Verbesserung der Genauigkeit von Wettervorhersagen

• Wettervorhersagen sind längst mehr als eine Alltagshilfe und bilden eine Infrastruktur für das Risikomanagement bei Stürmen und Hitzewellen sowie in Landwirtschaft, Stromnetzen und im Luft- und Seeverkehr
• Die Genauigkeit hat sich über Jahrzehnte stark verbessert: Die heutigen 4-Tage-Vorhersagen des Met Office sind so präzise wie 1-Tage-Vorhersagen vor 30 Jahren, und der 48-Stunden-Bahnfehler bei US-Hurrikans sank von 200–400 Seemeilen in den 1970er Jahren auf heute etwa 50 Seemeilen
• Dichtere Beobachtungsnetze, schnellere Computer, ausgefeilte numerische Vorhersagemodelle sowie die Verbreitung über Smartphones und online haben sowohl die Qualität als auch die Nutzbarkeit von Vorhersagen deutlich erhöht
• In Ländern mit niedrigem Einkommen ist die Lücke wegen fehlender Beobachtungstechnik und seltenerer Meldungen groß; die 7-Tage-Vorhersage eines wohlhabenden Landes kann genauer sein als die 1-Tage-Vorhersage mancher ärmerer Länder
• Selbst genaue Vorhersagen bleiben nur begrenzt wirksam, wenn sie die Menschen nicht rechtzeitig erreichen; Frühwarnsysteme sowie KI-, Drohnen- und mobile Technologien sind entscheidend, um diese Zugangsungleichheit zu verringern

---

Wettervorhersagen gehen weit über Alltagsinformationen hinaus

• Wettervorhersagen helfen nicht nur bei der Planung eines Grillabends oder beim Einpacken eines Regenschirms, sondern sind direkt mit Leben und Lebensunterhalt verbunden
• Wenn Stürme, Hitzewellen und Katastrophen früh angekündigt werden, gewinnen Gemeinschaften Zeit, um Schäden zu begrenzen
• Landwirte verlassen sich auf Vorhersagen, wenn sie über Aussaat, Bewässerung, Düngung und den Umgang mit Schädlingen und Pflanzenkrankheiten entscheiden
• Betreiber von Stromnetzen nutzen Wetterdaten, um den Heiz- und Kühlbedarf sowie die Stromerzeugung aus Wind- und Solarenergie vorherzusagen
• Für Pilotinnen, Piloten und Seeleute sind sie unverzichtbare Informationen, um Luft- und Seeverkehr sicher zu halten

Die Vorhersagegenauigkeit hat sich über Jahrzehnte stark verbessert

• Wetterprognosen werden seit Langem versucht, doch ein großer Wendepunkt war seit den 1960er Jahren die Einführung computerbasierter numerischer Modellierung
• Das UK Met Office veröffentlichte 1859 die erste Wettervorhersage für Schiffe und sendete zwei Jahre später die erste öffentliche Wettervorhersage
• Die heutige 4-Tage-Vorhersage des Met Office ist so genau wie eine 1-Tage-Vorhersage vor 30 Jahren
• Auch die Daten des US National Hurricane Center zu Bahnfehlern von Hurrikans und Zyklonen zeigen große Fortschritte
  • In den 1970er Jahren lag der Bahnfehler einer 48-Stunden-Vorhersage bei 200–400 Seemeilen
  • Heute liegt der Bahnfehler einer 48-Stunden-Vorhersage bei etwa 50 Seemeilen
  • In den 1960er und 1970er Jahren lag der Fehler einer 72-Stunden-Vorhersage bei über 400 Seemeilen, heute bei weniger als 80 Meilen
• Weil sich der Landfall von Hurrikans heute 3–4 Tage im Voraus genauer vorhersagen lässt, können sich Städte und Gemeinden besser vorbereiten, und unnötige Evakuierungen, die früher veranlasst worden wären, lassen sich reduzieren

