Mehr Klarheit beim Klima

Für seine Forschung zu komplexen Systemen wurde Klaus Hasselmann 2021 mit dem Nobelpreis für Physik ausgezeichnet, gemeinsam mit dem aus Japan stammenden US-Meteorologen Syukuro Manabe. Der beschäftigte sich mit dem Treibhauseffekt und mit vergleichsweise einfachen Berechnungen, die ein wichtiger Baustein für die heutigen Klimamodelle waren.

Als sich einige Jahre nach Hasselmanns Entdeckung die Zirkulationsmodelle durchgesetzt hatten, gaben sie das von dem Hamburger Wissenschaftler vorhergesagte Verhalten korrekt wieder. Damit stand ein recht verlässliches Modell der natürlichen Klimaschwankungen zur Verfügung. Darauf aufbauend gelang es Hasselmann und seinem Team in den 1990er-Jahren, aus den über die Jahrzehnte gemessenen Wetter- und Klimadaten den vom Menschen verursachten Klimawandel herauszulesen. „Man konnte ihn jetzt von den natürlichen Veränderungen unterscheiden“, sagt Jungclaus. „Das war gar nicht so einfach, weil der Temperaturanstieg damals noch nicht sehr groß war.“

Meeresströme werden berücksichtigt

Nicht zuletzt aufgrund von Hasselmanns Erkenntnissen legen Klimaforscher heute größten Wert darauf, nicht nur die Vorgänge in der Atmosphäre zu verstehen, sondern auch die vergleichsweise trägen Meeresströmungen möglichst genau in ihren Modellen abzubilden. Sie sind es, die die Wärme langsam über unseren Planeten verteilen. Und großräumige Phänomene wie der Golfstrom spielen auch für das Klima an Land eine entscheidende Rolle.

Heute, ein knappes halbes Jahrhundert nach Hasselmanns Erkenntnissen, steht der Zusammenhang zwischen dem Klima und dem Wetter erneut im Fokus der Forschung, wenn auch unter einem anderen Blickwinkel. In dem Projekt EXCLAIM (EXtreme scale Computing and data platform for cLoud-resolving weAther and climate Modeling) verfolgen Klimawissenschaftler an der Eidgenössischen Technischen Hochschule (ETH) Zürich das Ziel, Wetter- und Klimamodelle nahtlos miteinander zu verschmelzen. Schon jetzt arbeiten die jeweiligen Simulationsprogramme nach demselben Grundprinzip: Sie unterteilen Atmosphäre und Ozean in kleine dreidimensionale Segmente und stellen für jedes Segment elementare physikalische Gleichungen auf – von den Newtonschen Gesetzen der Schwerkraft über die Kondensation von Wasserdampf bis hin zur Absorption von Sonnenlicht.

So ergibt sich die Windstärke im Inneren eines Abschnitts aus dem unterschiedlichen Luftdruck an dessen Rändern. Und die Massenerhaltung sorgt dafür, dass in ein Ozeansegment von einer Seite nur genau so viel Wasser hineinströmen kann, wie durch die anderen Seiten wieder hinausfließt. „Um das mathematisch zu formulieren, braucht man nicht viel mehr als eine Seite“, sagt Nicolas Gruber, Umweltphysiker an der ETH Zürich und Projektleiter von EXCLAIM. Aufgrund der großen Zahl einzelner Elemente, die alle miteinander gekoppelt sind, entsteht dennoch ein gigantisches Gleichungssystem, das jeden Supercomputer an die Grenzen seiner Leistungsfähigkeit bringt.

Die Forscher sind daher zu Abwägungen gezwungen. Um die Rechenzeit auf einem akzeptablen Niveau zu halten, können sie entweder eine Auflösung von einigen Kilometern wählen und damit für die Wettervorhersage über einem begrenzen Gebiet ein paar Tage in die Zukunft blicken. Oder sie begnügen sich mit 100 Kilometer großen Segmenten und simulieren damit das globale Klima für die nächsten 30 Jahre. Allerdings: „So ein grobes Netz reicht nicht aus, um etwa die Dynamik eines Gewitters oder eines Hagelsturms abzubilden“, sagt Gruber. Wo genau man als Folge des Klimawandels vermehrt mit extremen Wetterereignissen wie Starkregen und Überschwemmungen rechnen muss, lässt sich damit also nicht vorhersagen.

