Wie entsteht unser Modell
Das Problem. Große Wetterdienste rechnen den Wind für ein Gitter von rund 2 km. Für die offene See ist das gut genug – für ein enges Bergtal oder einen Düsen-Windsee zu grob. Der lokale Wind, der genau dort entsteht, fällt durch das Raster: das Modell zeigt oft „fast windstill“, während am Wasser in Wirklichkeit eine schöne Session läuft.
Die Idee ist nicht neu. Schon 2018 haben wir sie verfolgt und ausgewertet. Damals lernte das Modell allein aus den Messdaten der Station selbst und leitete daraus ab, wie sich der Windverlauf in die nächsten Stunden fortschreibt. Das Ergebnis war beachtlich: die nächsten drei Stunden sagten wir besser vorher als die einschlägigen Wetterdienste. Aber es gab ein grundsätzliches Problem: das Modell sieht das Wetter über die Station hinaus nicht – kein Blick auf das, was großräumig heranzieht.
Was sich geändert hat. Seit 2022 stellt Open-Meteo historische Vorhersagedaten bereit – also das, was die Wettermodelle in der Vergangenheit tatsächlich vorhergesagt haben. Nach vier Jahren ist dieser Datensatz groß genug, um damit zu trainieren. Und er wächst weiter: je mehr Daten, desto umfangreicheres Lernen – womit sich die Vorhersagen mit der Zeit voraussichtlich weiter verbessern.
Unsere Idee heute. Wir werfen die offizielle Vorhersage nicht weg – wir nehmen sie als Ausgangspunkt und korrigieren sie statistisch Richtung Realität (ein MOS-Verfahren). Ein lernendes Modell bekommt dazu lokale Signale, die den Wind antreiben: Druckgradienten, Höhenwind, Sonneneinstrahlung, Luftschichtung. Aus vielen Jahren eigener Messungen lernt es, was aus diesen Signalen tatsächlich für ein Wind am Wasser wird. Statt einer einzelnen Zahl geben wir eine Bandbreite aus – Grundwind und Böe je Stunde, mit ehrlich sichtbarer Unsicherheit – und leiten daraus ab, wie wahrscheinlich der Tag surfbar wird.
Der Einstieg: die Eingabeparameter. Ein lernendes Modell ist nur so gut wie das, was es sieht. Besonders wichtig ist die Zeit: Thermik ist ein Rhythmus – sie baut sich mit der Sonne über den Tag auf, erreicht am Nachmittag ihr Maximum und schläft abends wieder ein; über das Jahr ändert sich das mit Sonnenstand und Tageslänge. Allein zu wissen, welche Stunde und welcher Tag im Jahr gerade ist, sagt dem Modell schon, wo im Zyklus wir stehen.
Gelernt aus einem anderen Modell. Simon Stieber hat für den Walchensee viel Zeit investiert, die Regeln herauszuarbeiten, unter denen dort die Thermik zündet. Sein Parametersatz war für uns Gold wert – übernommen haben wir vor allem die Treiber: den Druckgradienten München–Innsbruck, den Föhn-Gradienten Bozen–Innsbruck, die Sonneneinstrahlung und den Höhenwind auf 850/700 hPa.
Was wir anders machen. Ein regelbasiertes Orakel beantwortet eine Ja/Nein-Frage (zündet die Thermik?). Wir dagegen sagen den Wind selbst vorher: wie viele Knoten Grundwind und Böe, Stunde für Stunde, als Band. Daraus ergibt sich nicht nur „Wind ja/nein“, sondern die Stärke und wie wahrscheinlich jede Windklasse ist – unabhängig von der Ursache (Thermik, durchbrechender Höhenwind oder Front).
Grenzen heute – und warum wir besser werden
Unsere Modelle stoßen an eine klare Grenze: wir haben zwar 10+ Jahre gemessenen Wind, aber erst seit 2022 die historischen Vorhersagedaten zum Trainieren. Für die alltäglichen Lagen (die thermische Ora am Gardasee, den Talwind am Walchensee) reicht das gut – für seltene Wetterlagen sind es schlicht zu wenige Beispiele.
Beispiele vom Gardasee: der Balin/Nordföhn (kräftiger Nordwind, oft im Winter) und die Nebensaison (Frühjahr/Herbst, Übergangslagen) – solche Tage gibt es pro Jahr nur eine Handvoll. Davon hat das Modell zu wenig gesehen, um sie zuverlässig zu treffen.
Warum wir besser werden: der Trainingsdatensatz wächst mit jedem Jahr. Mit mehr Historie erfassen wir auch die seltenen Lagen zunehmend – perspektivisch beschleunigt durch lange, hochauflösende Reforecast-Archive.
Dabei hilft uns eure Rückmeldung: In den Reports könnt ihr künftig zu jedem Spot mit Vorhersage bewerten, ob unsere Prognose gepasst hat („echter Fehler / grenzwertig / korrekt“ + Kommentar). Diese Urteile fließen gezielt in die Verbesserung der schwierigen Tage ein.
All models over the last test year, always against measured reality. „Hits total" = correctly classified days of all days; „deviation" = how close the predicted base wind was; „MAE vs. raw" = improvement over the raw forecast.