Inhaltsverzeichnis
- Klassische Propagation-Modelle: Leistungsfaehig, aber begrenzt
- Machine Learning: Ein neuer Ansatz
- foF2-Vorhersage: ML schlaegt IRI
- TEC-Vorhersage: 24 % besser als traditionelle Methoden
- NASA DAGGER: Geomagnetische Stoerungen vorhersagen
- PINNBARDS: Vorhersage ueber Wochen statt Stunden
- Sonnenzyklus-Vorhersage mit neuronalen Netzen
- Kp-Index-Vorhersage: Random Forest mit 82,5 % Genauigkeit
- Echtzeit-Tools: Die neue Generation
- Amateurfunk-Daten als wissenschaftliches Instrument
- HamSCI: Citizen Science verbindet Wissenschaft und Amateurfunk
- Die Zukunft: Personalisierte Propagation-Assistenten
- Was bedeutet das fuer den Funkbetrieb?
- ML vs. VOACAP: Kein Entweder-Oder
- Transparenzhinweis
Die Kurzwellenausbreitung ist eines der faszinierendsten — und frustrierendsten — Phaenomene im Amateurfunk. Ob ein Signal von Oesterreich nach Japan, Australien oder Suedamerika kommt, haengt von der Ionosphaere ab, einem dynamischen System, das von Sonnenaktivitaet, Tageszeit, Jahreszeit und geomagnetischen Bedingungen beeinflusst wird. Seit den 1980er Jahren nutzen Funkamateure Modelle wie VOACAP, um Ausbreitungsbedingungen vorherzusagen. Doch diese klassischen Modelle stoßen an ihre Grenzen: Sie arbeiten mit Monatsmittelwerten, koennen keine Echtzeit-Stoerungen beruecksichtigen und weisen Unsicherheiten von 40-50 dB auf. Kuenstliche Intelligenz verspricht, das grundlegend zu aendern.
Klassische Propagation-Modelle: Leistungsfaehig, aber begrenzt
Die klassischen Werkzeuge der Ausbreitungsvorhersage haben sich ueber Jahrzehnte bewaehrt:
- VOACAP: Das „Voice of America Coverage Analysis Program" berechnet Verbindungswahrscheinlichkeiten auf Basis empirischer Ionosphaeren-Modelle. Es ist das Standardwerkzeug fuer Funkamateure und liefert farbcodierte Vorhersagen fuer jede Stunde und jedes Band.
- ICEPAC: Eine Erweiterung von VOACAP mit verbesserter Modellierung polarer und hochbreitiger Pfade.
- REC533 / ITURHFProp: Der offizielle Propagation-Code der Internationalen Fernmeldeunion (ITU), basierend auf der Empfehlung ITU-R P.533.
- IRI (International Reference Ionosphere): Ein empirisches Ionosphaeren-Modell, das Parameter wie die kritische Frequenz foF2 und den totalen Elektronengehalt (TEC) der Ionosphaere beschreibt.
Diese Modelle basieren auf Jahrzehnten gesammelter Daten und physikalischen Naehrerungen. Doch sie haben fundamentale Einschraenkungen:
- Monatsmittelwerte: VOACAP und IRI arbeiten mit geglaetteten monatlichen Medianwerten. Die tatsaechlichen Bedingungen an einem bestimmten Tag koennen dramatisch abweichen.
- Keine Echtzeit-Faehigkeit: Geomagnetische Stuerme, ploetzliche ionosphaerische Absorptionen (SID) oder spontane Sporadic-E-Oeffnungen koennen nicht vorhergesagt werden.
- Grosse Unsicherheit: VOACAP weist einen RMSE (Root Mean Square Error) von rund 12,9 dB gegenueber tatsaechlichen Signalstaerken auf — eine Spanne, die den Unterschied zwischen einem starken Signal und keinem Signal darstellen kann.
- Schwache Polar-Performance: Pfade ueber hohe Breiten und Polregionen werden von klassischen Modellen schlecht abgebildet, da die Ionosphaere dort besonders variabel ist.
Video-Tipp: Rob Wagner, VK3BVW, zeigt, was das große Update 2026 beim klassischen VOACAP-Vorhersagewerkzeug ändert:
Machine Learning: Ein neuer Ansatz
Machine Learning (ML) bietet einen fundamental anderen Ansatz: Statt die Ionosphaere mit vereinfachten physikalischen Gleichungen zu modellieren, lernen ML-Algorithmen Muster direkt aus Daten — und koennen dabei Zusammenhaenge erkennen, die kein menschlicher Forscher explizit programmiert hat. Die Bandbreite der eingesetzten Methoden ist beeindruckend:
- LSTM (Long Short-Term Memory): Rekurrente neuronale Netze, die besonders gut mit Zeitreihen umgehen koennen. Sie „erinnern" sich an vergangene Zustaende und erkennen langfristige Abhaengigkeiten — ideal fuer die Ionosphaere, die von Prozessen auf Skalen von Minuten bis Jahren beeinflusst wird.
