WeatherNext 3 von Google Research und Deepmind verzichtet auf klassische Physikmodelle und lernt direkt aus Echtzeit-Satellitendaten. Google verspricht ein fünfmal detaillierteres Bild der Wetterlage und stündliche Aktualisierungen.
Die Neuerung betrifft primär die Datenbasis. Bisherige KI-Wettermodelle, auch der Vorgänger WeatherNext 2, wurden auf Daten aus der numerischen Wettervorhersage (NWP) trainiert. Diese Simulationen laufen auf Supercomputern und tragen laut Google eine Verzögerung von sechs Stunden mit sich. Das begünstigt Fehler bei schnell wechselnden Werten wie Regen oder Temperatur.
WeatherNext 3 verarbeitet stattdessen Live-Daten von geostationären Satelliten. So könne das Modell jede Stunde eine neue Vorhersage erzeugen, jeweils auf Basis der aktuellsten Satellitenbeobachtungen und mit einer Auflösung von bis zu fünf Kilometern. Gerade bei plötzlich entstehenden Stürmen oder Niederschlägen liefere der schnelle Aktualisierungszyklus frühere und genauere Vorhersagen.
Fünfmal schärfer als der Vorgänger
Das Modell erzeugt stündliche Vorhersagen in mehreren Auflösungen. Temperatur und Feuchtigkeit stellt es mit fünf Kilometern dar, andere Oberflächenwerte mit zehn Kilometern und atmosphärische Größen wie die Windgeschwindigkeit mit 25 Kilometern. Insgesamt sei das Bild damit rund fünfmal schärfer als beim Vorgänger, der auf einem 25-Kilometer-Raster in Sechs-Stunden-Schritten arbeitete.
Wie groß der Abstand ist, zeigt Google an einer Temperaturvorhersage über Großbritannien: WeatherNext 2 liefert bei 25 Kilometern eine verpixelte Darstellung, WeatherNext 3 bildet bei fünf Kilometern dagegen die lokale Topographie ab.
Bei der Oberflächentemperatur arbeitet WeatherNext 3 mit einem Fünf-Kilometer-Raster und bildet Gebirgszüge und Küstenlinien ab, die im 25-Kilometer-Raster des Vorgängers zu groben Blöcken verschmelzen. | Bild: GoogleUm lokale Besonderheiten wie Küsten, Täler oder Gebirge zu erfassen, trainiert das Modell zusätzlich mit Daten einzelner Wetterstationen. Das ermöglicht global feinere Vorhersagen, die regionale Eigenheiten berücksichtigen. Laut Google profitieren davon besonders Regionen in Lateinamerika, Afrika und dem asiatisch-pazifischen Raum, die wegen der hohen Rechenkosten klassischer Regionalmodelle bislang schlecht mit genauen Vorhersagen versorgt waren.
Beim Niederschlag über dem Nordwesten der USA löst WeatherNext 3 die schmalen Regenbänder deutlich schärfer auf als der Vorgänger und kommt der Radarmessung näher. | Bild: GoogleBessere Niederschlagsvorhersage und Daten für erneuerbare Energien
Globale Wettermodelle tun sich traditionell schwer mit Niederschlag, weil Regen und Schnee von schnellen Wolkenprozessen auf kleinen Skalen abhängen. Um das zu verbessern, trainiert Google das Modell auf zwei Datenquellen: dem satellitengestützten IMERG-Datensatz der NASA und einer eigenen globalen Niederschlagsauswertung auf Basis von Satellitenradar.
Das Modell verarbeitet ein Mosaik geostationärer Satellitendaten und klassische Analysedaten und erzeugt daraus dichte Rasterfelder für Atmosphäre und Niederschlag sowie punktuelle Vorhersagen für Wetterstationen und Zyklonbahnen. | Bild: GoogleBei mittelfristigen globalen Vorhersagen zeige der Continuous Ranked Probability Score (CRPS) demnach Verbesserungen von bis zu 60 Prozent gegenüber IMERG, 30 Prozent gegenüber MRMS und zehn Prozent gegenüber Regenmessern bei kurzen Vorlaufzeiten.
Zusätzlich liefert WeatherNext 3 Vorhersagen, die auf erneuerbare Energien zugeschnitten sind. Das Modell prognostiziert Windgeschwindigkeiten auf 100 Metern Höhe, also etwa auf Turbinenhöhe, um den Ertrag von Windrädern abzuschätzen. Hinzu kommen genauere Werte für Wolkendecke und Sonneneinstrahlung, mit denen Solaranlagen ihre zu erwartende Leistung berechnen können. Diese Daten sollen Netzbetreibern helfen, Erzeugung und Nachfrage besser abzustimmen.
Integration in Suche, Maps und Gemini
Die Vorhersagedaten stellt Google stündlich aktualisiert bereit. Forscher, Entwickler und Unternehmen können sie in BigQuery und Earth Engine abfragen oder per Bulk-Download über Google Cloud Storage beziehen. Zugleich versorgt WeatherNext 3 ab sofort die Wetterfunktionen in Google Search, der Gemini-App, Google Maps, der Google Maps Platform Weather API und Google Earth Engine.
Bei der Planung einen Tag oder länger im Voraus sollen Nutzer bis zu 50 Prozent genauere Niederschlagsvorhersagen erhalten, am deutlichsten in Regionen, in denen Vorhersagen bislang weniger zuverlässig waren.
Google räumt ein, dass die Atmosphäre stets ein gewisses Maß an Unvorhersehbarkeit behalte. Für offizielle Wettervorhersagen, Unwetterwarnungen und Sicherheitshinweise verweist das Unternehmen ausdrücklich auf die nationalen Wetterdienste.
Google Deepmind hatte WeatherNext 2 im November 2025 vorgestellt. Das Modell übertraf nach Unternehmensangaben die erste WeatherNext-Generation bei 99,9 Prozent aller meteorologischen Variablen und Vorhersagezeiträume und rechnete dabei achtmal schneller, hunderte Wetterszenarien in weniger als einer Minute auf einer einzelnen TPU. Zugrunde lag das Functional Generative Network, auf dem auch WeatherNext 3 aufbaut. Schon WeatherNext 2 versorgte Google Search, Gemini, Pixel Weather und die Weather-API.
Im August 2026 stellte Deepmind WeatherNext 2 und die Variante WeatherNext Cyclones unter eine offene Lizenz. Das Zyklonmodell sagt Zugbahn und Intensität tropischer Wirbelstürme in einem einzigen System vorher und blickt rund einen Tag weiter voraus als führende operative Modelle, obwohl es mit einem etwa hundertfach gröberen Datenraster arbeitet. Ende 2024 hatte Deepmind mit GenCast das erste probabilistische KI-Wettermodell veröffentlicht, das das Ensemble-System des ECMWF übertraf.
KI-News ohne Hype – von Menschen kuratiert
Mit dem THE‑DECODER‑Abo liest du werbefrei und wirst Teil unserer Community: Diskutiere im Kommentarsystem, erhalte unseren wöchentlichen KI‑Newsletter, 6× im Jahr den "KI Radar"‑Frontier‑Newsletter mit den neuesten Entwicklungen aus der Spitze der KI‑Forschung, bis zu 25 % Rabatt auf KI Pro‑Events und Zugriff auf das komplette Archiv der letzten zehn Jahre.
