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
deepmind19. Mai 2026 · Q004011

AI breakthrough: WeatherNext predicts Hurricane Melissa

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Google DeepMind berichtet, WeatherNext habe fünf Tage vor Hurrikan Melissas Landfall auf Jamaika dessen Verstärkung bis zur Kategorie 5 mit 80 Prozent Zuversicht vorhergesagt und dem NHC so zusätzliche Vorbereitungszeit ermöglicht. Der Beitrag verweist auf gute Ergebnisse im NHC-Jahresbericht 2025, nennt aber keine konkreten Fehlerwerte; offizielle Warnungen kommen laut Bericht ausschließlich von den zuständigen Wetterbehörden.

Mittel

Der Google-DeepMind-Bericht schildert den Einsatz des KI-Wettermodells WeatherNext bei Hurrikan Melissa, der im Oktober 2025 Jamaika als Sturm der Kategorie 5 traf. Laut Beitrag sagte WeatherNext fünf Tage vor dem Landfall mit 80 Prozent Zuversicht voraus, dass sich der zunächst schwache Sturm bis zur Kategorie 5 verstärken und Jamaika erreichen würde; drei Tage vorher sei die Zuversicht nahezu 100 Prozent gewesen. Der Bericht nennt dies einen historischen Fortschritt, weil die Entwicklung ausgehend von niedrigen Windgeschwindigkeiten erkannt worden sei.

WeatherNext soll sowohl Zugbahn als auch Intensität prognostizieren und dafür 50 mögliche Szenarien berechnen. Der Beitrag erklärt, dass frühere globale Modelle oft die Zugbahn, lokale Modelle dagegen eher die Intensität gut erfassten. Das NHC kombinierte WeatherNext mit physikbasierten Modellen, Satellitendaten und Beobachtungen von Hurrikanjägern. So habe der jamaikanische Wetterdienst mehr Zeit für Vorbereitung und Evakuierungen erhalten.

Google DeepMind verweist auf den NHC-Jahresbericht 2025, in dem WeatherNext laut Beitrag bei Einzelmodellen für Zugbahn und Intensität vorn lag. Der Text liefert selbst keine konkreten Fehlerwerte und ist ein Bericht der Modellentwickler. Er stellt klar, dass offizielle Warnungen weiterhin allein von nationalen Wetterbehörden ausgegeben werden.

Ausführlich lesen

Der Bericht von Google DeepMind beschreibt, wie das Wettermodell WeatherNext laut den Verfassern dem US-amerikanischen National Hurricane Center (NHC) bei der Vorhersage von Hurrikan Melissa geholfen habe. Melissa erreichte im Oktober 2025 Jamaika als Hurrikan der Kategorie 5. Der Beitrag bezeichnet ihn als den stärksten Hurrikan, der bis dahin auf Jamaika Landfall gemacht habe, und als einen der stärksten im Atlantik. Nach Darstellung des Berichts gelang dem NHC erstmals die Vorhersage, dass sich ein Sturm ausgehend von Windgeschwindigkeiten der Kategorie 1 bis zur Kategorie 5 verstärken würde. WeatherNext habe diese Entwicklung und den Landfall auf Jamaika fünf Tage im Voraus mit 80 Prozent Zuversicht angezeigt; drei Tage vorher sei die Zuversicht nahezu 100 Prozent gewesen.

Der Text erklärt, warum solche Vorhersagen schwierig sind: Bei einer sogenannten rapiden Intensivierung nehmen die Windgeschwindigkeiten binnen 24 Stunden um mindestens 35 Meilen pro Stunde zu. Große globale Modelle hätten traditionell zwar die Zugbahn gut erfasst, aber kleinräumige Gewitter für die Intensitätsprognose nicht ausreichend aufgelöst. Lokale Modelle könnten die Intensität besser abbilden, verfügten aber über weniger globalen Kontext für die Zugbahn. WeatherNext soll laut Google DeepMind beide Aufgaben verbinden. Das Modell sei mit jahrzehntelangen globalen Wetterdaten und besonderen Datensätzen zu schweren tropischen Wirbelstürmen trainiert worden und könne statt einer einzelnen Vorhersage 50 Szenarien berechnen.

Zu Beginn habe es bei herkömmlichen Modellen unterschiedliche Einschätzungen gegeben: Melissa könne als schwächeres System Haiti treffen oder sich verstärken und Jamaika erreichen. WeatherNext habe dagegen früh die Kategorie-5-Entwicklung für Jamaika prognostiziert. Das NHC habe die Vorhersage zusammen mit physikbasierten Modellen wie HAFS sowie Satelliten- und Hurrikanjägerdaten genutzt. Der Bericht sagt, dadurch habe der jamaikanische Wetterdienst mehr Vorlaufzeit erhalten, um Ressourcen zu mobilisieren und Evakuierungen zu koordinieren. Ein Vertreter des jamaikanischen Wetterdienstes wird mit der Einschätzung zitiert, frühe Evakuierungen und bessere Vorbereitung könnten Leben retten und Lebensgrundlagen schützen.