- CNN (Convolutional Neural Networks): Urspruenglich fuer Bilderkennung entwickelt, erkennen CNNs raeumliche Muster in ionosphaerischen Karten und koennen globale Strukturen erfassen.
- Random Forest und SVR: Ensemble-Methoden und Support Vector Regression, die robust gegenueber Rauschen in den Daten sind und mit begrenzten Datensaetzen gut funktionieren.
- GRU (Gated Recurrent Unit): Eine vereinfachte Variante von LSTM mit weniger Parametern, die schneller trainiert werden kann.
- BiLSTM (Bidirectional LSTM): Verarbeitet Zeitreihen in beide Richtungen und kann dadurch sowohl vergangene als auch „zukuenftige" Kontextinformation nutzen.
- Physics-Informed Neural Networks (PINNs): Ein hybrider Ansatz, der physikalische Gesetze direkt in die Netzarchitektur einbaut — die KI lernt nicht nur aus Daten, sondern wird gleichzeitig durch Physik „angeleitet".
Video-Tipp: Wie funktionieren LSTM-Netze, die in der Ionosphären-Vorhersage so oft eingesetzt werden? StatQuest erklärt es ohne Mathe-Overload (Englisch):
foF2-Vorhersage: ML schlaegt IRI
Die kritische Frequenz der F2-Schicht (foF2) ist der zentrale Parameter fuer die Kurzwellenausbreitung. Sie bestimmt die MUF (Maximum Usable Frequency) und damit, welche Baender zu einem bestimmten Zeitpunkt offen sind. Wer die foF2 kennt, kann den optimalen Betrieb planen.
Zahlreiche Studien haben gezeigt, dass ML-Modelle die foF2 praeziser vorhersagen als das etablierte IRI-2020-Modell. Besonders SVM (Support Vector Machine), Random Forest und BPNN (Backpropagation Neural Network) liefern konsistent bessere Ergebnisse — sowohl fuer ruhige als auch fuer gestoerte geomagnetische Bedingungen.
Der Vorteil ist besonders deutlich bei:
- Geomagnetischen Stoermen: IRI verwendet statische Korrekturterme fuer gestoerte Bedingungen. ML-Modelle lernen dagegen die komplexen, nichtlinearen Reaktionen der Ionosphaere auf geomagnetische Aktivitaet.
- Regionalen Besonderheiten: Die Ionosphaere ueber der Aequator-Anomalie, den Polarregionen oder bei bestimmten geographischen Laengen zeigt Verhalten, das empirische Modelle nur unzureichend erfassen.
- Uebergangsphasen: Die Zeiten um Sonnenauf- und -untergang sind besonders schwer vorherzusagen — genau hier bringt ML die groessten Verbesserungen.
TEC-Vorhersage: 24 % besser als traditionelle Methoden
Der totale Elektronengehalt (TEC — Total Electron Content) der Ionosphaere ist ein weiterer Schluesselparameter. Er beeinflusst nicht nur die HF-Ausbreitung, sondern auch die Genauigkeit von GPS/GNSS-Systemen. ML-Modelle haben hier beeindruckende Fortschritte erzielt.
Besonders hervorzuheben ist das CNNBILSTM_SE-Modell (ein hybrides CNN-BiLSTM-Netz mit Squeeze-and-Excitation-Bloecken), das eine Verbesserung von 24 % gegenueber traditionellen Methoden erreicht hat. Das Modell kombiniert die Staerken von CNNs (raeumliche Mustererkennung) mit BiLSTM (zeitliche Abhaengigkeiten) und einem Aufmerksamkeitsmechanismus (Squeeze-and-Excitation), der automatisch die wichtigsten Features gewichtet.
Fuer Funkamateure bedeutet genauere TEC-Vorhersage: bessere Vorhersage der MUF, praezisere Einschaetzung der Signalverzoegerung (wichtig fuer FT8 und andere Datenmodi) und zuverlaessigere Planung von DX-Verbindungen.
NASA DAGGER: Geomagnetische Stoerungen vorhersagen
Geomagnetische Stuerme sind der groesste Feind der Kurzwellenausbreitung. Sie koennen innerhalb von Stunden die komplette HF-Kommunikation lahmlegen — besonders auf den noerdlichen und suedlichen Pfaden. Bisher war die Vorwarnzeit begrenzt.
