KI-Wettervorhersage und Vorhersage von Wetterauswirkungen

Das Wetter beeinflusst Energiepreise, Handelsnachfrage, Bauzeitpläne, Ernten, Verkehrssicherheit und Versicherungsschäden. Jahrzehntelang kamen Vorhersagen nur aus physikalisch basierter numerischer Wettervorhersage (NWP) auf Supercomputern. Seit 2025 laufen Wettermodelle des maschinellen Lernens im Regelbetrieb neben den physikalischen Modellen: ECMWF AIFS Single seit Februar 2025 und das AIFS ENS mit 51 Mitgliedern seit Juli 2025. Sie sind bei vielen Gütemaßen so gut wie physikalische Modelle oder besser und benötigen nur einen Bruchteil der Rechenleistung. Der geschäftliche Nutzen entsteht im zweiten Schritt, der Auswirkungsprognose. Sie übersetzt „12 mm Regen, Böen 70 km/h" in „mehr Regenschirm-Verkäufe in Filiale Y", „Kranstopp am Donnerstagnachmittag" oder „erhöhtes Netzstörungsrisiko in Bezirk X", jeweils mit einer Wahrscheinlichkeit.

Problem & Nutzen

• Wer hat das Problem: Energiehändler und Netzbetreiber, Handel und Lebensmittelhersteller, Logistik- und Transportunternehmen, Bauunternehmen, Landwirte und Agrargenossenschaften, Winterdienste und Kommunen, Versicherer (Ereignisreaktion, Schadenbearbeitung), Veranstalter und Gastgewerbe sowie Privatpersonen (Garten, PV, Reisen, Hobby-Fliegen oder -Segeln).
• Heute: Mitarbeitende lesen eine allgemeine Wetter-App oder kaufen bei einem Wetterdienst eine Punktvorhersage und entscheiden nach Bauchgefühl. Die nationale NWP ist gut, für einen einzelnen Standort aber grob, und sie sagt nichts über die Auswirkung auf Ihre Kennzahl.
• Warum KI hilft (zwei Ebenen): 1. KI-Wettermodelle erzeugen günstig große Ensembles und liefern damit bessere Wahrscheinlichkeiten für Extreme. ECMWF berichtet, dass AIFS ENS physikalische Modelle bei vielen Maßen übertrifft, mit Verbesserungen von bis zu 20 % bei der Oberflächentemperatur, mehr als 10-mal schneller läuft und rund 1.000-mal weniger Energie verbraucht [1]. AIFS Single verbessert die Zugbahnen tropischer Wirbelstürme um bis zu 20 % [2]. GenCast übertraf das ECMWF-Ensemble bei 97,4 % von 1.320 Zielgrößen [3]. 2. Auswirkungsmodelle (Gradient Boosting, Zeitreihenmodelle) lernen aus Ihrer eigenen Historie, wie das Wetter Ihre Kennzahlen bewegt, und machen Vorhersagen handlungsfähig.
• Kostenlose Eingangsdaten: ECMWF veröffentlicht die AIFS-Ausgabe unter CC BY 4.0, viermal täglich [4]. Der DWD hat seit 2017 den gesetzlichen Auftrag, den Großteil seiner Modell- und Beobachtungsdaten kostenfrei oder günstig anzubieten [5].

Varianten

• Energie: Wind-/PV-/Lastprognosen → werden in PRED-007 behandelt. Dieses Dokument liefert die Wettereingabe.
• Handel & Konsumgüter: wetterbedingte Nachfragesteigerung (Getränke, Eis, Garten, Bekleidung) als Merkmal für PRED-001; Personaleinsatz in Filialen und Callcentern (PRED-011).
• Landwirtschaft: Frost, Spritzfenster, Krankheitsdruckmodelle, Bewässerungszeitpunkt (OPT-014) und Ertragsprognose (PRED-013).
• Bau & Logistik: Kran- und Windgrenzen, Zeitfenster für Betonarbeiten, Auswirkung auf Verspätungen und Ankunftszeiten (PRED-018), Straßenwetter und Winterdienst (Streuen), Verkehrsnachfrage (PRED-019).
• Luftfahrt & Schifffahrt: Wetterrouting wird in OPT-026 behandelt. Zertifizierte Flugwetterberatung bleibt bei lizenzierten Anbietern.
• Versicherung & öffentlicher Sektor: Hagel- und Sturmwarnungen für die Einsatzplanung der Schadenbearbeitung (AGENT-014) sowie wirkungsbasierte Warnungen für den Bevölkerungsschutz. Hochwasser → PRED-027. Klimarisiko über lange Zeiträume → PRED-036. Luftqualität → PRED-042. Klimaforschung → SCI-010.
• Private Nutzung: hyperlokale Apps, Steuerung von Smart-Home-PV und Wärmepumpe sowie Gartenbewässerung, aufgebaut auf Wetter-APIs für Verbraucher.

