idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
idw - Informationsdienst
Wissenschaft
Eine neue Studie der Christian-Albrechts-Universität zu Kiel zeigt, dass für die Vorhersage von Sauerstoffmangel in Küstengewässern nicht nur die leistungsstärksten Ozeanmodelle nützlich sind. Auch schwächere oder bewusst extreme Modelle enthalten wertvolle Informationen. Mithilfe von Methoden des Maschinellen Lernens konnten Forschende diese bislang verborgenen Daten nutzen und die Prognosen zur Sauerstoffentwicklung in der Eckernförder Bucht deutlich verbessern. Die Ergebnisse, die in der Fachzeitzeitschrift Scientic Reports erschienen sind, könnten dazu beitragen, die Folgen des Klimawandels auf die Ostsee künftig genauer vorherzusagen.
Sauerstoffarmut in der westlichen Ostsee ist keine Seltenheit. In den tiefen Schichten des Meeres entsteht regelmäßig Sauerstoffmangel, der marine Lebensgemeinschaften belastet und im Extremfall zu Fischsterben führen kann. Durch die Erwärmung der Meere infolge des Klimawandels könnte sich die Situation in Zukunft sogar noch weiter verschärfen. Um solche Entwicklungen besser vorherzusagen, setzen Forschende in der Regel auf leistungsstarke numerische Ozeanmodelle. In einer neuen Studie konnte ein Forschungsteam der Christian-Albrechts-Universität zu Kiel (CAU) nun zeigen, dass bei der Vorhersage von Sauerstoffgehalten in Küstengewässern nicht allein die besten Computermodelle wertvoll sind, sondern dass auch scheinbar schwächere oder bewusst extreme Modelle wichtige Zusatzinformationen liefern. Mithilfe von Methoden des Maschinellen Lernens gelang es ihnen, die bisher verborgenen Informationen dieser „Low Performer“ zu nutzen und die Vorhersagen zur Sauerstoffentwicklung in der Eckernförder Bucht deutlich zu verbessern. Ihre Ergebnisse sind in der Fachzeitschrift Scientific Reports erschienen.
"In der Modellierung konzentriert sich die Forschung häufig auf diejenigen Modelle, die Beobachtungen besonders gut reproduzieren, während Modelle mit geringerer Reproduktionsgüte oft ausgeschlossen werden. Solche Modelle sind jedoch oft keineswegs wertlos, wenn sie mithilfe von Methoden des Maschine Learning sinnvoll kombiniert werden. In unserem Fall haben die vermeintlichen Low Performer wichtige Informationen über seltene Zustände geliefert, die sich als entscheidend für Vorhersagen ökologisch relevanter Zustände herausgestellt haben,“ sagt Erstautorin Dr. Ulrike Löptien vom Institut für Geowissenschaften und dem Institut für Informatik an der CAU.
Warum die Vorhersage von Sauerstoffmangel so schwierig ist
Die Ostsee ist in keinem gesunden Zustand. Jahrzehntelanger Nährstoffeintrag aus der Landwirtschaft und Abwässern hat das Meer überdüngt. Die Folge sind Algenblüten, absterbende organische Masse und ein zeitweise auftretender Sauerstoffmangel in tiefen Schichten, der zu schwerwiegenden Folgen für Meereslebewesen, die Wasserqualität und das gesamte Ökosystem führen kann. Vorhersagen zur Sauerstoffentwicklung in Küstengewässern basieren typischerweise auf numerischen Modellen. Da jedoch kein einzelnes numerisches Modell die komplexen Prozesse der Realität vollständig erfassen kann, werden zum Beispiel in der Meteorologie standardmäßig sogenannte Modell-Ensembles verwendet. Dabei werden die Ergebnisse mehrerer Simulationen kombiniert – ähnlich dem Prinzip der Schwarmintelligenz – da viele Modelle gemeinsam in der Regel robustere Vorhersagen liefern als ein einzelnes. In der gekoppelten Ozeanzirkulations- und biogeochemischen Modellierung befinden sich solche ensemble-basierten Ansätze jedoch noch in einem vergleichsweise frühen Entwicklungsstadium und bedürfen problembasierter Anpassungen.
Für ihre Studie über die Sauerstoffentwicklung in der Eckernförder Bucht, einem Gebiet mit langjährigen, regelmäßigen Messungen, kombinierten die Forschenden nun verschiedene Modellvarianten, die sich in zentralen Annahmen und Parametern unterscheiden wie etwa Wasserdurchmischung sowie biologische Prozesse wie Primärproduktion oder Sauerstoffverbrauch. Dabei beziehen sie bewusst Modelle mit geringer Einzelleistung und extremen Parametereinstellungen ein, zum Beispiel das Fehlen jeglicher biotischer Effekte. Diese Modelle würden traditionell eher verworfen werden.
Wie Maschinelles Lernen auch schwache Modelle nutzbar macht
Anstatt sie jedoch auszusortieren, speisten die Forschenden in ihrem Ansatz alle Simulationen – also auch die schwächeren – in einen sogenannten Random-Forest-Algorithmus ein. Mit diesem Verfahren des maschinellen Lernens wurde aus echten Beobachtungsdaten gelernt, unter welchen Bedingungen einzelne Modelle besonders aussagekräftige Informationen liefern. Das Ergebnis überraschte die Forschenden: Die übliche Methode, die Ergebnisse aller Modelle zu mitteln, brachte kaum Verbesserungen gegenüber den besten Einzelmodellen. Die Kombination mithilfe Maschinellen Lernen hingegen erhöhte die Vorhersagequalität deutlich. Die Übereinstimmung mit den Beobachtungen stieg stark an.
