Von Überschwemmungen bis zu Waldbränden verändert künstliche Intelligenz, wie Wissenschaftler*innen Umweltrisiken vorhersagen. Kann sie uns auch dabei helfen, der Klimakrise einen Schritt voraus zu sein?
Vor wenigen Wochen überfluteten sintflutartige Regenfälle große Teile von Accra in Ghana, töteten mindestens zwölf Menschen, versenkten Straßen und Häuser und zwangen die Einsatzkräfte zu aufwendigen Rettungsaktionen. Die Überschwemmungen folgten auf einen ungewöhnlich intensiven Starkregen, den die ghanaischen Behörden als eines der stärksten Niederschlagsereignisse der jüngeren Geschichte beschrieben.
Ghana war damit nicht allein: In Europa trieb eine intensive Frühsommerhitzewelle die Temperaturen in mehreren Ländern über 40 Grad Celsius, löste Waldbrände aus, legte den Verkehr lahm und versetzte Millionen Menschen in Hitzealarmbereitschaft. Wissenschaftler*innen warnen, dass solche Extremwetterereignisse mit fortschreitendem Klimawandel häufiger und intensiver werden.
Da der Klimawandel sowohl die Häufigkeit als auch die Intensität von Extremwetterereignissen erhöht, wird eine Frage immer dringlicher: Können wir Katastrophen früh genug vorhersagen, um ihre Auswirkungen zu verringern?
Jahrzehntelang stützte sich die Wettervorhersage auf einige der leistungsstärksten Supercomputer der Welt. Heute verändert eine neue Technologie das Feld grundlegend: künstliche Intelligenz. In den vergangenen zwei Jahren hat sich KI von der Forschung in die operative Vorhersage verlagert. Technologieunternehmen, Forschungsinstitute und meteorologische Behörden entwickeln Systeme, die in der Lage sind, enorme Umweltdatensätze in Sekunden zu analysieren und Vorhersagen zu liefern, die traditionellen numerischen Wettermodellen oft ebenbürtig sind. Befürworter*innen glauben, dass dies die Katastrophenvorsorge revolutionieren könnte, während Kritiker*innen argumentieren, dass die Technologie noch erhebliche Grenzen hat. Die Realität liegt, wie bei den meisten wissenschaftlichen Fortschritten, irgendwo dazwischen.
Maschinen beibringen, den Planeten zu verstehen
Traditionelle Wettervorhersage basiert auf Physik: Wissenschaftler*innen simulieren die Atmosphäre, indem sie Millionen von mathematischen Gleichungen lösen, die Wind, Temperatur, Druck, Luftfeuchtigkeit und Meeresströmungen beschreiben. Diese numerischen Wettervorhersagemodelle sind in den vergangenen fünfzig Jahren bemerkenswert präzise geworden, erfordern aber enorme Rechenressourcen. Eine globale Wettervorhersage kann auf einigen der schnellsten Supercomputer der Welt Stunden dauern.
Künstliche Intelligenz nähert sich der Vorhersage anders. Anstatt jeden atmosphärischen Prozess einzeln zu berechnen, lernen KI-Systeme Muster direkt aus historischen Beobachtungen. Forschende trainieren Machine-Learning-Modelle mit jahrzehntelangen Satellitendaten, Radarmessungen, Meerestemperaturen, Wetterstationsaufzeichnungen und früheren Vorhersagen. Einmal trainiert, können diese Modelle komplexe Zusammenhänge erkennen, die Menschen nur schwer oder gar nicht manuell identifizieren könnten. Wichtig dabei: KI ersetzt die Klimawissenschaft nicht. Forschende sehen sie als Ergänzung traditioneller Vorhersagemethoden, die Prognosen schneller und in manchen Fällen präziser machen. Während eine traditionelle globale Wettervorhersage Stunden an Supercomputer-Zeit erfordert, können manche modernen KI-Systeme vergleichbare Vorhersagen in weniger als einer Minute liefern.