So funktioniert es

1. Datenaufnahme (AIFS/IFS/ICON/GFS GRIB, Radar, Satellit, eigene Stationen)
2. (optional) eigener KI-Modelllauf: globales ML-Modell von der Analyse
3. Ensemble
4. Downscaling / Bias-Korrektur auf den Standort (statistische Nachbearbeitung, generatives Downscaling)
5. Nowcasting für 0–6 h aus Radar + Satellit
6. Auswirkungsmodell: Wettermerkmale + Kalender + Geschäftshistorie
7. Kennzahlprognose (Quantile)
8. Entscheidungsregeln & Schwellenwerte
9. Vorschlag für Warnung / Planung / Bestellung / Personaleinsatz
10. LLM-Bericht („Was bedeutet das morgen für Standort X?")
11. Entscheidung durch Menschen

• KI-Wettermodelle sind Graph Neural Networks, Transformer oder Diffusions-/generative Modelle, trainiert auf jahrzehntelanger ERA5-Reanalyse. Sie benötigen weiterhin Anfangsbedingungen aus der Datenassimilation, die heute überwiegend physikalisch basiert ist [1].
• Nachbearbeitung (klassisches MOS, Quantilregression, Gradient Boosting) entfernt lokale Verzerrungen. Für einen einzelnen Standort bringt sie oft mehr Nutzen als der Wechsel des globalen Modells.
• Auswirkungsebene: ein Gradient-Boosting- oder Zeitreihenmodell je Kennzahl, trainiert auf den vergangenen Vorhersagen, die zum Entscheidungszeitpunkt tatsächlich verfügbar waren (nicht auf dem beobachteten Wetter), damit keine nachträgliche Kenntnis einfließt.
• Mensch-in-der-Schleife (Human-in-the-Loop): Disponenten, Standortleiter oder diensthabende Meteorologen bestätigen Maßnahmen mit hoher Wirkung. Amtliche öffentliche Warnungen gibt nur der nationale Wetterdienst heraus.

Datenaufbereitung

Es werden zwei Datengruppen benötigt. Wetterdaten (Modellausgabe, Radar, eigene Stationen) stammen von öffentlichen Anbietern und sind meist sauber, liegen aber als GRIB/NetCDF vor und müssen für die Standorte in Tabellen umgewandelt werden. Die Geschäftsseite ist der schwierigere Teil: Umsatz-, Last-, Verspätungs- oder Schadenhistorie liegt im ERP- oder Shopsystem, in Excel-Dateien und im Gebäudeleit- oder SCADA-System, oft mit Lücken und geänderten Definitionen.

Typische Lücken: keine Standortkoordinaten oder Schwellenwerte in den Stammdaten, eigene Sensoren mit fehlenden Messwerten, Historie ohne Zeitstempel auf Stundenebene und keine Aufzeichnung, welche Vorhersage zum Entscheidungszeitpunkt verfügbar war.

Aufbereitungsschritte: - Quellen und Verantwortliche erfassen (PREP-001, PREP-004) und ERP-Daten exportieren (PREP-005). - Stammdaten bereinigen: Koordinaten, Höhen, Schwellenwerte je Standort. - Zeitreihen auf Stundenwerte angleichen, Ausreißer und Schließtage markieren. - Jeden Vorhersagelauf so speichern, wie er empfangen wurde, damit Auswirkungsmodelle auf echten Vorhersagen trainieren. - Vergangene wetterbedingte Vorfälle als Labels sammeln (PREP-020).

