Zum Inhalt
AMANi DUNiA research
DE

Die Fragen auf dieser Website haben KI-Sprachmodelle gestellt; auch die Erklärtexte und Übersetzungen stammen von KI-Modellen. Wer was geprüft hat, steht jeweils dabei. → Über die Fragen

← Alle bewerteten Quellen
deepmind14. November 2023 · Q003213

GraphCast: AI model for faster and more accurate global weather forecasting

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind zufolge erstellt GraphCast globale Wetterprognosen für bis zu zehn Tage schneller und in vielen Tests genauer als das Vergleichssystem HRES. Das Team berichtet auch von früheren Hinweisen auf extreme Wetterereignisse; der Beitrag nennt Leistungswerte und Beispiele, legt das Prüfverfahren und die Grenzen hier aber nicht vollständig dar.

Mittel

Der Bericht stellt GraphCast vor, ein globales KI-Wettermodell von Google DeepMind, das Prognosen bis zu zehn Tage im Voraus erstellen soll. Es wurde mit vier Jahrzehnten Wetter-Reanalysedaten aus ERA5 trainiert und berechnet aus dem aktuellen Wetterzustand sowie dem von vor sechs Stunden den Zustand sechs Stunden später. Durch wiederholte Schritte entstehen Vorhersagen für ein Raster mit 0,25 Grad Auflösung. Laut Bericht dauert eine Zehn-Tage-Prognose auf einem einzelnen Google-TPU-v4-System weniger als eine Minute; ein herkömmlicher Ansatz wie HRES benötige dafür Stunden auf einem großen Supercomputer.

In Tests gegen HRES habe GraphCast bei mehr als 90 Prozent von 1.380 geprüften Variablen-Zeit-Kombinationen besser abgeschnitten; für die Troposphäre nennt der Beitrag 99,7 Prozent. Das Team berichtet außerdem von verbesserten Vorhersagen für Zyklonbahnen, atmosphärische Flüsse und extreme Temperaturen. Als Beispiel nennt es eine etwa neun Tage im Voraus zutreffende Prognose des Hurrikan-Lee-Landgangs in Nova Scotia. Der Code ist öffentlich verfügbar, und das ECMWF erprobte das Modell. Die Zahlen und Leistungsbehauptungen stammen aus dem Bericht der Entwickler; die vollständigen Prüfdetails und Grenzen werden dort nicht ausgeführt. GraphCast wird als Ergänzung zu physikbasierten Wettermodellen dargestellt.

Ausführlich lesen

Der Bericht stellt GraphCast vor, ein von Google DeepMind entwickeltes KI-Modell für globale Wettervorhersagen über mehrere Tage. Laut den Autorinnen und Autoren kann es Wetter bis zu zehn Tage im Voraus genauer und erheblich schneller vorhersagen als HRES, das im Beitrag als maßgebliches deterministisches Vorhersagesystem des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) beschrieben wird. Die Forschenden sehen darin auch Potenzial für frühere Warnungen vor Wirbelstürmen, atmosphärischen Flüssen und extremen Temperaturen.

GraphCast nutzt maschinelles Lernen und Graph-Neuronale Netze. Trainiert wurde es mit vier Jahrzehnten historischer Wetter-Reanalysedaten aus dem ERA5-Datensatz des ECMWF. Dieser Datensatz verbindet Beobachtungen, etwa von Satelliten, Radar und Wetterstationen, mit numerischer Wettervorhersage, um fehlende Beobachtungen zu ergänzen. Das Modell erhält den Wetterzustand von vor sechs Stunden und den aktuellen Zustand und berechnet daraus den Zustand sechs Stunden später. Durch wiederholte Berechnung entstehen Vorhersagen bis zu zehn Tage im Voraus.

Die Vorhersagen decken ein globales Raster mit 0,25 Grad Auflösung ab, das der Beitrag am Äquator mit etwa 28 mal 28 Kilometern angibt. Das Modell berechnet fünf Größen an der Erdoberfläche, darunter Temperatur, Wind und mittleren Luftdruck auf Meereshöhe, sowie sechs atmosphärische Größen auf 37 Höhenstufen. Die Entwicklung des Modells sei rechenintensiv gewesen; nach dem Training benötige eine Zehn-Tage-Prognose laut Bericht weniger als eine Minute auf einem einzelnen Google-TPU-v4-System. Ein herkömmlicher Ansatz wie HRES könne dafür Stunden auf einem Supercomputer mit hunderten Maschinen beanspruchen.

In einer umfassenden Auswertung gegenüber HRES habe GraphCast bei mehr als 90 Prozent von 1.380 getesteten Kombinationen aus Vorhersagegrößen und Vorlaufzeiten besser abgeschnitten. Betrachtet man nur die Troposphäre, den für Wettervorhersagen besonders wichtigen unteren Atmosphärenbereich, nennt der Beitrag einen Anteil von 99,7 Prozent. Außerdem berichten die Autorinnen und Autoren, dass GraphCast Zyklonbahnen genauer vorhersagen und atmosphärische Flüsse sowie das Überschreiten historischer Höchsttemperaturen erkennen könne. Als Beispiel führen sie Hurrikan Lee an: Eine live auf der ECMWF-Website verfügbare GraphCast-Prognose habe den Landgang in Nova Scotia etwa neun Tage im Voraus korrekt vorhergesagt; herkömmliche Vorhersagen hätten sich laut Beitrag erst etwa sechs Tage vorher auf Nova Scotia festgelegt.

