41 Arbeiten
Diese Studie stellt erstmals die Anwendung von spektralem Nudging in einem probabilistischen Ensemblevorhersagerahmen vor, der physikbasierte und maschinell lernende Modelle kombiniert, und zeigt dadurch signifikante Verbesserungen der Vorhersagegenauigkeit, insbesondere für großskalige Muster und tropische Wirbelstürme.
Das Papier warnt davor, dass die rasche Einführung von KI in der Klimaforschung die globale Ungleichheit zwischen Nord und Süd verschärfen könnte, und fordert einen Paradigmenwechsel hin zu einer datenzentrierten Entwicklung, einer digitalen öffentlichen Klimainfrastruktur und einer gemeinsamen Wissensproduktion, um diese Disparitäten zu überwinden.
Die Studie stellt ein Open-Source-Modell vor, das den abiotischen Schwefelkreislauf auf erdähnlichen Planeten simuliert und zeigt, dass das Fehlen mikrobieller Stoffwechselprozesse zu einem deutlich anderen chemischen Profil der Meeresablagerungen führt, gekennzeichnet durch einen um zwei Größenordnungen höheren Sulfatgehalt und einen um vier Größenordnungen niedrigeren Sulfidgehalt im Vergleich zur heutigen Erde.
Diese Studie zeigt, dass ein maschinell lernbasiertes Gitterbewegungsverfahren (UM2N) in Kombination mit nicht-hydrostatischen Flachwassermodellen die Genauigkeit und Effizienz bei der Tsunami-Simulation erheblich verbessert und dabei robuste Ergebnisse über lange Zeiträume liefert.
Die Studie zeigt, dass das KI-Wettermodell Aurora zwar auf kurzen bis mittleren Zeitskalen (1–7 Tage) präzise Vorhersagen für verschiedene Wetterextreme liefert, jedoch bei subseasonalen Vorhersagen (14–21 Tage) trotz erhaltener großräumiger Zirkulationsmuster die Intensität der Extremereignisse verliert und sich in Richtung der Klimatologie zurückbildet, was die deterministische Vorhersagbarkeit durch intrinsische atmosphärische Dynamik begrenzt.
Die Studie zeigt, dass der Einsatz höherer Runge-Kutta-Zeitintegrationsverfahren mit adaptiver Zeitschrittsteuerung im E3SMv3-Modell die Genauigkeit der Niederschlagsmikrophysik im Vergleich zum Standard-P3-Schema um mehr als das Zehnfache verbessert, ohne dabei die Rechenzeit signifikant zu erhöhen.
Die Studie kombiniert genetische Analysen mit einer probabilistischen Auswertung von Treibbojen-Daten, um nachzuweisen, dass die Larvenverbindung zwischen den Line Islands und Clipperton Atoll durch die saisonale Modulation des Nordäquatorialen Gegenstroms ermöglicht wird und somit eine schwache, aber signifikante Durchlässigkeit der Östlichen Pazifischen Barriere belegt.
Die Studie stellt EnsAI vor, ein KI-basiertes System zur Generierung atmosphärischer Ensemble, das im Vergleich zum herkömmlichen GEM-MACH-Modell eine 3.300-fache Beschleunigung bei der Wiedergabe meteorologischer Merkmale und der Durchführung von Emissionsinversionen ermöglicht.
Die Studie zeigt, dass hydrodynamische Ausflüsse aus der proto-mondlichen Scheibe, die durch die Rekombination von Wasserstoff zu H₂ angetrieben wurden, für den selektiven Verlust flüchtiger Elemente verantwortlich sind und so die beobachteten chemischen Unterschiede zwischen der Erde und dem Mond erklären.
Diese Studie nutzt hochauflösende VLT-ESPRESSO-Beobachtungen, um erstmals mit einer Signifikanz von acht Sigma das Vorhandensein von C3 in Titans Atmosphäre nachzuweisen und damit die Anwendbarkeit von Exoplaneten-Techniken auf Ziele des Sonnensystems zu demonstrieren.
