Bei der UN-Klimakonferenz in Glasgow beriet die Weltgemeinschaft über Maßnahmen gegen den Klimawandel; Künstliche Intelligenz (KI) und Erdbeobachtungsdaten können zu verbesserten Klimamodellen beitragen.
Die Modelle zur Vorhersage des Klimawandels werden immer genauer. Sie verarbeiten riesige Datenmengen, bewerten Informationen und verknüpfen sie zu einem Gesamtbild. Wie das aussieht, hat der Weltklimabericht gezeigt: Es sei eindeutig, dass der Einfluss des Menschen die Atmosphäre, den Ozean und die Landflächen erwärmt habe, stellt der Bericht den wissenschaftlichen Kenntnisstand dar. Das Ausmaß der Veränderungen im gesamten Klimasystem ist demnach seit vielen Jahrhunderten bis Jahrtausenden beispiellos. Dass die Aussagen so deutlich ausfallen, hängt mit der Arbeit von Prof. Veronika Eyring zusammen. Sie ist Koordinierende Leitautorin des Kapitels „Menschlicher Einfluss auf das Klimasystem“. Die Wissenschaftlerin vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) und der Universität Bremen forscht auf dem Gebiet der Erdsystemmodellierung und Modellbewertung. Sie nutzt Erdbeobachtungsdaten aus der Raumfahrt und wendet Methoden der Künstlichen Intelligenz (KI) an, um belastbare Klimavorhersagen und Technologiefolgenabschätzungen zu erhalten.
Eindeutige Belege für die Dringlichkeit des Handelns
Dürren und Starkregen nehmen zu, Eis in den Meeren schmilzt, die Atmosphäre heizt sich auf: Wie können die mehr als 230 internationalen Fachleute, die an dem Sechsten IPCC-Sachstandsbericht gearbeitet haben, so sicher sein, dass die Aktivitäten des Menschen den Klimawandel verursachen? Die Beweislinien seien über die Zeit immer stärker geworden. Nicht nur für die Temperatur, sondern für viele weitere Klimaänderungen, sagt Veronika Eyring. Man habe in dem Bericht den Realitäts-Check geliefert. Die Erwärmung sei bereits auf 1,1°C im Vergleich zu vorindustriellen Zeiten angestiegen. Das heiße, wir seien von dem 1,5°C-Ziel nicht mehr weit entfernt. Der Bericht zeige auch, dass jeder kleine Anstieg der Erwärmung zu weiteren und schwerwiegenderen Auswirkungen des Klimawandels führe. Dies seien eindeutige Belege für die Dringlichkeit des Handelns. Es gehe nun also darum, die Treibhausgas-Emissionen sofort, schnell und drastisch zu reduzieren. Ansonsten werde es nicht mehr möglich sein, die Erwärmung auf maximal 1,5°C zu begrenzen, erklärt Eyring.
Wie gut sind Klimamodelle im Vergleich zu Erdbeobachtungsdaten?
Um die Ergebnisse von Klimamodell-Simulationen darzustellen, entwickelt das DLR-Institut für Physik der Atmosphäre in Oberpfaffenhofen gemeinsam mit mehr als 70 internationalen Forschungseinrichtungen federführend das Earth System Model Evaluation Tool (ESMValTool). Das Computerprogramm erlaubt eine umfangreiche Bewertung der Klima- und Erdsystemmodelle im Vergleich mit Beobachtungsdaten. Mit dem ESMValTool wurden die Simulationen der neuesten Generation der „CMIP6-Modelle“ ausgewertet und auch das Problem riesiger Datenmengen adressiert. Man habe zeigen können, dass sich die Klimasimulationen verbessert habe“, so Eyring, die das CMIP6-Projekt von 2014 bis 2020 leitete. Die Datenprodukte von CMIP6 stellen neben Beobachtungsdaten eine wichtige Quelle für Klimainformationen im IPCC-Bericht dar.
Unsicherheiten und neue Forschungsschwerpunkte in der KI
Trotzdem bestehen noch immer Unsicherheiten in den Vorhersagen des Klimawandels und seinen Auswirkungen auf globaler und regionaler Skala. Dies liegt insbesondere daran, dass kleinskalige Prozesse wie Wolkenbildung nicht explizit aufgelöst und daher nur näherungsweise in Parametrisierungen dargestellt werden können. Um dieses Problem zu lösen, setzt Eyring auf KI.
Das interdisziplinäre Team von Usmile (Unterstanding and Modelling the Earth System with Machine Learning) entwickelt maschinelle Lernverfahren, um das Verständnis und die Modellierung des Erdsystems weiter zu verbessern. Hier geht es um eine Darstellung von Prozessen in Wolken und auf der Landoberfläche. So sollen Unsicherheiten in Klimavorhersagen reduziert werden. Außerdem arbeitet das Team daran, Klimaschwankungen und Extremereignisse, zum Beispiel Dürren, mit Methoden wie Deep Learning auf kausale Zusammenhänge hin zu untersuchen. Maschinelles Lernen hat hier ein außerordentliches Potenzial, um die Klimaforschung voranzubringen und neue Forschungsfelder zu erschließen.
Weitere Informationen unter www.dlr.de