Am Morgen genügt oft ein Blick aufs Telefon. 17 Grad, 60 Prozent Regenwahrscheinlichkeit, am Nachmittag vielleicht Sonne. Eine kleine Vorhersage, schnell gelesen und ebenso schnell vergessen. Seit wenigen Tagen kann hinter dieser unscheinbaren Information jedoch ein KI-System arbeiten, das Satellitenbilder auswertet, 64 mögliche Wetterverläufe berechnet und Temperaturprognosen in einem Raster von fünf Kilometern erstellt.
Google hat WeatherNext 3 am 3. September 2026 vorgestellt und damit begonnen, das Modell in die Suche, die Gemini-App, Google Maps und die Wetterschnittstelle der Maps-Plattform einzubauen. Unternehmen und Forschungseinrichtungen können die Vorhersagen zudem über Google Cloud, BigQuery und Earth Engine nutzen. Eine Technologie, um deren Entwicklung bislang vor allem meteorologische Institute, Technologiekonzerne und spezialisierte Start-ups wetteiferten, rückt damit direkt auf die Bildschirme von Milliarden Menschen. Recherchequelle: Google
Wie KI die klassische Wettermodellierung verändert
WeatherNext 3 ist kein Chatbot, der über das Wetter plaudert. Es gehört zu einer neuen Generation von KI-Modellen, die berechnen, wie sich die Atmosphäre entwickelt. Klassische Wettervorhersagen beruhen dagegen auf physikalischen Gleichungen: Supercomputer zerlegen die Erde in ein dreidimensionales Gitter und simulieren, wie sich Luftdruck, Temperatur, Feuchtigkeit und Wind verändern. Solche numerischen Modelle sind aufwendig, wurden aber über Jahrzehnte verfeinert. Sie bilden weiterhin das Rückgrat der modernen Meteorologie.
KI-Modelle wählen einen anderen Weg. Sie lernen aus gewaltigen Mengen historischer Wetterdaten, welche atmosphärischen Muster typischerweise aufeinander folgen. Statt jeden physikalischen Prozess einzeln durchzurechnen, erkennen sie Beziehungen in den Daten und leiten daraus eine Prognose ab. So entstehen Vorhersagen meist erheblich schneller. Lange hatten solche Systeme allerdings einen entscheidenden Nachteil: Viele nutzten als Ausgangspunkt bereits aufbereitete Analysedaten traditioneller Wettermodelle. Ihr Blick fiel also nicht unmittelbar auf die Atmosphäre, sondern auf deren rechnerisch erzeugtes Abbild.
Satellitenbilder bringen die Prognose näher an die Atmosphäre
WeatherNext 3 soll diese Distanz verkürzen. Das Modell verarbeitet Aufnahmen geostationärer Wettersatelliten, die mit geringer Verzögerung bereitgestellt werden, und verbindet sie mit klassischen Analysedaten. Weil die Satelliten dieselben Regionen der Erde fortlaufend beobachten, lässt sich das System jede Stunde neu starten. Herkömmliche globale Prognosemodelle laufen dagegen oft in größeren Zeitabständen. Gerade bei rasch wachsenden Gewitterzellen oder wandernden Regengebieten können wenige Stunden einen spürbaren Unterschied machen. Die wissenschaftliche Veröffentlichung beschreibt den Ansatz als Versuch, Datenaufnahme, Prognose und nachträgliche Verfeinerung stärker in einem einzigen System zusammenzuführen. Recherchequelle: arXiv
Auch die räumliche Auflösung wird feiner. WeatherNext 2 stellte die Atmosphäre noch überwiegend in Feldern von 25 mal 25 Kilometern dar. WeatherNext 3 kann Temperatur- und Taupunktdaten dagegen mit einer Auflösung von fünf Kilometern ausgeben. Andere Werte an der Erdoberfläche liegen bei ungefähr zehn Kilometern, atmosphärische Größen wie bestimmte Winddaten bei 25 Kilometern.
