Bessere Niederschlagsvorhersagen für den Mittelmeerraum
Im Lauf des 20. Jahrhunderts kam es im Mittelmeerraum zu einer erheblichen Erwärmung, die Forschende auf den vom Menschen verursachten Klimawandel zurückführen. Zu den jüngsten Auswirkungen zählen Hitzewellen und Dürren, die Ernteausfälle, Waldbrände und Wasserknappheit nach sich ziehen und erhebliche wirtschaftliche Verluste verursachen. Klimamodelle sagen die weitere Erwärmung und Austrocknung der Region voraus. Anhand besserer kurzfristiger Prognosen könnten sich die Behörden auf derartige extreme Wetterereignisse im Mittelmeerraum vorbereiten und deren Auswirkungen auf die Gesundheit der Menschen, den Energiesektor und die Landwirtschaft abmildern. „Das Problem besteht darin, dass Vorhersagen mit subsaisonalen bis saisonalen Vorlaufzeiten, ungefähr zehn Tage bis zu einer Jahreszeit im Voraus, in die sogenannte ‚Wetter-Klima-Prognoselücke‘ fallen, in der Vorhersagemodelle Schwierigkeiten bekommen“, erklärt Marlene Kretschmer, Projektkoordinatorin und Marie-Skłodowska-Curie-Forscherin des EU-finanzierten Projekts CausalBoost. CausalBoost kombinierte „Kausalitätswerkzeuge“ mit operationellen Vorhersagemodellen, um Quellen in Bezug auf die Prognostizierbarkeit des mediterranen Winterwetters zu erkennen, das Zusammenwirken dieser verschiedenen Faktoren zu verstehen, und zu bewerten, wie gut diese Prozesse durch Vorhersagemodelle erfasst werden. Die Projektergebnisse wurden in frei zugänglichen, von Fachleuten begutachteten Zeitschriften publiziert, wobei ein Teil des Softwarecodes auf GitHub veröffentlicht wurde.
Die Beziehungen zwischen Ursache und Wirkung entwirren
Bei dem Versuch, Niederschlagsvorhersagen innerhalb subsaisonaler bis saisonaler Zeiträume zu verbessern, besteht die zentrale Herausforderung darin, Quellen der Vorhersagbarkeit zu finden. Zu erwarten sind sie in den sich langsamer verändernden Randbedingungen des Klimasystems, etwa den Meereis- oder Meeresoberflächentemperaturen, die durch Wechselwirkungen mit der Atmosphäre weit entfernte regionale Wetter- und Klimamuster beeinflussen können. Die Komplexität des Klimasystems erschwert es jedoch, die verschiedenen Triebkräfte zu erkennen, ihre Beiträge zu beziffern und einzelne Kausalfaktoren zu isolieren. Beziehungen zwischen Ursache und Wirkung zu verstehen, ist offensichtlich eine allgemeine, die Wissenschaft stets begleitende Herausforderung. Da die Klimawissenschaft normalerweise keine Versuche in der realen Welt durchführen kann, lautet die gängige Lösung, mit Klimamodellsimulationen zu experimentieren. Eine Einschränkung besteht darin, dass die Ergebnisse davon abhängen, wie gut das Klimamodell die echte Welt abbildet. „Unsere Schlüsselidee war, die Stärken eher konventioneller physikalischer Methoden mit innovativen statistischen Maschinenlernverfahren zu kombinieren, um noch mehr Informationen aus den Klimadaten herauszuholen“, sagt Kretschmer von der University of Reading, an der das Projekt angesiedelt ist.
Algorithmus erkennt kausale Zusammenhänge
Eine der eingesetzten Maschinenlernmethoden war ein „Kausalitätserkennungsalgorithmus“, ein mathematischer Ansatz, der Ursache-Wirkungs-Beziehungen aus Beobachtungsdaten ableitet. Die Nutzenden geben Daten über physikalische Prozesse über einen längeren Zeitraum ein, und der Algorithmus „lernt“, wie diese Prozesse kausal miteinander im Zusammenhang stehen. Diese relativ neue Errungenschaft dient als leistungsfähiges Instrument zur Ergänzung von Klimamodellexperimenten. CausalBoost analysierte mit dem Maschinenlernalgorithmus ein ganzes Spektrum verschiedener Datensätze, darunter Beobachtungsdaten, Daten aus subsaisonalen und saisonalen Klimamodellen sowie Daten aus Klimamodellprognosen für unterschiedliche Emissionsszenarien. Nun liegen die Triebkräfte für Niederschläge im Mittelmeerraum klarer auf der Hand. Ein Beispiel war die Rolle des sogenannten Polarwirbels, eines Systems starker Westwinde, das sich während borealer Kälteperioden in der arktischen Stratosphäre bildet. Es ist bekannt, dass starke und schwache Phasen dieses Wirbels Einfluss auf die Niederschläge im Mittelmeerraum ausüben. „Unsere detaillierte Analyse der Effekte dieses Wirbels trägt zu einem besseren Verständnis der zugrunde liegenden Mechanismen bei, die nun in moderne Klimamodelle einfließen können“, erläutert Kretschmer.
Vielversprechende Nachbearbeitung
CausalBoost bereitet weitreichenden Niederschlagsvorhersagen im Mittelmeerraum den Weg, aus denen die für Entscheidungen in wetterabhängigen Sektoren Verantwortlichen wichtige Informationen für effizienteres Planen ableiten werden können. Kretschmers nächstes Vorhaben ist, empirische, beobachtungsgestützte Vorhersagen mit Prognosedaten aus dynamischen Vorhersagemodellen auf der Grundlage von bayesscher Statistik zu kombinieren. „Wenn wir wissen, dass ein bestimmter Prozess von einem Modell nicht gut wiedergegeben wird, können wir dies durch Nachbearbeitung der Prognosen mittels bayesscher Modellierungsverfahren ‚korrigieren‘ und so zu genaueren Vorhersagen gelangen“, schließt Kretschmer ihre Ausführungen.
Schlüsselbegriffe
CausalBoost, Klimawandel, Regen, Niederschlag, Prognose, Mittelmeer, Hitzewellen, Jahreszeit, Dürre, kausal, Modellierung, Vorhersagen
