Starke Niederschläge können zu Naturkatastrophen wie Überschwemmungen oder Erdrutschen führen. Um die Häufigkeit dieser Extremereignisse vorherzusagen, sind globale Klimamodelle erforderlich, die sich durch den Klimawandel voraussichtlich ändern werden. Forscher des Karlsruher Instituts für Technologie (KIT) haben nun eine erste auf künstlicher Intelligenz (KI) basierende Methode entwickelt, mit der sich die Präzision grober Niederschlagsfelder globaler Klimamodelle erhöhen lässt.
Den Forschern gelang es, die räumliche Auflösung der Niederschlagsfelder von 32 auf zwei Kilometer und die zeitliche Auflösung von einer Stunde auf zehn Minuten zu verbessern. Diese höhere Auflösung ist erforderlich, um das häufigere Auftreten örtlicher Starkniederschläge und daraus resultierender Naturkatastrophen künftig besser vorhersagen zu können. Die Studie ist veröffentlicht im Tagebuch Erd- und Weltraumwissenschaften.
Viele Naturkatastrophen wie Überschwemmungen oder Erdrutsche werden direkt durch extreme Niederschläge verursacht. Forscher gehen davon aus, dass die steigenden Durchschnittstemperaturen zu einer weiteren Zunahme extremer Niederschlagsereignisse führen werden. Um sich an ein sich änderndes Klima anzupassen und sich frühzeitig auf Katastrophen vorzubereiten, sind präzise lokale und globale Daten über den aktuellen und zukünftigen Wasserkreislauf unverzichtbar.
„Niederschläge sind räumlich und zeitlich sehr variabel und daher insbesondere auf lokaler Ebene schwer vorherzusagen“, sagt Dr. Christian Chwala vom Bereich Atmosphärische Umweltforschung des Instituts für Meteorologie und Klimaforschung (IMK-IFU) des KIT. Campus Alpine des KIT in Garmisch-Partenkirchen. „Aus diesem Grund wollen wir die Auflösung von Niederschlagsfeldern, die beispielsweise durch globale Klimamodelle generiert werden, verbessern und ihre Klassifizierung im Hinblick auf mögliche Bedrohungen wie Überschwemmungen verbessern.“
Höhere Auflösung für präzisere regionale Klimamodelle
Derzeit verwendete globale Klimamodelle basieren auf einem Raster, das nicht fein genug ist, um die Variabilität der Niederschläge präzise darzustellen. Hochaufgelöste Niederschlagskarten können nur mit rechenintensiven und damit räumlich oder zeitlich begrenzten Modellen erstellt werden.
„Aus diesem Grund haben wir ein KI-basiertes generatives neuronales Netzwerk namens GAN entwickelt und es mit hochauflösenden Radar-Niederschlagsfeldern trainiert. Auf diese Weise lernt das GAN, realistische Niederschlagsfelder zu erzeugen und deren zeitliche Abfolge grob abzuleiten.“ „Aufgelöste Daten“, sagt Luca Glawion vom IMK-IFU.
„Das Netzwerk ist in der Lage, aus sehr grob aufgelösten Karten hochaufgelöste Radar-Niederschlagsfilme zu erzeugen.“ Diese verfeinerten Radarkarten zeigen nicht nur, wie sich Regenzellen entwickeln und bewegen, sondern rekonstruieren auch präzise lokale Regenstatistiken und die entsprechende Extremwertverteilung.
„Unsere Methode dient als Grundlage, um die Auflösung grobkörniger Niederschlagsfelder zu erhöhen, sodass die hohe räumliche und zeitliche Variabilität der Niederschläge adäquat abgebildet und lokale Effekte untersucht werden können“, sagt Julius Polz vom IMK-IFU.
„Unsere Deep-Learning-Methode ist um mehrere Größenordnungen schneller als die Berechnung solch hochaufgelöster Niederschlagsfelder mit numerischen Wettermodellen, die üblicherweise zur regionalen Verfeinerung von Daten globaler Klimamodelle eingesetzt werden.“
Die Forscher weisen darauf hin, dass ihre Methode auch ein Ensemble verschiedener potenzieller Niederschlagsfelder generiert. Dies ist wichtig, da für jedes grob aufgelöste Niederschlagsfeld eine Vielzahl physikalisch plausibler hochaufgelöster Lösungen existiert. Ähnlich wie bei einer Wettervorhersage ermöglicht ein Ensemble eine genauere Bestimmung der damit verbundenen Unsicherheit.
Höhere Auflösung für bessere Vorhersagen unter dem Klimawandel
Die Ergebnisse zeigen, dass das von den Forschern entwickelte KI-Modell und die KI-Methodik den künftigen Einsatz neuronaler Netze ermöglichen werden, um die räumliche und zeitliche Auflösung der von Klimamodellen berechneten Niederschläge zu verbessern. Dies ermöglicht eine genauere Analyse der Auswirkungen und Entwicklungen von Niederschlägen in einem sich ändernden Klima.
„In einem nächsten Schritt werden wir die Methode auf globale Klimasimulationen anwenden, die konkrete großräumige Wettersituationen auf eine zukünftige Welt mit verändertem Klima übertragen, beispielsweise auf das Jahr 2100. Die höhere Auflösung der mit unserer Methode simulierten Niederschlagsereignisse.“ „Wird eine bessere Abschätzung ermöglichen, welche Auswirkungen die Wetterbedingungen, die 2021 zu den Überschwemmungen der Ahr führten, in einer um 2 Grad wärmeren Welt gehabt hätten“, erklärt Glawion. Solche Informationen sind für die Entwicklung von Klimaanpassungsmethoden von entscheidender Bedeutung.
Mehr Informationen:
Luca Glawion et al, spateGAN: Spatio-Temporal Downscaling of Rainfall Fields Using a cGAN Approach, Erd- und Weltraumwissenschaften (2023). DOI: 10.1029/2023EA002906