Das Verfahren zielt auf einen Zeitraum, in dem Wettervorhersagen bislang besonders unzuverlässig sind: zwei bis sechs Wochen im Voraus. Ein Team mit Forschenden des MIT entwickelte dafür ein maschinelles Lernmodell, das Fehler vorhandener Vorhersagemodelle erkennt und deren Ergebnisse korrigiert. Die Arbeit dazu ist in Nature erschienen.
Wird das Verfahren auf ein als Goldstandard bezeichnetes Prognosemodell angewandt, verdoppelt sich laut MIT die Vorhersagegenauigkeit in diesem Zeitraum. Bei einem internationalen Prognosewettbewerb erreichte das System den ersten Platz. Den Forschenden zufolge übertrafen die Vorhersagen zwischen zwei und sechs Wochen erstmals auch klimatologische Durchschnittswerte.
Die Verbesserungen betreffen nicht nur Durchschnittswerte über längere Zeiträume. Laut MIT sagte das Verfahren auch extreme Wetterereignisse besser voraus, darunter Überschwemmungen und Kälteperioden. Die Autorinnen und Autoren richten den Blick damit auf eine Prognosefrist, die für Energieversorger, Landwirtschaft und Katastrophenschutz wichtig sein kann: Mehr Vorlauf könnte die Vorbereitung auf erwartete Wetterlagen erleichtern.
Der Nutzen solcher Vorhersagen zeigt sich am Beispiel Texas: Im Februar 2021 führten drei schwere Winterstürme zu einem Ausfall der Energieinfrastruktur. Mindestens 246 Menschen starben infolge der Störungen, die Engpässe bei Lebensmitteln, Wasser, Wärme und Strom verursachten. MIT nennt eine frühere Bereitstellung zusätzlicher Erdgastransporte als Beispiel dafür, wie mehr Vorbereitungszeit die Folgen hätte abmildern können. Das neue Modell setzt an der Prognosegenauigkeit an; Angaben zu einem Einsatz im operativen Wetterdienst enthält der vorliegende Auszug nicht.