Im September 2025 gelang es einem experimentellen Computermodell des U.S. National Science Foundation National Center for Atmospheric Research (NSF NCAR), die Entwicklung von Supertaifun Ragasa präzise vorherzusagen. Dieser Sturm entwickelte sich zu einem Ereignis der Kategorie 5 mit Windgeschwindigkeiten von bis zu 270 km/h und wurde damit zur stärksten Sturmformation des Jahres.
Die innovative Modellierungsarchitektur des NSF NCAR lieferte globale Vorhersagen mit einer Auflösung von 3,75 Kilometern in Echtzeit. Diese feingranulare Simulation erfasste Gewitter weltweit und deckte auf, wie entfernte Wettersysteme die Entwicklung tropischer Stürme beeinflussen können. Der leitende Wissenschaftler Falko Judt vom NSF NCAR erklärte: „Im Wesentlichen bringen wir das Wetter global in High Definition. Wir glauben, dass dies die Vorhersage extremer Ereignisse wie Hurrikane und Sturzfluten weltweit erheblich verbessern kann.“
Die experimentellen Echtzeit-Vorhersagen liefen den ganzen September über, was mit dem Höhepunkt der atlantischen Hurrikansaison zusammenfiel. Trotz eines ruhigen Monatsbeginns bewies der Ansatz des NSF NCAR seine Wirksamkeit, indem er die schnelle Intensivierung von Hurrikan Gabrielle über dem Atlantik erfasste. Für die Erstellung dieser Vorhersagen nutzte Judt das auf dem NSF NCAR basierende Model for Prediction Across Scales (MPAS) und den Supercomputer Derecho.
Der Schwerpunkt lag auf tropischen Wirbelstürmen im Atlantik, im östlichen und westlichen Pazifik, mit dem Ziel, auch die Leistung bei der Vorhersage extremer Niederschläge zu bewerten. Dieses Vorgehen ähnelt einer ähnlichen Initiative des NSF NCAR vom Frühjahr desselben Jahres. Damals nutzten Wissenschaftler, die sich hauptsächlich für extremes Wetter in mittleren Breiten interessierten, MPAS für Echtzeit-Vorhersagen mit 3-Kilometer-Auflösung bis zu 60 Stunden. Der aktuelle Fokus auf tropische Wirbelstürme, die größer sind und sich über längere Zeiträume entwickeln, beinhaltet Vorhersagen bis zu 120 Stunden mit einer leicht reduzierten Auflösung von 3,75 Kilometern zur Optimierung der Rechenressourcen.
Wettermodelle wie MPAS stellen die Atmosphäre mithilfe eines Gittersystems dar und wenden physikalische Gesetze an, um atmosphärische Eigenschaften zu simulieren. Eine höhere Auflösung, angezeigt durch engere Gitterpunkte, führt im Allgemeinen zu genaueren Vorhersagen. Die Datenassimilation spielt jedoch ebenfalls eine entscheidende Rolle für die Genauigkeit der anfänglichen atmosphärischen Darstellung. Judt stellte fest, dass die Simulation des gesamten Globus mit hoher Auflösung nicht nur Stürme dort erfassen könnte, wo sie auftreten, sondern auch bei der Vorhersage tropischer Wirbelstürme helfen könnte, bevor sie sich bilden. Dies könnte zu genaueren Vorhersagen führen, die 7 bis 10 Tage in die Zukunft reichen.
Dies scheint auch bei Supertaifun Ragasa der Fall zu sein. Judt beobachtete: „Was mir auffällt, ist, dass MPAS diesen Sturm bereits als Supertaifun vorhersagte, noch bevor er sich gebildet hatte.“ Er fügte hinzu, dass diese Vorhersage früher erfolgte als bei vielen operativen Modellen und mit einer besseren Intensitätsvorhersage. Diese Art von Anstrengung könnte auch für das Training neuer Generationen von künstlicher Intelligenz (KI) für Wettermodelle von Vorteil sein. Die von MPAS generierten hochauflösenden, qualitativ hochwertigen Daten würden aktuelle KI-Modelle, die auf gröberen Daten trainiert wurden, erheblich verbessern.
Die erfolgreiche Vorhersage und Verfolgung von Supertaifun Ragasa unterstreicht das Potenzial fortschrittlicher Modellierungstechniken zur Verbesserung der Genauigkeit und Aktualität von Wettervorhersagen, insbesondere für extreme Ereignisse. Wissenschaftler haben festgestellt, dass diese hochauflösenden Modelle nicht nur die Erfassung von Stürmen ermöglichen, sondern auch das Verständnis für die komplexen Wechselwirkungen in der Atmosphäre vertiefen, was zu einem besseren Schutz vor Naturkatastrophen beiträgt.