Wie fein dieses Raster ist, bestimmt, wie deutlich eine Prognose Küsten, Gebirgstäler und städtische Wärmeinseln mit ihren teils stark unterschiedlichen Bedingungen abbildet. Ein grobes Modell glättet solche Unterschiede, als würde jemand mit einem breiten Pinsel über die Wetterkarte fahren. Ein feineres Raster lässt mehr lokale Konturen hervortreten.
Für Temperatur und Taupunkt wurde das System zusätzlich mit Messdaten einzelner Wetterstationen trainiert. Dabei soll es nicht bloß die Werte bekannter Stationen reproduzieren, sondern auch geografische Merkmale wie Höhenlage und Geländeform berücksichtigen. Das Ziel: eine Prognose, die den Ort genauer erfasst, an dem Menschen tatsächlich stehen – und sich nicht nur am Mittelpunkt einer großen Rechenzelle orientiert.
Doch mehr räumliche Detailtiefe bedeutet keine Gewissheit. WeatherNext 3 legt sich nicht auf ein einziges, vermeintlich sicheres Wettergeschehen fest, sondern berechnet ein Ensemble von 64 möglichen Entwicklungen. Die Varianten sollen sichtbar machen, wie groß die Unsicherheit einer Prognose ist. Reguläre Modellläufe reichen bis zu 15 Tage in die Zukunft; hinzu kommen stündlich aktualisierte Zwischenläufe mit kürzerem Horizont. Entwickler erhalten nicht nur Mittelwerte, sondern unter anderem auch verschiedene Wahrscheinlichkeitsbereiche. Ein Logistikunternehmen könnte so erkennen, ob heftiger Wind zwar unwahrscheinlich, aber keineswegs ausgeschlossen ist. Recherchequelle: Google for Developers
Beim Niederschlag beginnt der Streit um die Präzision
Besonders ehrgeizig sind die Angaben zum Niederschlag. Regen und Schnee zählen zu den schwierigsten Größen der Wettervorhersage, weil sie aus kleinteiligen, rasch wechselnden Prozessen entstehen. Google trainierte das Modell unter anderem mit satellitengestützten Niederschlagsdaten und meldet in eigenen Tests deutliche Verbesserungen gegenüber früheren Verfahren. Wer mindestens einen Tag im Voraus plant, soll in den Google-Produkten regional bis zu 50 Prozent präzisere Niederschlagsprognosen erhalten.
Solche Prozentangaben brauchen allerdings Kontext. Vorhersagequalität lässt sich nicht in einem einzigen universellen Wert verdichten. Das Ergebnis hängt davon ab, welche Wettergröße, Region, Vorhersagedauer und Vergleichsmethode betrachtet wird. Eine Temperaturprognose für den dritten Tag ist etwas anderes als die exakte Grenze eines sommerlichen Starkregengebiets.
Die unabhängige Vergleichsplattform Operational WeatherBench von Brightband führt WeatherNext 3 unter den derzeit untersuchten globalen Modellen. Beim Niederschlag ist dort momentan allerdings kein direkter Vergleich möglich. WeatherNext 3 wurde für diese Variable mit Daten aus einer satellitenbasierten Analyse trainiert, während andere Systeme auf abweichenden Datengrundlagen beruhen. Brightband berücksichtigt die Niederschlagswerte deshalb vorerst nicht in seiner Bewertung der Modelle. Eine wichtige Einschränkung: Dass ein System bei Temperatur oder Wind weit vorn liegt, beweist noch nicht automatisch dieselbe Überlegenheit bei Regen. Recherchequelle: Operational WeatherBench
Umstritten ist auch Googles Darstellung, WeatherNext 3 sei das erste hochauflösende globale KI-Wettermodell, das Rohbeobachtungen direkt aufnimmt. Das Start-up WindBorne verweist darauf, dass sein System WeatherMesh 6 Messungen aus Wetterballons und anderen Quellen bereits seit Ende 2025 unmittelbar verarbeitet. Im Wettbewerb geht es inzwischen nicht mehr allein um bessere Modellarchitekturen. Zunehmend kommt es darauf an, wer über die aktuellsten Beobachtungen verfügt und sie am schnellsten in eine neue Prognose verwandeln kann. Recherchequelle: TechCrunch
Vom Wetterbericht zum Rohstoff für Unternehmen
Beim Regenschirm endet der Nutzen nicht. WeatherNext 3 prognostiziert Windgeschwindigkeiten in 100 Metern Höhe, also ungefähr dort, wo sich die Rotoren großer Windkraftanlagen drehen. Hinzu kommen Sonneneinstrahlung und Bewölkung für die Planung von Solarstrom. Landwirtschaft, Luftfahrt, Energiehandel und Lieferketten können Wetterdaten mit eigenen Standorten oder Betriebsinformationen verknüpfen. Über BigQuery lassen sich die Modellwerte etwa direkt mit Karten von Filialen, Lagerhallen oder Stromanlagen kombinieren. Der Wetterbericht wird so von einer Information für Menschen zu einem maschinenlesbaren Rohstoff.