Verbesserte Langfristvorhersagen durch globale Modelle

• Das European Centre for Medium-Range Weather Forecasts erstellt globale numerische Wettermodelle
• Nationale Wetterdienste nutzen für regionale Vorhersagen höhere Auflösungen, doch globale Modelle sind ein wichtiger Input für diese Systeme
• Die Fehleranalyse des ECMWF vergleicht die Unterschiede zwischen Vorhersagen 3, 5, 7 und 10 Tage im Voraus und dem tatsächlich eingetretenen Wetter
• Als Analysegröße wird die 500-hPa-Geopotentialhöhe verwendet, ein druckbezogener meteorologischer Indikator, der Wettermuster stark beeinflusst
• 3-Tage-Vorhersagen waren schon seit den 1980er Jahren recht genau; heute liegt ihre Genauigkeit bei etwa 97 %
• Je länger der Vorhersagezeitraum, desto deutlicher fallen die Verbesserungen aus
  • Anfang der 2000er Jahre erreichten 5-Tage-Vorhersagen ein Niveau, das als „sehr genau“ gilt
  • 7-Tage-Vorhersagen nähern sich diesem Maßstab inzwischen an
  • 10-Tage-Vorhersagen liegen noch nicht auf demselben Niveau, werden aber stetig besser

Technische Faktoren hinter der höheren Genauigkeit

• Beobachtungsdaten decken größere Gebiete in höherer Auflösung ab
  • Es werden mehr und bessere Satellitendaten genutzt
  • Bodenstationen decken mehr Regionen dichter ab
  • Auch die Präzision der Messgeräte hat zugenommen
• Numerische Vorhersagemodelle nutzen diese Beobachtungswerte als Eingabedaten, um das Wetter vorherzusagen
• Leistungsfähigere Computer ermöglichen Berechnungen auf feineren Gittern
  • Das Met Office modellierte die Welt früher mit einem Gitter von 90 km Breite
  • Heute reicht die Auflösung bis auf 1,5 km hinunter
  • Mit höherer Auflösung steigt auch der Rechenaufwand stark an
• Auch die Verfahren, mit denen Beobachtungsdaten in Modellergebnisse überführt werden, haben sich verbessert, sodass komplexe Wettersysteme detaillierter erfasst werden können als in vereinfachten Weltbildern
• Auch veränderte Übermittlungswege haben den praktischen Nutzen von Vorhersagen erhöht
  • Früher gab es einmal täglich Aktualisierungen in Tageszeitungen
  • Nach der Verbreitung von Radio und Fernsehen waren mehrere Hinweise pro Tag möglich
  • Heute lassen sich online und per Smartphone Aktualisierungen im Minutentakt abrufen

Die verbleibende Vorhersagelücke in Ländern mit niedrigem Einkommen

• In Schottland lässt sich auf dem Smartphone in wenigen Sekunden eine ziemlich genaue 5-Tage-Vorhersage abrufen, doch Informationen auf diesem Niveau stehen nicht allen zur Verfügung
• Laut einer aktuellen Arbeit von Manuel Linsenmeier und Jeffrey Shrader kann die 7-Tage-Vorhersage eines reichen Landes genauer sein als die 1-Tage-Vorhersage mancher Länder mit niedrigem Einkommen
• Die Vorhersagen haben sich in allen Einkommensgruppen im Lauf der Zeit verbessert, doch die Qualitätslücke zwischen Ländern ist heute fast noch so groß wie in den 1980er Jahren
• Der Kern der Lücke liegt in der Beobachtungsinfrastruktur und der Häufigkeit der Meldungen
  • In ärmeren Ländern gibt es deutlich weniger bodengestützte Messgeräte und Radiosonden
  • Auch Wetterdaten werden viel seltener gemeldet
• Auch bei den Ausgaben für Wetter- und Klimainformationen bestehen große Unterschiede
  • Länder mit niedrigem Einkommen geben pro Kopf 15- bis 20-mal weniger aus als Länder mit hohem Einkommen
  • Bezogen auf die Wirtschaftsleistung ist ihr Ausgabenanteil am BIP jedoch höher