Kommen Hurrikane nach Europa?

Selbst Aussagen über die Zunahme der Intensität von Hurrikanen basieren bislang nicht direkt auf globalen Modellen, sondern vor allem auf dem allgemeinen Verständnis der ihnen zugrunde liegenden physikalischen Prozesse. „Wenn mehr Energie in Form von Wärme vorhanden ist, werden Hurrikane intensiver“, sagt Gruber. „Wenn wir aber wissen wollen, ob sie künftig auch in Europa auftreten, brauchen wir Klimamodelle mit höherer Auflösung.“

Doch das Ziel der Annäherung der Klima- an die Wettermodelle ist nicht die Wettervorhersage für die nächsten drei Jahrzehnte. Das Wetter hat schließlich immer eine zufällige Komponente. Der sprichwörtliche Flügelschlag des Schmetterlings etwa kann anderswo einen Sturm auslösen, weshalb sich der konkrete Verlauf des Wetters auch mit den genauesten Simulationen nur für ein paar Tage vorausberechnen lässt.

Deshalb greifen die Klimaforscher zu einem Trick: Sie wollen gleich mehrere solcher Simulationen gleichzeitig laufen lassen, und ihnen dabei absichtlich winzige Unterschiede in den Anfangsbedingungen mitgeben. Wenn dann jede dieser Varianten einen potenziellen Wetterverlauf durchspielt, wäre das Ergebnis ein ganzer Strauß von Möglichkeiten, wie das Wetter an einem Tag etwa 2050 aussehen könnte. Und erst der Durchschnitt dieser „Prognosen“ soll dann die Frage beantworten, ob es 2050 an einem bestimmten Ort im Schnitt mehr oder weniger Niederschlag geben wird.

Um diese Vision zu realisieren, wird kein Weg an schnelleren Rechnern vorbeiführen. Gleichzeitig arbeiten Gruber und seine Projektpartner daran, die bestehenden Klimamodelle an die neuen Computerarchitekturen anzupassen, die – befeuert vom Boom des maschinellen Lernens – zunehmend auf Grafikkarten statt wie bislang auf zentrale Prozessor-einheiten setzen.

Allerdings: Noch steht die nötige Rechenleistung, um Stürme und Gewitter in Klimamodellen abzubilden, nicht zur Verfügung. Während etwa der Deutsche Wetterdienst über dem Bundesgebiet mit einer Auflösung von fünf Kilometern arbeitet und damit zwei Wochen in die Zukunft simulieren kann, weisen die meisten globalen Atmosphärenmodelle – die auch in den aktuellen Bericht des Weltklimarats eingeflossen sind – Maschenweiten zwischen 50 und 200 Kilometern auf. Um dennoch kleinskalige Phänomene wie Wolken und Wind berücksichtigen zu können, behelfen sich die Forscher mit sogenannten Parametrisierungen. Diese mathematischen Hilfskonstruktionen beruhen auf statistischen Annahmen und stellen eine wesentliche Quelle von Unsicherheiten in den Modellen dar, da sie sich nicht aus den physikalischen Gleichungen ergeben. Überschreitet etwa der Wasserdampfgehalt in einer Gitterzelle einen bestimmten Wert, dann liefert dort die Parametrisierung eine gewisse Wahrscheinlichkeit für die Bildung einer Wolke. Dieses Konzept lässt sich auf beliebig komplexe Weise etwa auf unterschiedliche Wolkentypen ausweiten.

