Zu wissen, wie viel Regen gerade überall fällt, ist schwerer, als es klingt. Reiche Länder haben dichte Radar- und Regenmessnetze, große Teile der Welt nicht, und genau dort richten Überschwemmungen oft den größten Schaden an. Google DeepMind hat zwei Datensätze veröffentlicht, auf denen sein Vorhersagemodell WeatherNext 3 beruht: ein globales Satellitenmosaik namens SatWeave und einen KI-gestützten Niederschlagsdatensatz namens PARDIG, jeweils mit historischen Archiven und Live-Feeds, die jeder nutzen kann.
SatWeave löst ein Infrastrukturproblem. Geostationäre Wettersatelliten, darunter GOES-East und GOES-West, zwei Meteosat-Satelliten und Himawari, nutzen jeweils andere Kartenprojektionen, Dateiformate, Sensoren und Abtastzyklen von 10 bis 30 Minuten. Die meisten globalen Komposite lösen das, indem sie Details weglassen, mit vier oder weniger Kanälen oder Aktualisierungen alle paar Stunden. SatWeave verbindet sie zu einem globalen Mosaik mit 17 sichtbaren, Wasserdampf- und Infrarotkanälen, stündlich aktualisiert, mit einem Archiv von mehr als einem Jahrzehnt. Die stündliche Aktualisierung erlaubt WeatherNext 3, öfter neue Vorhersagen zu starten als Modelle, die auf alle sechs Stunden erneuerte Analysedaten angewiesen sind.
PARDIG ist der ehrgeizigere Teil. Es wird mit spärlichen Messungen des Weltraumradars des Global Precipitation Measurement Core Observatory der NASA trainiert, nutzt SatWeave-Bilder und atmosphärische Felder des ECMWF als Eingaben und erzeugt eine globale Niederschlagskarte mit 15 Minuten und rund 10 Kilometern Auflösung, bei einer durchschnittlichen Verzögerung von etwa fünf Stunden. Google hat es mit Radarnetzen in den USA, Europa und Japan sowie mehr als 36.000 Wetterstationen verglichen und meldet, dass es NASAs Forschungsprodukt IMERG-Final bei allen untersuchten Regenintensitäten übertrifft, die stündliche Erkennung von leichtem bis mäßigem Regen um mehr als 30% verbessert und bei Extremen besonders gut abschneidet. Das Archiv reicht von 1999 bis 2026.
Der praktische Wert liegt in der Offenheit. Beide Datensätze liegen in Google Cloud Storage, PARDIGs Historie zusätzlich in Google Earth Engine. Hydrologen, Versicherer und Katastrophenschutzbehörden in Regionen ohne Radar könnten sie für Modelle zu Hochwasser, Erdrutschen und Dürre nutzen, und Google schlägt SatWeave für Solarstrom und Waldbrandüberwachung vor. Das setzt einen Trend in der KI-Wetterforschung fort, bei DeepMind und anderswo, in dem es inzwischen ebenso um Daten wie um Modelle geht.
Die Vorbehalte zählen. Der Vergleich mit IMERG-Final stammt von Google selbst, unabhängige Hydrologen müssen ihn bestätigen. Zehn Kilometer Auflösung sind grob im Vergleich zu Bodenradar mit etwa einem Kilometer, lokale Systeme ersetzt das also nicht. Googles Aussage, die Genauigkeit sei überall verlässlich, ist eine Erwartung, die auf dem Lernen aus Satellitendaten beruht, und die Prüfregionen sind genau die Orte, die bereits gutes Radar haben.