Vorhersagen sind für die Verwundbarsten am dringendsten nötig

• 60 % der Arbeitskräfte in Ländern mit niedrigem Einkommen sind in der Landwirtschaft tätig, einem Sektor, der stark vom Wetter abhängt
• Viele von ihnen sind Kleinbauern und oft extrem arm
• Genaue Vorhersagen helfen direkt bei ihren Entscheidungen
  • Sie zeigen den optimalen Zeitpunkt für die Aussaat
  • Sie machen frühzeitig erkennbar, wann Bewässerung besonders nötig ist oder wann die Gefahr groß ist, dass Dünger ausgewaschen wird
  • Warnungen vor Schädlingen und Pflanzenkrankheiten helfen, Ernten bei drohenden Ausbrüchen zu schützen und den Einsatz von Pestiziden zu verringern, wenn das Risiko gering ist
• Besserer Zugang zu Vorhersagen ermöglicht einen effizienteren Einsatz kostbarer Ressourcen wie Wasser, Dünger und Arbeitskraft
• Gute Wettervorhersagen machen gerade für die ärmsten Menschen der Welt einen besonders großen Unterschied

Genaue Vorhersagen allein reichen nicht aus

• Um sich auf Zyklone, Hitzewellen, Überschwemmungen und Sturmfluten vorzubereiten, braucht es neben Vorhersagegenauigkeit auch Übermittlungssysteme
• Wenn Städte und Gemeinden einige Tage im Voraus präzise Vorhersagen erhalten, können sie Vorbereitungen treffen
  • Häuser können geschützt werden
  • Notdienste können für Unterstützung und Wiederherstellung in Bereitschaft gehen
• Viele der tödlichsten Katastrophen der vergangenen Jahrzehnte wurden im Voraus korrekt vorhergesagt, doch ein gemeinsamer Schwachpunkt war die mangelhafte Übermittlung
• Vorhersagen entfalten erst dann Wert, wenn sie so vermittelt werden, dass Menschen tatsächlich darauf reagieren können
• Die World Meteorological Organization schätzt, dass etwa ein Drittel der Weltbevölkerung – vor allem in den ärmsten Ländern – keinen Zugang zu Frühwarnsystemen hat

Die Rolle von Investitionen und neuen Technologien

• In manchen Regionen gelten gute Vorhersagen und schnelle Übermittlung als selbstverständlich, doch schon ihre Bereitstellung für alle würde einen großen Unterschied machen
• Da der Klimawandel das Risiko wetterbedingter Katastrophen erhöht, sind bessere Vorhersagen ein wichtiges Instrument der Anpassung an den Klimawandel
• Um die Lücke zu schließen, sind angemessene Investitionen und finanzielle Unterstützung unverzichtbar
• Neue Technologien können das Tempo der Verbesserungen erhöhen
  • Eine aktuelle in Nature veröffentlichte Arbeit hält fest, dass das KI-System Pangu-Weather Vorhersagen mit einer Genauigkeit auf dem Niveau führender Wetterdienste oder darüber hinaus bis zu 10.000-mal schneller erstellen kann
  • Pangu-Weather wurde mit 39 Jahren historischer Daten trainiert
  • Schnellere Vorhersagen senken die Betriebskosten und können auch Ländern mit begrenztem Budget bessere Ergebnisse ermöglichen
• Schnellere und effizientere Technologien können Lücken in Regionen ohne bodengestützte Wetterstationen verringern
  • Mit Sensoren ausgestattete Drohnen können bestimmte Gebiete vermessen und Karten mit höherer Auflösung erstellen
  • Werden günstige und effiziente Verfahren zur Vorhersageerstellung mit mobiler Technologie kombiniert, lassen sich Informationen schnell verbreiten
  • Einige Unternehmen versenden bereits Nachrichten an Landwirte in Ländern mit niedrigem Einkommen, die Ratschläge zum Zeitpunkt der Aussaat geben
• Solche Innovationen machen Länder widerstandsfähiger gegenüber dem heutigen Wetter und sind auch in einer Welt unverzichtbar, in der Wetterextreme noch stärker werden könnten

[GN⁺]

