Das maschinelle Lernen (ML) hat in den verschiedensten Bereichen zu Durchbrüchen geführt - vom Computerbild bis hin zur Generierung menschenähnlicher Texte mit großen Sprachmodellen (LLMs) und in jüngster Zeit auch zu Fortschritten in der Klimawissenschaft. ML entwickelt sich zu einem wichtigen Werkzeug für die prädiktive Modellierung bei der Wettervorhersage und zur Verbesserung unseres Verständnisses der Klimaphysik. Die Hauptvorteile von ML in diesem Bereich sind die Erforschung neuer oder detaillierterer physikalischer Erkenntnisse durch die Entdeckung von Wissen oder Modellen sowie eine schnellere und rechnerisch effizientere genaue Wettervorhersage.

In der Gruppe Atmosphärenphysik am AWI untersuchen wir das Potenzial von ML zur Verbesserung der Klimaforschung in der Arktis durch die Korrektur von Fehlern in atmosphärischen Datensätzen. Bei der Korrektur von Verzerrungen geht es um die Verringerung systematischer Fehler in Reanalysedatensätzen, die in der Klimaforschung häufig verwendet werden, aber weniger zuverlässig sind als direkte Beobachtungen von Klimavariablen. Dieser Prozess ist vor allem in der Arktis von entscheidender Bedeutung, wo die raue Umgebung die Abdeckung durch Beobachtungen einschränkt und weitreichende Datenassimilierungstechniken erforderlich macht, um die Lücken zu schließen. Daher ist die Entwicklung genauerer und umfassenderer atmosphärischer Datensätze für die Arktis von entscheidend für das Verständnis des sich schnell verändernden Klimas in dieser Region.

Ein laufendes Projekt beinhaltet eine Analyse der Verwendung eines mehrschichtigen neuronalen Netzwerks (Multi-Layer Perceptron, MLP) zur Korrektur von Verzerrungen für mehrere Oberflächenvariablen mit dem Ziel, die Schätzungen des Oberflächenenergiehaushalts zu verbessern. In dieser Studie wurde ein MLP trainiert, um die ERA5-Daten zu korrigieren und die während mehrerer wichtiger arktischer Expeditionen - MOSAiC, SHEBA, AO2018 und ARTofMELT - beobachteten Oberflächenflüsse vorherzusagen. Die Ergebnisse zeigen eine Verringerung des mittleren quadratischen Fehlers der Schätzungen des Oberflächenenergiebudgets um bis zu 50 % im Vergleich zu ERA5 und ebnen den Weg für ML-basierte verzerrungskorrigierte Schätzungen der Oberflächenenergieflüsse über dem arktischen Meereis.

In einem ergänzenden Projekt verfolgen wir ein ähnliches Ziel, indem wir stattdessen ein vortrainiertes transformer-basiertes Grundmodell feinabstimmen, um Verzerrungen in den oberflächennahen arktischen Temperaturschätzungen zu korrigieren. Foundation-Modelle sind Deep-Learning-Systeme, die auf umfangreichen und vielfältigen Datensätzen trainiert wurden, so dass sie für eine Vielzahl von Aufgaben generalisiert werden können. Durch die Anpassung eines solchen vortrainierten Modells für die Korrektur von Verzerrungen in der Arktis wollen wir die gelernten Darstellungen der globalen Klimadynamik nutzen, um oberflächennahe Temperaturmuster in der Arktis mit sehr spärlichen Beobachtungsdaten genauer zu erfassen. Dieses Projekt legt den Grundstein für ein grundlegendes, auf ML-Modellen basierendes Rahmenwerk, das die traditionelle reanalysegestützte Datenassimilation ergänzt.