Kuratierte Schlaglichter für Lernlustige und Multiplikatorinnen im DACH-Raum*
Ausgabe 05/2026 – KW 13 Schäden durch wetterbedingte Naturkatastrophen sind immens, etwa 17.200 Menschen kamen weltweit durch Naturkatastrophen ums Leben. Vor diesem Hintergrund sind die Anforderungen an Vorhersagen von Extremwetterereignissen maximal hoch. Wir setzen mit dieser Ausgabe vier Schlaglichter darauf, wie KI hier unterstützend zur Anwendung kommt.
Transparenz
Text und Bild(er) mit KI-Unterstützung erarbeitet.
Ausgabe 05/2026 – KW 13–14. Naturkatastrophen haben 2025 weltweit Schäden von 224 Milliarden US-Dollar verursacht – 92 Prozent davon durch Wetterkatastrophen, wie die Munich Re in ihrer Pressemitteilung von Januar 2026 festhält. Etwa 17.200 Menschen kamen weltweit durch Naturkatastrophen ums Leben. Hochwasser, Starkgewitter und Waldbrände verursachten Gesamtschäden in Höhe von 166 Milliarden Dollar.
Quelle: Pressemitteilung der Munich Re, 13. Januar 2026 · [Typ: Unternehmensmitteilung]
Link: Klimawandel kennt keine Pause: Verheerende Waldbrände und mächtige Gewitter treiben die Schäden für Versicherer | Munich Re
Vor diesem Hintergrund sind die Anforderungen an möglichst präzise und möglichst frühzeitige Vorhersagen von Extremwetterereignissen maximal hoch.
Wir setzen mit dieser Ausgabe vier Schlaglichter auf das Thema und die aktuellen Entwicklungen, die einen Eindruck dazu vermitteln sollen, welche Bedeutung KI in der Wettervorhersage und damit in der Risikovorsorge heute hat und welche Perspektiven es gibt.
Fundstück 1: Der Deutsche Wetterdienst (DWD) nimmt AICON in Betrieb
Quellen: Spektrum der Wissenschaft, 1. März 2026 · [Typ: Fachpresse, Artikel aus dem dpa-Newskanal]
Link: https://www.spektrum.de/news/innovation-wie-ki-die-wettervorhersage-besser-machen-soll/2312992
Pressemitteilung DWD, 2. März 2026
Link: Bundesverkehrsminister startet KI-basierte Wettervorhersage des DWD und DWD-Geoportal: AICON – DWD-Geoportal (abgerufen am 20.03.2026)
Was ist passiert? Am 2. März 2026 hat der Deutsche Wetterdienst (DWD) sein KI-Wettermodell AICON offiziell in Betrieb genommen, nachdem das KI-Modell über ein halbes Jahr parallel zum klassischen numerischen ICON-Modell getestet wurde. AICON liefert den Meteorologinnen und Meteorologen des DWD Prognosen im Drei-Stunden-Takt – doppelt so häufig wie bisher übliche globale Wettermodelle – und schafft damit einen Vorsprung für den Katastrophenschutz. Weitere Verbesserungen, u.a. durch Installation auf einem neuen Großrechner, sind zu erwarten. Das Modell wurde gemeinsam mit europäischen Wetterdiensten im Rahmen des ECMWF-Projekts Anemoi entwickelt und ausschließlich auf dem hauseigenen Datensatz ICON-DREAM trainiert. DWD-Präsidentin Sarah C. Jones brachte die Strategie auf den Punkt: „Entscheidend für die Qualität von KI-Verfahren sind die Daten, auf denen sie trainiert werden.”
Warum ist das für 60+ relevant? Die Inbetriebnahme von AICON ist zunächst eine infrastrukturelle Meldung – aber mit unmittelbarer gesellschaftlicher Bedeutung. Präzisere Kurzfristprognosen verbessern Unwetterwarnungen, die auf Smartphones, Wetter-Apps oder öffentlich-rechtlichen Portalen ankommen. Für Katastrophenschutzbehörden, Kommunen und Einsatzkräfte bedeuten frühere und genauere Prognosen mehr Vorlaufzeit für Evakuierungsentscheidungen – die Lehre aus dem Ahrtal 2021 ist hier unmittelbar greifbar. Bundesverkehrsminister Schnieder formulierte bei der Inbetriebnahme, AICON arbeite „mit eigenen Datensätzen, eigenem Kapital und eigenem Personal” – eine Positionierung, deren Hintergrund das vierte Fundstück dieser Ausgabe beleuchtet.
