Eis-Chemie in Eisbohrkernen
Im Rahmen des ERC Consolidator Grant AiCE „Deep ice – Deep learning" Artificial intelligence revealing the oldest ice climate signals“ wurde 2024 eine neue Gruppe gegründet, die sich auf die hochauflösende Analyse der Eisbohrkern-Mikrochemie spezialisiert hat.
Die Motivation: Tiefeneis verstehen, um die ältesten Klimasignale des Eises zu gewinnen
Uns fehlt ein wichtiges Puzzleteil im Verständnis der Klimadynamik der Erde: während der „Mid-Pleistocene Transition“ (MPT), etwa 1,2 bis 0,8 Millionen Jahre (Ma) vor heute, verlagerte sich die Periodizität im Wechsel zwischen Warmzeiten und Eiszeiten von 41 auf 100 Tausend Jahre (ka). Da sich die astronomischen Erdbahnparameter während der MPT nicht änderten, deutet dies auf eine grundlegende Veränderung des Klimasystems hin.
Einzigartige Informationen über diese Veränderung ist in den tiefsten Eisschichten der Antarktis archiviert. Der bislang längste kontinuierliche Eisbohrkern (vom EPICA Dome C) umfasst jedoch „nur“ die letzten 800.000 Jahre und verfehlt somit die MPT. Die Gewinnung eines 1,5 Millionen Jahre alten, kontinuierlichen Eisbohrkerns ist eine große Herausforderung in der aktuellen Eiskernforschung. Das europäische Projekt "Beyond EPICA: Oldest Ice Core" (BE-OI) konnte jedoch vor kurzem erstmals einen solchen Eiskern aus der Antarktis gewinnen. In dem ältesten, stark ausgedünnten Eis in großer Tiefe (ein Meter kann dort mehr als 20.000 Jahre enthalten) muss sorgfältig abgeklärt werden, ob dieses Eis noch seine ursprüngliche Signale archiviert hat.
Die Herausforderung der Signalintegrität im Tiefeneis
Chemische Spurenstoffsignale (Aerosole), liefern einerseits einen wichtigen Teil der Informationen über vergangene atmosphärische Bedingungen, sind aber andererseits besonders anfällig für post-depositionelle Veränderungen. Verschiedene Prozesse können die ursprünglich archivierten Signale stören oder am Ende auch vollständig zerstören: die Verlagerung von Spurenstoffen durch das Wachstum von Eiskristallen (Körnern) oder durch Diffusion, sowie chemische Reaktionen im Eis, die zu Aggregaten oder Salzbildung führen. Um Fehlinterpretationen zu vermeiden, müssen diese Störungen zuverlässig identifiziert und berücksichtigt werden.
Der AiCE-Ansatz: 2D-Bildgebung gepaart mit Künstlicher Intelligenz
Das AiCE-Projekt "Deep ice – Deep learning" – konzentriert sich auf die Beurteilung von Spurenstoffsignalen in tiefen Eis. Hierzu wird die chemische Stratigrafie in zwei Dimensionen (2D) untersucht und Künstliche Intelligenz (KI) in der Bildverarbeitung eingesetzt.
Links zum Projekt: github, Cordis
Gewinnung von Klimasignalen in höchster Auflösung: Basierend auf der KI-gestützten Bildanalyse bestimmen wir die höchste Auflösung, in der das stratigrafische Signal erhalten bleibt. Anschließend werden Linienprofile und 2D-Maps unter angepassten experimentellen Bedingungen aufgenommen, um hochauflösende Klimasignale zu erfassen, wobei nun Fehlinterpretationen sorgfältig vermieden werden.
AiCE leistet wichtige Beiträge zu unserem Verständnis der Eismikrochemie im tiefen und ältesten Eis und damit auch zum Erfolg von BE-OI. Durch die zuverlässige Bewertung der Integrität von Spurenstoffsignalen kann das Projekt bisher unerschlossene paläoklimatische Informationen aus dem tiefen Eis gewinnen. Letztendlich zielt AiCE darauf ab, eine neue Sichtweise darauf zu liefern, wie die ältesten paläoklimatischen Signale in Eisbohrkernen und anderen Archiven interpretiert werden.
Gruppenleiter
Mitglieder
Dr. Susana Simancas Giraldo