Hacker-News-Kommentare

• Wie gut eine Vorhersage ist, scheint davon abzuhängen, welches Wettermodell verwendet wird. Das Wetter auf der Apple Watch scheint fast genau mit GFS übereinzustimmen; GFS ist für mittelfristige Vorhersagen okay, aber kurzfristig nicht besonders nützlich, für ein bis zwei Tage im Voraus ist NAM wohl besser und für ein paar Stunden im Voraus HRRR
  Man kann sich auch die Rohdaten direkt ansehen, statt sich darauf zu verlassen, dass irgendein Aggregationsdienst das Wetter vereinfacht: https://weather.cod.edu/forecast/
  Bei großen Ereignissen sind die Medien-Briefings des National Weather Service gut, aber manchmal hören die Updates früh auf. Vor ein paar Wochen war die Wahrscheinlichkeit für viel Schnee in New York hoch, aber die Updates hörten gegen 9 Uhr morgens auf, und der Schnee sollte gegen 13 Uhr beginnen. Ein Blick auf die kurzfristigen Modelle zeigte, dass die Schneewahrscheinlichkeit sank, und tatsächlich blieb fast nichts liegen. Je näher das Ereignis rückt, desto genauer werden die Vorhersagen, daher kann man sich jederzeit selbst mehr Daten ansehen, wenn man möchte
  Ich weiß nicht, ob hier jemand Skip Talbot schaut, aber er sah sich für die nächsten paar Stunden den helicity swath des HRRR an und entdeckte hohe Werte; der vom HRRR vorhergesagte Pfad starker Rotation stimmte fast genau mit dem tatsächlichen Pfad eines großen Tornados überein

  • Der lokale TV-Meteorologe geht jeden Morgen auf seinem YouTube-Kanal HRRR, NAM, GFS, Satellitenbilder usw. durch und erklärt das alles viel detaillierter als in den TV-Nachrichten. Das ist ein guter Mittelweg, wenn einem die Rohdaten zu viel sind
    https://www.youtube.com/@markfinanweather
  • Wichtiger als die Frage, welches Modell verwendet wird, sind meiner Meinung nach umsetzbare Informationen. Entscheidend sind Granularität und Wahrscheinlichkeit
    Wichtiger als eine 50%ige Regenwahrscheinlichkeit für morgen ist eine stündliche Information wie: Um 9 Uhr, wenn ich zur Arbeit fahre, liegt die Niederschlagswahrscheinlichkeit bei 10%, und um 12 Uhr bei 90%. Wenn es regnet, muss man auch Wind und Temperatur mitsehen können, und diese Informationen sollten wie ein Mosaik dargestellt werden
    Für diesen Zweck ist die stündliche lokale Vorhersage der NOAA meiner Meinung nach unerreicht: Auf https://www.weather.gov/okx/ die Postleitzahl eingeben und dann zur stündlichen lokalen Vorhersage gehen
    Beispiel: https://forecast.weather.gov/MapClick.php?lat=33.797&lon=-11...
    Es wäre schön, wenn es eine Android-App gäbe, die diesen Detailgrad bietet, und möglichst eine, die nicht das Mikrofon belauscht
  • Für Wettervorhersagen nutze ich meistens Windy. Man kann dort mehrere Modelle vergleichen, und mit den verschiedenen Overlays ist es für wetterbezogene Zwecke fast schon ein unverzichtbares Werkzeug
    https://windy.com
  • Die Bemerkung zu Apples Wettervorhersage ist interessant und passt auch zu meiner Erfahrung. Vor allem die Kurzfristvorhersage ist außergewöhnlich ungenau und inzwischen fast schon ein Running Gag
  • Ich nutze weather.gov auf dieselbe Weise. Wenn man sich die stündliche Vorhersage für die eigene Gegend ansieht, bekommt man sehr detaillierte, nützliche und genaue Informationen
    Meine Schwiegermutter erzählt mir immer das Wetter weiter, das sie bei Google erfragt oder im Fernsehen gesehen hat, und meistens ist es falsch. Nicht aggregierte Informationen sind großartig und fast immer genauer als das, was aus anderen Quellen berichtet wird

• Ich empfehle Andrew Blums The Weather Machine. Das Buch behandelt die Geschichte der Wettervorhersage und was heute im Hintergrund dabei passiert
  Es folgt alten Wetterstationen und dem Start neuer Satelliten, den Bemühungen von Wissenschaftlern, atmosphärische Supercomputer-Modelle zu bauen, und sogar der Geschichte dieser Algorithmen. Dabei zeigt es, dass wir zwar in ein goldenes Zeitalter der Meteorologie eingetreten sind, den Werkzeugen aber noch nicht ausreichend vertrauen und auch die fragile internationale Zusammenarbeit, die moderne Wettersysteme erst möglich macht, nicht als gesichert ansehen können
  https://www.andrewblum.net/the-weather-machine-2
  https://www.goodreads.com/en/book/show/42079139
  Zur sehr frühen Geschichte der Meteorologie ist auch The Invention of Clouds über Luke Howard lesenswert
  https://www.goodreads.com/book/show/1148768.The_Invention_of...
  https://en.wikipedia.org/wiki/Luke_Howard

