Eine Wettervorhersage schätzt, wie sich die Atmosphäre entwickeln könnte. Sie verbindet aktuelle Beobachtungen, ein Modell des gegenwärtigen Zustands und Berechnungen möglicher zukünftiger Zustände. Detailgrad und Sicherheit hängen von Wetterlage, Ort, Messgröße, räumlicher Skala und Vorlaufzeit ab.
Von Beobachtungen zum Anfangszustand
Vorhersagezentren erhalten Messungen von Satelliten, Bodenstationen, Wetterballons, Flugzeugen, Schiffen, Bojen und Radar. Diese Beobachtungen stammen aus verschiedenen Orten und Zeiten, enthalten Messfehler und lassen Lücken. Sie ergeben allein noch kein vollständiges Abbild der Atmosphäre für einen Modellstart.
Die Datenassimilation verbindet qualitätsgeprüfte Beobachtungen mit einer kurzen vorherigen Modellvorhersage, dem Hintergrundzustand. Das Verfahren gewichtet beide nach ihren geschätzten Fehlern und erzeugt eine Analyse. Sie ist die bestmögliche konsistente Schätzung des Zustands von Atmosphäre und weiteren Teilen des Erdsystems zum Startzeitpunkt. Die Assimilation hilft außerdem, die Unsicherheit dieses Anfangszustands zu bestimmen.
Neue Beobachtungen können die Analyse verändern. Zwei Modellläufe, die nur einige Stunden auseinanderliegen, können deshalb mit unterschiedlichen Einschätzungen desselben Wettersystems beginnen.
Wie Modelle das Wetter weiterrechnen
Klassische numerische Wettermodelle teilen Atmosphäre und Erdoberfläche in ein dreidimensionales Gitter. Sie lösen Gleichungen für Bewegung, Wärme, Feuchte, Strahlung und weitere physikalische Prozesse. Vorgänge unterhalb der Gitterweite, etwa Wolkenmikrophysik oder Turbulenz, müssen durch Näherungen, sogenannte Parametrisierungen, dargestellt werden.
Zur operationellen Wettervorhersage gehören inzwischen auch datengetriebene Modelle mit maschinellem Lernen. Sie lernen Zusammenhänge aus früheren Analysen und Vorhersagen und berechnen daraus die weitere Entwicklung des atmosphärischen Zustands. Das ECMWF betreibt sein AIFS neben dem physikbasierten IFS. Auch AIFS startet mit einer Analyse aus physikbasierter Datenassimilation. Maschinelles Lernen ist eine weitere operationelle Modellmethode. Unsicherheit, Beobachtungslücken und die Prüfung von Vorhersagen bleiben bestehen.
Die Modellauflösung ist wichtig, aber ein feineres Gitter garantiert keine bessere Ortsvorhersage. Anfangszustand, Modellphysik, Trainingsdaten, Gelände und Wetterart beeinflussen ebenfalls die Qualität.
Ensembles zeigen mehrere mögliche Entwicklungen
Ein Ensemble berechnet mehrere Vorhersagen für denselben Gültigkeitszeitpunkt. Die Mitglieder können mit leicht unterschiedlichen Anfangszuständen starten. Zusätzlich lassen sich Modellphysik, Parameter oder stochastische Bestandteile variieren. Damit bildet das Ensemble einen Teil der Unsicherheit in Analyse und Modell ab.
Liegen die Mitglieder eng beieinander, steigt die Sicherheit meist. Driften sie auseinander, bleiben mehrere Entwicklungen plausibel. Übereinstimmung ist keine Garantie. Alle Mitglieder können denselben Modellfehler teilen, auf derselben fehlenden Beobachtung beruhen oder denselben Prozess unzureichend darstellen. Ein Ensemble mit geringer Streuung kann daher zu sicher wirken, während eine große Streuung trotzdem ein nützliches Signal enthalten kann.
Ein Ensemble ist nicht dasselbe wie ein Vergleich mehrerer Modelle. Ein Ensemble kann aus vielen Läufen eines einzigen Modells bestehen. Ein Mehrmodellsystem verbindet Ergebnisse verschiedener Modelle und kann zusätzliche strukturelle Unsicherheit erfassen.
Was nach dem Modelllauf geschieht
Rohe Modellergebnisse haben oft systematische Abweichungen und zu wenig Detail für einen bestimmten Ort. Die Nachbearbeitung kann bekannte Fehler korrigieren, Wahrscheinlichkeiten anhand vergangener Leistung kalibrieren, Felder räumlich verfeinern und Angaben mehrerer Quellen verbinden. Eine kalibrierte Wahrscheinlichkeit soll bei vielen vergleichbaren Fällen der beobachteten Häufigkeit entsprechen.
Bei nationalen Wetterdiensten vergleichen operationelle Meteorologen Beobachtungen, deterministische Modelle, Ensembles und lokale Erfahrung. Sie bewerten Modellunterschiede und geben Vorhersagen und Warnungen heraus. Automatische Produkte übernehmen viele Routinen, doch ein einzelner Modelllauf ist nicht der gesamte öffentliche Warnprozess.
Wie lange eine Vorhersage nützlich bleibt
Keine allgemeine Tabelle kann jeder Vorlaufzeit eine feste Vertrauensstufe zuordnen. Die Vorhersagbarkeit hängt von der Messgröße und dem Prüfmaß ab.
