{"id":30498,"date":"2025-06-06T14:25:41","date_gmt":"2025-06-06T12:25:41","guid":{"rendered":"https:\/\/fmd-insight.de\/?p=30498"},"modified":"2026-02-11T10:26:34","modified_gmt":"2026-02-11T09:26:34","slug":"chip-happens-podcast-folge-3-wetter-und-klima","status":"publish","type":"post","link":"https:\/\/fmd-insight.de\/de\/news\/360-mikroelektronik\/chip-happens-podcast\/chip-happens-podcast-folge-3-wetter-und-klima\/","title":{"rendered":"#Chip Happens-Podcast: Folge 3<\/strong> | Wetter und Klima \u2013 Mit Rechenpower modellieren"},"content":{"rendered":"\n

Gro\u00dfe Probleme brauchen h\u00e4ufig ziemlich kleine Helfer. Der Podcast \u00bbChip Happens \u2013 Kleine Dinge, die alles ver\u00e4ndern<\/strong>\u00ab von Chipdesign Germany<\/a> zeigt, wie Mikroelektronik und Chipdesign dabei helfen k\u00f6nnen, die dr\u00e4ngenden Fragen unserer Zeit anzugehen \u2013 jederzeit nachvollziehbar und alltagsnah.
Das Format richtet sich an alle, die verstehen wollen, wie Technik im Hintergrund wirkt und dennoch zentrale Weichen stellt. Kluge K\u00f6pfe aus der Branche sprechen hierf\u00fcr mit Moderator Sven Oswald<\/strong> \u00fcber ihre faszinierenden Geschichten, geben \u00fcberraschende Einblicke und zeigen hautnah die vielen M\u00f6glichkeiten, die unser Fachbereich bietet.

In der ersten Staffel<\/strong> \u00bbKlimacooldown\u00ab<\/strong> erfahren Sie, wie Mikroelektronik uns im Kampf gegen den Klimawandel unterst\u00fctzt. Hierf\u00fcr starten wir ganz weit oben, mit einem Blick auf unseren Planeten aus dem Weltall, um anschlie\u00dfend noch mehr \u00fcber Klima und Wetter, Daten und Rechenzentren oder Mobilit\u00e4t und Klimaschutz zuhause zu erfahren. Wir freuen uns sehr, dieses besondere Projekt als Partner zu begleiten.<\/p>\n\n\n\n

\n \n
\n
\n

Folge 3: Wetter und Klima<\/strong> – Wir tauchen tief in die Welt der Wetter- und Klimamodelle ein<\/h2>

Diese Folge nimmt Wolken, Wind und Wetter unter die Lupe: Was steckt wirklich dahinter?\u00a0Um das herauszufinden, tauchen wir ein in die Welt der Wetter- und Klimamodelle \u2013 von Supercomputern<\/strong> bis zu KI<\/strong>.<\/p>\n

Meteorologe Karsten Brandt von Donnerwetter.de verr\u00e4t uns, dass sein Job weniger mit romantischen Himmelsbeobachtungen zu tun hat, sondern vor allem mit knallharter Datenanalyse<\/strong>. Wir erfahren, wie Supercomputer riesige Datenmengen verarbeiten, warum Wetter- und Klimamodelle so unterschiedlich sind und wie das mit KI zusammenh\u00e4ngt.<\/p>\n

Funfact: Wusstet ihr, dass Meteorologen die Erfinder von Big Data sind? Matthias Winkler, wissenschaftlicher Mitarbeiter am\u00a0Fraunhofer Institut f\u00fcr Bauphysik IBP<\/strong>, erkl\u00e4rt au\u00dferdem, wie\u00a0Stadtklimamodelle\u00a0unsere St\u00e4dte resilienter gegen Klima- und Starkwetterph\u00e4nomene machen k\u00f6nnen.<\/p>\nZur Folge 3 – Wetter und Klima (Spotify)<\/a>

<\/div><\/div><\/div><\/div>\n <\/div>\n <\/div>\n\n\n\n

Worum geht es in der Folge?<\/h2>\n\n\n\n
\n
\n \n
\n \n \n \n \n \n \n \n

Supercomputer sind exzellent im Modellieren<\/strong> \u2013 In dieser Folge besprechen wir, wie Mikroelektronik hierbei unterst\u00fctzen kann<\/h3><\/span><\/th>\n <\/tr>\n \n