KI verändert bereits die Wettervorhersage
Forschende bei Google DeepMind haben GraphCast vorgestellt: ein KI-Wettermodell, das auf fast vierzig Jahren historischer Wetterdaten des Europäischen Zentrums für mittelfristige Wettervorhersage (ECMWF) trainiert wurde. Laut einer in Science veröffentlichten Studie übertraf GraphCast das operative Vorhersagesystem des ECMWF in mehr als 90 Prozent der ausgewerteten Wettervariablen und lieferte Vorhersagen in weniger als einer Minute statt in mehreren Stunden. Kurz darauf stellten Forschende bei Huawei Pangu-Weather vor, ein weiteres KI-Vorhersagesystem mit bemerkenswerter Geschwindigkeit und wettbewerbsfähiger Genauigkeit. Microsoft folgte mit Aurora, einem Basismodell, das nicht nur Wetter, sondern auch tropische Wirbelstürme, Meereswellen und Luftqualität mit einer einzigen KI-Architektur vorhersagen kann. Anstatt gegen traditionelle Vorhersagesysteme zu konkurrieren, sehen viele meteorologische Behörden diese KI-Modelle als wertvolle Ergänzung ihres Vorhersage-Werkzeugkastens.
Über das Wetter hinaus: Gemeinden bei der Vorbereitung helfen
Wettervorhersage ist nur eine Anwendung künstlicher Intelligenz. Forschende nutzen KI unter anderem auch zur Verbesserung des Umweltmonitorings und der Katastrophenvorsorge, indem sie riesige Datenmengen von Satelliten, Wetterstationen, Flussmessgeräten und Sensornetzwerken analysieren. Machine-Learning-Algorithmen können durch die Kombination von Niederschlagsmustern, Wasserabfluss und Topografie abschätzen, wo Überschwemmungen am wahrscheinlichsten auftreten. Ähnliche Systeme überwachen Vegetation, Temperatur, Luftfeuchtigkeit und Windbedingungen, um Gebiete mit hohem Waldbrandrisiko zu identifizieren. Andere KI-Modelle verfolgen Bodenfeuchtigkeit, Vegetationsgesundheit und Niederschlagsdefizite, um Dürren vorherzusagen, während Forschende die Technologie auch zur Verbesserung von Hitzewellen-, Wirbelsturm- und Küstenflutvorhersagen einsetzen.
Der Wert dieser Vorhersagen liegt nicht nur in ihrer Genauigkeit, sondern auch darin, wie sie Entscheidungen unterstützen. Regierungen, Einsatzkräfte, Landwirt*innen, Naturschutzorganisationen und humanitäre Organisationen nutzen KI-gestützte Vorhersagen, um zu entscheiden, wo Ressourcen vor Katastrophen eingesetzt werden sollen. Anstatt nur das morgige Wetter vorherzusagen, hilft KI bei der Beantwortung praktischer Fragen: Welche Gemeinden sollten zuerst evakuiert werden? Welche Flüsse werden am ehesten über die Ufer treten? Welche Wälder haben das höchste Waldbrandrisiko? Welche Betriebe werden voraussichtlich unter Dürrestress leiden? Indem sie riesige Datensätze in verwertbare Informationen umwandelt, entwickelt sich KI zu einem leistungsstarken Entscheidungshilfesystem.
Frühere Warnungen, bessere Entscheidungen
Selbst wenige zusätzliche Stunden oder Tage Vorwarnung können die Auswirkungen klimabedingter Katastrophen erheblich verringern. Wenn Behörden im Voraus wissen, dass Flüsse über die Ufer treten könnten, können sie Hochwasserschutzanlagen verstärken, gefährdete Straßen sperren und Bewohner*innen evakuieren, bevor die Überschwemmung beginnt. Waldbrandbehörden können Feuerwehrleute in der Nähe von Gebieten mit dem höchsten Risiko positionieren, während Landwirt*innen Bewässerungspläne anpassen oder die Aussaat verschieben können, wenn Dürrebedingungen erwartet werden. Städte können außerdem Kühlzentren vorbereiten und Notfallgesundheitsdienste stärken, bevor schwere Hitzewellen eintreffen.
