RACI: Neues Lernmodell verbessert Kohlenstoffflüsse in Ökosystemen

Die präzise Vorhersage von terrestrischen Kohlenstoffflüssen – darunter CO₂, GPP und CH₄ – ist entscheidend für das Verständnis des globalen Kohlenstoffkreislaufs und die Planung von Maßnahmen gegen Klimawandel. Doch die Aufgabe bleibt schwierig, weil die Flüsse stark von räumlich und zeitlich variierenden Bedingungen abhängen. Langfristige Regimebedingungen bestimmen die Grundlage, während kurzfristige Schwankungen durch hochfrequente, dynamische Einflüsse getrieben werden.

Um dieser Komplexität zu begegnen, stellt das neue Lernframework Role‑Aware Conditional Inference (RACI) vor. RACI trennt die langsamen Regime‑Bedingungen von den schnellen dynamischen Treibern mittels hierarchischer Zeitkodierung und nutzt dabei eine rollenbasierte räumliche Abrufstrategie. So erhält das Modell für jede funktionale Rolle kontextuell ähnliche und geografisch nahe Informationen, ohne separate lokale Modelle trainieren zu müssen oder starre räumliche Strukturen zu verwenden.

Die Leistungsfähigkeit von RACI wurde an verschiedenen Ökosystemtypen – von Feuchtgebieten bis zu landwirtschaftlichen Flächen – sowie an unterschiedlichen Kohlenstoffflüssen getestet. Dabei wurden sowohl prosessbasierte Simulationen als auch Beobachtungsdaten herangezogen. In allen Szenarien zeigte RACI eine konsequente Überlegenheit gegenüber etablierten Ansätzen.

Diese Fortschritte eröffnen neue Möglichkeiten, die Kohlenstoffdynamik in terrestrischen Ökosystemen besser zu verstehen und gezieltere Strategien zur Emissionsreduktion und zum Klimaschutz zu entwickeln. RACI liefert damit ein leistungsfähiges Werkzeug für Wissenschaftler und Entscheidungsträger, die den globalen Kohlenstoffkreislauf nachhaltig steuern wollen.