Generatives Maschinelles Lernen für Akkurate und Hochauflösende Klimaprojektionen

• Antragsteller: Dr. Philipp Hess
• Fachliche Zuordnung: Physik und Chemie der Atmosphäre
• Förderung: Förderung seit 2025
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 556377191

Der anthropogene Klimawandel birgt schwerwiegende Risiken für natürliche und menschliche Systeme, welche die Abschätzung seiner Folgen, insbesondere von extremen Wetterereignissen, eine dringende Aufgabe von grundlegender Bedeutung für unsere Gesellschaft macht. Dynamische Klimafolgenmodelle wurden dafür entwickelt, um unser Prozessverständnis der biophysikalischen Reaktion auf Wetterschwankungen in zukünftigen Klimaprojektionen darzustellen, z.B. von Ernteerträgen, dem Abfluss von Flüssen, oder Feuer. Numerische Erdsystemmodelle (ESM) hingegen sind unser wichtigstes Instrument für die Projektion zukünftiger Klimaszenarien, indem sie relevante physikalische Prozesse der verschiedenen Erdsystemkomponenten und deren Wechselwirkungen simulieren. Um jedoch globale ESM Simulationen rechnerisch zu ermöglichen, ist die horizontale Auflösung derzeit auf etwa 100 Kilometer begrenzt. Wichtige Prozesse, wie z.B. Niederschlag, die kleinere räumliche Skalen betreffen oder aus anderen Gründen zu rechenintensiv sind, um explizit im ESM modelliert zu werden, müssen angenähert werden. Dies kann zu systematischen Fehlern in den ESM Simulationen führen. Die Abschätzung der Folgen des Klimawandels erfordert daher eine Korrektur der systematischen Fehler und ein Downscaling zu einer höheren Auflösung der ESM Simulationen. Statistische Methoden wurden entwickelt, welche mit Hilfe von Beobachtungsdaten ESM Simulationen korrigieren und lokale Skalen auflösen können. Die derzeitigen statistischen Ansätze sind jedoch auf univariate Verteilungen für jede einzelne Gitterzelle und Variable beschränkt. Räumliche und intervariable Korrelationen werden dabei nicht berücksichtigt, was zu unphysikalischen Inkonsistenzen und damit zu verzerrten Klimafolgensimulationen führen kann. In diesem Projekt sollen auf generativem maschinellem Lernen basierende Methoden für eine multivariate Behandlung der wichtigsten Klimafolgenvariablen entwickelt werden, um globale, akkurate, physikalisch konsistente, und hochauflösende Klimaprojektionen zu erhalten. Aufbauend auf der Vorarbeit, welche die Effektivität des generativen maschinellen Lernens für die Korrektur von Fehlern und Downscaling globaler Niederschlagsfelder aus ESM Simulationen zeigt, wird das vorgeschlagene Projekt diese Ansätze erheblich weiterentwickeln. Der Schwerpunkt liegt dabei auf der multivariaten physikalischen Konsistenz, der Erhaltung von Trends, zeitlicher Dynamik und der Skalierbarkeit zu hohen Auflösungen. Eine umfassende Evaluierung der post-prozessierten Klimaprojektionen, einschließlich statistischer Metriken und dynamischer Klimafolgenmodelle, wird sicherstellen, dass die hohen Qualitätsstandards des Inter-Sectoral Impact Models Intercomparison Project (ISIMIP) erfüllt werden. ISIMIP, wird dabei mit seinem weltweiten Netzwerk von Klimafolgenmodellierungsteams eine wichtige Plattform für die Bereitstellung des neuen Klimadatensatzes bieten.

• DFG-Verfahren: WBP Stelle