Wer in vier Wochen eine Reise plant, wünscht sich eine einfache Antwort: Wie warm wird es, und regnet es? Eine längerfristige Wettervorhersage beantwortet meist eine andere Frage. Sie beschreibt, ob eine Woche eher wärmer, kälter, trockener oder nasser als üblich ausfallen dürfte. Ein Forschungsteam hat nun gezeigt, wie maschinelles Lernen solche Wahrscheinlichkeiten verbessern kann.
Das Verfahren namens probabilistische Bias-Korrektur setzt auf bestehende Prognosen auf. Es vergleicht frühere Vorhersagen mit dem tatsächlich beobachteten Wetter und lernt daraus eine Korrektur. Die am 14. Oktober in Nature veröffentlichte Studie von Hannah Guan, Soukayna Mouatadid und weiteren Forschenden untersucht damit den schwierigen Bereich zwischen zwei und sechs Wochen Vorlauf.
Aus vielen möglichen Verläufen wird eine Wahrscheinlichkeit
Das Wetter entwickelt sich aus einem Ausgangszustand, den Messungen nur begrenzt genau erfassen. Kleine Unterschiede können später unterschiedliche Verläufe erzeugen. Ein Vorhersagemodell kann deshalb mehrfach mit leicht veränderten Bedingungen rechnen. Die Sammlung möglicher Entwicklungen heißt Ensemble.
Stellen wir uns ein frei erfundenes Ensemble aus zehn Verläufen vor. Sechs ergeben für eine bestimmte Woche überdurchschnittliche Temperaturen, vier normale oder niedrige. Daraus entsteht ein Hinweis auf eine erhöhte Wahrscheinlichkeit für Wärme. Es wäre unpassend, daraus einen bestimmten sonnigen Dienstag abzuleiten. Die Information betrifft zunächst die Verteilung der möglichen Wochenverläufe.
Auch diese Verteilung kann systematisch danebenliegen. Ein Modell könnte beispielsweise zu häufig sehr hohe Wahrscheinlichkeiten ausgeben. Wenn die angekündigten Ereignisse deutlich seltener eintreten, ist die Vorhersage zu selbstsicher. Dann hilft es wenig, nur eine mittlere Temperatur um einen festen Betrag zu verschieben. Auch die beschriebene Unsicherheit muss besser passen.
Hier liegt die Stärke probabilistischer Vorhersagen als Arbeitsmittel: Sie können mehrere Möglichkeiten mit unterschiedlichen Gewichten darstellen. Ihre Qualität zeigt sich über viele Fälle. Ein einzelner unerwarteter Verlauf ist darin vorgesehen, sofern seine Wahrscheinlichkeit angemessen beschrieben wurde.
Eine Korrektur für die Form der Verteilung
Die Studie kombiniert zwei lernende Korrekturen. Debias++ passt die Vorhersage unter anderem an Ort, Datum und betrachteten Bereich der Verteilung an. Persistence++ bezieht jüngere Beobachtungen und jahreszeitliche Informationen ein. Anschließend werden die Ergebnisse zu einer gültigen Wahrscheinlichkeitsverteilung zusammengeführt.
Der entscheidende Gedanke ist, die Ausgabe des vorhandenen Modells zu verbessern. Dafür werden seine historischen Vorhersagen und passende Beobachtungen benötigt. Das Verfahren muss also lernen, unter welchen Bedingungen die ursprünglichen Wahrscheinlichkeiten zu hoch, zu niedrig oder unpassend verteilt waren.
Ein Alltagsvergleich hilft: Wer weiß, dass eine bestimmte Küchenuhr regelmäßig vorgeht, kann ihren Wert korrigieren. Beim Wetter ist der Fehler komplizierter. Er kann von Ort, Jahreszeit und Wettergröße abhängen. Die neue Methode sucht solche wiederkehrenden Beziehungen in vielen alten Vorhersagen, statt einen einzigen festen Korrekturwert anzunehmen.
Dabei bleibt die ursprüngliche Prognose der Ausgangspunkt. Eine nachgeschaltete Korrektur kann ihre Informationen neu gewichten und bekannte Verzerrungen abschwächen. Ob das gelingt, muss sich an Vorhersagen zeigen, deren spätere Beobachtungen dem Verfahren bei der Erstellung noch nicht bekannt waren.
Weshalb die dritte Woche eine eigene Aufgabe ist
Das Europäische Zentrum für mittelfristige Wettervorhersage ECMWF beschreibt seine sub-saisonalen Prognosen als wöchentliche Abweichungen von langfristig üblichen Bedingungen. Sie reichen bis zu 46 Tage voraus. Langsam veränderliche Zustände von Ozeanen und Landoberflächen sowie Vorgänge in der Stratosphäre können für diesen Zeitraum Information liefern.
Damit wird verständlich, warum eine Wochenprognose auch dann nützlich sein kann, wenn der genaue Ablauf einzelner Tage unsicher ist. Die Frage nach einer eher kalten Woche hat eine gröbere zeitliche Auflösung als die Frage nach Frost an einem bestimmten Morgen. Beide Informationen können wichtig sein, erfüllen aber verschiedene Aufgaben.
Ein Mittelwert glättet den Verlauf. Eine Woche mit mehreren milden Tagen und einem sehr kalten Tag kann denselben Durchschnitt besitzen wie eine gleichmäßig kühle Woche. Wer den Durchschnitt kennt, weiß deshalb noch nicht alles über mögliche Extremereignisse. Dafür sind zusätzliche, auf diese Ereignisse ausgerichtete Wahrscheinlichkeiten erforderlich.