Werkzeuge: Python mit xarray, pandas oder eine verwaltete Wetter-API; für KMU genügt oft ein Tabellenexport. Anteil am Gesamtaufwand: etwa 30 bis 40 Prozent, überwiegend für die Geschäftshistorie. Grundlagen zu Zeitreihen siehe DATA-003.

Umsetzungswege

Welcher Weg für wen

• smb (A): Ausgereifte Wetter-API- und Warnprodukte mit EU-Hosting gibt es zu niedrigen Monatspreisen, und Standortvorhersagen sind ein Standardprozess.
• enterprise (B): Auswirkungsprognosen lohnen sich nur in Verbindung mit eigenen Umsatz-, Last- oder Anlagendaten, daher passen Cloud-APIs plus eigene Modelle am besten.
• developer (C): Offene Wetterdaten (DWD ICON, ECMWF Open Data) und KI-Modelle mit offenen Gewichten laufen auf eigener Hardware und erlauben volle Kontrolle.
• private (A): Fertige Wetter-Apps und Warnungen decken den Bedarf; Selbstbetrieb bringt keinen Mehrwert.
• public (B): Amtliche Daten von DWD und EU-Diensten über in der EU gehostete Cloud-APIs halten die Beschaffung einfach und die Souveränität gewahrt.

Weg A — Kaufen (Standardsoftware)

Empfohlen für die meisten KMU. - Wetter- + KI-Vorhersage-APIs: Meteomatics (Schweiz; eine API mit über 1.800 Parametern, die auch die Ausgaben von GraphCast, FourCastNet, AIFS und AIFS ENS bereitstellt) [6]; Jua (Zürich; EPT-2-KI-Modelle und Wind-/Solar-MW-Prognosen für Energiehändler) [7]; Open-Meteo (Open-Source-API mit Servern in Europa; bietet ECMWF AIFS an) [8]; Google Maps Platform Weather API (stündliche Vorhersagen über 240 h) [9]. - Fachprodukte: Prognosewerkzeuge für den Energiehandel, Farm-Management-Plattformen mit Spritz- und Frostfenstern sowie Straßenwetterdienste. EU-/CH-Anbieter mit AVV und EU-Hosting-Erklärung bevorzugen. - A wählen, wenn: die Auswirkungslogik Standard ist (Warnungen, Schwellenwerte) oder der Anbieter Ihre Branche bereits modelliert.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Vorhersagen von Meteomatics, Open-Meteo (kommerzieller Tarif) oder den offenen Daten von DWD/ECMWF beziehen und in Ihrer Datenplattform ein eigenes Auswirkungsmodell aufbauen.
• Google WeatherNext 2 (FGN-basiert; verfügbar über Earth Engine, BigQuery und ein Early-Access-Programm in Vertex AI) erzeugt Hunderte Szenarien in unter einer Minute auf einer einzelnen TPU [10].
• Für Berichte ein in der EU gehostetes LLM verwenden (z. B. Mistral oder Azure OpenAI in einer EU-Region) und n8n oder Airflow für die Ablaufsteuerung.
• B wählen, wenn: das Auswirkungsmodell auf Ihren eigenen Kennzahlen den Unterschied macht und Sie keine Vorgabe zum Betrieb im eigenen Haus haben.

Weg C — Selbst betreiben (Open Source)

• Nur Daten: Open-Meteo (AGPLv3, Docker) auf einem CPU-Server selbst betreiben [8]. DWD ICON und ECMWF Open Data einlesen und das Auswirkungsmodell auf der CPU laufen lassen (HW1).
• Eigene KI-Wetterläufe: ECMWF AIFS Single (Gewichte unter CC BY 4.0, Checkpoint von etwa 1,2 GB, Ausführung über anemoi-inference) [11]; das Anemoi-Framework (Apache 2.0) [12]; NVIDIA Earth2Studio (Apache 2.0; bindet FourCastNet 3, AIFS, GraphCast und FuXi-S2S ein) [13]; Microsoft Aurora (standardmäßig nicht kommerziell, kommerzielle Nutzung auf Anfrage) [14]. Die Lizenz jedes Checkpoints prüfen. Die Gewichte von GraphCast und GenCast sind auf nicht kommerzielle Nutzung beschränkt.
• Hardware: HW3 (eine Rechenzentrums-GPU mit 48–141 GB) für globale 0,25°-Modelle und Ensembles mit Reserve. Die Auswirkungsebene allein läuft auf HW1.
• Betriebsaufwand: Anfangsbedingungen alle 6 h abrufen, GRIB-Werkzeuge (ecCodes, xarray), Überwachung und Verifikation. Das lohnt sich nur mit eigenen Kenntnissen in Meteorologie oder Data Science.

