzerin oder Nutzer der MeteoSwiss-App ändert sich nichts am Ablauf — Warnungen kommen weiterhin für Warnregionen und für deine Favoritenorte. Was sich ändert, ist die Trefferquote dahinter. Und die Erwartungshaltung sollte realistisch bleiben. Hamann formuliert es so: «Die Natur bleibt die Natur, wir können nie 100% aller Gewitter richtig vorhersagen.»