NASA hat mit DAGGER (Deep leArninG for GEomagnetic peRturbation) ein Deep-Learning-System entwickelt, das geomagnetische Stoerungen mit einer Vorwarnzeit von 30 Minuten vorhersagen kann. Die Inferenzzeit betraegt weniger als eine Sekunde — das System liefert also quasi-sofortige Warnungen.
DAGGER analysiert Sonnenwinddaten von Satelliten am Lagrange-Punkt L1 (etwa 1,5 Millionen km vor der Erde) und prognostiziert die daraus resultierenden geomagnetischen Stoerungen. Fuer Funkamateure bedeutet das: fruehzeitige Warnung vor HF-Blackouts und die Moeglichkeit, den Betrieb entsprechend anzupassen — etwa durch Wechsel auf niedrigere Baender oder WSPR-Monitoring der tatsaechlichen Ausbreitung.
Video-Tipp: Der Unterschied zwischen Sonneneruptionen und koronalen Massenauswürfen, kurz erklärt von NASA Goddard (Englisch):
PINNBARDS: Vorhersage ueber Wochen statt Stunden
Einer der aufregendsten Durchbrueche im Jahr 2026 ist PINNBARDS (Physics-Informed Neural Network for BARDS — Balanced Auroral Region Dynamics Simulation). Dieses Modell kombiniert die Staerken physikbasierter Modelle mit der Lernfaehigkeit neuronaler Netze und erweitert den Vorhersagezeitraum von Stunden auf Wochen.
Waehrend herkoemmliche ML-Modelle typischerweise 1-24 Stunden vorausschauen koennen, liefert PINNBARDS zuverlaessige Vorhersagen ueber mehrere Wochen. Das ist moeglich, weil die eingebauten physikalischen Randbedingungen das Modell davon abhalten, bei laengeren Vorhersagezeitraeumen in unrealistische Zustaende abzudriften.
Fuer die Planung von DXpeditionen, Gray-Line-DX oder Contesten waere eine zuverlaessige Wochen-Vorhersage ein Quantensprung gegenueber den heutigen Monatsmittelwerten.
Sonnenzyklus-Vorhersage mit neuronalen Netzen
Auch fuer die langfristige Vorhersage des Sonnenzyklus — Sonnenfleckenzahlen, Sonneneruptionen und koronale Massenauswuerfe (CME) — werden zunehmend neuronale Netze eingesetzt. Verschiedene NN-Architekturen prognostizieren:
- Sonnenfleckenzahlen: LSTM-basierte Modelle koennen den Verlauf des Sonnenzyklus Monate im Voraus abschaetzen — genauer als die klassischen McNish-Lincoln- oder ISES-Methoden.
- Sonneneruptionen (Flares): ML-Modelle klassifizieren die Wahrscheinlichkeit von M- und X-Klasse-Flares anhand von Magnetogrammen aktiver Regionen — mit signifikant besserer Performance als rein statistische Methoden.
- CME-Ankunftszeiten: Die Vorhersage, wann ein koronaler Massenauswurf die Erde erreicht, ist entscheidend fuer die Abschaetzung geomagnetischer Stuerme. ML-Modelle reduzieren den Vorhersagefehler von +/- 12 Stunden auf unter +/- 6 Stunden.
Fuer den Amateurfunk bedeutet das: bessere Langzeit-Planung. Wer weiß, dass die naechsten Monate gute Bedingungen auf 10 m und 12 m bringen, kann seine Betriebsplanung entsprechend ausrichten.
Kp-Index-Vorhersage: Random Forest mit 82,5 % Genauigkeit
Der Kp-Index ist ein Maß fuer die globale geomagnetische Aktivitaet und damit einer der wichtigsten Indikatoren fuer Funkamateure. Ein Kp von 0-2 bedeutet ruhige Bedingungen; ab Kp 5 beginnen geomagnetische Stuerme, die die Kurzwellenausbreitung massiv beeintraechtigen koennen.
Forscher haben gezeigt, dass Random-Forest-Modelle den Kp-Index drei Stunden im Voraus mit einer Genauigkeit von 82,55 % vorhersagen koennen. Die Eingangsdaten sind Sonnenwindparameter (Geschwindigkeit, Dichte, Magnetfeld), die von Satelliten in Echtzeit geliefert werden.
