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 · Q005312

GraphCast: Learned Global Weather Forecasting

deepmind.google · Originalbericht öffnen ↗

Zusammenfassung

Kurz

Es liegt nur der Abstract vor. Er beschreibt GraphCast als lernbasiertes Modell für zehntägige Wettervorhersagen und behauptet, es sei in den ausgewerteten Vergleichen meist genauer und deutlich schneller als die genannten ECMWF- und ML-Systeme; nähere Angaben zu Versuchsbedingungen und Grenzen fehlen.

Mittel

Es liegt nur der Abstract des Berichts mit Autoren- und Veranstaltungsangabe vor. Er beschreibt GraphCast als lernbasiertes Wettersimulationsmodell, das auf einem Raster mit 0,25 Grad Auflösung arbeitet und mithilfe graphneuronaler Netze sowie einer mehrskaligen Gitterdarstellung Vorhersagen schrittweise erstellt. Für zehn Tage prognostiziert es laut Abstract 227 dynamische Atmosphärenvariablen in Sechs-Stunden-Schritten.

Der Abstract behauptet, GraphCast sei im Vergleich zum deterministischen ECMWF-System HRES bei 89,3 Prozent von 2.760 geprüften Kombinationen aus Zielvariablen und Vorhersagezeiten genauer gewesen. Gegenüber einem früheren maschinellen Lernmodell habe es bei 98,8 Prozent der 252 von diesem berichteten Ziele besser abgeschnitten. Eine Zehn-Tage-Vorhersage mit einem Umfang von 35 Gigabyte könne auf Cloud-TPU-Hardware in weniger als einer Minute erstellt werden; das Modell sei zudem um Größenordnungen schneller als operative ECMWF-Systeme.

Da der vollständige Bericht fehlt, sind Versuchsaufbau, Bewertungsdetails und konkrete Modellgrenzen hier nicht nachvollziehbar. Die Leistungsangaben gelten für die ausgewerteten Vergleichsziele und Vorhersagezeiten.

Ausführlich lesen

Es liegt nur der Abstract des Berichts samt Autoren- und Veranstaltungsangabe vor, kein vollständiger Bericht. Der Abstract stellt GraphCast als ein lernbasiertes Wettersimulationsmodell vor und behauptet, es übertreffe das genaueste damals eingesetzte operative System für mittelfristige Wettervorhersagen.

GraphCast arbeitet laut Abstract auf einem globalen Breiten-Längen-Raster mit 0,25 Grad Auflösung. Es nutzt graphneuronale Netze und eine mehrskalige Gitterdarstellung hoher Auflösung, um Vorhersagen schrittweise zu erzeugen. Beschrieben werden Vorhersagen über zehn Tage: Das Modell prognostiziert 227 dynamische Variablen des Atmosphärenzustands in Abständen von sechs Stunden.

Als Ergebnis berichtet der Abstract, GraphCast sei im Vergleich zum deterministischen HRES-System des Europäischen Zentrums für mittelfristige Wettervorhersagen bei 89,3 Prozent von 2.760 untersuchten Kombinationen aus Zielvariablen und Vorhersagezeiten genauer gewesen. Gegenüber dem zuvor genauesten genannten maschinellen Lernmodell habe es bei 98,8 Prozent der 252 von diesem Modell berichteten Ziele besser abgeschnitten. Außerdem heißt es, GraphCast sei um Größenordnungen schneller als die operativen Systeme des ECMWF und könne auf Cloud-TPU-Hardware eine Zehn-Tage-Vorhersage, die 35 Gigabyte Speicherplatz belege, in weniger als 60 Sekunden erzeugen.

Der Abstract deutet diese Ergebnisse als wichtigen Fortschritt für maschinelles Lernen in der Wettermodellierung und als Möglichkeit für schnelle, genaue Vorhersagen. Die verfügbaren Angaben beschränken sich jedoch auf die Zusammenfassung: Sie erläutern weder die Versuchsbedingungen und Bewertungsdetails noch die konkreten Einschränkungen des Modells. Die genannten Genauigkeitswerte beziehen sich ausdrücklich auf die jeweils untersuchten Ziele und Vorhersagezeiten; sie belegen für sich allein keine Überlegenheit in allen denkbaren Einsatzfällen.

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

Gegengeprüft von Claude Haiku 5.5: kleine Mängel

Luna hat zwei Zusammenfassungen geliefert, die sich in Detailtiefe unterscheiden; beide sind nicht falsch, die kurze lässt aber zentrale Zahlen aus. Bewertet wurde die mittlere Fassung als treu, die Lücken der kurzen Fassung fließen in das Urteil ein. Die Einordnung von SF-H3 weicht von Lunas Stufe 4 ab, weil der Bericht zur Herkunft des Modells keine zitierbaren Belege bietet.

Im Bericht, aber nicht in der Zusammenfassung

  • Schlussfolgerung des Abstracts, die Ergebnisse seien ein Schritt nach vorn für maschinelles Lernen in der Wettervorhersage und eröffneten neue Chancen; die kurze Fassung nennt außerdem keine konkreten Zahlen wie 227 Variablen, 0,25 Grad oder 35 Gigabyte

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
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 100 %kein Bezug
    • JEV 25 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • d3-ultra 100 %kein Bezug
Unabhängig prüfen
  1. 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 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 44 %gleiches Oberthema, hilft nicht
    • 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 100 %kein Bezug
    • JEV 41 %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 24 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 58 %gleiches Oberthema, hilft nicht
    • d3-ultra 100 %kein Bezug
Modelle teilen und schützen
  1. SF-H3 Wie lässt sich nachverfolgen, woraus ein Modell entstanden ist und was in ihm steckt?
    • clef 100 %kein Bezug
    • Luna 36 %einzelne zitierbare Belege
    • JEV 47 %einzelne zitierbare Belege
    • amos 100 %kein Bezug
    • SubQ 100 %kein Bezug
    • drex 100 %kein Bezug
    • 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 →