How good is our wind forecast? – Walchensee

Wie unser Modell entsteht

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 wie den Walchensee zu grob. Der thermische Talwind, der genau hier entsteht, fällt durch das Raster: das Modell zeigt oft „fast windstill", während am See 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. Für eine brauchbare Vorhersage bei addicted-sports reichte das nicht.

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 wird möglich – 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 lernendes Modell bekommt dazu lokale Signale, die den Talwind antreiben: den Luftdruck-Unterschied München–Innsbruck, den Höhenwind, die Sonneneinstrahlung, die Luftschichtung und den Nebel im Alpenvorland. Aus vielen Jahren eigener Messungen am See 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. Wir haben mit den üblichen Verdächtigen experimentiert – Sonneneinstrahlung, Bewölkung, Temperatur – und mit einem, der besonders wichtig ist: der Zeit. Denn Thermik ist ein Rhythmus: Sie baut sich mit der Sonne über den Tag auf, erreicht am Nachmittag ihr Maximum und schläft abends wieder ein – und 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 also schon, wo im thermischen Zyklus wir stehen – ein überraschend starker Prädiktor.

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 (der eigentliche Antrieb des Talwinds), den Föhn-Gradienten Bozen–Innsbruck (Föhn erstickt oder überlagert die Thermik), die Sonneneinstrahlung als Zünder und den Höhenwind auf 850/700 hPa (mechanische Überlagerung von oben).

Was wir anders machen als Simon. Simons „walchensee-oracle" beantwortet eine Ja/Nein-Frage: Zündet heute die Thermik? – und gibt ein Verdikt GO / MAYBE / NO_GO aus, gebaut aus handkalibrierten Regeln. Wir dagegen sagen den Wind selbst vorher: wie viele Knoten Grundwind und Böe, Stunde für Stunde, als Band. Daraus ergibt sich nicht nur „Thermik ja/nein", sondern auch die Stärke und wie wahrscheinlich jede Windklasse ist – und zwar unabhängig von der Ursache: egal ob der Wind aus Thermik, durchbrechendem Höhenwind oder einer Front kommt.