Was ein früher Hinweis verändert
Der MIT-Bericht zur Studie nennt Energieversorgung, Landwirtschaft und Katastrophenvorsorge als mögliche Anwendungen. Die Forschenden beschreiben die Korrektur als zusätzliche Schicht über vorhandenen Modellen. Sie kann auch mit unterschiedlichen Ausgangsmodellen arbeiten. Das ist praktisch interessant, weil ein bestehender Prognoseablauf ergänzt werden kann.
Den Nutzen kann man an einer erfundenen Planungsentscheidung erklären. Ein Betrieb kann vorsorglich zusätzliches Material bereithalten, wenn eine sehr kalte Woche wahrscheinlicher wird. Das kostet Geld, aber weniger als eine schwere Störung ohne Vorbereitung. Ob er handelt, hängt deshalb sowohl von der Wahrscheinlichkeit als auch von den Folgen ab.
Nehmen wir zur Veranschaulichung an, eine Vorbereitung kostet zehn Einheiten und ein vermeidbarer Schaden hundert. Unter stark vereinfachten Bedingungen würde sich die Vorbereitung rechnerisch ab einer Schadenswahrscheinlichkeit von zehn Prozent lohnen. Das Beispiel unterstellt, dass die Maßnahme den Schaden vollständig verhindert. In der Praxis kommen Wirksamkeit, Alternativen und weitere Kosten hinzu.
Diese Rechnung zeigt, warum eine verbesserte Wahrscheinlichkeit nützlich sein kann, obwohl der Ausgang eines einzelnen Falls offenbleibt. Ein Entscheider braucht eine belastbare Grundlage für den Vergleich von Handlungsoptionen. Mehr Vorlauf kann ihm Möglichkeiten geben, die wenige Stunden vor einem Ereignis nicht mehr verfügbar wären.
Wahrscheinlichkeiten verlangen außerdem eine passende Kommunikation. Die Aussage „Eine kalte Woche ist wahrscheinlicher als üblich“ enthält einen Vergleich mit dem Normalzustand. Wie stark dieser Unterschied für eine Entscheidung zählt, hängt davon ab, was normalerweise zu erwarten wäre. Ein Anstieg von einer sehr kleinen Wahrscheinlichkeit kann eine andere Reaktion nahelegen als dieselbe Änderung bei einem ohnehin häufigen Ereignis.
Deshalb gehören Bezugsraum und Zeitraum zu einer nützlichen Wetterinformation. Die Betrachtung einer großen Region kann Zusammenhänge zeigen, die für eine einzelne Straße zu grob sind. Ein Wochenmittel kann eine Planungsrichtung liefern, während ein konkreter Arbeitseinsatz später genauere Informationen braucht. Diese unterschiedlichen Ebenen lassen sich im Ablauf ergänzen: früh Möglichkeiten vorbereiten und näher am Termin anhand detaillierterer Vorhersagen entscheiden.
Der Test muss die Zukunft unbekannt lassen
Eine lernende Korrektur steht vor einer grundlegenden Prüfaufgabe: Beim Erstellen einer Prognose dürfen nur Daten verwendet werden, die zu diesem Zeitpunkt verfügbar waren. Gelangen spätere Beobachtungen in den Lernprozess, wirkt die Vorhersage rückblickend besser, als sie im echten Einsatz wäre.
Die Nature-Arbeit untersucht neben historischen Tests auch den Echtzeitwettbewerb AI Weather Quest des ECMWF aus dem Jahr 2025. Die Auswertungen betrachten unter anderem die dritte und vierte Woche. Die Ergebnisse beziehen sich auf definierte Wettergrößen, Zeiträume und Bewertungsmaße. Das ermöglicht einen Vergleich der Verfahren bei derselben Prognoseaufgabe.
Für Leser lohnt es sich, bei einer Schlagzeile über höhere Genauigkeit genau diese Aufgabe mitzudenken. Eine bessere Wahrscheinlichkeit für eine Wochenabweichung bedeutet eine Verbesserung auf dieser Ebene. Wer ein Outdoorfest an einem bestimmten Nachmittag plant, braucht näher am Termin weiterhin passend aufgelöste Vorhersagen.
Die neue Methode macht damit einen unscheinbaren Teil der Wettervorhersage wichtig: den Umgang mit den eigenen Fehlern. Ein Modell muss nicht nur mögliche Wetterverläufe erzeugen. Seine Ausgabe sollte auch zeigen, wie stark man mit den verschiedenen Möglichkeiten rechnen kann. Aus diesem besseren Maß für Unsicherheit entsteht ein früherer und nützlicherer Blick auf die kommenden Wochen.
Quellen
- Hannah Guan, Soukayna Mouatadid et al.: Advancing subseasonal forecasting with machine learning, Nature, 14.10.2026. https://www.nature.com/articles/s41586-026-11126-x
- Zach Winn / MIT News: Researchers improve weather forecasts looking two to six weeks out, 14.10.2026. https://news.mit.edu/2026/researchers-improve-weather-forecasts-looking-two-six-weeks-out-1014
- ECMWF: Sub-seasonal-range forecasts. https://www.ecmwf.int/en/forecasts/about-our-forecasts/sub-seasonal-range-forecastsFür diesen Artikel wurden KI-gestützte Recherche- und Editierwerkzeuge verwendet. Der Inhalt wurde redaktionell geprüft.
