Die probabilistische Bias-Korrektur von Microsoft nutzt KI, um die zwei- bis sechswöchige Wettervorhersagelücke zu schließen

Wettervorhersagen sind über kurze Zeithorizonte hinweg bemerkenswert zuverlässig geworden: Die heutigen Modelle sind bis zu einer Zeitspanne von etwa zwei Wochen sehr genau, und auch langfristige Klimaprognosen werden stetig besser. Zwischen diesen beiden Zeitskalen liegt jedoch ein hartnäckiger blinder Fleck. Prognosen im zwei- bis sechswöchigen Zeitfenster – sogenannte subsaisonale Prognosen – bleiben unzuverlässig, auch wenn genau dieser Bereich ausschlaggebend für die Entscheidung ist, wann Pflanzen angebaut werden sollen, wie Wasser und Energie zugeteilt werden und wie man sich auf Waldbrände vorbereitet.

Microsoft Research und ein Netzwerk externer Mitarbeiter sagen, dass sie einen Weg gefunden haben, diese Lücke zu schließen, und zwar nicht durch die Entwicklung eines weiteren Prognosemodells, sondern durch die Schulung von Software, um die vorhersehbaren Fehler der bereits vorhandenen Modelle zu korrigieren. Der Ansatz mit der Bezeichnung Probabilistic Bias Correction (PBC) wird in einem in der Fachzeitschrift Nature veröffentlichten Artikel detailliert beschrieben und in einem diese Woche veröffentlichten Microsoft-Blogbeitrag beschrieben. Es handelt sich um einen der eher praktisch orientierten Einträge in der Welle der angewandten KI-Forschung, die zu den neuesten KI-Entwicklungen zählt, da es die Systeme, auf die sich Meteorologen bereits verlassen, verbessert, anstatt sie zu zwingen, auf etwas Neues umzusteigen.

Warum sich das Zeitfenster von zwei bis sechs Wochen jeder Prognose entzieht

Physikbasierte Modelle simulieren die Atmosphäre und Ozeane mithilfe wissenschaftlicher Gleichungen, während neuere KI-Modelle auf riesigen Archiven beobachteter Wetterdaten trainieren. Laut Microsoft liefern beide Familien bis zu etwa zehn Tagen eine gute Leistung. Über diesen Punkt hinaus verstärken sich kleine Anfangsfehler und die komplexen Wechselwirkungen zwischen Atmosphäre, Ozeanen und Landoberfläche überfordern beide Ansätze, weshalb die zwei- bis sechswöchigen Prognosen lange hinter den übrigen Prognosen zurückgeblieben sind.

Anstatt in ein überfülltes Feld konkurrierender Modelle einzusteigen, konzentrierte sich das von Microsoft geführte Team auf ein anderes Ziel: die systematischen, wiederholbaren Fehler, die Modelle in diesem Bereich machen. „Unsere neue Pipeline (PBC) nimmt Ihr Lieblingsmodell als Eingabe und lernt, auf welche Weise es zu Fehlern neigt. Anschließend korrigiert es diese Fehler und liefert eine bessere Ausgabeprognose für den subsaisonalen Bereich“, erklärte das Unternehmen in seinem Blogbeitrag.

Eine leichte Schicht über vorhandenen Modellen

Technisch gesehen ist PBC ein leichtes maschinelles Lernsystem, das das Archiv historischer Prognosen eines beliebigen Modells untersucht, um herauszufinden, wo und wie es systematisch verzerrt ist. Sobald diese Muster gelernt sind, passt das System die probabilistische Ausgabe des Modells an, um dies zu kompensieren. In den im Nature-Papier beschriebenen Auswertungen berichtet Microsoft, dass PBC die Leistung des weltweit führenden operativ verzerrten subsaisonalen Modells verbessert hat, das vom Europäischen Zentrum für mittelfristige Wettervorhersagen (ECMWF) betrieben wird.

Die Ergebnisse hielten sich im Live-Wettbewerb, nicht nur in retrospektiven Tests. Das ECMWF startete im August 2025 die AI Weather Quest, einen Echtzeitwettbewerb, der darauf abzielt, probabilistische subsaisonale Vorhersagen voranzutreiben. Ein Team namens MicroEnsemble, bestehend aus Microsoft-Forschern und externen Mitarbeitern, erhielt die höchste Auszeichnung mit einem Beitrag namens MicroDuet, der PBC auf das branchenführende dynamische Modell des ECMWF anwendete.

