// SCINEXX — SPAZIO & SCIENZA
Warum ist die Stärke von Hurrikans selbst für KI schwer vorhersagbar?
Selbst perfekte Daten machen Hurrikan-Prognosen womöglich nicht beliebig genau: In einem idealisierten Sturmmodell haben Forscher Hinweise auf niedrigdimensionales Chaos in der Intensität gefunden. Kleine Unterschiede wuchsen so rasch an, dass sich die Windintensität am maximalen Intensitätsniveau nur über wenige Stunden vorhersagen ließ. Das könnte auch Systemen der Künstlichen Intelligenz (KI) eine prinzipielle Grenze setzen.
Bloomington (U.S.A.). Hurrikan Polo erreichte am 22. September 2026 über dem östlichen Pazifik anhaltende Winde von rund 285 Kilometern pro Stunde. Solche schnellen Intensitätsänderungen gehören zu den schwierigsten Aufgaben der Wettervorhersage. Mehr Daten und bessere KI-Modelle können helfen, doch womöglich bleibt ein Rest an Unvorhersagbarkeit, der aus der Sturmdynamik selbst stammt.
Denn die Intensität eines tropischen Wirbelsturms hängt nicht nur von Meerestemperatur, Windscherung und anderen großräumigen Bedingungen ab. Auch kleine Unterschiede im inneren Zustand können anwachsen und den weiteren Verlauf auseinanderlaufen lassen. Selbst eine hypothetisch perfekte Beobachtung eines Sturms würde deshalb nicht automatisch eine beliebig genaue Intensitätsprognose garantieren.
Forscher der Indiana University (IU) um Chanh Kieu haben untersucht, ob ein solcher Effekt in einem idealisierten Hurrikanmodell als niedrigdimensionales Chaos nachweisbar ist. Das Team analysierte eine 100 Tage lange, achsensymmetrische Simulation mit dem Cloud Model 1 (CM1) und konzentrierte sich auf die Phase, in der der Modellsturm seine maximale Intensität im statistischen Gleichgewicht erreicht hatte.
Dazu werteten die Wissenschaftler Zeitreihen mehrerer Größen aus, darunter die maximale tangentiale Windgeschwindigkeit, den minimalen Kerndruck, den stärksten bodennahen Einstrom und die kräftigste Vertikalbewegung in der Augenwand. Mit Verfahren der Phasenraumrekonstruktion prüften sie, ob sich hinter den scheinbar unregelmäßigen Schwankungen eine geordnete chaotische Dynamik verbirgt. Ein chaotischer Attraktor bezeichnet dabei eine begrenzte Menge möglicher Zustände, innerhalb derer winzige Anfangsunterschiede zu zunehmend verschiedenen Entwicklungen führen können.
Die verschiedenen Verfahren lieferten ein ähnliches Bild. Die Analysen stützten die Existenz eines niedrigdimensionalen chaotischen Attraktors mit einer geschätzten intrinsischen Dimension von ungefähr vier bis fünf. Der größte Lyapunov-Exponent, ein Maß für die Geschwindigkeit der Fehlerverstärkung, deutete zudem darauf hin, dass sich kleine Intensitätsfehler im Modell innerhalb von etwa einer bis drei Stunden verdoppeln können.
Für die maximale tangentiale Windgeschwindigkeit leitete das Team daraus am reifen Intensitätsgleichgewicht eine Vorhersagbarkeit von ungefähr drei bis neun Stunden ab. Beim minimalen Kerndruck lag der entsprechende Bereich mit etwa zwölf bis 18 Stunden länger. Diese Werte beschreiben jedoch den idealisierten Modellsturm und sind keine direkte Grenze für operative Vorhersagen realer Hurrikane.
Die Studie hat kein KI-System trainiert oder getestet. Ihre Bedeutung für KI liegt vielmehr in der Frage, ob die Zielgröße selbst eine chaotische Komponente besitzt. Wenn winzige Anfangsunterschiede unvermeidlich wachsen, lässt sich der absolute Intensitätsfehler auch mit einem perfekten Modell und fehlerfreien Beobachtungen nicht unbegrenzt gegen null drücken.
Hinzu kommt ein praktisches Datenproblem. Für die Intensität realer Hurrikane gibt es bislang keine lückenlose, hochaufgelöste dreidimensionale Beobachtung jedes Sturms über dem Ozean. Simulationen können solche Datensätze ergänzen, enthalten aber ihrerseits Näherungen und Unsicherheiten. Damit treffen beim Training von KI-Modellen zwei Grenzen aufeinander: unvollständige Daten und möglicherweise intrinsisch chaotische Sturmdynamik.
Kieu folgert daraus in einem aktuellen Beitrag, dass künftige Intensitätsprognosen stärker als Wahrscheinlichkeitsverteilungen oder als Bereiche möglich