idw – Informationsdienst Wissenschaft
Nachrichten, Termine, Experten
Nachrichten, Termine, Experten
Klimasimulationen setzen sehr aufwendige Rechenleistungen voraus. Eine LMU-Studie zeigt nun, dass sich mithilfe von Algorithmen komplexe Zusammenhänge in der Atmosphäre schneller und ebenso verlässlich wie bisher beschreiben lassen.
Mithilfe von Klimamodellen wird versucht, Vorhersagen über die Entwicklung des Klimas zu treffen. Dafür müssen sehr viele physikalische Vorgänge erfasst werden – was enorme Rechenleistungen nötig macht und doch immer fehlerbehaftet bleibt, da nicht alle Phänomene ausreichend berücksichtigt werden können. Stephan Rasp vom Lehrstuhl für Theoretische Meteorologie unter der Leitung von George Craig hat nun im Rahmen des SFB „Waves to Weather“ untersucht, inwiefern der Einsatz künstlicher Intelligenz (kurz „KI“) geeignet ist, um komplexe Prozesse in Klimamodellen zu erfassen. Die Studie, die Rasp gemeinsam mit Professor Mike Pritchard von der University of California, Irvine, und Pierre Gentine von der Columbia University gemacht hat, ist aktuell im Journal PNAS veröffentlicht.
Derzeit setzt die Leistungsfähigkeit von Computern aktuellen Klimamodellen Grenzen. Obwohl sie bereits auf sogenannten Supercomputern laufen, ist die Atmosphäre zu komplex, um dabei tatsächlich alle relevanten Parameter berücksichtigen zu können. Zum Beispiel spielen Wolken eine entscheidende Rolle fürs Klima, da sie Wärme und Feuchtigkeit transportieren, Sonnenstrahlung aufnehmen und reflektieren sowie für Regen sorgen. Doch da sie mitunter nur wenige hundert Meter groß und sehr dynamisch sind, können sie in Klimasimulationen derzeit nicht korrekt erfasst werden. Letztlich sind Klimamodelle daher nur eine vereinfachte Nachbildung der Wirklichkeit.
Die Meteorologen haben in ihrer Studie nun einen Algorithmus für Klimavorhersagen trainiert. „Gefüttert“ haben sie ihn mit den Daten hochaufgelöster Simulationen. „Am Ende konnte der Algorithmus die Ergebnisse der herkömmlichen Modelle sehr gut reproduzieren, hat dabei aber deutlich schneller gearbeitet“, sagt Stephan Rasp. Für George Craig zeigt die Studie, „dass die Methodik Potenzial hat, um komplexere Phänomene zu beschreiben und dadurch Klimasimulationen zu verbessern.“
In diesem ersten Test hatten die Forscher den Algorithmus noch an einem idealisierten Modell getestet, um die Komplexität der Aufgabe zur reduzieren. In einem nächsten Schritt wird Stephan Rasp zusammen mit Mike Pritchard und Pierre Gentine den Algorithmus mit realen Daten arbeiten lassen.
Publikation:
Stephan Rasp u.a.: Deep learning to represent sub-grid processes in climate models. In: Proceedings of the National Academy of Science (PNAS) 2018
Kontakt
Stephan Rasp
Lehrstuhl für Theoretische Meteorologie
LMU
Tel.: +49 (0) 89/2180-4471
E-Mail: s.rasp@lmu.de
Merkmale dieser Pressemitteilung:
Journalisten
Meer / Klima, Physik / Astronomie, Umwelt / Ökologie
überregional
Forschungsergebnisse
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).