• Soweit ich mich erinnere, stand in The Signal and The Noise, dass Menschen dazu neigen, eine Vorhersage als schlecht zu empfinden, wenn Regen eintritt, obwohl die Regenwahrscheinlichkeit mit unter 50 % angegeben wurde.
  Wenn gesagt wird, dass es wahrscheinlich nicht regnet, und es dann doch regnet, ist das ärgerlich; wenn dagegen Regen wahrscheinlich ist und es dann sonnig bleibt, ist das eine angenehme Überraschung. Damit Menschen eine Vorhersage als „gut“ einstufen, müsste man die Niederschlagswahrscheinlichkeit also absurd hoch ansetzen, und genau das würden Prognosedienste für Verbraucher offenbar tun.
  https://en.wikipedia.org/wiki/The_Signal_and_the_Noise

  • In den Niederlanden nutzt man häufiger Regenradar in Echtzeit als eigentliche Vorhersagen. In Städten geht es bei der Frage „Wird es regnen?“ meist um sehr kurzfristige Entscheidungen, etwa ob man jetzt mit dem Fahrrad nach Hause fahren kann oder ob 30 Minuten später besser wären.
    In den Niederlanden ist Regen oft sehr lokal begrenzt; selbst wenn die Niederschlagswahrscheinlichkeit für den Tag 100 % beträgt, verteilt sich der Regen oft nur auf 1–2 Stunden und ist über den Tag verstreut, manchmal schüttet es kurz heftig und hört dann sofort wieder auf. Falsch lag das Radar eigentlich nur, wenn eine ziehende Regenwolke wegen einer Windänderung in letzter Sekunde knapp vorbeizog.
  • Ich frage mich manchmal, ob Menschen Vorhersagen deshalb als schlecht empfinden, weil sie denken: „Eine Vorhersage ist entweder richtig oder falsch, also muss ein Meteorologe mindestens in der Hälfte der Fälle richtig liegen.“
    Tatsächlich gibt es unzählige Arten, wie eine Vorhersage falsch sein kann, und nur wenige, wie sie richtig sein kann.
  • Ich habe angefangen, „50 % Regenwahrscheinlichkeit“ als „Es wird 50 % der Zeit regnen“ zu verstehen. Ich weiß nicht, ob das tatsächlich die Bedeutung ist, aber gefühlt passt es ziemlich gut.
    Insgesamt finde ich Vorhersagen erstaunlich genau. Im Mittleren Westen, besonders im Großraum Chicago, liegt das wohl daran, dass das Wetter erst große Teile der USA oder Kanadas durchquert, bevor es uns erreicht; an Küsten ist das womöglich anders, weil es dort wechselhafter und schwerer vorherzusagen ist.
  • In Florida fühlt es sich an, als beginne schon vier Minuten nach dem Ende eines Regenschauers die Dürre, deshalb ist es gar nicht so erfreulich, wenn eine Regenvorhersage danebenliegt und daraus ein sonniger Tag wird. Im endlosen Sommer sehnt man sich nach Tagen ohne die migräneauslösende Sonne.
  • Interessanterweise schrieb Nate Silver damit gewissermaßen unbewusst seine eigene Zukunft. Die endgültige Prognose von 538 für 2016 setzte Trumps Siegchance auf etwa 30 %, und bis heute ziehen Leute Silver damit auf und sagen, er habe falsch gelegen.

• Wenn man in einer Gegend wie Florida lebt, in der Hurrikane häufig sind, merkt man deutlich, wie viel besser die Vorhersagen geworden sind, aber auch, dass noch sehr viel Luft nach oben bleibt.
  Ich bin mit ihnen nicht verbunden, aber wenn man herausfinden will, welche Vorhersage für die eigene Stadt am besten ist, empfehle ich https://www.forecastadvisor.com/. Aufgrund dieser Seite habe ich meinen Wetteranbieter komplett gewechselt, und seitdem scheint es deutlich besser zu sein.
  Wer sich dafür interessiert, Wetter ohne Vorhersagen oder ergänzend zu Vorhersagen selbst zu lesen, könnte auch Gooleys The Secret World of Weather: How to Read Signs in Every Cloud, Breeze, Hill, Street, Plant, Animal, and Dewdrop mit Vergnügen lesen.

