Wissenschaft kompakt


Verifikation von Wettermodellen - Teil 2


Die Wetterdienste haben den Anspruch immer bessere Wettermodellen zu
entwickeln. Dazu müssen die Vorhersagen kontinuierlich auf ihre
Richtigkeit überprüft werden. Dieser Prozess wird Verifikation
genannt. Im Thema des Tages vom 11.09.2026 wurde ein erster Einblick
gegeben, der heute weitergeführt wird.


Wettervorhersagen sind eine schwierige Kunst, zum Glück gibt es
heutzutage zahlreiche Wettermodelle, die stetig weiterentwickelt
werden. Um überprüfen zu können, wie gut ihre Vorhersagequalität ist,
gibt es die Methoden der Verifikation. Im Thema des Tages vom
11.09.26 wurden erste Aspekte näher betrachtet. Heute soll es um die
kategorischen Gütemaße gehen.
Zur Erinnerung: Um beispielsweise Temperaturvorhersagen zu
überprüfen, werden kontinuierliche Gütemaße verwendet. Geht es jedoch
zum Beispiel um die Vorhersage, ob es regnet oder nicht, so wird nur
zwischen ja oder nein unterschieden. Daraus ergibt sich eine
sogenannte Wahrheitsmatrix mit vier verschiedenen Fällen. Ist das
Ereignis eingetreten und die Vorhersage "ja", so spricht man
beispielsweise von einem Treffer oder im Englischen "Hit".

Basierend auf dieser Einteilung lassen sich verschiedene Kenngrößen
berechnen. Die "Accuracy" (Genauigkeit) ist das Verhältnis der
korrekten Vorhersagen (A+D) zu der Gesamtheit der Betrachtungen
(A+B+C+D). Auf den ersten Blick möchte man meinen, eine Trefferquote
nahe eins bedeute automatisch eine gute Vorhersagequalität. Doch wie
so oft ist es nicht ganz so einfach. Stellen wir uns ein (noch)
extrem seltenes Ereignis vor, beispielsweise ob eine Lufttemperatur
von 41°C erreicht worden ist. Nun ist ein Modell, das einfach immer
"nein" vorhersagt, offensichtlich kein Modell, das irgendeinen
Mehrwert erzeugt. Trotzdem erreicht es eine Trefferquote, die sehr
nahe am perfekten Ergebnis liegt. Aus diesem Grund sollten immer
mehrere verschiedene Gütemaße zu Rate gezogen werden.

In unserem Beispiel bietet sich die "Probability of Detection" (POD)
an. Hier werden nur die "Hits" (A) betrachtet und deren Verhältnis zu
allen positiven Beobachtungen (A+C). Da unser Modell nie "ja"
vorhersagt, ist A=0 und somit besitzt diese Art der Vorhersage
keinerlei Präzision.
Das Gegenstück zur POD ist die "False Alarm Ratio" (FAR). Sie gibt
an, wie oft man falsch gelegen hat (B), wenn "ja" vorhergesagt wurde
(A+B). Diese beiden Größen ergänzen sich so gut, weil die POD
künstlich erhöht werden kann, wenn ein Ereignis zu häufig
vorhergesagt wird, die FAR jedoch genau das bestraft. Eine kleine
Randnotiz: Eine graphische Darstellung, welche sich der POD und FAR
bedient, ist das sogenannte ROC-Diagramm (Relative Operating
Characteristic), in diesem ist die FAR auf der x-Achse und die POD
auf der y-Achse dargestellt. Mit diesem kann untersucht werden, wie
gut ein Modell zwischen "ja" und "nein" unterscheiden kann.

Nun haben wir einen kleinen Einblick bekommen, wie kategorische
Vorhersagen untersucht und bewertet werden können. Spannenderweise
kann dieses Konzept auch auf die ausgegebenen amtlichen
Wetterwarnungen des Deutschen Wetterdienstes angewandt werden. In
diesem Fall ist das betrachtete Ereignis "Wird eine bestimmt
Warnschwelle in diesem Bereich überschritten?". Im Nachgang kann dann
herausgefunden werden, wie gut oder schlecht die herausgegebene
Warnung zu den schlussendlich gemessenen Werten gepasst hat.
Doch kommen wir zurück zu Vorhersagen, so fehlt eine Art noch
gänzlich. Wie kann eine wahrscheinlichkeitsbasierte Vorhersage der
Art: "Die Regenwahrscheinlichkeit beträgt 70%" objektiv bewertet
werden? Hier können die besprochenen Methoden nicht angewandt werden
und es muss umgedacht werden. Daher widmen wir uns diesem Thema ein
andermal.

M.Sc. Fabian Chow

Deutscher Wetterdienst
Vorhersage- und Beratungszentrale
Offenbach, den 14.10.2026

Copyright (c) Deutscher Wetterdienst