Die Studie stellt Latent Data Assimilation (LDA) vor, ein Framework, das durch die Durchführung von Datenassimilation in einem von einem Autoencoder gelernten latenten Raum physikalisch konsistente und robustere globale atmosphärische Analysen ermöglicht, die die Leistung traditioneller Methoden übertreffen.
Diese Studie liefert experimentelle und theoretische Belege dafür, dass die Wechselwirkung von Oberflächenwellen mit untergetauchter Turbulenz einen Euler-Mittelstrom erzeugt, der den Stokes-Drift teilweise kompensiert und die vertikale Umverteilung des Impulses sowie den Transport von wassergetragenem Material in den Ozeanen maßgeblich beeinflusst.
Diese Arbeit erweitert ein bestehendes Modell zur Wellenabschwächung in zerbrochener Eisdecke auf Gewässer endlicher Tiefe, indem sie eine Mehrskalenanalyse verwendet, um eine explizite Ausdrucksform für die Dämpfung zu liefern, die eine Proportionalität zur achten Potenz der Frequenz bei niedrigen Frequenzen sowie einen Roll-over-Effekt bei höheren Frequenzen vorhersagt und durch numerische Simulationen sowie Feldmessungen validiert wird.
Diese Studie zeigt, dass Datawell-Wave-Rider-Bojen im Vergleich zu drei anderen Bojentypen systematisch höhere Energiewerte im hochfrequenten Bereich des Wellenspektrums (0,2–0,6 Hz) melden, was die Genauigkeit und Konsistenz von Vorhersagemodellen beeinträchtigen kann.
Die Studie zeigt, dass die ENSO-Stärke unter globaler Erwärmung zunächst durch verstärkte Ozeanschichtung ansteigt und später durch eine verlangsamte Walker-Zirkulation abnimmt, wobei ein neu entwickeltes verzögert-lineares Modell diese Entwicklung basierend auf der globalen Durchschnittstemperatur und ihrer Historie mit hoher Genauigkeit vorhersagen kann.
Diese Studie nutzt eine Hierarchie von Klimamodellen, um zu zeigen, dass sich extratropische Extremwinde durch die globale Erwärmung robust verstärken, während regionale Projektionen aufgrund unterschiedlicher physikalischer Darstellungen von Wettersystemen in den Modellen weiterhin stark unsicher bleiben.
Diese Studie zeigt, dass die rasche Abschwächung des Hurrikans Melissa (2025) beim Überqueren des gebirgigen Jamaika hauptsächlich durch erhöhte Reibung und turbulente Mischung infolge des rauen Geländes verursacht wird, wobei zusätzliche Prozesse wie asymmetrische Dynamik und thermodynamische Rückkopplungen den Zerfall weiter verstärken.
Diese Studie entwickelt ein auf Convolutional Neural Networks basierendes Deep-Learning-Framework zur automatisierten Erkennung und statistischen Analyse von wellenartigen Strukturen in der Mesosphäre, um Einblicke in die zugrunde liegenden Instabilitätsmechanismen und atmosphärischen Dynamiken zu gewinnen.
Die vorgestellte Studie stellt eine datengetriebene Methode zur Klimadownscaling namens CDSI vor, die mithilfe stochastischer Interpolanten kosteneffizient grobe globale Klimamodelldaten in präzise hochauflösende regionale Projektionen umwandelt und so die Unsicherheitsquantifizierung sowie die Nutzung detaillierter Klimainformationen verbessert.
Diese Arbeit stellt einen neuartigen Ensemble-Kalman-Filter-Ansatz vor, der durch eine lokale Approximation der Analyse-Wahrscheinlichkeitsdichtefunktion mittels variationeller Bayes-Optimierung auf natürliche Weise lokalisiert wird und damit den Bedarf an manuell abgestimmten, ad-hoc-Lokalisierungstechniken eliminiert, während er gleichzeitig eine Genauigkeit und einen Rechenaufwand erreicht, die mit etablierten, lokalisierten EnKF- und ETKF-Methoden vergleichbar sind.