\n

Situation:<\/strong><\/p>\n\n <\/td>\n

\n

Wettervorhersage<\/strong> und Klimamodellierung<\/strong> sind zwei unterschiedliche, aber eng miteinander verbundene wissenschaftliche Felder. Beide beruhen auf komplexen physikalischen Modellen und der Analyse riesiger Datenmengen, sie verfolgen aber unterschiedliche Ziele. Wetterprognosen bieten kurzfristig Orientierung f\u00fcr Zeitr\u00e4ume von wenigen Stunden oder Tagen. Sie pr\u00e4gen unsere Entscheidungen im Alltag. Klimamodelle hingegen zeichnen langfristige Trends auf, um Entwicklungen \u00fcber Jahrzehnte oder Jahrhunderte hinweg zu analysieren. Basierend auf diesen Klimamodellen werden politische Entscheidungen getroffen, die z. B. den Katastrophenschutz oder die Infrastruktur betreffen. Die Genauigkeit und Verl\u00e4sslichkeit dieser Modelle sind entscheidend, um fundierte Entscheidungen treffen zu k\u00f6nnen.<\/p>\n

Der Klimawandel zwingt St\u00e4dte zum Umdenken. Kommunen m\u00fcssen heute nicht mehr nur akute Wetterereignisse bew\u00e4ltigen, sondern langfristig vorsorgen: Wie ver\u00e4ndern sich Mikroklimata<\/strong> in dicht bebauten Quartieren? Wie lassen sich sensible Einrichtungen am besten sch\u00fctzen? F\u00fcr solche Planungsentscheidungen sind pr\u00e4zise lokale Klimadaten und geeignete Auswertungswerkzeuge unverzichtbar.<\/p>\n\n <\/td>\n <\/tr>\n

\n

Problemstellung 1:<\/strong><\/p>\n\n <\/td>\n

\n

Herausforderungen in der Wetter- und Klimamodellierung<\/p>\n

<\/strong><\/span><\/p>\n

 <\/p>\n

    \n
  1. Modelldivergenz und Interpretationsaufwand<\/span>
    \nWettermodelle nutzen unterschiedliche Annahmen, Algorithmen und Eingangsdaten, da selbst leistungsstarke Supercomputer<\/strong> nicht alle Eventualit\u00e4ten erfassen k\u00f6nnen und f\u00fcr schnelle Ergebnisse Vereinfachungen ben\u00f6tigen. Diese unterschiedlichen Vereinfachungsans\u00e4tze f\u00fchren mitunter zu stark abweichenden Vorhersagen – selbst f\u00fcr dieselbe Region und denselben Zeitraum. F\u00fcr Meteorolog:innen bedeutet das: Sie m\u00fcssen ein eigenes, fachlich fundiertes Lagebild entwickeln, das oft auf ihrer eigenen Erfahrungen mit den einzelnen Modellen beruht. Diese professionelle Einsch\u00e4tzung bleibt daher trotz zunehmender Automatisierung unverzichtbar.<\/li>\n
  2. Rechenaufwand durch hohe Modellaufl\u00f6sung<\/span>
    \nDie Genauigkeit von Wettermodellen h\u00e4ngt direkt von ihrer r\u00e4umlichen und zeitlichen Aufl\u00f6sung ab. W\u00e4hrend fr\u00fchere Modelle mit 400-km-Rastern arbeiteten, sind heute 10\u00d710-km-Raster mit vertikaler Schichtung bis 50 m Standard. Diese h\u00f6here Aufl\u00f6sung f\u00fchrt zu exponentiell wachsenden Datenmengen und Rechenanforderungen, die nur mit Hochleistungscomputern bew\u00e4ltigt werden k\u00f6nnen.<\/li>\n
  3. Datenflut ohne automatische Qualit\u00e4tssteigerung
    \n<\/span>Multispektralsatelliten<\/strong> liefern enorme Datenmengen \u2013 doch mehr Daten bedeuten nicht automatisch bessere Vorhersagen. In der Vergangenheit f\u00fchrten zus\u00e4tzliche Rohdaten sogar zu unpr\u00e4ziseren Ergebnissen, da geeignete Integrations- und Filtermethoden fehlten. Hier k\u00f6nnte K\u00fcnstliche Intelligenz<\/strong> entscheidende Fortschritte bringen.<\/li>\n
  4. Fehlende Feinskalierung f\u00fcr lokale Ereignisse<\/span>
    \nBestehende Modelle sind oft nicht in der Lage, kurzfristige, lokale Wetterereignisse wie Starkregen, Nebel oder Hitzeinseln pr\u00e4zise vorherzusagen. Es mangelt an regional ausgerichteten Modellierungsans\u00e4tzen, die schnell auf konkrete Entscheidungsbedarfe vor Ort reagieren k\u00f6nnen.<\/li>\n<\/ol>\n\n <\/td>\n <\/tr>\n
\n