Drei Stunden Vorwarnzeit sind fuer den Funkbetrieb hochrelevant: Sie ermoeglicht es, rechtzeitig auf niedrigere Baender zu wechseln, ein laufendes DX-QSO abzuschließen oder WSPR-Monitoring zu starten, um die tatsaechliche Ausbreitung zu beobachten.
Echtzeit-Tools: Die neue Generation
Die Forschungsergebnisse fließen bereits in praktische Werkzeuge ein, die Funkamateure direkt nutzen koennen:
- DXLook: Ein personalisiertes Bandbedingungs-Tool, das ML-Algorithmen nutzt, um fuer den jeweiligen Standort und die gewuenschte Zielregion die aktuell besten Baender und Zeiten zu empfehlen.
- DXPulse: Analysiert in Echtzeit, welche Betriebsarten (SSB, CW, FT8) auf welchen Baendern aktuell machbar sind — basierend auf ML-Analyse von Cluster-Daten und Ionosphaeren-Messwerten.
- HamClock: Die beliebte Amateurfunk-Uhr integriert zunehmend ML-gestuetzte Propagation-Indikatoren neben den klassischen Indizes wie SFI, Kp und A-Index.
Amateurfunk-Daten als wissenschaftliches Instrument
Ein faszinierender Aspekt der KI-gestuetzten Propagation-Forschung: Die Amateurfunk-Community liefert selbst einen großen Teil der Daten, mit denen ML-Modelle trainiert werden. Drei Netzwerke spielen dabei eine Schluesselrolle:
- Reverse Beacon Network (RBN): Ein weltweites Netz automatischer Empfaenger (Skimmer), die CW- und RTTY-Signale dekodieren und mit Zeitstempel, Frequenz und SNR-Wert melden. Das RBN liefert Millionen von Datenpunkten pro Tag — ein Echtzeit-Bild der tatsaechlichen Ausbreitung.
- PSKReporter: Aehnlich wie RBN, aber fuer Datenmodi wie FT8, FT4 und PSK31. Jeder dekodierte Frame wird mit Position, Frequenz und SNR gemeldet. PSKReporter ist die groesste Echtzeit-Datenquelle fuer die HF-Ausbreitungsforschung.
- WSPRnet: Das Weak Signal Propagation Reporter Network sendet und empfaengt speziell dafuer ausgelegte Testsignale mit minimaler Leistung (typisch 200 mW). WSPR-Daten sind besonders wertvoll, weil Sendeleistung, Frequenz und Position exakt bekannt sind — ideale Trainingsdaten fuer ML-Modelle.
Diese Netzwerke machen den Amateurfunk zu einem verteilten wissenschaftlichen Instrument: Tausende Stationen weltweit liefern Echtzeit-Messdaten ueber die Ionosphaere — eine Datendichte, die kein professionelles Ionosonden-Netzwerk erreicht.
HamSCI: Citizen Science verbindet Wissenschaft und Amateurfunk
Das von der NASA unterstuetzte Projekt HamSCI (Ham Radio Science Citizen Investigation) baut die Bruecke zwischen Amateurfunk und professioneller Ionosphaeren-Forschung. HamSCI nutzt systematisch Amateurfunk-Daten — insbesondere von RBN, PSKReporter und WSPRnet — fuer wissenschaftliche Studien und die Entwicklung besserer Propagation-Modelle.
HamSCI-Projekte umfassen unter anderem:
- Personal Space Weather Station: Ein standardisiertes Messinstrument, das Funkamateure aufstellen koennen, um ionosphaerische Daten in einheitlichem Format zu sammeln.
- Sonnenfinsternis-Kampagnen: Waehrend totaler Sonnenfinsternisse beobachten tausende Funkamateure koordiniert die Auswirkungen auf die Ionosphaere — eine Datenfuelle, die ML-Modelle hervorragend trainiert.
- Propagation-Modell-Validierung: HamSCI vergleicht systematisch die Vorhersagen klassischer und ML-basierter Modelle mit realen Amateurfunk-Daten.
Jeder Funkamateur, der RBN, PSKReporter oder WSPR nutzt, traegt aktiv zur Verbesserung von ML-Propagation-Modellen bei — Citizen Science im besten Sinne.
Die Zukunft: Personalisierte Propagation-Assistenten
Die Entwicklung geht rasant weiter. In den kommenden Jahren sind zu erwarten:
- Personalisierte Propagation-Assistenten: KI-Systeme, die den individuellen Standort, die Antenne und die bevorzugten Betriebsarten beruecksichtigen und massgeschneiderte Empfehlungen geben — „Jetzt ist der beste Zeitpunkt fuer ein SSB-QSO nach VK auf 20 m mit deinem Dipol."
