Maschinelles Lernmodell zur Vorhersage von potentiellen Hagelzugbahnen in Deutschland

Hagel zählt zu den zerstörerischen Gefahren, die mit schweren konvektiven Stürmen verbunden sind. So verursachten die schweren Hagelstürme, die am 27. und 28. Juli 2013 in Deutschland auftraten, beispielsweise Schäden in Höhe von mehreren Milliarden Euro (Kunz et al., 2018). Direkte Hagelbeobachtungsdaten sind jedoch nur begrenzt verfügbar. Um Veränderungen der Hagelhäufigkeit in Deutschland zu analysieren, werden daher die Zugbahnen schwerer konvektiver Zellen verwendet, die über einen Zeitraum von 20 Jahren aus 3D-Radardaten des Deutschen Wetterdienstes (DWD) identifiziert wurden. Die daraus resultierenden potenziellen Hagelzugbahnen (PHTs) wurden kürzlich von Mohr et al. (2026) statistisch ausgewertet, um räumliche Muster, zeitliche Variabilität und mögliche Trends der Hagelaktivität in Deutschland zu quantifizieren sowie durch den Vergleich mit Gebäudeversicherungsdaten validiert.

Um einen Zusammenhang zwischen dem Auftreten von Hagel und begünstigenden Umweltfaktoren herzustellen, werden konvolutionelle neuronale Netze, insbesondere U-Net-Architekturen, mit 13 konvektions-relevanten Parametern eines Reanalysedatensatzes darauf trainiert die PHTs vorherzusagen. Die konvektions-relevanten Parameter wurden aus ERA5 (Hersbach et al., 2020) mit dem ThundeR-Paket (Czernecki et al., 2025) abgeleitet. Um die Advektionsgeschwindigkeit der PHTs zu berücksichtigen, wird nicht nur der einem PHT am nächsten gelegene ERA5 Gitterpunkt pro Stunde ausgewählt, sondern auch die acht ihn umgebenden Gitterpunkte. Dadurch wird effektiv ein räumlicher Glättungsprozess durchgeführt, und die resultierende räumliche Gesamtverteilung sowie die damit verbundenen Trends sind in Abbildung 1 dargestellt. Die räumliche Gesamtzahl der PHTs (Abb. 1a) weist deutliche regionale Muster auf, darunter einen Nord-Süd-Gradienten, der durch die Nähe zu Meeren und durch orografische Merkmale beeinflusst wird. Eine Trendanalyse der radarbasierten Zugbahnen (Abb. 1b) zeigt ein variables räumliches Muster: Während in Süddeutschland ein signifikanter Anstieg der Hagelaktivität beobachtet wurde, wurden in Norddeutschland keine oder leicht negative Trends festgestellt.
 

Die verwendeten Modelle des maschinellen Lernens (ML) zeigen einen hohen Grad an Erfolg bei der Nachbildung des räumlichen Musters der Klimatologie (Abb. 2a). Zudem sind sie in der Lage, die Region mit signifikanten positiven Trends in Süddeutschland korrekt wiederzugeben (Abb. 2b). Diese Erkenntnis legt nahe, dass der beobachtete Trend in Süddeutschland wahrscheinlich durch Veränderungen in den großräumigen konvektiven Umgebungen verursacht wird, wie sie in den Modellen dargestellt sind. Die kleinen, aber signifikanten negativen Trends in Norddeutschland werden jedoch von dem verwendeten Modell hingegen nicht richtig reproduziert. Dies lässt vermuten, dass dem Modell möglicherweise noch relevante Parameter fehlen, woran derzeit noch geforscht wird.
 

Die stündliche Konfiguration der Modellvorhersagen ermöglicht einen Vergleich der zeitlichen Entwicklung der Modellergebnisse mit den beobachteten PHTs (Abb. 3). Obwohl das modellierte Maximum um 2 Stunden verzögert ist (Abb. 3a), erfasst das Modell den Tageszyklus der PHTs insgesamt recht gut. Dies ist erfreulich, da die Modellvorhersage nur auf konvektions-relevanten Parametern mit geringer horizontaler Auflösung basiert und keinen Parameter enthält, der konvektions-relevante Auslösemechanismen berücksichtigt. Das Modell weist auch einen vergleichbaren saisonalen Zyklus mit den beobachteten PHTs auf (Abb. 3b), überschätzt deren Auftreten jedoch vor allem im Juni und Juli.

Derzeitige Arbeiten fokussieren sich auf die Optimierung des Modells durch Hinzufügen von Eingabeparametern oder Modifikation der Modellarchitektur. Der nächste Schritt besteht darin, das entwickelte ML-Modell auf konvektive Parameter anzuwenden, die aus Klimamodellen berechnet wurden, um eine Schätzung der zukünftigen Entwicklung von PHTs zu erhalten. Dieser Ansatz schließt die Lücke zwischen beobachteter Klimatologie und zukünftiger Gefährdung.

Referenzen:

B. Czernecki, M. Taszarek, P. Szuster. thundeR: Computation and Visualisation of Atmospheric Convective Parameters. R package version 1.1.5 (2025), https://bczernecki.github.io/thundeR/

H. Hersbach, B. Bell, P. Berrisford, S. Hirahara, A. Horányi, J. Muñoz-Sabater, J. Nicolas, C. Peubey, R. Radu, D. Schepers, et al., The ERA5 global reanalysis, Q. J. R. Meteorol. Soc. 146 (730) (2020) 1999–2049, doi:10.1002/qj.3803.

M. Kunz, U. Blahak, J. Handwerker, M. Schmidberger, J. Punge, H. S. Mohr, E. Fluck, M. Bedka, K. The severe hailstorm in Germany on 28 July 2013: Characteristics, impacts, and meteorological conditions,

Q. J. R. Meteorol. Soc. 144 (2018) 231–250. doi:10.1002/qj.3197

S. Mohr, M. Tonn, M. Augenstein, C. Sperka, G. Kavil Kambrath, M. Kunz. A 20-year spatio-temporal analysis of 3D radar-based hail tracks in Germany: trends and regional differences, Front. Environ. Sci. 14 (2026) 1736782. doi:10.3389/fenvs.2026.1736782.