Große, langsam ziehende Wettermuster behalten meist länger Vorhersagewert als der genaue Ort und Zeitpunkt eines Gewitters. Eine regionale Temperaturtendenz kann noch brauchbar sein, wenn der Beginn eines Schauers bereits unsicher ist. Berge, Küsten, Konvektion, Nebel und schmale Regen-Schnee-Grenzen können die örtliche Qualität früher mindern als die Qualität eines großräumigen Druckmusters.
Die häufig genannte Vorhersagegrenze von zwei Wochen fasst frühe Forschung zur taggenauen Wetterentwicklung zusammen. Sie ist keine harte Grenze für jede Messgröße und Skala. Einige großräumige Mittelwerte oder wiederkehrende Signale können darüber hinaus Vorhersagewert besitzen. Genaue lokale Details können ihn deutlich früher verlieren.
Auch die Aussage, die Wettervorhersage gewinne pro Jahrzehnt einen zusätzlichen Tag an Qualität, ist eine historische Zusammenfassung bestimmter Modelle, Zeiträume und Prüfmaße. Sie bedeutet nicht, dass sich jede Wetterart, jeder Ort oder jede App-Vorhersage genau in diesem Tempo verbessert. Aussagekräftig ist nur ein Vergleich mit derselben Definition und demselben Prüfmaß.
Jenseits der taggenauen Vorhersage verschiebt sich der Schwerpunkt meist zu Wahrscheinlichkeiten und Abweichungen vom Klimamittel, etwa zur Chance auf einen wärmeren oder niederschlagsreicheren Zeitraum. Saisonale Ausblicke beschreiben nicht das Wetter einer bestimmten Stunde oder eines bestimmten Tages Monate im Voraus.
Warum sich Vorhersagen ändern
Eine neue Vorhersage kann abweichen, weil neue Beobachtungen die Analyse verändert haben, sich ein Wettersystem anders entwickelt hat, die Modellführung umgeschwenkt ist oder die Nachbearbeitung ein anderes örtliches Ergebnis liefert. In der chaotischen Atmosphäre wachsen zudem kleine Fehler im Anfangszustand.
Eine Änderung beweist weder, dass die frühere Vorhersage richtig war, noch automatisch ein Versagen des Systems. Die alte Ausgabe kann falsch gewesen sein. Sie kann aber auch das am besten gestützte Ergebnis dargestellt haben, bevor neue Informationen eintrafen. Prüfe Ausgabezeit, Gültigkeitszeitraum, den Verlauf mehrerer Aktualisierungen und amtliche Warnungen, statt nur zwei Einzelwerte zu vergleichen.
Wahrscheinlichkeit und Unsicherheit lesen
Nutze die Vorhersage auf der passenden Skala:
- Ordne jeden Wert seiner gültigen Stunde oder seinem gültigen Tag zu. Tages- und Stundenwerte beantworten verschiedene Fragen.
- Behandle eine genaue örtliche Zeitangabe mit größerer Vorlaufzeit als weniger stabil als ein großräumiges Muster.
- Achte auf Signale, die über mehrere Aktualisierungen bestehen bleiben. Ein einzelner Modelllauf kann sich noch verschieben.
- Nutze bei gefährlichem Wetter amtliche Warnungen. Sie berücksichtigen Auswirkungsschwellen und fachliche Bewertungen, die eine allgemeine App nicht vollständig zeigt.
Beim US-amerikanischen National Weather Service bezeichnet die Niederschlagswahrscheinlichkeit die Chance, dass an einem Punkt im angegebenen Zeitraum mindestens 0,01 Inch flüssiger Niederschlag oder das entsprechende flüssige Äquivalent festen Niederschlags fällt. Sie beschreibt weder den Anteil des Zeitraums mit Niederschlag noch den betroffenen Flächenanteil. Andere Anbieter können andere Schwellenwerte, Zeiträume oder räumliche Definitionen verwenden. Deshalb ist die Produktdefinition entscheidend.
Wie Airpult Vorhersagen erstellt und zeigt
Airpult liest derzeit Vorhersagefelder aus dem physikbasierten IFS des ECMWF, dem datengetriebenen AIFS Single des ECMWF und dem physikbasierten GFS der NOAA. Unsere Verarbeitung priorisiert Quellen je nach Messgröße und Verfügbarkeit. Eine niedriger priorisierte Quelle füllt ein Feld, wenn die höher priorisierte Quelle keine vollständige Zeitreihe liefert. Wir mitteln nicht jedes Modell in jeden angezeigten Wert ein.
Die öffentliche Airpult-Vorhersage enthält 48 Stundenwerte und sieben Tageszeilen. Der Webdienst speichert eine erfolgreiche Ortsvorhersage fünf Minuten zwischen. Die zugrunde liegenden Modellzyklen sind seltener: Unsere aktuelle Datenverarbeitung nutzt für GFS und AIFS Single Sechs-Stunden-Zyklen und für IFS Zwölf-Stunden-Zyklen. Eine neu geladene Seite kann deshalb denselben Modelllauf zeigen. Schlägt eine aktuelle Anfrage an den Datendienst fehl, kann der Webdienst vorübergehend eine ältere zwischengespeicherte Antwort für bis zu eine Stunde verwenden.
Die Seite zeigt eine verarbeitete Vorhersage, aber keine Darstellung der Ensemble-Streuung und kein Konfidenzband. Die stündliche Niederschlagsprozentzahl ist eine Modell- oder Anbieterwahrscheinlichkeit für diesen Zeitschritt. Die Seite nennt dafür keine Messschwelle. Lies sie als Chance, nicht als Niederschlagsmenge oder Dauer. Weitere Einzelheiten zu Messung und Niederschlagsart stehen in Was ist Niederschlag?.