- KI-Integration in Transceiver: Kuenftige Geraete koennten eingebaute ML-Modelle haben, die automatisch das optimale Band und den optimalen Modus vorschlagen. Wie wir in unserem Artikel zur KI-gestuetzten Rauschunterdrueckung beschrieben haben, dringt KI bereits in die Transceiver-Hardware vor — Propagation-Vorhersage waere ein logischer naechster Schritt.
- Sporadic-E-Vorhersage: Eine der groessten offenen Herausforderungen. Sporadic-E-Oeffnungen auf 6 m und 10 m sind bisher kaum vorhersagbar. ML-Modelle, die Wetterdaten, Tidenkraefte und ionosphaerische Messwerte kombinieren, koennten hier den Durchbruch bringen.
- Echtzeit-Propagation-Karten: Aehnlich wie Wetterkarten, aber fuer die Ionosphaere — staendig aktualisiert durch ML-Modelle, die Daten von Ionosonden, Satelliten, GPS-Empfaengern und Amateurfunk-Netzwerken fusionieren. Erste Ansaetze dafuer gibt es bereits bei RF-Ausbreitungskarten.
Video-Tipp: Citizen Science in der Praxis: NASA Goddard zeigt, wie Funkamateure totale Sonnenfinsternisse erforschen (Englisch):
Was bedeutet das fuer den Funkbetrieb?
ML-gestuetzte Propagation-Vorhersage ist kein theoretisches Zukunftsthema — sie veraendert den Amateurfunk bereits heute. Konkret bedeutet das:
- Bessere DX-Planung: Statt sich auf VOACAP-Monatsmittel zu verlassen, koennen ML-Tools tagesaktuelle Empfehlungen geben.
- Fruehere Sturm-Warnungen: Systeme wie DAGGER warnen 30 Minuten vor geomagnetischen Stoerungen — genug Zeit, ein DX-QSO zu sichern oder die Antenne auf ein robusteres Band zu drehen.
- Optimierter QRP-Betrieb: Wer mit wenig Leistung funkt, braucht jedes dB Vorteil. Praezisere Propagation-Vorhersagen helfen, das schmale Zeitfenster optimaler Bedingungen zu treffen.
- Intelligentere Conteste: ML-Modelle koennen waehrend eines Contests in Echtzeit empfehlen, wann der Bandwechsel sinnvoll ist — ein Vorteil gegenueber der Intuition allein.
- Daten beisteuern: Jeder FT8-Kontakt, jeder WSPR-Spot und jeder RBN-Report fuettert die ML-Modelle der naechsten Generation. Aktiv sein auf den Baendern ist gleichzeitig ein Beitrag zur Wissenschaft.
ML vs. VOACAP: Kein Entweder-Oder
Ein wichtiger Punkt: ML-Modelle ersetzen klassische Werkzeuge wie VOACAP nicht — sie ergaenzen sie. VOACAP bleibt das beste Werkzeug fuer langfristige Planung und systematische Bandvergleiche. ML-Modelle glaenzen dort, wo VOACAP an seine Grenzen stoesst: bei kurzfristigen Vorhersagen, gestoerten Bedingungen und Echtzeit-Empfehlungen.
Der hybride Ansatz — Physics-Informed Neural Networks, die physikalisches Wissen mit datengetriebener KI kombinieren — ist vermutlich die Zukunft. PINNBARDS und aehnliche Modelle zeigen, dass die besten Ergebnisse entstehen, wenn man Physik und ML nicht gegeneinander ausspielt, sondern miteinander verbindet.
Mehr zum Einsatz von KI-Tools im Amateurfunk — von Rauschunterdrueckung bis zu Shack-Assistenten — findet ihr in unseren weiteren Artikeln.
Die Ionosphaere bleibt ein chaotisches System, das sich nie vollstaendig beherrschen laesst. Aber ML-Modelle bringen uns einem Verstaendnis naeher, das noch vor wenigen Jahren undenkbar war. Fuer Funkamateure heisst das: mehr erfolgreiche QSOs, weniger Frust und ein tieferes Verstaendnis fuer das faszinierende Medium zwischen Erde und Weltraum.
73 – eure oeradio.at-Redaktion
Transparenzhinweis
Dieser Artikel wurde mit Unterstützung von KI (Claude, Anthropic) recherchiert und verfasst. Die Redaktion hat alle Inhalte überprüft und redaktionell bearbeitet. Trotz sorgfältiger Prüfung können vereinzelt Ungenauigkeiten enthalten sein — wir freuen uns über Hinweise per E-Mail an [email protected].