„AI Weather Quest bietet eine einzigartige Echtzeit-Benchmarking-Plattform für subsaisonale Vorhersagen“, sagte Dr. Joshua Talib, Wissenschaftler für subsaisonale Vorhersagen am ECMWF. „Beiträge vom Team MicroEnsemble beleuchteten, wie maschinelles Lernen die Fähigkeiten traditioneller dynamischer Prognosesysteme durch Nachbearbeitung verbessern kann.“

Vom Benchmark zu realen Piloten in Ostafrika

Die Technik übertrifft bereits Benchmarks. In Kenia bereiten Meteorologen den PBC-Test vor, während eine der beiden Regenzeiten des Landes beginnt. An den Bemühungen sind die Kenya Meteorological Service Authority (KMSA) und Wissenschaftler des Climate Hazards Center an der University of California in Santa Barbara beteiligt, mit Ratschlägen von Genevieve Flaspohler, die Rhiza Research leitet, eine gemeinnützige Organisation, die sich auf die Verbesserung der KI-gestützten Wettervorhersage konzentriert.

Flaspohler argumentiert, dass der Wert einer Prognose davon abhängt, ob man rechtzeitig darauf reagiert. „Eine gute Wettervorhersage, zur richtigen Zeit und über den richtigen Kommunikationskanal bereitgestellt, kann einen großen Unterschied für die landwirtschaftlichen Ergebnisse ausmachen“, sagte sie und wies darauf hin, dass Ostafrika zwischen den trockensten Jahren seit Beginn der Aufzeichnungen und den nassesten Jahren aller Zeiten schwankte. In einer Region, in der es den landwirtschaftlichen Betrieben weitgehend an Bewässerung mangelt und Entscheidungen über Pflanzung, Düngung und Saatgutkauf von den Aussichten abhängen, ist eine geschicktere subsaisonale Prognose keine abstrakte Verbesserung.

„Da wir uns mitten im wärmsten El Niño aller Zeiten befinden, herrscht unter Regierungen und in der Klimawissenschaft große Angst davor, wie sich das auswirken wird“, sagte Flaspohler. „Es besteht ein großer Bedarf an einfachen Prognosemethoden, die robust funktionieren.“

Ein Effizienzargument im Zeitalter größerer Modelle

Was PBC in der KI-Forschung bemerkenswert macht, ist seine Wirtschaftlichkeit. Während ein großer Teil der Branche darum kämpft, immer größere End-to-End-Prognosemodelle zu trainieren, handelt es sich bei PBC um ein vergleichsweise kleines System, das den Großteil seiner Fähigkeiten aus den Betriebsmodellen bezieht, die es korrigiert. Das macht den Betrieb kostengünstiger und erleichtert die Einführung durch Wetterbehörden, da sie ihre bestehende Infrastruktur beibehalten und einfach eine Korrekturschicht hinzufügen können.

Es spiegelt auch ein breiteres Muster im angewandten maschinellen Lernen wider: Nachbearbeitung und Kalibrierung liefern oft Gewinne, die andernfalls eine vollständige Überarbeitung des Modells erfordern würden. Bei Wetterdiensten, die abwägen, wofür begrenzte Budgets ausgegeben werden sollen, dürfte eine Methode Aufmerksamkeit erregen, die den härtesten Vorhersagebereich nachweislich verbessert – validiert sowohl in Nature als auch in einem Live-EZMWF-Wettbewerb.

Was kommt als nächstes für die subsaisonale KI?

Der Blogbeitrag von Microsoft reicht nicht aus, um ein betriebsfähiges Produkt anzukündigen, und das Unternehmen hat nicht gesagt, ob PBC in kommerzielle Prognoseangebote integriert wird. Der kurzfristige Test besteht darin, ob nationale Wetterdienste damit beginnen, Bias-Korrekturschichten wie PBC für ihre subsaisonalen Prognosen einzuführen, und ob der Ansatz gut mit den KI-Prognosemodellen harmoniert, die jetzt in den operativen Einsatz kommen.

Wenn dies der Fall ist, könnte sich das zwei- bis sechswöchige Zeitfenster – der Abschnitt, mit dem Landwirte, Netzbetreiber und Katastrophenplaner in der Vergangenheit am wenigsten zu tun hatten – endlich schließen. Für ein Fachgebiet, das jahrzehntelang auf der Suche nach geringfügigen Kompetenzzuwächsen war, ist es ein pragmatischer Fortschritt, ein kleines maschinelles Lernsystem die systematischen Fehler riesiger physikalischer Modelle bereinigen zu lassen.

---

Der KI einen Schritt voraus sein

Erhalten Sie die neuesten KI-Nachrichten, Analysen und Durchbrüche – alles an einem Ort.

Weitere KI-Neuigkeiten lesen →