Wissenschaft kompakt

Verifikation von Wettermodellen


Wettermodelle sollen möglichst genau den zukünftigen Zustand der
Atmosphäre vorhersagen können. Um die Modellrechnungen zu
verifizieren, also um zu bestimmen, wie gut die Modelle tatsächlich
sind, gibt es verschiedene objektive Methoden. Heute wagen wir einen
ersten Blick in das komplexe Thema der Verifikation.


Unsere heutigen Wettermodelle sind hochkomplexe Systeme, die auf der
Grundlage von riesigen Mengen an aktuellen Messwerten und mithilfe
physikalischer Prinzipien, wie beispielsweise der Impuls- oder
Masseerhaltung, versuchen möglichst genau zu simulieren, wie sich die
Atmosphäre verhält. Doch wie wird eigentlich "gemessen", wie gut ein
Modell wirklich ist?

Die Antwort auf diese Frage liefern die Methoden der Verifikation.
Diese vergleichen auf objektive Art die Modellvorhersagedaten mit den
in der Realität gemessenen Beobachtungsdaten. Dazu werden sogenannte
Gütemaße verwendet, wobei hierbei zwischen kontinuierlichen und
kategorischen unterschieden wird. Erstere sind auf Zahlenwerte
anwendbar, zweitere auf Ereignisse, die entweder eintreffen oder
nicht eintreffen.

Beginnen wir heute mit der kontinuierlichen Art: Ein einfaches
Beispiel für ein kontinuierliches Gütemaß ist der mittlere absolute
Fehler (MAE - Mean Absolute Error). Hier wird zuerst die Abweichung
des gemessenen Werts einer meteorologischen Variablen (zB. Druck,
Temperatur, etc.) zu dem vom Modell vorhergesagten Wert berechnet.
Dabei wird vernachlässigt, ob das Modell zu hoch oder zu tief liegt.
Danach wird das Mittel über all diese Fehler gebildet und am Ende hat
man einen Wert, der die "Richtigkeit" der Vorhersage beschreibt. Doch
eine gewisse Vorsicht mit dem Ergebnis ist geboten. Nehmen wir einmal
an, ein Modell läge bei der Temperaturprognose die Hälfte der Zeit
genau 0,5 K zu hoch und die andere Hälfte genau so viel darunter.
Berechnet man einfach nur das Mittel, wäre dieses Modell
dementsprechend perfekt, obwohl das offensichtlich nicht wirklich der
Fall ist. Betrachten wir dagegen den MAE, so gäbe dieser einen Wert
von 0,5, da das Vorzeichen des Fehlers ignoriert wird. Doch
gleichzeitig gehen hier andere wichtige Informationen verloren:
Sollte das Modell zu einem Zeitpunkt völlig danebengelegen haben,
wird sich das im MAE durch die Mittelung nicht deutlich zeigen.
Deshalb gibt es noch zahlreiche andere solcher Gütemaße, die ihre
eigenen Schwerpunkte setzen. Der mittlere quadratische Fehler (MSE -
Mean Squared Error) lässt beispielsweise eben diese besonders
schlechten Vorhersagen stärker ins Gewicht fallen, ist jedoch nicht
so intuitiv verständlich wie der MAE. Andere Maße sind der RMSE (Root
Mean Squared Error, die Wurzel des MSE) oder auch die Korrelation.
Letztere gibt an, wie sich zwei Variablen zueinander verhalten. Eine
Korrelation (oder auch ein Korrelationskoeffizient) von -1 bedeutet,
dass sie sich exakt linear entgegengesetzt verhalten, 1 bedeutet,
dass sie sich linear positiv zueinander verhalten.

Nun schauen wir uns mithilfe der Grafik an, wie sich die Modelle des
Deutschen Wetterdienstes entwickelt haben. Die farbigen Linien zeigen
die berechneten Korrelationen für die Vorhersage des Luftdrucks für
die nächsten 24 Stunden (dunkelgrün), ansteigend bis hin zur
Vorhersage für 168 Stunden (braun). Auf der y-Achse ist dabei die
Korrelation aufgetragen und auf der x-Achse die Jahreszahlen.

Was können wir aus dieser Grafik lesen? Einleuchtend ist, dass die
Ein-Tages-Vorhersage (dunkelgrün) besser ist, als Vorhersagen für
mehrere Tage im Voraus. Auch wenn das Gefühl des ein oder anderen
vielleicht etwas Gegenteiliges sagt, wird ersichtlich, dass die
Vorhersagequalität insgesamt nach oben geht und somit besser wird.
Vergleichen wir die braune (Sieben-Tages-Vorhersage) mit der
dunkelgrünen Linie, so können wir festhalten, dass unsere heutige
Wochenvorhersage etwa so gut ist, wie eine Ein-Tages-Vorhersage im
Jahre 1980. Spannend sind auch die abrupten Sprünge in den Linien.
Beispielsweise wurden um 1975 wichtige geostationäre Satelliten in
Betrieb genommen. Somit waren kontinuierliche großflächige Daten
verfügbar, die in die Modelle einfließen konnten. Die Verbesserungen
um 1990 oder auch 2015 hängen mit einem Modellwechsel zusammen. Das
Globale Modell (GM) berechnete erstmals die atmosphärische
Entwicklung für den gesamten Globus. Somit wurden auch weit entfernte
Einflüsse auf Europa und den Nordatlantik berücksichtigt. Der Schritt
zum ICON 13 Modell (ICOsahedral Non-hydrostatic model) führte erneut
zu einer deutlichen Verbesserung.

Natürlich zeigt diese Grafik lediglich ein Gütemaß für einen einzigen
Parameter, trotzdem ist die positive Entwicklung eindeutig. In der
Meteorologie gibt es jedoch nicht nur Vorhersagen für Zahlenwerte,
sondern auch "Ja-Nein-Vorhersagen". Beispielsweise "regnet es hier
heute?" oder "gibt es heute einen Sommertag?". Hierfür werden
kategorische Methoden verwendet, doch diese würden den Rahmen dieses
Thema des Tages sprengen und werden bei anderer Gelegenheit genauer
betrachtet.

(Das Bild und den Link zum heutigen Thema des Tages finden Sie wie
immer im Internet unter www.dwd.de/tagesthema.)

M.Sc.-Met. Fabian Chow

Deutscher Wetterdienst
Vorhersage- und Beratungszentrale
Offenbach, den 11.09.2026

Copyright (c) Deutscher Wetterdienst