Weg D — Eigenes Training

Lohnt sich für regionale hochauflösende Modelle, Sondergrößen (Vereisung, Hagel, Nebel, Wind in Nabenhöhe von Anlagen) oder eine neue Region. Ein Foundation-Modell feintunen (Aurora wurde so entworfen, dass es mit moderatem Aufwand feingetunt werden kann [15]) oder mit Anemoi auf ERA5 plus regionaler Reanalyse oder Radararchiven trainieren. Dafür sind Gitterdaten über Jahre und Multi-GPU-Knoten (HW4) oder mehr nötig. Nationale Wetterdienste, Energiekonzerne und Rückversicherer tun das. KMU sollten es nicht.

Stand der Technik (2026)

• Operatives ML-Forecasting: ECMWF AIFS Single und AIFS ENS wurden am 12. Mai 2026 auf Version 2 aktualisiert [4]. Google WeatherNext 2 übertrifft seinen Vorgänger bei 99,9 % der Variablen und Vorhersagezeiten und treibt Search, Gemini, Pixel Weather und die Maps Weather API an [10]. NVIDIA Earth-2 ergänzt offene Mittelfristmodelle („Atlas"), Nowcasting, KI-Datenassimilation und CorrDiff-Downscaling-Modelle [16].
• Benchmarks: WeatherBench 2 vergleicht Pangu-Weather, GraphCast, FuXi, Aurora, GenCast, FGN, NeuralGCM und weitere mit IFS HRES und ENS [17].
• Trends 2025–26: Ensembles als Standard (generative Modelle), durchgängige KI-Pipelines einschließlich Datenassimilation, generatives Downscaling im Kilometerbereich, Foundation-Modelle für das Erdsystem (Luftqualität, Wellen) und LLM-Agenten, die Vorhersagen in Entscheidungen übersetzen.
• Grenzen: AIFS ENS läuft mit 31 km gegenüber 9 km beim physikalischen Ensemble [1]. Ältere deterministische ML-Modelle glätten Extreme, lokale Konvektion und Nebel bleiben schwierig, und auf der Vergangenheit trainierte Modelle bilden beispiellose Extreme unter Umständen unzureichend ab. Auswirkungsmodelle versagen, wenn sich der Geschäftsprozess ändert. Immer gegen die eigenen Beobachtungen prüfen.

Gemeinsame Bausteine & Kombinationen

• Gleiche Wetterdaten-Pipeline (GRIB-Einlesen, ERA5, Nachbearbeitung): PRED-007 Energieprognose, PRED-027 Hochwasser, PRED-042 Luftqualität, PRED-036 Klimarisiko, PRED-013 Erträge, OPT-026 Wetterrouting. Eine Datenaufnahme und ein Feature Store können alle bedienen.
• Gleicher Tabellen-/Zeitreihen-Stack (Auswirkungsebene): PRED-001 Nachfrage, PRED-011 Personaleinsatz, PRED-018 Ankunftszeit, PRED-019 Verkehr. Wetter als gemeinsamen Merkmalssatz ergänzen.
• Nachgelagerte Optimierung: OPT-011 Batterieeinsatz, OPT-022 Netz-Redispatch, OPT-014 Bewässerung.
• Fernerkundung: VIS-021 Satellitenanalyse, VIS-013 Waldbrandüberwachung, VIS-058 Schadenkartierung nach Katastrophen (nach dem Ereignis).
• Hardware: Ein HW3-GPU-Server kann globale KI-Wettermodelle neben anderen wissenschaftlichen Foundation-Modell-Lasten (SCI-010) betreiben. LLM-Berichte können sich einen allgemeinen LLM-Server teilen.

