Emulatoren lernen Ozean, Zyklone und Klimaschwellen

Emulatoren des maschinellen Lernens für atmosphärische Prozesse haben die Wettervorhersage in wenigen Jahren verändert. Für den Ozean ging es langsamer voran, und der Grund ist leicht zu sehen. In der Atmosphäre steckt die meiste Energie in relativ großskaligen Phänomenen. Im Ozean prägen dagegen mesoskalige Wirbel das Geschehen, deren Abmessungen etwa eine Größenordnung darunter liegen. Dazu kommen verwinkelte Küstenlinien, enge Meerengen und eisbedeckte Meere, um die sich atmosphärische Modelle nicht so kümmern müssen. Deshalb laufen Ozeansimulationen auf lokal verfeinerten oder ganz unstrukturierten Gittern. Datenmodelle wurden dagegen auf gewöhnlichen Breite-Länge-Gittern trainiert.

Der Ozean auf seinem eigenen Gitter

Die Arbeit zu HClimRep-Ocean schlägt einen Emulator vor, der direkt auf dem nativen unstrukturierten Gitter des Modells FESOM2 arbeitet. Trainiert wurde er auf einer 209-jährigen Kontrollintegration von AWI-CM3. Er läuft ohne atmosphärischen Antrieb; den Atmosphärenzustand bekommt er nur zum Start. So lässt sich die Vorhersagbarkeit isolieren, die der Ozean selbst trägt. Die Fähigkeiten hängen stark vom Feld ab: Bei den Strömungen schlägt der Emulator bei der 30-Tage-Vorhersage alle Referenzmodelle. Bei Temperatur und Salzgehalt bleibt jedoch die gedämpfte Persistenzanomalie besser. Die Autoren erklären das physikalisch: Die Variabilität der Strömungen ist weitgehend geostrophisch und intern erzeugt, während Schwankungen der Oberflächentemperatur und des Salzgehalts vom Wetter angetrieben werden. Im Benchmark OceanBench erreichte die auf der Reanalyse trainierte Variante den niedrigsten RMSE gegenüber der Reanalyse GLORYS unter allen bewerteten Systemen.

Kipp-Szenarien in hoher Auflösung

Der zweite Werkzeugsatz dient der Bewertung der Folgen von Klima-Kipppunkten. Der Datensatz ClimTip-GML ist der erste global korrigierte und verdichtete Datensatz zur Bewertung der Auswirkungen großskaliger Übergangsszenarien. Er umfasst acht zentrale Variablen in einer Auflösung von 0,25 Grad aus drei allgemeinen Zirkulationsmodellen, CESM1-CAM5, HadGEM3-GC31-MM und MPI-ESM1-2-HR. Hinzu kommen hundertjährige Simulationen für vorindustrielle und historische Bedingungen sowie Szenarien einer Erwärmung um 2 Grad Celsius, mit und ohne Kippen der atlantischen Umwälzzirkulation oder des Amazonaswaldes. Bias-Korrektur und Verdichtung übernehmen Methoden des generativen maschinellen Lernens, trainiert auf der Reanalyse. Dabei bleibt die physikalische Konsistenz in Raum, Zeit und zwischen allen acht Variablen gewahrt. Die Validierung zeigte eine deutliche Verringerung der Biases, eine Verbesserung der kleinskaligen Variabilität und der multivariaten Korrelationen sowie eine konsistente langfristige Antwort auf den externen Antrieb.

Physik als Einschränkung

Die dritte Arbeit befasst sich mit tropischen Zyklonen und dem Phänomen der schnellen Verstärkung, das zu den schwierigsten Elementen der Vorhersage gehört. Die Autoren verbinden zwei Ansätze: Vollphysikalische numerische Modelle können die für die Verstärkung verantwortlichen Prozesse beschreiben, sind aber teuer. Rein datengetriebene Modelle lassen sich dagegen physikalisch nicht erklären. Ihre Hybride FAST-ML nutzt eine zweiströmige neuronale Parametrisierung, die dreidimensionale ERA5-Felder aufnimmt, um die Belüftungskontrolle zu diagnostizieren, also die Windscherung in der Umgebung und das Entropiedefizit in der mittleren Troposphäre. Die Parameter werden Ende-zu-Ende durch das differenzierbare Intensitätsmodell FAST optimiert, sodass die Entwicklung des Sturms den Regeln der Thermodynamik untergeordnet bleibt. Gegenüber ihrem physikalischen Bezugspunkt senkt das Modell den CRPS bei einem Horizont von 60 Stunden um etwa 31 Prozent und halbiert nahezu die Falschalarmrate für schnelle Verstärkung, ohne Empfindlichkeit bei der Erkennung zu verlieren. In einer Konfiguration mit hundert Mitgliedern liefert das Ensemble Vorhersagen, die mit FNV3 für die untersuchten Stürme vergleichbar sind. Nullschuss-Tests im östlichen Pazifik legen eine Übertragbarkeit zwischen Becken nahe.

Die gemeinsame Schlussfolgerung dieser Arbeiten ist methodisch: Ein Emulator muss nicht universell sein, um nützlich zu sein, aber er muss Feld für Feld bewertet werden. Ein Modell, das bei den Strömungen gewinnt, verliert bei der Temperatur. Das ist kein Scheitern, sondern eine Information darüber, wo seine Vorhersagbarkeit endet.