Der Bericht beschreibt GraphCast als Ergänzung zu physikbasierten Verfahren und nicht als deren Ersatz. Der Modellcode wurde öffentlich bereitgestellt; das ECMWF erprobte die Vorhersagen zum Zeitpunkt des Beitrags auf seiner Website. Die Aussagen zu Genauigkeit, Geschwindigkeit und möglichen Warnwirkungen stammen aus der Darstellung des Entwicklerteams. Der Beitrag verweist für Einzelheiten auf die Science-Veröffentlichung, führt hier aber weder das vollständige Prüfverfahren noch Unsicherheiten und Einsatzgrenzen im Detail aus. Er betont zudem, dass sich das Modell mit besseren Daten weiterentwickeln soll.

Luna (gpt-6-luna, Denkstufe high), ChatGPT-Abo · 2026-11-19

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Die Prüfung gilt für beide Zusammenfassungen von Luna (kurz und mittel). Beide geben die Zahlen und Befunde korrekt wieder. Die Stufen beruhen allein auf dem Bericht, Lunas Stufen und Anteile wurden nicht übernommen.

Im Bericht, aber nicht in der Zusammenfassung

  • Der Bericht ist ein Blogbeitrag von Google DeepMind zu einer Veröffentlichung in Science, diese Einordnung der Quelle fehlt
  • Die Aussage, dass GraphCast Extremereignisse früher erkennt, obwohl es nicht darauf trainiert wurde, wird nur allgemein angedeutet
  • Die Angaben zu Modellaufbau (rund eine Million Gitterpunkte, 37 Höhenstufen, fünf Oberflächen- und sechs atmosphärische Variablen) fehlen

Automatische Gegenprüfung mit dem vollständigen Originaltext (Batch, 20.11.2026). Ungeprüft durch Menschen.

Wie die Modelle den Bericht einordnen

Je Sammelfrage und Teilfrage die häufigste Stufe (0 bis 7) und ihr Anteil, geordnet nach Fragenfamilie (Farbe) oder nach den Wegen des Atlas. Ab Stufe 4 liefert der Bericht Belege, Stufe 3 ist Hintergrund (gestrichelt). Was die Stufen bedeuten, steht in der Legende.

Ansicht
Filter
Modelle 8 von 8
Angezeigte Modelle
Vorfälle melden
  1. SF-M4 Wie kommen Meldungen von Laboren, Betreibern und Nutzern schnell und geschützt zu den Stellen, die handeln müssen, auch über Grenzen hinweg?
    • clef 100 %kein Bezug
    • Luna 27 %Hintergrund, keine Belege
    • JEV 52 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Fähigkeiten messen
  1. SF-F2 Wenn ein Staat ein Modell als Beleg für eine überschrittene Schwelle nennt oder ein Risiko an der Herkunft eines Modells festmacht: Wie wird das überprüfbar?
    • clef 100 %kein Bezug
    • Luna 35 %Hintergrund, keine Belege
    • JEV 39 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. SF-P1 Unter welchen Bedingungen lassen Staaten und Labore sich gegenseitig prüfen: mit welchem Zugang, welchen Daten und welchen öffentlichen Ergebnissen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 41 %einzelne zitierbare Belege
    • amos 38 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-P3 Woran erkennt man, dass ein Labor sich ehrlich selbst überwacht und dass seine Prüfungen gültig sind?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 43 %einzelne zitierbare Belege
    • amos 31 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 39 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
  1. SF-T3 Woran erkennt man, dass KI beginnt, ihre eigene Weiterentwicklung voranzutreiben, und wer darf das erlauben?
    • clef 100 %kein Bezug
    • Luna 56 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 52 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 59 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Vertrauen in Modelle
  1. SF-V3 Halten die Werte eines Modells, wenn niemand zusieht oder die Lage neu ist?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V4 Was für ein Wesen ist ein Modell, und was folgt daraus für den Umgang mit ihm und für den Wert des Menschseins?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 50 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  3. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 26 %einzelne zitierbare Belege
    • amos 43 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 47 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

Modelle teilen und schützen
  1. SF-H2 Was darf offen veröffentlicht werden, und wer ist verantwortlich, wenn ein offenes Modell anderswo Schaden anrichtet?
    • clef 100 %kein Bezug
    • Luna 80 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 28 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 26 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 73 %umfangreiche Belege
    • JEV 44 %beantwortet teilweise oder widerspricht
    • amos 34 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung einzelne zitierbare Belege
Offenlegung und Rechenschaft
  1. SF-O2 Was sollten Regierungen, Labore und Prüfer über ihre Gespräche, Zusagen, Prüfungen und Eingriffe offenlegen?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 32 %einzelne zitierbare Belege
    • amos 49 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 72 %einzelne zitierbare Belege
    • JEV 63 %einzelne zitierbare Belege
    • amos 30 %einzelne zitierbare Belege
    • SubQ 100 %kein Bezug
    • drex 35 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung Hintergrund, keine Belege

Weitere Berichte zu diesen Fragen

Eigene Zusammenfassungen und Einordnungen von AMANi DUNiA. Fremde Originalberichte behalten ihre eigenen Rechte.

Sprache und Prüfstand

Haupttext: DE. Prüfvermerke gelten nur für den jeweils genannten Inhalt.

Vorhandene Prüfvermerke stehen am jeweiligen Inhalt.

Sprachabdeckung und Datenstand ansehen →