Den eigentlichen Umbruch markiert Googles neue Doppelrolle. Der Konzern zeigt Wetterinformationen nicht mehr nur an, sondern produziert einen wachsenden Teil der zugrunde liegenden Prognose selbst. Er verteilt sie über eigene Dienste und bietet sie zugleich als Cloud-Datensatz für Unternehmen an. Ein Modell verlässt das Forschungslabor und zieht in Suche, Navigation und Geschäftsprozesse ein – weitgehend unsichtbar.
Warum KI keine amtliche Warnung ersetzt
Eine amtliche Warnung ersetzt WeatherNext 3 damit nicht. Google bezeichnet die Daten ausdrücklich als experimentell und verweist bei Unwettern auf nationale Wetterdienste und örtliche Behörden. Das ist mehr als ein üblicher Haftungshinweis. Eine KI kann Wahrscheinlichkeiten schneller berechnen und das Wettergeschehen feiner auflösen. Ob daraus eine Warnung, eine Evakuierung oder die Schließung einer Schule folgt, bleibt jedoch Sache von Menschen und Institutionen.
Für die meisten Nutzer wird dieser Wandel kaum spektakulär aussehen. Vielleicht verschiebt sich nur ein Regensymbol. Vielleicht erscheint die erwartete Front eine Stunde früher und ein paar Kilometer weiter westlich. Doch hinter der kleinen Wolke auf dem Display arbeitet nun ein System, das die Erde unablässig aus dem All betrachtet und aus jeder neuen Aufnahme ein anderes Morgen berechnet.
Weiterführende Informationen
Quellenhinweis: Einzelne Fakten, Einschätzungen und Prognosen dieses Beitrags stützen sich auf Veröffentlichungen der nachfolgend genannten Unternehmen und Institutionen. Die Links dienen zugleich der weiterführenden Information.
Unite.AI – Google DeepMind stellt WeatherNext 3 mit stündlichen Vorhersagen in 5‑Kilometer‑Auflösung vor
Der Fachbeitrag erläutert das Zusammenspiel aus geostationären Satellitenmosaiken, klassischen Analysedaten, stündlichen Neustarts und 64 Ensemble-Mitgliedern.
https://www.unite.ai/de/google-deepmind-launches-weathernext-3-with-hourly-5-kilometer-forecasts/
Die Inferenz – WeatherNext 3 sagt Niederschlag stündlich auf fünf Kilometer genau voraus — und geht direkt in Google Maps
Die Analyse beschreibt die Integration in Suche, Gemini und Maps sowie den Datenzugang über BigQuery, Earth Engine und Google Cloud Storage.
https://die-inferenz.de/editions/2026-09-04.html
Blogspan – WeatherNext 3: Google rechnet das Wetter fünfmal feiner — und misst sich dabei am eigenen Vorgänger
Der Beitrag erklärt, weshalb Googles Niederschlagswerte keinen belastbaren Vergleich mit konkurrierenden Wettermodellen erlauben.
https://www.blogspan.net/weathernext-3-google-aufloesung-ecmwf/
