KI in der Klimamodellierung

Maschinelles Lernen für bessere und recheneffizientere Klimamodelle. Globale Klimamodelle sind fluid-dynamische Modelle, die darauf abzielen die hauptsächlichen physikalischen, chemischen und biologischen Prozesse des Klimawandels darzustellen. Diese Modelle sind unersetzliche Instrumente um Klimavorhersagen mittels Simulationen zu treffen und damit z.B. die Klimapolitik zu informieren. Ein wichtiger Flaschenhals in diesem Wissenschaftsgebiet ist der hohe Rechenaufwand den Klimamodelle erfordern, welche daher nur auf Hochleistungsrechnern (sogenannten Supercomputern) ausreichend schnell Informationen liefern. Für viele Klimaprozesse würden jedoch selbst die schnellsten Supercomputer derzeit nicht ausreichen um sie im einzelnen aufzulösen (z.B. Wolkenbildung). Klimamodelle können zudem weiterhin nur im begrenzten Maße wahrlich regionale bis lokale Klimaveränderungen (Skalen << 100 km) auflösen.

Methoden des Maschinellen Lernens (ML) können uns dabei helfen Klimamodelle besser, schneller und energieeffizienter zu machen. Zum Beispiel arbeiten wir an neuen ML-Parametrisierungen um besonders rechenaufwändige aber wichtige Modellkomponenten zu ersetzen. Die Grundidee ist die Kopplung zwischen Prozessen als Regressionsproblem umzuformulieren, wie in der Abbildung rechts dargestellt (aus Nowack et al. ERL 2018), wo dies für den Fall von einer Parametrisierung des stratosphärischen Ozons basierend auf dem atmosphärischen Temperaturfeld illustriert ist. Die Modellierung von Ozonveränderungen ist unter anderem wichtig, weil Ozon ein wichtigen Einfluss auf den globalen Strahlungshaushalt hat. ML erlaubt uns diese oft komplexen und hochdimensionalen Abhängigkeiten effektiv zu lernen und damit am Ende komplexe gekoppelte Gleichungssysteme zu umgehen, die andernfalls nur schrittweise mit rechenaufwändigen numerischen Methoden gelöst werden können.

Darüber hinaus  arbeiten wir auch an sogenannten ML-basierten Klimamodell-Emulators. Zumindest für bestimmte Variablen können diese "Emulators" das Verhalten ganzer Klimamodellsysteme lernen. Daher können solche Ersatzsysteme, wenn sie erst einmal auf bestehen Modelldaten trainiert wurden, sehr schnell große Mengen an Klimawandelszenarien simulieren - zu einem Bruchteil der Kosten des eigentlichen Klimamodells.

Dies ist in der Abbildung rechts illustriert (aus Kaltenborn et al. NeurIPS 2023), wo zuerst das Erdsystem- oder Klimamodell für zeitabhängige Szenario-Inputs von Treibhausgas- und Aerosolemissionen den Klimawandel simuliert, inklusive dessen Einfluss auf zentrale Variablen wie regionale Temperatur- und Niederschlagsveränderungen (Teil A der Abbildung). In Teil B, umgeht man weitere sehr teure Berechnungen auf Supercomputern, indem man das Verhalten des Erdsystemmodells von existierenden Simulationen in "big data" Archiven lernt und stattdessen die wichtigsten Variablen mit einem ML-Modell emuliert. Solche Ersatzsysteme erlauben in der Praxis eine ganze Reihe von Klimapolitik-Szenarien und ihren Implikationen zu simulieren, weit mehr als mit herkömmlichen Systemen derzeit möglich ist.

Ausgewählte Publikationen zu diesem Themenbereich:

(1) Nowack et al. Using machine learning to build temperature-based ozone parameterizations for climate sensitivity simulations. Environmental Research Letters (2018).
(2) Nowack et al. Machine learning parameterizations for ozone: climate model transferability. Conference Proceedings of the 9th International Workshop on Climate Informatics (2019).
(3) Kaltenborn et al. ClimateSet: A large-scale climate model dataset for machine learning. Thirty-seventh Conference on Neural Information Processing Systems (NeurIPS), Datasets and Benchmarks Track (2023).
(4) Mansfield et al. Predicting global patterns of long-term climate change from short-term simulations using machine learning. npj Climate and Atmospheric Science (2020).
(5) Watson-Parris et al. ClimateBench v1.0: A Benchmark for Data-Driven Climate Projections. Journal of Advances in Modeling Earth Systems (2022).
(6) Nowack et al. A large ozone-circulation feedback and its implications for global warming assessments. Nature Climate Change (2015).