Was Sie mitnehmen können: Diskussionsfrage: Welche Wetterwarnsysteme nutzen Sie – und wissen Sie, auf welchen Daten und Modellen sie basieren?
Fundstück 2: Was KI noch nicht kann – wenn der Klimawandel zu Ereignissen führt, für die es keine Vorläufer (Muster) gibt
Quelle: Proceedings of the National Academy of Sciences (PNAS), Mai 2025 · Univ. of Chicago, NYU, UC Santa Cruz [Typ: Forschungsliteratur]
Aufbereitung: Ingenieur.de, 22. Mai 2025 · [Typ: Fachpresse]
Link: https://www.ingenieur.de/technik/fachbereiche/kuenstliche-intelligenz/bei-extremwetterereignissen-liefert-die-ki-nicht/
Was ist passiert? Forschende dreier US-amerikanischer Universitäten untersuchten in einer Peer-reviewed-Studie eine grundlegende Limitation von KI-Wettermodellen: Sie können Ereignisse, die sie in ihren Trainingsdaten nicht oder kaum gesehen haben, systematisch unterschätzen – sogenannte „Gray Swan”-Ereignisse. Das Testbeispiel ist anschaulich: Ein Modell, das während des Trainings nur Hurrikane bis Kategorie 2 verarbeitet hat, prognostiziert bei einem tatsächlichen Kategorie-5-Sturm zuverlässig nur Kategorie 2. Das Modell erkennt, dass etwas Ungewöhnliches passiert – unterschätzt die Intensität aber strukturell. Einen Ausweg deutet die Studie an: Wenn ein vergleichbares Extremereignis aus einer anderen Weltregion in den Trainingsdaten vorhanden ist, kann das Modell transferieren. Klassische physikalische Modelle sind hier strukturell im Vorteil – sie berechnen atmosphärische Dynamik auf Basis physikalischer Gesetze und sind damit nicht auf das Beobachtete beschränkt. Die Studie empfiehlt Hybridmodelle als Lösungsweg.
Warum ist das für 60+ relevant? Der Klimawandel erzeugt per Definition neue – auch in langjährigen Wetteraufzeichnungen nicht dokumentierte – Extreme. Das sind Ereignisse, die eine rein auf Mustererkennung setzende KI nicht erkennen kann. Das Problem ist erkannt, und die Forschung sucht intensiv nach Lösungen. Wir dürfen optimistisch sein, dass ob des hohen Handlungsdrucks hier mit gemeinsamen Kräften schnell Lösungen gefunden werden. Meine persönliche Meinung: Die Kürzung von Forschungsmitteln an dieser (und anderen) Stelle kann uns sehr schnell sehr teuer zu stehen kommen.
Was Sie mitnehmen können: Orientierungsfrage für Diskussionen: KI-Modelle lernen aus der Vergangenheit – was bedeutet das, wenn der Klimawandel die Gegenwart von der Vergangenheit entkoppelt? Und was bedeutet das für die Relevanz von Forschungsförderung?
Fundstück 3: Das Engagement der Tech-Giganten für bessere Wettervorhersagen
Quelle: Microsoft Research / Nature, Mai 2025 [Typ: Forschungsliteratur / Unternehmensveröffentlichung]
Links: – https://news.microsoft.com/source/features/ai/microsofts-aurora-ai-foundation-model-goes-beyond-weather-forecasting/ – https://deepmind.google/blog/graphcast-ai-model-for-faster-and-more-accurate-global-weather-forecasting/
Was ist passiert? Parallel zu nationalen Wetterdiensten entwickeln auch große Technologieunternehmen KI-Wettermodelle. Microsofts Aurora-Foundation-Modell, im Mai 2025 in Nature veröffentlicht, wurde auf über einer Million Stunden atmosphärischer Daten trainiert – Satelliten-, Radar- und Stationsdaten aus unterschiedlichen internationalen Quellen. Es übertrifft laut eigener Evaluierung 91 Prozent der bisherigen Benchmark-Modelle bei 14-Tages-Prognosen. Das Modell ist bewusst für Transfer Learning ausgelegt: Nach dem Vortraining kann es mit kleinen, spezialisierten Datensätzen auf Einzelaufgaben feingetuned werden – von der Wellenhöhenprognose bis zur Luftqualität. MSN Weather integriert bereits die Aurora-Modellierung. Nach eigener Mitteilung hat Microsoft den Quellcode und die Modellgewichte offengelegt – man setzt also auf Transparenz.
Schaut mal nach auf MSN Weather – Spannend!