Aufwand, Kosten & Kennzahlen

• Weg A: Tage bis Wochen; Abonnement nach API-Aufrufen, Standorten oder Parametern.
• Weg B: 1–3 Monate für ein Auswirkungsmodell mit Rücktest; der Hauptkostenfaktor ist die Datenaufbereitung, nicht die Rechenleistung.
• Weg C: 2–4 Monate; ein GPU-Server plus GRIB- und Betriebs-Know-how.
• Weg D: Quartale; Multi-GPU-Training und meteorologische Fachkenntnis.
• Kennzahlen: Vorhersagegüte gegenüber Ihren Stationen (MAE, CRPS, Brier-Score für Schwellenereignisse); Trefferquote und Fehlalarmrate der Warnungen; Fehler der Auswirkungsprognose (z. B. MAPE bei der Nachfrage); vermiedene Kosten (Verderb, Leerlauf von Teams, Ausgleichsenergie, Frostschäden); gewonnene Vorlaufzeit für Entscheidungen.

Menschen & Veränderung

Beziehen Sie zuerst die Geschäftsführung für Budget und Umfang ein, dann die Abteilungsleitung, die den wetterabhängigen Prozess verantwortet (Standortbetrieb, Logistik, Außenanlagen). Die IT bindet Datenquellen und Konten an; Dateneigner geben ERP- und Sensordaten frei. Endanwender (Disponenten, Standortleiter) sind früh im Pilotbetrieb dabei, weil sie über Schwellenwerte und Maßnahmen entscheiden.

Betriebsrat: meist nein, weil das System Wetter und Anlagenauswirkungen vorhersagt, nicht das Verhalten von Beschäftigten. Relevant wird es, wenn Vorhersagen die Schichtplanung oder die individuelle Arbeitsbelastung steuern; dann greifen § 87 Abs. 1 Nr. 6 und § 90 Abs. 1 Nr. 3 BetrVG, und der Betriebsrat sollte rechtzeitig informiert werden. Im öffentlichen Dienst gilt dies gleichermaßen für den Personalrat.

Datenschutz: Wetterdaten sind nicht personenbezogen; die/der Datenschutzbeauftragte wird nur benötigt, wenn Personaldaten in das Auswirkungsmodell einfließen, dann folgt eine DSFA-Prüfung nach Art. 35 DSGVO. Mit jedem API-Anbieter, der personenbezogene Daten verarbeitet, einen AVV (Art. 28 DSGVO) abschließen.

KI-Kompetenz: Unterstützen Sie die Beschäftigten mit einer kurzen Einweisung zu Wahrscheinlichkeiten, Ensembles und Grenzen von Vorhersagen (GUIDE-006). Beginnen Sie mit einem Standort oder Team, vergleichen Sie die Vorhersagen eine Saison lang mit den Ergebnissen und lassen Sie den Menschen die Kontrolle: Warnungen sind Vorschläge, Disponenten bestätigen Maßnahmen mit hoher Wirkung. Typische Sorge: „Die Vorhersage war falsch." Begegnen Sie ihr mit der Darstellung von Wahrscheinlichkeiten und nachverfolgten Trefferquoten (GUIDE-008, GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): Eine Wetter- oder Auswirkungsprognose für die Geschäftsplanung ist ein minimales Risiko (KI-Kompetenz, Art. 4). Sie kann nach Anhang III Nr. 2 zum Hochrisiko-System werden, wenn das KI-System eine Sicherheitskomponente bei der Steuerung des Straßenverkehrs oder der Versorgung mit Wasser, Gas, Wärme oder Strom ist. Ebenso kann sie nach Nr. 5 Buchst. d zum Hochrisiko-System werden, wenn sie zur Disposition oder Priorisierung von Notfalldiensten dient [18]. Die Einstufung hängt daher von der Nutzung ab. Verbraucher-Chatbots, die das Wetter erklären, benötigen Transparenz nach Art. 50.
• DSGVO: Wetterdaten sind nicht personenbezogen. Auswirkungsmodelle auf Umsatz- oder Personaldaten oder auf genaue Standorte von Privatpersonen (Verbraucher-Apps) fallen unter die DSGVO.
• Branchenregeln: Amtliche Warnungen bleiben bei den nationalen Wetterdiensten (in Deutschland der DWD). Die Luftfahrt benötigt zertifizierte Anbieter. DORA und NIS2 sind relevant für die Abhängigkeit von Vorhersagediensten Dritter im Finanzsektor und bei kritischen Infrastrukturen.
• Lizenzen: Die Namensnennung bei CC BY (ECMWF, Open-Meteo) beachten sowie die Beschränkung auf nicht kommerzielle Nutzung bei einigen Modellgewichten.
• Gegenmaßnahmen: Ensembles und Wahrscheinlichkeiten statt Einzelwerten, Rückfall auf physikalische NWP, Verifikations-Dashboards, Freigabe durch Menschen bei sicherheitsrelevanten Maßnahmen.

