mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations

Ein Artikel mit dem Titel „mloz: A Highly Efficient Machine Learning-Based Ozone Parameterization for Climate Sensitivity Simulations“, der von der Doktorandin Yiling Ma aus unserer Gruppe geleitet wurde, ist kürzlich im Journal of Advances in Modeling Earth Systems (JAMES) erschienen. Etwa zwei Drittel der an CMIP6 teilnehmenden Klimamodelle verfügen aufgrund der hohen Rechenkosten von Schemata zur atmosphärischen Chemie noch immer nicht über eine interaktive Darstellung von Ozon. In diesem Artikel stellen wir eine auf maschinellem Lernen basierende Parametrisierung (mloz) vor, um die täglichen Schwankungen und Trends des Ozons in der Troposphäre und Stratosphäre in Standard-Klimasensitivitätssimulationen (piCTRL und abrupt-4xCO2) interaktiv zu modellieren. Wir demonstrieren ihre hohe Genauigkeit auf dekadischen Zeitskalen und ihre flexible Online-Anwendbarkeit in zwei verschiedenen Klimamodellen – dem UK Earth System Model (UKESM) und dem deutschen ICOsahedral Nonhydrostatic (ICON)-Modell. Mit Informationen zum atmosphärischen Temperaturprofil als einzigem Input liefert mloz stabile Ozonvorhersagen, die etwa 31-mal schneller sind als das Chemie-Schema in UKESM, und trägt weniger als 4 % zur jeweiligen Gesamtlaufzeit der Klimamodelle bei. Insbesondere demonstrieren wir auch seine Übertragbarkeit auf verschiedene Klimamodelle ohne chemische Schemata, indem wir die Parametrisierung von UKESM auf ICON übertragen. Dies unterstreicht das Potenzial von mloz für eine breite Anwendung in Klimamodellen auf CMIP-Ebene, denen interaktive Chemie für zukünftige Klimawandelbewertungen fehlt, insbesondere bei der Fokussierung auf Klimasensitivitätssimulationen, bei denen Ozon-Trends und -Variabilität bekanntermaßen atmosphärische Rückkopplungsprozesse erheblich modulieren.