Die am 16. Oktober veröffentlichte Nachanalyse von HurriLab berichtet, dass Google DeepMind bei Hurrikan Isaias die Zugbahn besonders gut erfasste: Das Modell lag dem späteren Landfallort am nächsten und sagte den Zeitpunkt des Landfalls mehr als drei Tage im Voraus bis auf wenige Stunden voraus. Bei der Intensität hatte die offizielle Prognose des National Hurricane Center (NHC) laut NHC-Direktor Michael Brennan dagegen 20 bis 40 Prozent mehr Prognosegüte als DeepMind.
Was bei Isaias vorhergesagt wurde
Isaias erreichte am 9. Oktober 2026 gegen 20.30 Uhr CDT nahe Destin in Florida Land. Der NHC meldete dort maximale anhaltende Windgeschwindigkeiten von 105 mph und einen geschätzten minimalen Kerndruck von 971 mb.
Zugbahn und Intensität sind zwei unterschiedliche Prognoseaufgaben: Die Zugbahn beschreibt, wohin und wann sich ein Sturm bewegt; die Intensität seine Stärke. Die Ergebnisse für Isaias fallen je nach Aufgabe unterschiedlich aus.
Zugbahn und Intensität im Vergleich
HurriLab verglich Modell-Ensembles. Ein Ensemble bündelt mehrere Prognoseläufe. Der in der Auswertung verwendete fair energy score berücksichtigt sowohl Zugbahnfehler als auch die Übereinstimmung der Ensemblemitglieder und gleicht Vorteile durch unterschiedlich große Ensembles aus.
| Prognosegröße | Ergebnis für Isaias | Vergleichte Prognosen |
| Zugbahn | HurriLab berichtet, dass Google DeepMind beim Landfallort am nächsten lag und den Zeitpunkt mehr als drei Tage im Voraus mit einem Fehler von wenigen Stunden prognostizierte. | Die Zugbahnfehler der traditionellen IFS-ENS- und GEFS-Ensembles lagen laut HurriLab jeweils bei mehr als dem Doppelten ihres Fünfjahresmittels. Europäische KI- und GFS-KI-Ensembles schnitten bei der Zugbahn besser ab als ihre jeweiligen traditionellen Gegenstücke. |
| Intensität | NHC-Direktor Michael Brennan sagte, die offizielle NHC-Prognose habe 20 bis 40 Prozent mehr Prognosegüte als Google DeepMind gehabt. HurriLab zufolge hatte der NHC auch die niedrigsten Gesamtfehler bei der Intensität. | HurriLab berichtet zudem, dass die HWRF- und HMON-Modelle bei Prognosen mit mehr als 36 Stunden Vorlauf gut abschnitten. |
Die Angaben zur Zugbahn und zur Intensität sind keine Werte auf einer gemeinsamen Skala. Eine starke Zugbahnprognose sagt daher für sich genommen nichts über die Güte der Intensitätsprognose aus.
Wie aus Modellläufen eine öffentliche Prognose wird
Der NHC nutzt KI- und traditionelle Modellhilfen. Meteorologinnen und Meteorologen werten die verschiedenen Prognosen aus und entscheiden, was öffentlich kommuniziert wird. Der NHC beschreibt diesen Ansatz als Zusammenführung der jeweils geeigneten Modelle, weil jeder Sturm eigene Prognoseprobleme mit sich bringt.
Der Fall Isaias belegt keine allgemeine Überlegenheit von KI-Modellen. Brennan verwies auch auf Hurrikan Simon im östlichen Pazifik, dessen Zugbahn Google DeepMind nicht gut erfasst habe. Meteorologe Michael Lowry beschrieb KI-Modelle als schwer durchschaubar: Ein Treffer oder ein Fehler erklärt nicht automatisch, warum das Modell zu seiner Prognose kam.
Für einen breiteren Blick auf Google DeepMinds Arbeit an Zyklonprognosen bietet NeoTeos Beitrag zu WeatherNext Cyclones zusätzlichen Kontext.