  • Die Empfehlung für https://www.forecastadvisor.com/ ist großartig, aber leider nur für die USA. Früher habe ich eine App namens Climendo verwendet, die behauptete, mehr als 15.000 Vorhersagen auszuwerten und für meine Stadt die genaueste zu verwenden.
  • Schade, dass es international offenbar keinen solchen Dienst gibt. Ich lebe in Japan und habe keinerlei Ahnung, welche Quellen gut oder schlecht sind.
    Lokale Apps beziehen ihre Daten von der Japan Meteorological Agency, Apple Weather ebenfalls, und seit einem kürzlichen Update auch Carrot Weather. Trotzdem liefern Apple Weather und Carrot Weather weiterhin unterschiedliche Ergebnisse.
    Wenn ich außerhalb Japans reise, weiß ich es noch weniger und lasse deshalb die Quelle in Carrot Weather auf Apple Weather stehen. Zumindest greift es, wenn möglich, auf Daten lokaler Wetterdienste zurück: https://developer.apple.com/weatherkit/data-source-attributi...

• Dieser Artikel behandelt vor allem langfristige Vorhersagen, aber ich bin auch immer wieder von der Qualität und Zuverlässigkeit unmittelbarer Sturmwarnungen beeindruckt. Sie haben mich schon davor bewahrt, bei Starkregen völlig durchnässt zu werden, oder mir ermöglicht, vor einem Wolkenbruch anzuhalten und zu warten.
  Es bekommt nicht viel Aufmerksamkeit, aber wie im Artikel gesagt wird, waren die Fortschritte stetig und bedeutsam.
  Dort heißt es auch, dass Verbesserungen der Vorhersagen in Ländern mit niedrigem Einkommen unterschätzt würden; ich frage mich, ob es Studien gibt, die vorhersagen, welche Auswirkungen bessere Vorhersagen dort hätten. Menschen in Armut mit Technologie zu helfen, ist ein Projekt, das viele Philanthropen interessieren dürfte, und ich hoffe, dass es wirksamer ist als Dinge wie gravity light.

  • Als jemand, der den Großteil des Sommers einen Jeep ohne Dach fährt, war Dark Sky eine Offenbarung. Eines Nachts war ich weit weg von zu Hause ohne Dach und Türen unterwegs und konnte per Radar sogar eine Route zwischen zwei heftigen Gewitterzellen hindurch finden, während eine Tornadowarnung galt.
    Moderne Technik ist erstaunlich.

• Ich bin derjenige, der die Open-Source-Wetter-API open-meteo.com erstellt hat.
  Die Zukunft der Wettervorhersage wird vermutlich stark von AI-Modellen abhängen. Im Artikel geht es um Pangu Weather, und in den HN-Kommentaren wurde auch GraphCast als Beispiel genannt. Interessanterweise hat das European Centre for Medium-Range Weather Forecasts (ECMWF) am 1. März sein neues AI-Wettermodell AIFS als Open Data veröffentlicht.
  Dieses Modell ist nicht nur genauer als bestehende numerische Modelle, sondern benötigt auch deutlich weniger Rechenleistung für den Betrieb. ECMWF hat auch Vergleiche veröffentlicht, in denen AIFS bei der Vorhersagegenauigkeit andere Modelle übertrifft: https://www.ecmwf.int/en/about/media-centre/aifs-blog/2024/f...

  • Richard Turner hat Ende letzten Jahres bei der Cambridge Philosophical Society einen Überblick über AI-Wettervorhersage gegeben. Die Aufzeichnung gibt es hier: https://www.youtube.com/watch?v=JGn18WH0d6s

• Das im Artikel Gesagte ist im Großen und Ganzen richtig. Bessere Rohdaten, schnellere Computer, kleinere Gitter, bessere Vorhersagealgorithmen usw. liefern heute insgesamt deutlich bessere Wetterinformationen.
  Für bessere Ergebnisse für den Einzelnen bedeutet das aber auch, dass mehr Aufwand nötig geworden ist. Man muss darauf achten, welchen Algorithmus eine App verwendet, ob sie bis auf Viertel- oder Straßenebene lokalisiert, wie häufig sie aktualisiert wird, ob das GPS genau ist und ähnliches. Normalerweise denkt man über so etwas nicht nach, aber schon kleine Anpassungen können das Ergebnis stark verbessern.

