4 Min. LesezeitDaten und KI

Trainingsdaten für KI-Wettermodelle: Was ein Modell von ihnen braucht

Ein KI-Wettermodell kann nur lernen, was ihm seine Trainingsdaten zeigen. Sechs Eigenschaften, die festzulegen sind, ein öffentliches Beispiel und wie ein maßgeschneiderter Datensatz definiert, geliefert und bepreist wird.

Illustration: ein durchscheinendes dreidimensionales Modellgitter, das bei Nacht über einer Küstenlinie schwebt; eine Gitterzelle rund um eine einzelne regnende Gewitterwolke leuchtet bernsteinfarben.

Erstmals veröffentlicht am 11. November 2026 · Aktualisiert am 16. November 2026

Ein KI-Wettermodell lernt die Atmosphäre aus Beispielen. Ein Gewitter, einen Seewind oder eine Windrampe, die ihm seine Trainingsdaten nie gezeigt haben, kann es nicht lernen. Vor der Architektur steht für die Leitung Data Science deshalb eine schlichtere Frage: Was müssen die Trainingsdaten für das KI-Wettermodell enthalten, und woher kommen sie? Dieser Artikel beschreibt sechs Eigenschaften, die festzulegen sind, ein öffentliches Beispiel für die Größenordnung, die ein Projekt erreichen kann, und wie TempoQuest einen maßgeschneiderten Datensatz definiert, liefert und bepreist.

Was ein KI-Wettermodell von seinen Trainingsdaten braucht

Auflösung

Die Gitterweite begrenzt die Details in den Trainingsdaten. Sind die Zellen zu grob, um ein Gewitter aufzulösen, sieht das Modell nur dessen Mittelwert über ein Gitterquadrat. Wenn es um Wind über einem Höhenrücken, Wolken über einer Solaranlage oder Regen im Einzugsgebiet einer Stadt geht, müssen die Daten Gelände, Küstenlinien und Gewitter auf dieser Skala auflösen.

Variablen

Trainieren Sie mit dem, was Sie vorhersagen wollen, und mit dem, was es antreibt. Windenergie braucht Wind in Turbinenhöhe, nicht nur in 10 m. Solarenergie braucht Wolken. Felder aus einem einzigen physikalischen Modelllauf passen außerdem zueinander: Wind, Temperatur und Druck in einer Gitterzelle gehorchen im selben Moment derselben Physik. Bei Feldern, die aus getrennten Quellen zusammengesetzt sind, ist das nicht unbedingt so.

Historie

Der Datenbestand muss jede Jahreszeit abdecken und genügend der seltenen Ereignisse enthalten, auf die es Ihnen ankommt. Extreme sind per Definition selten und deshalb das Erste, was einem kurzen Datenbestand fehlt. Halten Sie ganze Zeiträume für die Evaluierung zurück. Eine zufällige Aufteilung lässt Information durchsickern, weil aufeinanderfolgende Zeitschritte fast gleich aussehen.

Taktung

Der Zeitschritt der Daten bestimmt die schnellste Änderung, die ein Modell lernen kann. Eine einzelne Gewitterzelle kann in etwa einer Stunde entstehen und zerfallen, stündliche Momentaufnahmen verpassen also den größten Teil ihres Lebenszyklus. Daten alle 10 oder 15 Minuten erfassen ihn.

Konsistenz

Verlangen Sie eine Modellversion, eine Konfiguration und ein Gitter über den gesamten Datenbestand. Ein Archiv operationeller Vorhersagen ändert sich mit jedem Upgrade des Vorhersagesystems, und ein lernendes Modell kann diese Sprünge für Wetter halten.

Metadaten

Einheiten, Kartenprojektion, vertikale Niveaus, Zeitkonventionen (UTC, Gültigkeitszeit, der Akkumulationszeitraum für Regen), die Modellkonfiguration und Kennzeichnungen für fehlende Werte. Ohne sie rät eine Pipeline, und rät sie falsch, fällt der Fehler nicht auf.

Ein öffentliches Beispiel: Weather 1K

Am 23. April 2026 haben MITRE und The Weather Company eine Zusammenarbeit bekannt gegeben, bei der es um Weather 1K geht, einen hochaufgelösten KI-Trainingsdatensatz, den The Weather Company für Forschung und Entwicklung an GRAF lizenziert hat. Laut der Mitteilung hat der Datensatz:

  • eine räumliche Auflösung von 1 km über den kontinentalen Vereinigten Staaten;
  • Zeitschritte von 10 Minuten;
  • eine vertikale Abdeckung vom Meeresspiegel bis 62 000 ft;
  • einen Umfang von etwa 7 PB.

