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.

- 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
Schneeschichten simulieren
Wetterbeobachtungen treiben ein physikalisches Schneemodell an.
Regionale Gefahr abschätzen
Gelernte Muster übersetzen Schneebedingungen in Gefahrenstufen.
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.
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.
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.
Die Originalquellen
- WSL Institute for Snow and Avalanche Research SLFArtificial intelligence and avalanche warning
- WSL / SLFAI – Avalanche Intelligence at the SLF
- SLFResources for the avalanche bulletin
- Pérez-Guillén et al., Natural Hazards and Earth System SciencesAssessing the performance and explainability of an avalanche danger forecast model