Kleinskalige Prozesse in der Atmosphäre verstehen und modellieren mit Deep Learning

• Antragsteller: Dr. Stephan Rasp
• Fachliche Zuordnung: Physik und Chemie der Atmosphäre
• Förderung: Förderung von 2019 bis 2020
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 426852073

Angesichts der globalen Erwärmung sind genaue Klimavorhersagen dringend erforderlich. Aktuelle Klimamodelle leiden jedoch nach wie vor unter großen Unsicherheiten, die hauptsächlich durch die annähernde Darstellung (auch Parametrisierung) von Wolken verursacht werden, die kleiner als die Modellgitterskala sind. Wolkenprozesse und deren Wechselwirkung mit Turbulenz und Strahlung sind höchst chaotisch, was die traditionelle Parametrisierungsentwicklung, basierend auf physikalischer Intuition und manuellem "Tuning", langsam und mühsam macht. Seit kurzem ist es möglich, globale hochauflösende Simulationen durchzuführen, in denen komplexe Wolkenprozesse explizit aufgelöst sind. Diese Simulationen sind jedoch rechenintensiv, was ihren Vorhersagehorizont auf höchstens einige Monate begrenzt. Nichtsdestotrotz können diese kurzfristigen Datensätze zur Entwicklung besserer Parametrisierungen für Klimamodelle genutzt werden.In diesem Projekt wird "Deep Learning" eingesetzt werden, um Klimasimulationen systematisch durch kurzfristige hochauflösende Simulationen zu verbessern. Deep Learning, ein Teilgebiet der künstlichen Intelligenz, basiert auf mehrschichtigen künstlichen neuronalen Netzwerken, die komplexe nichtlineare Beziehungen erlernen können. Erste Studien, darunter auch die des Antragstellers, haben im Jahr 2018 gezeigt, dass es grundsätzlich möglich ist, eine Deep Learning-Parametrisierung von kleinskaligen Prozessen für Klimamodelle aus hochauflösenden Daten zu lernen. Ein Hauptziel der vorgeschlagenen Arbeit ist es, moderne "Machine Learning" Techniken einzusetzen, um die numerische Stabilität und physikalische Konsistenz dieser ersten Studien zu verbessern und realistische Klimasimulationen zu ermöglichen.Ein weiteres Hauptziel ist es, Deep-Learning-Parametrisierungen zu verwenden, um kleinskalige Prozesse besser zu verstehen. Deep Learning hat sich als sehr geeignet für Prozesse mit räumlicher und zeitlicher Struktur erwiesen, die auch in der Atmosphäre wichtig sind, aber in den meisten aktuellen Parametrisierungen nicht enthalten sind. Mit dem vorgeschlagenen Deep-Learning-Ansatz kann der detaillierte hochauflösende Datensatz auf die Bedeutung räumlicher und zeitlicher Strukturen sowie auf Prozessinteraktionen überprüft werden.Die Entwicklung besserer Klimamodelle erfordert eine effizientere Verwendung der verfügbaren Daten. Deep Learning bietet eine Möglichkeit, dies zu tun. Der vorgeschlagene Arbeitsplan zielt darauf ab, die nötige Methodik zu entwickeln, um realistische Klimasimulationen mit einem Machine Learning-Ansatz zu erreichen, aber auch darauf, diese neuartige Technologie zu verwenden, um Einblick in die detailliertesten jemals verfügbaren Simulationen zu gewinnen. Darüber hinaus wird dieses Projekt dazu beitragen, die Lücke zwischen innovativer Forschung im Bereich des maschinellem Lernens und der Klimamodellierung zu schließen.

• DFG-Verfahren: Sachbeihilfen