Erste Schritte

1. Listen Sie Entscheidungen auf, die vom Wetter abhängen, und die Kosten einer falschen Entscheidung. Wählen Sie 1–2 mit klaren Schwellenwerten (Frost, Windgrenze, Nachfragespitze).
2. Sammeln Sie 2–3 Jahre Ihrer Kennzahlenhistorie plus die damals archivierten Vorhersagen (ERA5 oder Anbieterarchive als Ersatz).
3. Testen Sie eine KI-gestützte Vorhersage-API (Meteomatics, Open-Meteo mit AIFS, Jua für Energie) und prüfen Sie sie eine Saison lang gegen Ihre eigene Station.
4. Bauen Sie ein einfaches Gradient-Boosting-Auswirkungsmodell mit Quantil-Ausgabe. Testen Sie es rückwirkend und binden Sie dann die Warnungen in Ihren Arbeitsablauf ein.
5. Erst danach den Selbstbetrieb von AIFS über Anemoi oder Earth2Studio erwägen, falls Datenmenge, Latenz oder Souveränität es verlangen.

Quellen

1. ECMWF — "ECMWF's ensemble AI forecasts become operational" (2025) — https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ensemble-ai-forecasts-become-operational
2. ECMWF — "ECMWF's AI forecasts become operational" (Feb 2025) — https://www.ecmwf.int/en/about/media-centre/news/2025/ecmwfs-ai-forecasts-become-operational
3. Price et al. — GenCast: Diffusion-based ensemble forecasting for medium-range weather — https://arxiv.org/abs/2312.15796
4. ECMWF — AIFS machine learning data (versions, licence) — https://www.ecmwf.int/en/forecasts/datasets/aifs-machine-learning-data
5. Deutscher Wetterdienst — Open Data — https://www.dwd.de/EN/ourservices/opendata/opendata.html
6. Meteomatics — Weather API — https://www.meteomatics.com/en/weather-api/
7. Jua — AI weather models for energy — https://www.jua.ai/
8. Open-Meteo — ECMWF API docs & GitHub — https://open-meteo.com/en/docs/ecmwf-api ; https://github.com/open-meteo/open-meteo
9. Google Maps Platform — Weather API overview — https://developers.google.com/maps/documentation/weather/overview
10. Google — "WeatherNext 2: our most advanced weather forecasting model" (Nov 2025) — https://blog.google/technology/google-deepmind/weathernext-2
11. ECMWF — AIFS Single model card on Hugging Face — https://huggingface.co/ecmwf/aifs-single-1.0
12. ECMWF — Anemoi core — https://github.com/ecmwf/anemoi-core
13. NVIDIA — Earth2Studio — https://github.com/NVIDIA/earth2studio
14. Microsoft — Aurora repository — https://github.com/microsoft/aurora
15. Bodnar et al. — Aurora: A foundation model for the Earth system — https://arxiv.org/abs/2405.13063
16. NVIDIA — Earth-2 — https://www.nvidia.com/en-us/high-performance-computing/earth-2/
17. WeatherBench 2 — https://sites.research.google/weatherbench/
18. EU AI Act Annex III (Regulation (EU) 2024/1689) — https://artificialintelligenceact.eu/annex/3/