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.

Über die vergangenen zwei Jahrzehnte hinweg haben immer mehr Klimamodelle komplexe Chemielöser und Kopplungen zwischen Chemie und Klima integriert, was jedoch mit sehr hohen Rechenkosten verbunden ist. Trotz Fortschritten in der Rechenkapazität bleiben umfassende atmosphärische Chemieschemata für viele Anwendungen – wie große Ensemblesimulationen oder konvektionsauflösende Klimamodellierung – weiterhin zu teuer. Infolgedessen fehlt in rund zwei Dritteln der am CMIP6 beteiligten Klimamodelle nach wie vor eine interaktive Darstellung von Ozon. In diesem Zusammenhang sind rechnerisch kostengünstige Schemata, die dennoch eine adaptive und interaktive Repräsentation chemischer Komponenten ermöglichen, von großem Wert.

Maschinelle Lernverfahren haben das Potenzial, Klimamodelle schneller, effizienter, energiesparender und möglicherweise genauer zu machen. Unsere Gruppe entwickelt neue, auf maschinellem Lernen basierende Parametrisierungen, um rechenintensive, aber wichtige chemische Komponenten zu ersetzen. Die Grundidee besteht darin, die zugrunde liegenden Prozessabhängigkeiten als Regressionsproblem zu formulieren, sodass Ozon am aktuellen Tag aus dem Klimazustand des Vortags parametrisiert werden kann. Abbildung 1 aus Nowack et al., ERL (2018) skizziert einen solchen Ansatz, bei dem wir eine ML‑basierte Ozonparametrisierung vorgeschlagen haben, die dreidimensionale tägliche Ozonfelder für Klimasensitivitätssimulationen (piCTRL und abrupt‑4×CO₂) allein auf Basis von Temperatur generiert. Trotz ihrer Einfachheit erzielte die Methode genaue und robuste Offline‑Vorhersagen, was auf die starken Kopplungen zwischen Ozon und atmosphärischer Temperatur zurückzuführen ist. Nowack et al. (2019) zeigten zudem, dass die Parametrisierung mit nur einfachen Datenanpassungen zwischen verschiedenen Klimamodellen übertragen werden kann.

Aufbauend auf diesen Entwicklungen implementierten Ma et al., JAMES (2026), die Parametrisierung interaktiv in zwei Klimamodellierungsrahmen: dem UK Earth System Model (UKESM) und dem Icosahedral Nonhydrostatic Model (ICON). Abbildung 2 zeigt das mloz‑Schema, das Ozon sowohl in der Stratosphäre als auch in der Troposphäre parametrisiert. Für jeden Ozon-Gitterpunkt wird eine unabhängige ML‑Funktion – basierend auf Ridge Regression – trainiert, um Ein‑Säulen‑Temperaturen zu einem gegebenen Zeitschritt auf die Ozonkonzentration im nächsten Zeitschritt abzubilden. Diese lineare ML‑Formulierung ermöglicht schnelle, genaue und stabile Ozonsimulationen über eine Vielzahl von Klimaszenarien hinweg. mloz stellt Ozon zudem interaktiv dar, einschließlich der zweiseitigen Kopplung zwischen Ozon und Zirkulation sowie radiativen Rückkopplungen – ein wichtiger Aspekt, da Veränderungen in der Ozonschicht atmosphärische Temperaturen und Zirkulationsmuster beeinflussen. Unter Verwendung von Temperaturprofilen als einziger Eingabe erzeugt mloz stabile Ozonvorhersagen, die etwa 31‑mal schneller sind als das Chemieschema in UKESM, wobei es weniger als 4 % der gesamten Modelllaufzeit ausmacht. Wichtig ist auch, dass mloz, trainiert auf UKESM‑Daten, in ICON ebenfalls gute Leistungen zeigt, was seine Übertragbarkeit zwischen Modellen belegt. Dieser Ansatz ermöglicht es Klimamodellen ohne atmosphärische Chemieschemata, eine schnelle und interaktive Ozonrepräsentation einzubinden, unterstützt eine breitere Nutzung interaktiver Chemie in Erdsystemmodellen und hilft Entscheidungsträgern dabei, ein besseres Verständnis über die zukünftige Klimaentwicklung zu gewinnen.

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) Ma et al. mloz: A highly efficient machine learning-based ozone parameterization for climate sensitivity simulations. Journal of Advances in Modeling Earth Systems, 18, e2025MS005459. (2026).
(4) 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).
(5) Mansfield et al. Predicting global patterns of long-term climate change from short-term simulations using machine learning. npj Climate and Atmospheric Science (2020).
(6) Watson-Parris et al. ClimateBench v1.0: A Benchmark for Data-Driven Climate Projections. Journal of Advances in Modeling Earth Systems (2022).
(7) Nowack et al. A large ozone-circulation feedback and its implications for global warming assessments. Nature Climate Change (2015).