Künstliche Intelligenz (KI) sorgt unter Meteorologinnen und Klimaforschern gerade für einigen Wirbel. Traditionelle Wetter- und Klimamodelle lösen mathematische Gleichungen näherungsweise (numerisch), um die physikalischen Prozesse in Ozean und Atmosphäre zu beschreiben. Diese numerischen Modelle benötigen Supercomputer und sind enorm energie- und zeitaufwändig.
Die neuen KI-Modelle hingegen kennen keine physikalischen Gesetze. Sie basieren auf Daten und machen Vorhersagen anhand erlernter Muster, sind viel schneller und jüngst mitunter erstaunlich genau.
In den letzten zwei Jahren haben zahlreiche Studien gezeigt, dass KI-generierte Wettervorhersagen bereits besser ausfallen als klassische, numerische Wetterprognosen. Das wirft Fragen auf über die zukünftige Rolle der KI bei der Wetter- und Klimamodellierung. Am
kommenden EXCLAIM-Symposium werden Forschende, Entscheidungsträgerinnen und KI-Experten genau darüber diskutieren. Eine der drängendsten Fragen lautet: Wird KI die teuren und aufwändigen numerischen Modelle nun vollständig ersetzen?
Die kurze Antwort: Wir wissen es nicht. KI entwickelt sich rasend schnell – doch selbst Fachleute können kaum sagen, wohin. Die differenziertere Antwort lautet: wahrscheinlich nicht. Es gibt zwar gute Gründe anzunehmen, dass KI-Modelle eine rasch wachsende Rolle spielen werden. Wir argumentieren hier aber, dass einige Aspekte der Klima- und Wettermodellierung wohl niemals vollständig von KI übernommen werden.
Wettervorhersage – eine KI-Erfolgsgeschichte
KI-Modelle übertreffen herkömmliche Wettervorhersagen mit Vorlaufzeiten von Stunden bis Saisons. Warum? Weil wir beim Wetter genau das bieten, wovon die KI lebt: Daten. Und zwar jede Menge davon.
Dank mehr als 80 Jahren globaler Wetterbeobachtungen, die in erster Linie von der Öffentlichkeit beschafft, bezahlt und verfügbar gemacht werden, können Wissenschaftlerinnen und Wissenschaftler KI-Systeme mit Millionen von Beispielen für das Verhalten der Atmosphäre füttern. Die Modelle lernen aus dieser riesigen Datenmenge Muster und Zusammenhänge, die für den Menschen unvorstellbar sind.
In nur wenigen Jahren hat sich die KI von einer experimentellen Kuriosität zu einer echten Konkurrenz für herkömmliche Wettermodelle entwickelt. KI-Vorhersagemodelle bieten genauere, schnellere und kostengünstigere Prognosen, was insbesondere für Regionen mit begrenztem Zugang zu Rechenleistung von Supercomputern vorteilhaft ist und die Demokratisierung der Wettervorhersage fördern kann.
Wir gehen daher davon aus, dass der Einsatz von KI-basierten Methoden bei der Wettervorhersage weiter zunehmen wird.
Aber nicht so beim Klima. Hier stellt sich eine völlig andere Herausforderung: Im Gegensatz zum Wetter gibt es beim Klima nur einen einzigen beobachteten Klimadatensatz. Das macht es sehr schwierig, KI auf möglichst verschiedenen Datensätzen zu trainieren, damit sie optimal lernt. Weiter entmutigend ist der Umstand, dass zukünftige Klimabedingungen oft ausserhalb der bisherigen Beobachtungen liegen werden und somit nicht in den Trainingsdaten enthalten sind.
Klimamodellierung: die härtere Nuss
Systeme, die sich nur langsam verändern, wie Tiefseeströmungen, Ökosystemverschiebungen und schmelzende Eisschilde, sind bekanntermassen schwer zu modellieren – selbst mit ausgefeilten physikalischen Werkzeugen. Auch Rückkopplungen wie das Abschmelzen von Schelfeis oder Verschiebungen in der Ozeanzirkulation sind für KI extrem schwer zu antizipieren. Solche Kippelemente können nach Jahrzehnten scheinbarer Stabilität massive, schnelle Veränderungen auslösen.
KI-Modelle, die häufig darauf trainiert sind, unter "normalen" Bedingungen Fehler zu minimieren, haben nachweislich Probleme, wenn seltene, extreme oder nicht vorhersehbare Situationen auftreten – also genau dann, wenn zuverlässige Informationen am dringendsten benötigt werden.
Kooperation statt Konkurrenz
Ein realistisches Szenario, das wir sehen, ist keines, in dem KI die traditionellen numerischen Modelle ersetzt, sondern vielmehr eines, in dem sie diese ergänzt und verbessert. KI hat viel mehr Anwendungsmöglichkeiten als nur die Emulation eines numerischen Modells: Sie kann helfen, numerische Simulationen zu beschleunigen, riesige Datensätze zu analysieren und Informationen zu extrahieren, und sie kann dazu beitragen, spezifische Modellkomponenten wie beispielsweise die Wolkenbildung oder turbulente Systeme wie Gewittertürme gezielt zu verbessern.
"Obwohl es Fortschritte bei der erklärbaren KI gibt, bleibt der Goldstandard für wissenschaftliches Verständnis in der Physik, der Theorie und der Beobachtung verankert." (Nicolas Gruber und Andreas Prein)
Spannend ist die Entwicklung digitaler Zwillinge der Erde – hochauflösende virtuelle Nachbildungen, die physikalische Modelle mit KI kombinieren, um das Erdsystem zu simulieren und vorherzusagen, wie es sich verhält. Initiativen wie Nvidias Earth-2 und Destination Earth der EU sollen Echtzeit-Einblicke in Extremwetter, Klimarisiken und Anpassungsoptionen liefern. Sie stehen exemplarisch dafür, wie KI und traditionelle Modellierung zusammen gesellschaftlichen Mehrwert schaffen können.
Bei der erklärbaren KI (XAI) gibt es zwar Fortschritte – doch der Goldstandard für wissenschaftliches Verständnis liegt in der Physik, der Theorie und der Beobachtung begründet. Im Gegensatz zu KI-Modellen sind physikbasierte Ansätze interpretierbar, nachvollziehbar und ihr Verhalten kausal erklärbar. Wenn KI-Technologien dem Gemeinwohl dienen sollen, braucht es eine solide Ausbildung, öffentliches Engagement und einen starken ethischen Rahmen. (Prof. Nicolas Gruber und Prof. Andreas Prein /
Zukunftsblog der ETH Zürich)
Prof. Dr. Nicolas Gruber
Ordentlicher Professor am Departement UmweltsystemwissenschaftenNicolas Gruber ist Professor für Umweltphysik und leitet derzeit das Departement Umweltsystemwissenschaften der ETH Zürich. (Foto: Alessandro Della Bella / ETH Zürich)
Prof. Dr. Andreas Prein
Ordentlicher Professor am Departement UmweltsystemwissenschaftenAndreas Prein ist Professor für hochauflösende Wetter- und Klimamodellierung und erforscht Extremereignissen in einem sich erwärmenden Klima. (Foto: Kilian Kessler / ETH Zürich)