Google ist schon länger (seit 2023) mit seinem Modell GraphCast unterwegs: Während GraphCast auf einem einzelnen Datensatz (ERA5) für eine spezifische Aufgabe trainiert wurde, ist Aurora ein allgemeineres System. GraphCast, seit 2023 in Betrieb, war das erste KI-Modell, das die Vorhersagegüte des ECMWF bei 10-Tages-Prognosen übertraf.
Quelle: GraphCast: KI-Modell für schnellere und genauere globale Wettervorhersage – Google DeepMind
Wer tiefer recherchieren möchte: Ich bin auf Kachelmannwetter gestoßen – dort lassen sich die Wettervorhersagen nach verschiedenen Modellen, u.a. GraphCast, einstellen.
Warum ist das für 60+ relevant? Die Wettermodelle der Tech-Konzerne sind sicher beachtenswert. Die Frage wird am Ende sein, welche Daten mit welcher Qualität herangezogen werden und wie gut die Mustererkennung gerade in Zeiten des Wandels funktioniert. Es wird immer eine Abwägung sein, und der gesunde Instinkt sowie die Warnungen der örtlichen Behörden sollten immer ernst genommen werden.
Was Sie mitnehmen können: Gedankenexperiment für Kurse und Diskussionsrunden: Wenn Sie selbst auf Ihrem Smartphone auf unterschiedliche Wettervorhersagen zugreifen können – ist das für Sie hilfreich oder eher überfordernd – oder ist es besser, bei möglichen Extremereignissen auf Warn-Apps wie NINA zu vertrauen, egal was die KI sagt?
Fundstück 4: Warum nutzt der Deutsche Wetterdienst eigene KI-Modelle, trainiert mit eigenen Wetterdaten?
Quellen: DWD opendata, DOI 10.5676/dwd/icon-dream_v1 · Valmassoi et al., EMS Annual Meeting 2025 · ECMWF HPC Workshop, Prill (DWD), September 2025 [Typ: Forschungsliteratur / Primärdokumentation]
Links: – https://opendata.dwd.de/climate_environment/CDC/help/landing_pages/doi_landingpage_ICON-DREAM_v1-de.html – https://meetingorganizer.copernicus.org/EMS2025/EMS2025-690.html
Was ist passiert? AICON trainiert nicht auf dem international weit verbreiteten ERA5-Datensatz des ECMWF, sondern auf ICON-DREAM v1 – einem 15 Jahre umfassenden atmosphärischen Reanalysedatensatz, der mit denselben Modellwerkzeugen erstellt wurde wie das operative DWD-Vorhersagesystem. Mit 13 km globaler und 6,5 km europäischer Auflösung ist ICON-DREAM feiner aufgelöst als ERA5 (ca. 31 km). Die erste unabhängige Qualitätsbewertung – präsentiert von Valmassoi et al. auf dem EMS Annual Meeting 2025 – zeigt: ICON-DREAM weist geringere systematische Messfehler und niedrigere RMSE-Werte auf als ERA5. Die Datenbasis steht unter öffentlich-rechtlicher Kontrolle des DWD, ist mit eigenem DOI erschlossen und unter DWD-Nutzungsbedingungen zugänglich. Parallel entwickelt der DWD unter dem Namen AIDA ein weiteres KI-System, das KI auch für die Datenassimilation einsetzen soll – also für die Aufgabe, heterogene Beobachtungsquellen zu einem konsistenten Anfangszustand für die Vorhersage zusammenzuführen. AIDA befindet sich im Forschungsstadium; erste Tests sind für 2026/27 geplant.
Warum ist das für 60+ relevant? Wer die Trainingsdaten eines KI-Modells kontrolliert, kontrolliert wesentlich dessen Qualität und Ausrichtung – das ist die implizite Logik hinter der DWD-Entscheidung für ICON-DREAM. Für ein öffentlich-rechtliches Vorhersagesystem, das in Katastrophenschutzentscheidungen einfließt, ist das eine nachvollziehbare Position: Qualitätssicherung, Fehleranalyse und Verantwortlichkeit lassen sich nur dort vollständig durchsetzen, wo die Datenbasis unter eigener Kontrolle liegt. Das ist kein deutsches Sonderproblem – das ECMWF als europäische Institution verfolgt mit dem Anemoi-Rahmen eine vergleichbare Logik auf europäischer Ebene.
Was Sie mitnehmen können: Für Multiplikator*innen: Das ICON-DREAM-Argument ist ein konkretes Beispiel dafür, wie sich die Frage nach Datenhoheit auf technischer Ebene beantworten lässt.