Starke Niederschläge können Naturkatastrophen wie Hochwasser oder Erdrutsche auslösen. Um die durch den Klimawandel zu erwartenden Änderungen der Häufigkeit dieser Extreme vorherzusagen, sind globale Klimamodelle notwendig. In einer Studie zeigen Forschende des Karlsruher Instituts für Technologie (KIT) erstmals eine Methode auf Basis Künstlicher Intelligenz (KI), mit der sich die Genauigkeit der von globalen Klimamodellen erzeugten groben Niederschlagsfelder erhöhen lässt. Ihnen gelang es, die räumliche Auflösung von Niederschlagsfeldern von 32 auf zwei Kilometer und die zeitliche von einer Stunde auf zehn Minuten zu verbessern.
Viele Naturkatastrophen wie Überschwemmungen oder Erdrutsche sind direkte Folgen von extremen Niederschlägen. Forschende erwarten, dass mit steigenden Durchschnittstemperaturen extreme Niederschläge weiter zunehmen werden. Um sich an ein sich änderndes Klima anzupassen und frühzeitig auf Katastrophen vorbereiten zu können, sind genaue lokale und globale Informationen über den aktuellen sowie zukünftigen Wasserkreislauf unerlässlich. „Niederschläge sind sowohl räumlich als auch zeitlich sehr variabel und daher schwer vorherzusagen – insbesondere auf lokaler Ebene“, sagt Dr. Christian Chwala vom Institut für Meteorologie und Klimaforschung – Atmosphärische Umweltforschung (IMK-IFU), dem Campus Alpin des KIT in Garmisch-Partenkirchen. „Deshalb wollen wir die Auflösung von Niederschlagsfeldern, wie sie zum Beispiel von globalen Klimamodellen erzeugt werden, erhöhen und damit vor allem ihre Einordnung bezüglich möglicher Bedrohungen wie Flutkatastrophen verbessern.“
Niederschlagskarten mit feinerer Auflösung für genauere regionale Klimamodelle
Bisherige globale Klimamodelle verwenden ein Raster, das nicht fein genug ist, um die Variabilität der Niederschläge genau darzustellen. Hochaufgelöste Niederschlagskarten können nur mit extrem rechenintensiven und daher räumlich oder zeitlich begrenzten Modellen erzeugt werden. „Wir haben deshalb ein Generatives Neuronales Netz – GAN genannt – aus dem Bereich der Künstlichen Intelligenz entwickelt und es mit hochauflösenden Radarniederschlagsfeldern trainiert. Das GAN lernt dabei, wie es realistische Niederschlagsfelder und deren zeitliche Abfolge aus grob aufgelösten Daten generiert“, erklärt Luca Glawion vom IMK-IFU. „So ist das Netz in der Lage, aus den sehr grob aufgelösten Karten realistische hochaufgelöste Radarniederschlagsfilme zu erstellen.“ Diese verfeinerten Radarkarten zeigen nicht nur, wie sich Regenzellen entwickeln und bewegen, sondern rekonstruieren auch präzise die lokalen Regenstatistiken mit entsprechender Extremwertverteilung.
„Unsere Methode dient als Grundlage, um grob gerasterte Niederschlagsfelder auf eine Auflösung zu bringen, die der hohen raum-zeitlichen Variabilität von Niederschlag gerecht wird und die Untersuchung regionaler Auswirkungen erst ermöglicht“, sagt Julius Polz vom IMK-IFU. „Unsere Deep-Learning-Methode ist dabei um mehrere Größenordnungen schneller als die Berechnung solch hochaufgelöster Niederschlagsfelder mit numerischen Wettermodellen, die üblicherweise genutzt werden, um Daten von globalen Klimamodellen regional zu verfeinern.“ Die Methode generiere außerdem ein Ensemble verschiedener möglicher Niederschlagsfelder. Dies sei entscheidend, da für jedes grob aufgelöste Niederschlagsfeld eine Vielzahl an physikalisch plausiblen hochaufgelösten Lösungen existiert. Ein Ensemble ermögliche, ähnlich wie bei der Wettervorhersage, die damit einhergehende Unsicherheit genauer zu erfassen.
Höhere Auflösung auf Niederschlagskarten ermöglicht Zukunftsprognosen in einer sich klimatisch verändernden Welt
Die Ergebnisse zeigen, dass mithilfe des von den Forschenden entwickelten KI-Modells und der geschaffenen methodischen Grundlage in Zukunft neuronale Netze eingesetzt werden können, um die räumliche und zeitliche Auflösung des von Klimamodellen berechneten Niederschlags zu verbessern. Mit den höher aufgelöszen Niederschlagskarten könnten die Auswirkungen und Entwicklungen des Niederschlags in einem sich ändernden Klima genauer dargestellt und untersucht werden.
„Im nächsten Schritt werden wir die Methode auf globale Klimasimulationen anwenden, die spezifische Großwetterlagen in eine zukünftige, klimatisch veränderte Welt übertragen – etwa in das Jahr 2100. Durch die höhere Auflösung der mit unserer Methode simulierten Niederschlagsereignisse lässt sich dann besser abschätzen, wie sich beispielsweise die Wetterlage, die 2021 das Hochwasser an der Ahr verursacht hat, in einer zwei Grad wärmeren Welt ausgewirkt hätte“, erklärt Glawion. Solche Informationen seien entscheidend, um Maßnahmen für eine nachhaltige Klimaanpassung entwickeln zu können.
Weitere Informationen:
www.klima-umwelt.kit.edu
Originalpublikation:
Luca Glawion, Julius Polz, Harald Kunstmann, Benjamin Fersch, Christian Chwala: spateGAN: Spatio-Temporal Downscaling of Rainfall Fields Using a cGAN Approach. Earth and Space Science, 2023. DOI 10.1029/2023EA002906.