Diese Maßnahmen verhindern Katastrophen nicht, können aber ihre menschlichen und wirtschaftlichen Folgen verringern. Laut der Weltorganisation für Meteorologie (WMO) retten effektive Mehrgefahren-Frühwarnsysteme Leben, indem sie Regierungen und Gemeinden ermöglichen, zu handeln, bevor Gefahren zu Notfällen werden. In Anerkennung ihrer Bedeutung starteten die Vereinten Nationen die Initiative „Early Warnings for All“, die darauf abzielt, bis 2027 jeden Menschen auf der Erde durch Mehrgefahren-Frühwarnsysteme zu schützen. KI soll dabei eine wichtige Rolle spielen.
Die Zukunft der Klimavorhersage
Künstliche Intelligenz verändert rasant, wie Wissenschaftler*innen klimabedingte Katastrophen vorhersagen. Gleichzeitig warnen sie davor, sie als Wunderlösung zu betrachten. KI-Systeme sind vollständig auf die Qualität der Daten angewiesen, mit denen sie trainiert werden. In vielen Teilen Afrikas, Südamerikas und Asiens bedeuten begrenzte Wetterbeobachtungen, dass weniger Informationen für KI-Modelle zum Lernen verfügbar sind, was Vorhersagen in einigen der klimawandelvulnerabelsten Regionen weniger zuverlässig macht.
Eine weitere Herausforderung ist die Transparenz. Anders als traditionelle Wettermodelle, die auf physikalischen Gleichungen basieren, funktionieren viele fortschrittliche KI-Systeme als „Black Boxes“: Sie liefern oft bemerkenswert genaue Vorhersagen, ohne klar zu zeigen, wie sie zu ihren Schlussfolgerungen gelangt sind. Forschende entwickeln daher erklärbare künstliche Intelligenz (XAI), um diese Systeme transparenter und vertrauenswürdiger zu machen, insbesondere wenn Vorhersagen hochriskante Entscheidungen im Bereich der öffentlichen Sicherheit beeinflussen.
Darüber hinaus erklären Wissenschaftler*innen, dass KI den Klimawandel selbst nicht lösen kann. Sie kann zwar die Katastrophenvorhersage verbessern und Gemeinden auf Überschwemmungen, Dürren, Hitzewellen und Waldbrände vorbereiten helfen, aber keine Treibhausgasemissionen reduzieren oder Klimaschutzpolitik ersetzen. Der Weltklimarat (IPCC) betont weiterhin, dass die Begrenzung künftiger Klimarisiken sowohl von der Reduzierung von Emissionen als auch von der Stärkung von Anpassungsmaßnahmen abhängt. KI trägt vor allem zu Letzterem bei.
Anstatt traditionelle Vorhersagen zu ersetzen, wird KI in sie integriert. Ein Beispiel ist die Initiative Destination Earth (DestinE) der Europäischen Kommission, die einen digitalen Zwilling der Erde entwickelt, der Wetter, Klima, Überschwemmungen, Dürren und Luftqualität nahezu in Echtzeit simulieren kann. Gemeinsam mit laufenden Investitionen von Organisationen wie dem ECMWF und der WMO zeigen Projekte wie DestinE, dass die Zukunft der Vorhersage in der Kombination physikbasierter Klimamodelle mit der Geschwindigkeit und Mustererkennung künstlicher Intelligenz liegt.
Die Frage ist daher nicht mehr, ob KI Meteorolog*innen ersetzen wird, sondern wie Menschen und künstliche Intelligenz zusammenarbeiten können, um bessere Entscheidungen zu treffen. Da sich der Klimawandel beschleunigt, werden Gesellschaften sowohl das wissenschaftliche Verständnis traditioneller Klimamodelle als auch die Rechenleistung von KI benötigen. Keines von beidem ist für sich allein ausreichend, aber gemeinsam könnten sie verändern, wie Gemeinden sich auf klimabedingte Katastrophen vorbereiten.
Dieser Artikel wurde ursprünglich auf Englisch verfasst. Für die deutsche Übersetzung wurde künstliche Intelligenz unterstützend eingesetzt.