Das Wolken-Problem

Selbst die feinmaschigen Modelle der Wetterdienste kommen nicht ganz ohne Parametrisierungen aus. Sie lösen zwar die Makrostruktur einer Wolke auf – aber kleinskalige Auf- und Abwinde im Meterbereich und erst recht die mikroskopischen Tröpfchen und Eiskristalle, aus denen sich die Wolke aufbaut, fallen trotzdem durch die Maschen. „Immerhin kann ein Wolkenpartikel in einem solchen Modell zumindest mit den stärksten Auf- und Abwinden realistisch interagieren“, sagt Aiko Voigt, Klimaforscher am Institut für Meteorologie und Geophysik der Universität Wien. Die Wechselwirkung der Partikel mit dem Wind ist entscheidend. Denn nur wenn die Teilchen nach oben gehoben werden und dadurch die Temperatur sinkt, kann die Kondensation voranschreiten – und sich schließlich eine Wolke bilden.

Wolken wiederum sind maßgeblich für das Klima und tragen wesentlich zu einer Kühlung der Erde bei. Zwar hindern sie auch einen Teil der Wärmestrahlung daran, die Erde zu verlassen – ein wärmender Effekt –, doch es überwiegt die Kühlwirkung der durch die Wolken zurück ins All reflektierten kurzwelligen Sonnenstrahlung. Wie wichtig Wolken für das Klima sind, veranschaulicht ein einfaches Gedankenexperiment: Wären alle Wolken auf einmal verschwunden, entspräche das dem Treibhauseffekt vom 16-Fachen des aktuellen CO2-Gehalts in der Atmosphäre.

Gemeinsam mit seiner Kollegin Sylvia Sullivan vom Karlsruher Institut für Technologie (KIT) hat Voigt 2021 eine Studie zu Zahl und Größe der Eiskristalle in tropischen Eiswolken veröffentlicht. „Die Bildung von flüssigem Wasser in der Atmosphäre ist verhältnismäßig einfach zu modellieren“, sagt der Wiener Wissenschaftler. „Wasserdampf, der an einem Aerosolpartikel kondensiert, bildet schließlich immer ein annähernd rundes Tröpfchen.“ Eispartikel dagegen können sehr unterschiedliche Formen und dadurch auch deutlich komplexere Strahlungseigenschaften haben. „Früher galten subtropische Flüssigwasserwolken als der größte Unsicherheitsfaktor in den Klimamodellen, heute sind es tropische Eiswolken“, stellt Voigt fest.

Klimamodelle erzeugen riesige Mengen an Daten, für deren Analyse bereits jetzt Methoden des maschinellen Lernens zum Einsatz kommen. Doch Künstliche Intelligenz kann mehr. Sie soll daher künftig auch in den Simulationen selbst zum Einsatz kommen, etwa indem sie die recht einfach gestrickten Parametrisierungen der Modelle ersetzt.

Denn schließlich ist es die Stärke von KI-Methoden wie dem sogenannten Deep Learning, in großen Datenmengen komplexe Abhängigkeiten zu erkennen. Um Trainingsdaten für die dazu genutzten künstlichen neuronalen Netze zu bekommen, lassen die Forscher zunächst hoch aufgelöste Klimamodelle laufen – allerdings nur über kleine Gebiete und kurze Zeiträume. Das Ergebnis sind physikalisch korrekte Daten, die zeigen, wie die Parametrisierung sein müsste. Daraus können die Netze lernen, welche Prozesse sich auf kleinen Skalen, also im Inneren einer groben Gitterzelle, abspielen – und sich die entsprechenden Funktionen aneignen.

Ist das Training der Künstlichen Intelligenz abgeschlossen, lässt sich die Technik auf grobmaschige Klimamodelle anwenden, und sie kann dort die fehlenden Informationen ergänzen. Das spart Zeit und Rechenleistung. „Der Preis ist allerdings, dass das Zustandekommen der Ergebnisse nicht mehr so gut nachvollziehbar ist wie bei einer klassischen Parametrisierung“, sagt Jakob Runge, der am Deutschen Zentrum für Luft- und Raumfahrt (DLR) die Arbeitsgruppe für Klima-informatik leitet und an der TU Berlin gerade ein neues Fachgebiet zu diesem Thema aufbaut. „Daher macht man diesen Schritt sehr vorsichtig.“ Es gilt zum Beispiel darauf zu achten, dass die gelernten Funktionen auch physikalisch konsistent sind und elementare Bedingungen wie die Energieerhaltung berücksichtigen.

