Zurück zu Bigger Picture

BIGGER PICTURE Katastrophenvorsorge

Die vierte Meinung bei der Lawinenbesprechung

Die Schweizer Lawinenprognose erhielt ein Modell, das widersprechen kann – und dessen Abweichung die fachliche Diskussion verbessert.

KI-generierte Illustration: Konzeptbild von Lawinenprognostikern beim Vergleich ihrer Einschätzung mit einer rechnerischen Zweitmeinung.
Darstellung von Lawinenprognostikern beim Vergleich ihrer Einschätzung mit einer rechnerischen Zweitmeinung.KI-generierte Illustration der Idee, keine Aufnahme der tatsächlichen Personen, Geräte oder Ereignisse.
Lerngrundlage
Etwa 20 Jahre Wetter- und Schneesimulationen
Übereinstimmung im Live-Test
Etwa 70 % mit veröffentlichten Gefahrenstufen
Rolle
Zusätzliche Einschätzung für Fachleute

So funktioniert die Idee

  1. Schneeschichten simulieren

    Wetterbeobachtungen treiben ein physikalisches Schneemodell an.

  2. Regionale Gefahr abschätzen

    Gelernte Muster übersetzen Schneebedingungen in Gefahrenstufen.

  3. Abweichungen besprechen

    Fachleute vergleichen das Modell mit Feldbeobachtungen.

Drei Fachleute bringen eigene Einschätzungen mit

Beim Schweizer SLF sammeln Fachleute Wetterdaten, Feldberichte und Schneebeobachtungen, bevor sie das Lawinenbulletin abstimmen. Die KI liefert eine zusätzliche Einschätzung, gelegentlich mit anderer regionaler Gefahrenstufe. Mitarbeitende beschrieben, wie solche Abweichungen zur erneuten Prüfung beitragen – besonders bei der Grenze zwischen zwei Gefahrenregionen.

Belege: [1]

Eine simulierte Schneedecke lesen lernen

Das Modell beobachtet weder Skifahrer noch fotografiert es jeden Hang. Es lernt aus Wettermessungen und Ergebnissen von SNOWPACK, einer physikalischen Simulation der Schneedeckenentwicklung. Rund zwanzig Jahre Daten dienten dem Training. So verbinden sich physikalisches Wissen über Schnee und statistische Zusammenhänge mit fachlichen Gefahreneinschätzungen.

Belege: [2][4]

Übereinstimmung hilft, Widerspruch manchmal ebenso

Eine begutachtete Studie von 2025 untersuchte erste Live-Tests im Winter 2020/21. Bei trockenen Schneeverhältnissen stimmte das Modell zu etwa 70 Prozent mit veröffentlichten Gefahrenstufen überein. Das ist Übereinstimmung mit menschlichen Einschätzungen, keine fehlerfreie Wahrheit. Spätere Betriebsbeschreibungen zeigen die reguläre Einbindung; Fachleute ergänzen weiterhin aktuelle Beobachtungen, die das Modell nicht erhält.

Belege: [2][3][4]

Die seltenste Gefahr ist am schwersten zu lernen

Hohe Gefahrenstufen treten selten auf und liefern daher weniger Lernbeispiele, betont das SLF. Das ursprüngliche Modell betrifft außerdem trockene Lawinen; seine Ergebnisse gelten nicht automatisch für alle Lawinenarten. Sein belegter Nutzen ist eine strukturierte Zweitmeinung für eine wichtige öffentliche Aufgabe, kein Ersatz für die lokale Bewertung eines einzelnen Hangs.

Belege: [1][2][4]

Die Originalquellen

  1. WSL Institute for Snow and Avalanche Research SLFArtificial intelligence and avalanche warning
  2. WSL / SLFAI – Avalanche Intelligence at the SLF
  3. SLFResources for the avalanche bulletin
  4. Pérez-Guillén et al., Natural Hazards and Earth System SciencesAssessing the performance and explainability of an avalanche danger forecast model

Was Sie als Nächstes entdecken können

Auf den Rhythmuswechsel eines Vulkans hörenKann ein Notizentwurf ärztliche Aufmerksamkeit zurückgeben?
Alle 99 Anwendungen entdecken