• Dass die Vorhersagen besser geworden sind, stimmt wohl, aber ich habe erlebt, dass es in einer ganzen Stadt über mehr als 30 Minuten ziemlich stark geregnet hat und die Wetter-App trotzdem nicht anerkennen wollte, dass es gerade regnet, sondern nur bewölkt angezeigt hat. Ich verstehe immer noch nicht, wie so etwas möglich ist.

  • Die Entfernung zum nächsten Wetterradar oder zu einem Flughafen mit automatischer Wetterbeobachtung kann ein Faktor sein. Solche Vorhersagen hängen stark davon ab, ob Niederschlag von Erfassungssensoren erkannt wird.
    Ich habe in Minnesota schon etwas Ähnliches erlebt: Ich fuhr durch einen Schneesturm, und auf dem Radar war trotzdem nichts zu sehen.
  • Es macht einen Unterschied, ob eine Regenwahrscheinlichkeit von 0 % angegeben wurde oder ob man tatsächlich im Regen steht und sie trotzdem nicht auf 100 % aktualisiert wurde.
    Letzteres ist ziemlich häufig. Modelle verwenden probabilistische Schätzungen, bei denen unterschiedliche Anfangsbedingungen zu unterschiedlichen Ergebnissen führen, und die Zahl der „Regen-Szenarien“ bestimmt dann die Niederschlagswahrscheinlichkeit; sie wird also nicht zwingend anhand der tatsächlich beobachteten Bedingungen aktualisiert.
  • Wahrscheinlich lag es an unzureichender Sensorabdeckung oder an einer veralteten Vorhersage. Viele Wetterdienste liefern kein Nowcast mit sehr kurzer Frist, das laufend mit den neuesten Beobachtungen aktualisiert wird, sondern veröffentlichen etwa viermal täglich eine einzelne Vorhersage, wenn der neueste numerische Wettermodell-Lauf vorliegt.
    Trotzdem kann ich diese Verlegenheit und den Zynismus gut nachvollziehen. Das ist nicht gut genug. Ich sage das auch, weil ich früher einmal in einer Rolle gearbeitet habe, in der ich genau solche „ständig veralteten“ Vorhersagen ausgegeben habe.
  • Je nach verwendeter Quelle wurde womöglich einfach auf einem sehr groben Gitter interpoliert.

• Ich hatte in der Oberstufe Meteorologie, und unser Lehrer ließ uns jeden Tag Vorhersagen üben; ich glaube, das wäre besonders für Leute hilfreich, die ihren eigenen Anekdoten zu viel Gewicht geben.
  Wir mussten nur das Wetter für den nächsten Tag selbst vorhersagen und es dann mit der veröffentlichten Vorhersage vergleichen. Für die Note war nicht entscheidend, wie genau wir waren, sondern ob wir diese Übung systematisch durchgeführt haben.
  Wenn man das selbst macht, lernt man die Qualität von Vorhersagen wirklich zu schätzen, und man merkt, dass die Aussage „Wettermoderatoren liegen immer falsch“ überhaupt nicht stimmt. Viele Beschwerden kommen von mangelnder Strenge bei der Beobachtung. Ob Wettervorhersagen oder andere Prognosen: Wer ihre Genauigkeit widerlegen will, muss belastbare Belege vorlegen.

• Ich habe einmal einen Podcast gehört, in dem einige Wissenschaftler des ECMWF (European Centre for Medium-Range Weather Forecasts) interviewt wurden.
  In der Folge sagte, soweit ich mich erinnere, jemand, dass sich Vorhersagen „pro zehn Jahre um einen Tag verbessern“.
  Die Aufnahme stammt aus dem Jahr 2019, also noch bevor AI so ein großes Thema war wie heute. Das gilt umso mehr, wenn man bedenkt, dass Google im vergangenen November ein AI-Wettermodell vorgestellt hat.
  https://omegataupodcast.net/326-weather-forecasting-at-the-e...
  https://deepmind.google/discover/blog/graphcast-ai-model-for...