Problemstellung 2:<\/strong><\/p>\n\n <\/td>\n

\n

Klimatische Herausforderungen im st\u00e4dtischen Raum<\/strong><\/span><\/p>\n

 <\/p>\n

    \n
  1. Mangel an lokalisierten Klimadaten f\u00fcr die Stadtplanung<\/span>
    \nStadtplaner ben\u00f6tigen pr\u00e4zise Vorhersagen dar\u00fcber, wie sich das Mikroklima in einzelnen Quartieren oder Stra\u00dfenz\u00fcgen entwickeln wird \u2013 insbesondere in Bezug auf Hitzeentwicklung, Luftzirkulation oder Niederschlagsverteilung. Solche lokalen Daten liegen jedoch bislang nur selten in ausreichender Qualit\u00e4t vor.<\/li>\n
  2. Fehlende Planungsinstrumente mit Praxisbezug<\/span>
    \nTrotz vorhandener wissenschaftlicher Stadtklimamodelle, mangelt es oft an direktem Anschluss an kommunale Planungspraxis. Ohne intuitive Bedienbarkeiten bleiben die M\u00f6glichkeiten zur praktischen Nutzung begrenzt \u2013 insbesondere f\u00fcr Fachkr\u00e4fte ohne wissenschaftlichen Hintergrund, z. B. in der Verwaltung oder Politik.<\/li>\n
  3. Rechenintensive Modelle ohne fl\u00e4chendeckende Anwendung<\/span>
    \nSelbst bei Vorliegen geeigneter Modelle gibt es Hindernisse in ihrer Anwendung: Je h\u00f6her die Aufl\u00f6sung (bis unter 1 m), desto l\u00e4nger dauert die Berechnung. Nur mit skalierbarer Rechenleistung \u2013 vom lokalen Rechner bis zum Supercomputer \u2013 l\u00e4sst sich diese H\u00fcrde \u00fcberwinden. Doch solche Infrastrukturen steht vielen Kommunen nicht oder nur eingeschr\u00e4nkt zur Verf\u00fcgung.<\/li>\n<\/ol>\n\n <\/td>\n <\/tr>\n
\n

L\u00f6sungsans\u00e4tze (aus der Mikroelektronik):<\/strong><\/p>\n\n <\/td>\n

\n

Supercomputer bilden das unverzichtbare R\u00fcckgrat heutiger Wetter- <\/strong>und Klimasimulationen<\/strong>. Mit ihrer enormen Rechenleistung erm\u00f6glichen sie nicht nur feinere Berechnungsgitter und detailliertere Prognosen, sondern auch die parallele Auswertung und den Vergleich verschiedener Modellans\u00e4tze. Gleichzeitig macht der Fortschritt in der Miniaturisierung von Rechentechnologien<\/strong> leistungsf\u00e4hige Simulationen auch f\u00fcr dezentrale Anwendungen zug\u00e4nglich \u2013 etwa direkt in kommunalen Planungs\u00e4mtern, wie das Beispiel Palm4U (n\u00e4chster Abschnitt) zeigt.<\/p>\n

