ECMWF AIFS, eine maschinell gelernte Vorhersage

Wettermodelle teilen dieselbe Physik und können sich gemeinsam irren: ECMWF AIFS, maschinell aus vergangenem Wetter gelernt, liefert eine zweite Meinung.

Klassische Wettermodelle lösen die Gleichungen der Atmosphäre, und wenn sie denselben blinden Fleck haben, können sie sich gemeinsam irren: Vier übereinstimmende Routen sind nicht immer vier gute Gründe, ihnen zu glauben. Was dem Skipper beim Abwägen eines Törns fehlt, ist eine Meinung, die auf anderem Weg zu ihrer Vorhersage gekommen ist.

ECMWF AIFS geht einen anderen Weg: Das Modell des Europäischen Zentrums löst keine Gleichung, es hat maschinell aus Jahrzehnten vergangenen Wetters gelernt, wie die Atmosphäre von einem Zustand in den nächsten übergeht. Das ECMWF betreibt es neben seinem klassischen Modell, und Saily WR liest jede neue Vorhersage, kurz nachdem sie veröffentlicht ist.

Es sagt die ganze Welt bis zu 15 Tage im Voraus vorher: Als globales Modell liefert es auf jedem Törn eine Route, neben denen der klassischen Modelle, die dieselben Gewässer abdecken. Seine Stärke ist das große Bild über mehrere Tage: wo die Tiefs und Hochs liegen werden, wann eine Front eintrifft, welchen Weg ein tropischer Sturm nimmt.

Genau darauf kommt es auf einer Ozeanüberquerung an: Von den Azoren in die Bretagne heißt eine Route wählen vor allem, ein Tief zu wählen, mit dem man segelt, oder ein Hoch, das man umgeht. AIFS startet von genau demselben Zustand der Atmosphäre wie das klassische Modell des ECMWF; wo ihre beiden Routen auseinandergehen, kommt der Unterschied allein von den Modellen, ein klares Zeichen für eine unsichere Vorhersage, die einen zweiten Blick verdient, bevor Sie sich festlegen. Wo AIFS, ECMWF und ein Modell eines anderen Zentrums wie GFS übereinstimmen, steht die Vorhersage auf festerem Grund.

Weil es gelernt hat, seinen mittleren Fehler klein zu halten, glättet es: Böen und Windspitzen werden abgestumpft, umso mehr, je weiter es vorausschaut. Lesen Sie bei Sturm oder entlang einer scharfen Front seinen Wind als wahrscheinlich zu schwach, seinen Zeitpunkt und seine Zugbahn als den nützlichen Teil. Wie die anderen globalen Modelle sieht es weder Seebrise noch Windschatten hinter einer Insel. Und alle Modelle schöpfen aus denselben Beobachtungen von Meer und Himmel: Ihre Übereinstimmung ist ein gutes Zeichen, kein Versprechen.

Quellen

  1. AIFS Machine Learning data, ECMWF
  2. ECMWF’s AI forecasts become operational, ECMWF, 2025
  3. AIFS – ECMWF’s data-driven forecasting system, S. Lang et al., arXiv, 2024

Mehr erfahren