Pressemitteilung vom 04. Mai 2026

Physikbasierte Wettermodelle bei Extremereignissen zuverlässiger als KI

Grenzen KI-basierter Wettervorhersagen bei extremen Stürmen sowie Hitze- und Kältewellen

Künstliche Intelligenz (KI) hat die Wettervorhersage in den vergangenen Jahren rasant verändert. Moderne KI-Modelle liefern schnelle und energieeffiziente Prognosen und erreichen bei durchschnittlichen Wetterlagen oft eine Genauigkeit, die mit klassischen, physikbasierten numerischen Modellen vergleichbar ist oder diese sogar übertrifft. Bei besonders schweren Extremereignissen mit neuen Rekordwerten stoßen KI-basierte Vorhersagen jedoch an ihre Grenzen. Das zeigt eine internationale Studie unter Leitung des Karlsruher Instituts für Technologie (KIT) und der Universität Genf, an der auch Wissenschaftler des Helmholtz-Zentrums für Umweltforschung (UFZ) beteiligt waren. Die Ergebnisse wurden in Science Advances publiziert.

Wie gut moderne KI-Wettermodelle extreme Hitze-, Kälte- und Windereignisse vorhersagen, die bisherige historische Rekorde übertreffen, haben Forschende um Dr. Zhongwei Zhang am Institut für Statistik des KIT untersucht. Das Ergebnis: Bei diesen außergewöhnlichen Wetterbedingungen ist das physikbasierte hochauflösende Modell HRES des Europäischen Zentrums für mittelfristige Wettervorhersage den derzeit führenden KI-Modellen durchweg überlegen.

KI unterschätzt Rekorde systematisch
Die Wissenschaftlerinnen und Wissenschaftler verglichen mehrere etablierte KI-Modelle – darunter GraphCast, Pangu Weather und Fuxi – mit dem numerischen, physikbasierten Referenzmodell HRES. Während KI-Modelle bei der Gesamtbewertung aller Wetterlagen gut abschneiden, zeigen sie bei Rekordereignissen durchweg größere Prognosefehler. Sie unterschätzen sowohl die Intensität als auch die Häufigkeit extremer Ereignisse. „Unsere Analysen zeigen, dass KI-Modelle die Intensität von Hitze-, Kälte- und Windrekorden generell unterschätzen“, erklärt Zhongwei Zhang. „Je stärker ein Rekord vorherige Extremwerte übertrifft, desto größer ist die Unterschätzung.“

Grenzen neuronaler Netze
Die Ursache sehen die Forschenden in einer grundsätzlichen Einschränkung datengetriebener Modelle: KI-Systeme lernen aus historischen Daten und sind besonders gut darin, Wettermuster vorherzusagen, die bereits beobachteten Situationen ähneln. Rekordereignisse liegen jedoch per Definition außerhalb der bisherigen Beobachtungen.
„Neuronale Netze haben Schwierigkeiten, verlässlich über ihren Trainingsbereich hinaus zu extrapolieren – also Vorhersagen jenseits der bisher beobachteten Werte zu treffen“, sagt Professor Sebastian Engelke, von der Universität Genf. „Physikalische Modelle wie HRES basieren dagegen auf grundlegenden Gesetzen der Physik. Dies stellt sicher, dass ihre Vorhersagen auch dann noch zuverlässig sind, wenn die Atmosphäre in Zustände übergeht, die noch nicht beobachtet wurden.“ Gerade in einem sich rasch erwärmenden Klima treten solche rekordverdächtigen Wetterlagen immer häufiger auf – mit teils schwerwiegenden Folgen für Gesundheit, Infrastruktur und Wirtschaft.

Bedeutung für Frühwarnsysteme
Die Ergebnisse sind insbesondere für Frühwarnsysteme und das Katastrophenmanagement relevant. Eine systematische Unterschätzung extremer Ereignisse kann dazu führen, dass Warnungen zu spät oder gar nicht ausgesprochen werden. Die Autorinnen und Autoren der Studie betonen daher, dass KI-Wettermodelle derzeit klassische numerische Vorhersagen nicht ersetzen können. „Für risikoreiche Anwendungen sollte man sich nicht ausschließlich auf KI verlassen“, stellt Zhang fest. „Der Klimawandel führt auch zu mehr gleichzeitig auftretenden Extremereignissen, was eine zusätzliche Herausforderung für KI-basierte Vorhersagemodelle darstellt“, ergänzt Professor Jakob Zscheischler, Leiter des Departments Compound Environmental Risks am Helmholtz Zentrum für Umweltforschung (UFZ). Stattdessen empfehlen die Forschenden einen parallelen Einsatz beider Ansätze sowie weitere Forschung an hybriden Modellen und physikinformierten neuronalen Netzen, die physikalisches Wissen mit KI-Methoden kombinieren.

Perspektiven für verbesserte KI-Modelle
Die Studie zeigt zugleich Wege auf, wie KI-Wettervorhersagen künftig robuster werden könnten. Dazu zählen unter anderem eine gezielte Anreicherung der Trainingsdaten mit simulierten Extremereignissen, neue Trainingsmethoden aus der Extremwertstatistik sowie hybride Modellansätze. Bis dahin bleibt die zentrale Botschaft klar: „KI ist ein leistungsstarkes Werkzeug für die Wettervorhersage – bei den extremsten und potenziell gefährlichsten Ereignissen sind physikalische Modelle jedoch weiterhin unverzichtbar“, so Engelke.

Publikation
Zhongwei Zhang, Erich Fischer, Jakob Zscheischler and Sebastian Engelke: Physics-based models outperform AI weather forecasts of record-breaking extremes. Science Advances, 2026. DOI: 10.1126/sciadv.aec1433.

Weitere Informationen

Prof. Dr. Jakob Zscheischler
Leiter des UFZ-Department of Compound Environmental Risks
jakob.zscheischler@ufz.de

UFZ-Pressestelle

Susanne Hufe
Telefon: +49 341 6025-1630
presse@ufz.de