Generatives Machine Learning erweitert Klimasimulations‑Ensembles

Wissenschaftler haben ein neues Verfahren entwickelt, das die Grenzen herkömmlicher Klimamodelle sprengt: Ein konditionaler Variational Autoencoder (cVAE) wird mit einer begrenzten Menge an Klimasimulationen trainiert und kann anschließend unendlich viele neue, physikalisch konsistente Szenarien erzeugen. Damit lässt sich die Unsicherheit, die aus der inneren Variabilität des Klimas entsteht, viel genauer quantifizieren.

Traditionell werden Unsicherheitsabschätzungen durch große Ensembles von physikbasierten Modellen gewonnen. Doch die Rechenkosten steigen mit der Modellauflösung, sodass ein Kompromiss zwischen Ensemblegröße und Detailgenauigkeit entsteht. Das neue cVAE‑Verfahren löst dieses Problem, indem es die zugrunde liegende Datenverteilung lernt und daraus neue Simulationen generiert, die reale statistische Eigenschaften – inklusive Extrema – reproduzieren.

Die Methode wurde auf die monatlichen CMIP6‑Daten des CanESM5-Modells des Canadian Centre for Climate Modelling and Analysis angewendet. Die Ergebnisse zeigen, dass das cVAE nicht nur die Verteilung der Ausgangsdaten erfasst, sondern auch die komplexen, multiskalen Klimavariabilitäten korrekt wiedergibt. Im Vergleich zu aufwändigeren generativen Architekturen bietet das cVAE den Vorteil von Transparenz, Interpretierbarkeit und hoher Rechenleistung.

Natürlich gibt es noch Herausforderungen: Die erzeugten Muster sind manchmal zu glatt, weisen spektrale Verzerrungen auf und können die Streuung unterschätzen. Die Autoren schlagen jedoch praktikable Gegenmaßnahmen vor, etwa die gezielte Einbeziehung von Rauschkomponenten, um die Darstellung von Klimavariabilität auf allen Skalen zu verbessern.