Als weiteren Beleg für die Leistungsfähigkeit führt der Beitrag den NHC-Jahresbericht zur Verifikation der Hurrikansaison 2025 an: WeatherNext sei darin unter den einzelnen Modellen das leistungsstärkste für Zugbahn und Intensität gewesen. Der Beitrag nennt jedoch keine konkreten Fehlerwerte oder unabhängige Bewertung der Melissa-Prognose und präsentiert die Ergebnisse aus Sicht der entwickelnden Unternehmen. Er beschreibt außerdem eine mehrjährige Zusammenarbeit mit dem NHC und Forschungskooperationen mit Wetterbehörden in mehreren asiatischen Ländern; mögliche Erweiterungen auf Japan, Australien und Indien werden als Zukunftspläne dargestellt. Google DeepMind betont ausdrücklich, dass offizielle Warnungen ausschließlich von den zuständigen nationalen Wetterbehörden ausgegeben werden. WeatherNext soll deren Fachleute unterstützen, nicht die offizielle Warnfunktion ersetzen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna lieferte zwei Zusammenfassungen (kurz und mittel); beide wurden gemeinsam bewertet. Beide sind sachlich korrekt, die mittlere ist vollständiger. Der Bericht ist ein Wettervorhersage-Beitrag von Google DeepMind und behandelt AI-Sicherheitsfragen nur am Rande, daher fallen alle Einordnungen niedrig aus. Lunas Einordnung je Teilfrage war leer, daher wurden keine Teilfragen bewertet.

Im Bericht, aber nicht in der Zusammenfassung

  • Ausweitung von WeatherNext auf weitere Regionen wie Philippinen, Taiwan, Indonesien und Vietnam sowie geplante Kooperationen in Japan, Australien und Indien
  • Integration des Modells in Search für Gebiete, die von NOAA abgedeckt sind
  • Mehrjährige Zusammenarbeit zwischen Google und dem NHC als Hintergrund des Einsatzes

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-M2 Wie muss ein Meldekanal zwischen Staaten gebaut sein, damit er verlässlich arbeitet, auch in einer Krise?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 29 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. 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 37 %einzelne zitierbare Belege
    • JEV 50 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung gleiches Oberthema, hilft nicht
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 52 %Hintergrund, keine Belege
    • JEV 32 %umfangreiche Belege
    • amos 100 %kein Bezug
    • SubQ 49 %gleiches Oberthema, hilft nicht
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
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 39 %Hintergrund, keine Belege
    • JEV 51 %einzelne zitierbare Belege
    • amos 24 %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 38 %Hintergrund, keine Belege
    • JEV 44 %einzelne zitierbare Belege
    • amos 25 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Tempo und Grenzen
Vertrauen in Modelle
  1. 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 29 %Hintergrund, keine Belege
    • JEV 54 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-V5 Was soll heute für das Verhalten und den Betrieb von Modellen gelten?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 46 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 50 %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 100 %kein Bezug
    • JEV 47 %einzelne zitierbare Belege
    • amos 40 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 49 %einzelne zitierbare Belege
    • JEV 61 %einzelne zitierbare Belege
    • amos 29 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
    • Haiku-Prüfung nur am Rande erwähnt
Frieden und Sicherheit
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 31 %Hintergrund, keine Belege
    • JEV 54 %einzelne zitierbare Belege
    • amos 42 %gleiches Oberthema, hilft nicht
    • SubQ 56 %gleiches Oberthema, hilft nicht
    • drex 41 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Beteiligung und Gemeinwohl
  1. SF-E3 Welche Stellen sind in einem Staat für KI-Sicherheit und Prüfungen zuständig, und was davon gibt es schon?
    • clef 100 %kein Bezug
    • Luna 48 %Hintergrund, keine Belege
    • JEV 100 %kein Bezug
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
  2. SF-E4 Wie bleibt KI ein gemeinsames Gut, statt Abhängigkeit und Marktmacht zu vertiefen?
    • clef 100 %kein Bezug
    • Luna 45 %Hintergrund, keine Belege
    • JEV 62 %einzelne zitierbare Belege
    • amos 34 %gleiches Oberthema, hilft nicht
    • SubQ 44 %gleiches Oberthema, hilft nicht
    • drex 48 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
  3. SF-E5 Welche Mitsprache haben die Menschen, die mit KI leben, bei Tempo und Grenzen, und welche Entscheidungen müssen bei ihnen bleiben?
    • clef 100 %kein Bezug
    • Luna 100 %kein Bezug
    • JEV 51 %einzelne zitierbare Belege
    • amos 36 %gleiches Oberthema, hilft nicht
    • SubQ 100 %kein Bezug
    • drex 53 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug

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 →