Das Manko des maschinellen Lernens

Hinzu kommt: Das maschinelle Lernen hat ein grundsätzliches Problem damit, das aus den Trainingsdaten Gelernte auf andere Situationen zu übertragen – oder, wie die Experten sagen: „zu generalisieren“. Trainiert ein Netz also beispielsweise anhand eines hoch aufgelösten Klimamodells der Atmosphäre über Mitteleuropa, wird es über dem Nordpol oder einer Wüste keine vernünftigen Ergebnisse liefern. Dieses Manko lässt sich zwar zum Teil dadurch beheben, dass mehrere Netze für jeweils unterschiedliche Bedingungen optimiert werden.

Doch da der Klimawandel per se veränderliche Bedingungen mit sich bringt, wird das allein nicht reichen. Im Zentrum von Runges Forschung steht daher, Künstlicher Intelligenz ein „Gespür“ für kausale Zusammenhänge zu geben und damit ihre Fähigkeiten zur Generalisierung zu verbessern. Denn die Algorithmen mögen menschliche Fähigkeiten zwar im Auffinden von Mustern und Korrelationen übertreffen, aber das Konzept von Ursache und Wirkung bleibt ihnen in aller Regel verborgen.

Die Wolkenbildung etwa hängt ursächlich von Faktoren wie der Luftfeuchtigkeit und dem Vorhandensein von Aerosolen ab, von anderen hingegen nicht. Bekommt ein neuronales Netz zum Training trotzdem alle verfügbaren Variablen, dann lernt es vielleicht auch nichtkausale Abhängigkeiten. So spielt die Temperatur in der Stratosphäre keine Rolle für die Wolkenbildung in tieferen Luftschichten, kann aber unter Umständen damit korrelieren. Das Ergebnis wäre ein Netz, das den Prozess der Wolkenbildung nicht richtig „verstanden“ hat und dadurch Fehler macht. „Deshalb versuchen wir, durch eine statistische Analyse von Daten herausfinden, welche der Variablen wirklich kausal sind“, erklärt Runge. „Und dann trainiert man das Netz eben nur genau darauf.“

Diese statistischen Methoden basieren auf einfachen Annahmen. So beeinflusst die Zukunft die Vergangenheit nicht, und es gilt das sogenannte Common Cause Principle. Demzufolge bedingt beim Auftreten zweier korrelierender Variablen entweder eine Größe die andere, oder es existiert eine zusätzliche, dritte Variable, die beide ursächlich beeinflusst. Kausale Beziehungen können also zu statistischen Abhängigkeiten führen. Das Ergebnis einer solchen Analyse ist ein Diagramm, in dem Pfeile zwischen den einzelnen Variablen die wechselseitigen Wirkungen darstellen. Es wird zwar automatisch aus den Daten ermittelt, muss aber erst von Experten auf seine Sinnhaftigkeit überprüft werden. „Dazu stehen wir in engem Austausch mit Klimaforschern“, sagt Runge. „Das geht einige Male hin und her, bis wir schließlich ein neuronales Netz trainiert haben, dem wir vertrauen können.“

Noch müssen Klimaforscher der Künstlichen Intelligenz beim Weiterkommen helfen und nicht umgekehrt. Doch Jakob Runge ist zuversichtlich, dass seine Methoden in ein paar Jahren dazu beitragen können, die Klimamodelle genauer zu machen – und damit den Menschen zu helfen, sich auf das vorzubereiten, was wahrscheinlich auf sie zukommt.

Menschen orientieren sich bei Entscheidungen an den Erfahrungen anderer. Dieses als „Social Proof“ bekannte psychologische Phänomen…