KI und Satellitendaten für bessere Klimawandelabschätzungen

Wir kombinieren Satellitendaten und Methoden des Maschinellen Lernens (ML) um Unsicherheiten in globalen und regionalen Klimawandelprojektionen zu verringern. Dies ist wichtig, weil die Erreichbarkeit von Zielen der Klimapolitik (z.B. weniger als 2 °C globale Erderwärmung) stark davon abhängt wie schnell und wie stark das Klimasystem auf menschliche Emissionen von Treibhausgasen reagiert. Sogenannte Klimamodellprojektionen sind jedoch immer noch mit großen Unsicherheiten behaftet, wie die Abbildung rechts veranschaulicht: für eine große Gruppe verschiedener Klimamodelle sind hier Projektionen für eine Region (rotes Quadrat auf der Weltkarte) dargestellt, die auch das KIT/Karlsruhe abdeckt. Jede Linie gehört zu einer Temperaturprojektion vom Coupled Model Intercomparison Project phase 6 (CMIP6), für historische (grau) und zwei ausgewählte zukünftige Szenarien (blau, rot). Ein Datensatz von der Climatic Research Unit (CRU), der die eigentlichen Erdbeobachtungsdaten wiedergibt, ist in schwarz angegeben. Die Reduzierung dieser offensichtlichen physikalisch-bedingten Modellunsicherheiten ist eine der größten Herausforderungen der Klimawissenschaft.

Wir nutzen ML und Erdbeobachtungen (z.B. Satellitendaten) um besser verstehen und abschätzen zu können, wie sich regionale Temperaturen und Niederschlagsmengen unter verschiedenen Szenarien verändern werden, oder auch wie die Stratosphäre vom Klimawandel beeinflusst wird. In den letzten Jahren haben wir beispielsweise engere Intervalle für mögliche globale Veränderungen von Wolken und vom Wassergehalt der Stratosphäre berechnet. Veränderungen in der Wolkenbedeckung der Erde sind der größte Unsicherheitsfaktor in Modellvorhersagen der globalen Erwärmung unter erhöhten CO₂-Konzentrationen in der Atmosphäre. Dies ist zum einen auf die wichtigen Einflüsse von Wolken auf den Strahlungshaushalt der Erde (Wolken reflektieren Sonnenlicht, haben aber auch einen Treibhauseffekt, die je nach Art von Wolke sehr verschieden ausfallen) und zum anderen auf die vielen - in globalen Klimamodellen nicht explizit auflösbaren - Prozesse zurückzuführen, die an der Wolkenbildung beteiligt sind. Veränderungen im stratosphärischen Wassergehalt sind hingegen nicht nur für den Klimawandel von Bedeutung sondern sind auch für die Zukunft der stratosphärischen Ozonschicht, welche schadhafte UV-Strahlen der Sonne absorbiert und somit das Leben auf der Erde in der heutigen Form erst möglich macht.

Darüber hinaus haben wir zu extremen Wetterlagen auch KI-Methoden zur Detektion von Extremwettereignissen in großen Klimadatensätzen entwickelt.

Ausgewählte Publikationen unserer Gruppe zu diesem Themenbereich:

(1) Nowack et al. Response of stratospheric water vapour to warming constrained by satellite observations. Nature Geoscience (2023).
(2) Ceppi & Nowack. Observational evidence that cloud feedback amplifies global warming. PNAS (2021).
(3) Nowack et al. Causal networks for climate model evaluation and constrained projections. Nature Communications (2020).
(4) Thomas et al. An unsupervised learning approach to identifying blocking events: the case of European summer. Weather and Climate Dynamics (2021).