Besonders bemerkenswert: Einige der schwächsten Modelle erwiesen sich als besonders wertvoll für die endgültige Prognose. Die „Low-Performer“ enthalten offenbar genau jene Informationen über extreme oder seltene Zustände, die der Algorithmus für eine zuverlässige Prognose braucht. „Wir konnten zudem zeigen, dass durch die Kombination aller unterschiedlichen Simulationen mit den Methoden des maschinellen Lernens die Vorhersagequalität deutlich verbessert wird,“ sagt Co-Autor Dr. Heiner Dietze vom Institut für Geowissenschaft und Institut für Informatik. „Das bedeutet, dass die Kraft der Vielen innerhalb eines Modell-Ensembles wichtiger sein kann als sich ausschließlich auf möglichst leistungsstarke Einzelmodelle zu konzentrieren.“
Der Ansatz für die Eckernförder Bucht ist auch deshalb so erfolgreich, weil hier Beobachtungsdaten der Jahre 2000 bis 2015 vorlagen, die im Rahmen langjähriger Messprogramme, unter anderem vom Landesamt für Umwelt Schleswig-Holstein (LfU) und dem GEOMAR Helmholtz-Zentrum für Ozeanforschung Kiel regelmäßig erhoben werden. So konnte das System mit echten Daten trainiert werden. „Nicht aus jedem Meeresgebiet verfügen wir über eine vergleichbar gute historische Datenlage und auch kritische Schwellenwerte oder Kipp-Punkte lassen sich nur schwer vorhersagen. Dennoch sind wir überzeugt, dass – wollen wir zukünftige Entwicklungen in Meeresökosystemen verlässlicher einschätzen können – wir lernen müssen, mit Unsicherheiten und extremen Annahmen umzugehen,“ so Dr. Ulrike Löptien.
Konsequenzen für Klimaforschung und Küstenschutz
Die Erkenntnisse der Forschenden reichen dabei über die Ostsee hinaus. Biogeochemische Modelle werden weltweit eingesetzt, um die Folgen des Klimawandels auf marine Ökosysteme abzuschätzen, Risiken durch Sauerstoffmangel zu bewerten oder Maßnahmen zum Schutz von Küstengewässern zu untersuchen. Die neue Studie zeigt, wie sich die Aussagekraft solcher Modelle durch die Kombination von Ensemble-Ansätzen und Künstlicher Intelligenz verbessern lässt und wie verbleibende Unsicherheiten der Prognosen verlässlicher quantifiziert werden können.
Die Studie wurde gefördert durch das Projekt „Projecting Critical Coastal Oxygen Deficits" der Deutschen Forschungsgemeinschaft (DFG) sowie durch das Projekt PrimePrevention der Forschungsmission mareXtreme der Deutschen Allianz für Meeresforschung (DAM), gefördert durch das Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) und die norddeutschen Bundesländer.
Dr. Ulrike Löptien
Institut für Geowissenschaften I Institut für Informatik
E-Mail: ulrike.loeptien@ifg.uni-kiel.de
Löptien, U., Dietze, H. The hidden value of low-performers: ensemble design strategies for coupled ocean-circulation biogeochemical modelling. Sci Rep 16, 17683 (2026). https://doi.org/10.1038/s41598-026-54424-0
https://www.uni-kiel.de/de/forschung/forschungsschwerpunkte/kiel-marine-science über den CAU-Forschungsschwerpunkt Kiel Marine Science (KMS)
https://www.marineclimateresearch.ifg.uni-kiel.de/de über die Arbeitsgruppe Marine Klimaforschung
https://www.uni-kiel.de/de/tf/forschen/institut-informatik/archaeoinformatik über die Arbeitsgruppe Archäoinformatik
Forschende der Uni Kiel haben gezeigt, dass die Kombination von Ozeanmodellen und Maschinellem Lerne ...
Quelle: Felix Gross, Kilian Etter
Copyright: Uni Kiel
Merkmale dieser Pressemitteilung:
Journalisten, Wissenschaftler
Geowissenschaften, Meer / Klima, Umwelt / Ökologie
überregional
Forschungsergebnisse, Wissenschaftliche Publikationen
Deutsch
Sie können Suchbegriffe mit und, oder und / oder nicht verknüpfen, z. B. Philo nicht logie.
Verknüpfungen können Sie mit Klammern voneinander trennen, z. B. (Philo nicht logie) oder (Psycho und logie).
Zusammenhängende Worte werden als Wortgruppe gesucht, wenn Sie sie in Anführungsstriche setzen, z. B. „Bundesrepublik Deutschland“.
Die Erweiterte Suche können Sie auch nutzen, ohne Suchbegriffe einzugeben. Sie orientiert sich dann an den Kriterien, die Sie ausgewählt haben (z. B. nach dem Land oder dem Sachgebiet).
Haben Sie in einer Kategorie kein Kriterium ausgewählt, wird die gesamte Kategorie durchsucht (z.B. alle Sachgebiete oder alle Länder).
