Das Meereis in der Arktis hat gleich mehrere Schlüsselfunktionen im Klimasystem unserer Erde: Es reflektiert große Teile der Sonneneinstrahlung, bremst so eine drastische Erderhitzung und treibt globale Meeres- und Luftströmungen an, was sich direkt auf das Wetter vor unserem Fenster auswirkt. Wie sich das Meereis zurückzieht oder ausdehnt, hängt maßgeblich vom Energiehaushalt der Oberfläche des Arktischen Ozeans ab. Allerdings fehlt es hierfür an Daten aus direkten Beobachtungen, sodass sich Studien auf Modellierungen mit Reanalysedaten der Vergangenheit stützen müssen, um Prognosen für die Zukunft stellen zu können. Diese können durch die mangelnde Datenlage jedoch verzerrt sein. Forschende des Alfred-Wegener-Instituts haben nun ein KI-gestütztes Modell entwickelt, das diese Verzerrungen korrigieren kann und so dazu beiträgt, die arktischen Klimaprozesse besser zu verstehen. In der Fachzeitschrift Geophysical Research Letters stellen sie ihre Methode vor.
Die neue Methode basiert auf maschinellem Lernen, sodass das Modell eigenständig Muster aus einem Datensatz erkennen und Prognosen aufstellen kann. „Wir haben ein neuronales Netzwerk mit Beobachtungsdaten von mehreren großen arktischen Feldkampagnen trainiert, zum Beispiel von der MOSAiC-Expedition“, sagt Erstautor Dr. Akil Hossain vom Alfred-Wegener-Institut (AWI). Das Netzwerk mit dem Namen SEBai (Surface Energy Budget ai) haben der Klimamodellierer und seine Mitforschenden auf das Klimamodell ERA5 angewandt, das häufig genutzt wird, um Energie- und Wärmeflüsse an der Oberfläche des Arktischen Ozeans zu rekonstruieren.
Was sich zeigte war, dass SEBai die Prognosen zu den wichtigsten Oberflächenflüsse und der 2-Meter-Temperatur erheblich verbessern kann. „Wir konnten die Fehlerquote für das an der Oberfläche absorbierte Sonnenlicht um 40 Prozent reduzieren. Für den gesamten Energiehaushalt der Oberfläche sogar um mehr als die Hälfte“, sagt Akil Hossain. Konkret zeigen die Ergebnisse, dass die Wintertemperaturen in der Arktis tatsächlich etwa 4 Grad kälter sind, als es der ERA5-Datensatz vermuten lässt, die Sommertemperaturen um etwa 1 Grad kälter. Das deutet darauf hin, dass sich der Arktische Ozena im Winter tatsächlich weniger abkühlt und im Sommer weniger erwärmt, was das arktische Meereis möglicherweise anfälliger als bisher angenommen gegenüber dem Klimawandel macht.
„Unser Modell zeigt, dass maschinelles Lernen in Kombination mit spärlichen Beobachtungsdaten die Schätzungen der arktischen Oberflächenflüsse und der oberflächennahen Temperatur erheblich verbessern kann“, fasst Akil Hossain zusammen. „Das erlaubt uns, Meereis- und Ozeansimulationen präziser zu machen und die für uns so wichtigen Klimaprozesse in der Arktis besser zu verstehen.“
Originalpublikation
Akil Hossain, Paul Keil, Harsh Grover, et al. Machine Learning Eliminates Reanalysis Warm Bias and Reveals Weaker Winter Surface Cooling over Arctic Sea Ice. Geophysical Research Letters, 53, e2025GL121289. 19 June 2026. DOI: https://doi.org/10.1029/2025GL121289