 <\/p>\n

Ein vielversprechender Entwicklungspfad ist die Verbindung klassischer numerischer Wettermodelle<\/strong> mit Methoden der k\u00fcnstlichen Intelligenz. Dieser hybride Ansatz k\u00f6nnte eine neue Generation von Vorhersagen hervorbringen und sie noch schneller, lokaler und pr\u00e4ziser macht. Mikroelektronik spielt dabei eine entscheidende Rolle und unterst\u00fctzt diese Prozesse u. a. durch spezialisierte Hardware f\u00fcr KI-Anwendungen und energieeffiziente Datenverarbeitung<\/strong> z. B. durch neuromorphes Computing<\/strong> oder zuk\u00fcnftig auch Quantencomputing<\/strong>.<\/p>\n

 <\/p>\n

Die FMD arbeitet in diesem Feld u. a. im Projekt \u00bbModule Quanten- und neuromorphes Computing\u00ab (FMD-QNC<\/a><\/strong>) an neuen Hardware-L\u00f6sungen. Effiziente, flexible und hochfunktionale Elektronik ist auch hier ein wichtiger Faktor, der u. a. mit Hilfe von Chiplets und Advanced Packaging bei der europ\u00e4ischen APECS-Pilotlinie<\/a><\/strong> zur Verf\u00fcgung gestellt wird.<\/p>\n\n <\/td>\n <\/tr>\n

\n

Weiterer Forschungs-\/Entwicklungsbedarf \/Aktuelle Projekte und Beispiele:<\/strong><\/p>\n\n <\/td>\n

\n

Wettermodelle bei Donnerwetter.de:<\/strong><\/span> Meteorologe Karsten Brandt setzt auf eine Kombination aus Supercomputern und menschlicher Expertise. Monitoring-Systeme erm\u00f6glichen es, unterschiedliche Wettermodelle miteinander zu vergleichen und ihre Datenquellen visuell zu analysieren. Durch neue KI-Ans\u00e4tze k\u00f6nnte es zuk\u00fcnftig m\u00f6glich sein, sehr genaue, lokale Vorhersagen zu generieren \u2013 etwa f\u00fcr einzelne Stadtteile oder T\u00e4ler.<\/p>\n

 <\/p>\n

Stadtklimamodell PALM-4U:<\/strong><\/span> \u00a0Mit diesem neuen Modell des Fraunhofer-Institut f\u00fcr Bauphysik IBP<\/strong> steht St\u00e4dten erstmals ein Werkzeug zur Verf\u00fcgung, das urbane Mikroklimata realit\u00e4tsnah und hochaufgel\u00f6st simulieren kann \u2013 mit einer r\u00e4umlichen Genauigkeit von bis zu einem Meter. Dieses Modell wurde entwickelt, um gezielte Anpassungsma\u00dfnahmen wie Dachbegr\u00fcnungen, ver\u00e4nderte Bebauungsstrukturen oder neue Freifl\u00e4chen fr\u00fchzeitig auf ihre klimatische Wirkung zu pr\u00fcfen. Die Anwendung richtet sich explizit an Kommunen. Die Software ist als Webanwendung einfach bedienbar, ben\u00f6tigt kein spezielles Vorwissen und kann, je nach Aufgabenstellung, sowohl auf Arbeitsrechnern als auch auf Supercomputern betrieben werden.
\nEin Beispiel: Die Modellierung eines Berliner Stadtteils mit einer 4- bis 5-Meter-Rasterung dauert etwa einen halben Tag. Ein besonderer Vorteil des Klimamodells liegt in der Zukunftsorientierung. Mit PALM-4U lassen sich sogenannte \u00bbtypische Tage\u00ab aus Klimaprojektionen<\/strong> simulieren \u2013 also Bedingungen, wie sie etwa im Jahr 2050 auftreten k\u00f6nnten.<\/p>\n

St\u00e4dte erhalten damit eine belastbare Grundlage, um Ma\u00dfnahmen nicht nur auf aktuelle Herausforderungen abzustimmen, sondern auch langfristig resilient zu planen. Gleichzeitig verbindet PALM-4U wissenschaftliche Pr\u00e4zision mit praktischer Anwendbarkeit und wird so zum Bindeglied zwischen Forschung und kommunaler Planungspraxis.<\/p>\n\n <\/td>\n <\/tr>\n <\/table>\n <\/div>\n \n <\/div>\n <\/div>\n\n\n