Die Mitteilung nennt AceCAST von TempoQuest unter den Modellierungswerkzeugen, die bei der Entwicklung von Weather 1K eingesetzt wurden. AceCAST führt WRF, das vom NCAR gepflegte Weather Research and Forecasting Model, auf NVIDIA-GPUs aus.

Weather 1K steht hier als öffentliches Beispiel für die Auflösung, die Taktung und das Volumen, die ein Projekt spezifiziert hat. Die maßgeschneiderten Daten von TempoQuest sind kein Weiterverkauf von Weather 1K. Ihr Umfang wird für jeden Kunden einzeln festgelegt.

Wie ein maßgeschneiderter Datensatz definiert und geliefert wird

TempoQuest definiert, erzeugt, paketiert und liefert projektspezifische, hochaufgelöste Modellausgaben und abgeleitete Datensätze für KI-Training, Risikoanalytik, Planung und Betrieb. Im Leistungsumfang werden die sechs Eigenschaften von oben zu einer Spezifikation. Er regelt:

  • Region: das Gebiet, das die Daten abdecken müssen.
  • Variablen: die Felder, die Ihr Modell vorhersagt, und die Felder, aus denen es lernt.
  • Auflösung: Typische Anfragen liegen bei etwa 1 km oder 3 km.
  • Taktung: Typische Anfragen sind 15-minütig, 30-minütig, stündlich oder täglich.
  • Historie: der zurückliegende Zeitraum, der erzeugt werden soll, bei einem historischen Datensatz.
  • Vorhersagehorizont: wie weit jeder Lauf vorausblickt, wenn es sich bei den Daten um Vorhersagen handelt.
  • Format und Lieferung: NetCDF, GRIB, Zarr, CSV, JSON oder eine API.

Sobald der Leistungsumfang vereinbart ist, erzeugt TempoQuest die Modellausgabe, paketiert sie und liefert sie in dem Format, das Sie gewählt haben.

Bringen Sie drei Dinge zum ersten Gespräch mit: das Modell oder die Entscheidung, der die Daten dienen sollen, die Beobachtungen, gegen die Sie sie prüfen werden, und das System, in das sie geladen werden müssen. Schreiben Sie auch die Metadaten, die Sie brauchen, in den Leistungsumfang. Wenn die Daten gegen Stationen, Lidar oder Radar verifiziert werden sollen, sagen Sie das gleich zu Beginn. Unser Leitfaden zur Vorhersageverifikation erklärt, wie diese Bewertung funktioniert.

Was es kostet

Maßgeschneiderte Wetterdaten werden pro Projekt bepreist, weil sich der Preis nach dem Aufwand richtet. Sechs Faktoren bestimmen ihn:

  • Größe des Modellgebiets. Ein größeres Gebiet bedeutet mehr Gittersäulen, die berechnet und gespeichert werden müssen.
  • Auflösung. Feinere Gitter erfordern mehr Rechenleistung und Speicher. So werden Rechenkosten verglichen.
  • Historie. Zehn Jahre Wetter erfordern etwa das Zehnfache an Rechen- und Speicheraufwand eines einzelnen Jahres.
  • Taktung. Eine Ausgabe alle 15 Minuten ergibt das 60 ÷ 15 = 4-Fache des Volumens einer stündlichen Ausgabe.
  • Validierung. Wie viel Abgleich mit Beobachtungen das Projekt verlangt.
  • Integration. Wie stark die Lieferung angepasst werden muss, damit sie zu den Systemen passt, die Sie bereits betreiben.

Die praktische Konsequenz: Auflösung, Taktung und Historie multiplizieren sich gegenseitig. Entscheiden Sie, welche der drei Ihr Modell am dringendsten braucht, bevor Sie alle drei im Maximum anfragen.

Nächste Schritte

Definieren Sie Ihren Datensatz, oder lesen Sie mehr über maßgeschneiderte Wetterdaten von TempoQuest.

Ihr Trainingsdatensatz

Bringen Sie Ihre Datenanforderungen mit.

Nennen Sie Region, Archiv, Felder und Rechte, die Ihr Modell braucht. Wir prüfen jede Anfrage.