Neues ML-Framework verbessert Erdmodellvorhersagen durch Online-Biaskorrektur

Die Vorhersagekraft von Erd- und Klimamodellen wird häufig durch grobe Auflösung, unvollständige Parameterisierungen und unsichere Anfangsbedingungen eingeschränkt. Traditionelle Bias‑Korrekturen, die über Datenassimilation erfolgen, verbessern die Simulationen zwar, bieten aber nur begrenzte Vorteile, sobald die Modelle eigenständig laufen.

In der aktuellen Studie wird ein neues Operator‑Learning‑Framework vorgestellt, das den aktuellen Modellzustand in Bias‑Korrektur‑Tendenzen übersetzt und diese online während der Integration anwendet. Aufbauend auf einer U‑Net‑Architektur wurden zwei Varianten entwickelt: das Inception‑U‑Net (IUNet) und ein Multi‑Scale‑Netzwerk (M&M). Beide nutzen unterschiedliche Upsampling‑Methoden und rezeptive Felder, um multiskalige, nichtlineare Merkmale unter den Laufzeitbedingungen des Energy Exascale Earth System Models (E3SM) einzufangen.

Die Operatoren wurden mit zwei Jahren E3SM‑Simulationen trainiert, die mittels Nudging an die ERA5‑Reanalyse angepasst wurden. Sie zeigen eine gute Generalisierung über Höhenebenen und Jahreszeiten hinweg und übertreffen in Offline‑Tests die Standard‑U‑Net‑Baselines. Dies verdeutlicht, dass die funktionale Vielfalt der Modelle entscheidend für die Leistung ist.

In Online‑Hybrid‑E3SM‑Runs liefert das M&M‑Netzwerk die konsistentesten Bias‑Reduktionen über sämtliche Variablen und vertikalen Ebenen. Die ML‑augmentierten Konfigurationen bleiben stabil und rechnerisch machbar in mehrjährigen Simulationen, was einen praktikablen Weg für skalierbare Hybrid‑Modelle eröffnet. Das vorgestellte Framework legt besonderen Wert auf langfristige Stabilität, Portabilität und cadence‑limitierte Updates und demonstriert damit die Nützlichkeit ausdrucksstarker ML‑Operatoren zur Erkennung strukturierten, cross‑skaliger Beziehungen und zur Retro‑Fit‑Optimierung von Legacy‑ESMs.