Surface temperature extremes produced by huge machine learning hindcasts of summer 2023

Diese Studie zeigt, dass ein massiver Ensemble-Lauf mit einem neuronalen Operator-Modell für den Sommer 2023 extremere Hitzewellen und gefährlichere feuchte Hitzeereignisse simuliert, die über die Vorhersagen herkömmlicher Modelle hinausgehen und somit das Potenzial riesiger Ensembles zur Verbesserung der Extremwettervorhersage unterstreichen.

Das Wesentliche

Titel: Der große Hitzewellen-Simulator: Wie eine künstliche Intelligenz die schlimmsten Szenarien des Sommers 2023 enthüllte

Stellen Sie sich vor, Sie möchten wissen, wie heiß es im Sommer 2023 auf der Erde wirklich werden konnte. Nicht nur, wie es war, sondern wie extrem es theoretisch hätte sein können. Normalerweise nutzen Wissenschaftler dafür Wettermodelle, die wie ein sehr vorsichtiger Wettervorhersage-Dienst funktionieren: Sie werfen 50 Münzen, schauen, wie oft „Heiß" fällt, und sagen dann: „Okay, das ist das Maximum."

Aber was, wenn die Realität viel verrückter ist als diese 50 Münfenwürfe?

In dieser Studie haben Forscher eine neue Methode ausprobiert: Sie nutzten eine künstliche Intelligenz (KI), die wie ein gigantisches, superschnelles Gedankenexperiment funktioniert. Hier ist die einfache Erklärung, was sie getan haben und was sie herausfanden:

1. Der Vergleich: Ein kleiner Fischteich vs. ein Ozean

Stellen Sie sich die traditionellen Wettermodelle (die wir seit Jahren nutzen) als einen kleinen Fischteich vor. In diesem Teich gibt es 50 Fische (die 50 Simulationen). Wenn Sie wissen wollen, wie groß der größte Fisch sein könnte, schauen Sie sich den größten der 50 an. Das ist gut, aber es ist begrenzt.

Die Forscher haben nun einen Ozean erschaffen. Mit ihrer KI haben sie 7.424 verschiedene Versionen des Sommers 2023 simuliert. Das ist wie ein riesiger Ozean voller Fische. Wenn Sie in einem Ozean nach dem größten Fisch suchen, finden Sie oft etwas, das so groß ist, dass es im kleinen Teich gar nicht existiert.

2. Was haben sie entdeckt?

Der Sommer 2023 war bereits extrem heiß. Aber die KI zeigte ihnen Szenarien, die noch heißer waren als das, was wir tatsächlich gemessen haben oder was die traditionellen Modelle vorhersagten.

• Die „Was-wäre-wenn"-Welt: Die KI hat gezeigt, dass in vielen Teilen der Welt (besonders in Grönland, Russland, Alaska und Teilen Chinas) Hitzewellen möglich gewesen wären, die 3 Grad Celsius heißer waren als das, was die traditionellen Modelle für möglich hielten.
• Der Überraschungseffekt: In etwa einem Drittel der Landflächen der Erde war die Hitze in der KI-Simulation so extrem, dass sie außerhalb dessen lag, was man mit den alten Methoden (den 50 Fischen im Teich) je hätte vorhersagen können. Es war, als würde man plötzlich einen Drachen entdecken, von dem man dachte, er existiere nur in Märchen.

3. Nicht nur trocken heiß, sondern schwül heiß

Ein wichtiger Punkt ist die Luftfeuchtigkeit. Hitze ist schlimm, aber schwüle Hitze (Hitze + hohe Luftfeuchtigkeit) ist für den menschlichen Körper tödlicher, weil der Schweiß nicht verdunsten kann.

Die KI hat hier besonders interessante Geschichten erzählt:

• In den USA (besonders im Südosten) und in Indien hätte es Szenarien geben können, die so schwül waren, dass sie die Warnstufen für die öffentliche Sicherheit (von „Vorsicht" auf „Lebensgefahr") massiv überschritten hätten.
• Die traditionellen Modelle haben diese extremen Schwüle-Szenarien oft übersehen. Die KI hat sie jedoch sichtbar gemacht, weil sie so viele Möglichkeiten durchgespielt hat.

4. Warum ist das wichtig?

Stellen Sie sich vor, Sie bauen ein Haus. Wenn Sie nur die normalen Stürme kennen, bauen Sie ein normales Dach. Aber wenn Sie wissen, dass es theoretisch auch einen „Jahrhundertsturm" geben könnte, bauen Sie ein stärkeres Dach.

• Bessere Vorbereitung: Diese Studie zeigt uns, dass wir uns auf Hitzewellen vorbereiten müssen, die noch extremer sind als alles, was wir bisher erlebt haben.
• Schneller und günstiger: Das Tolle an der KI ist, dass sie diese 7.424 Szenarien in wenigen Minuten berechnet hat. Ein traditionelles Supercomputer-Modell hätte dafür Wochen oder Monate gebraucht und enorme Kosten verursacht. Die KI macht diese Art von „Gedankenexperiment" für alle zugänglich.

Fazit

Die Forscher haben uns mit dieser KI gezeigt, dass die Realität des Sommers 2023 zwar schon schlimm war, aber die mögliche Realität noch viel extremer sein konnte. Die KI fungiert wie ein riesiges Sicherheitsnetz, das uns sagt: „Pass auf, hier könnte es noch viel heißer werden, als wir dachten."

Das hilft uns, besser zu verstehen, wie wir uns an den Klimawandel anpassen müssen, bevor die nächsten extremen Sommer kommen. Es ist, als hätten wir eine neue Brille aufgesetzt, mit der wir die unsichtbaren Gefahren der Hitze klarer sehen können.

Technische Zusammenfassung

Technische Zusammenfassung: Oberflächentemperatur-Extremwerte durch massive Machine-Learning-Hindcasts des Sommers 2023

1. Problemstellung

Der Sommer 2023 war einer der heißesten jemals aufgezeichneten Sommer mit zahlreichen extremen Hitzewellen weltweit. Ein zentrales wissenschaftliches Problem besteht darin, den plausiblen Bereich möglicher Temperatur-Extremwerte zu verstehen, insbesondere für seltene, aber hochimpactige Ereignisse („Low Likelihood, High Impact" – LLHI).
Traditionelle numerische Wettervorhersagemodelle (NWP) stoßen bei der Simulation solcher Extremereignisse an Grenzen:

• Ensemble-Größe: Herkömmliche Ensembles (z. B. 50 Mitglieder) sind zu klein, um die „langen Enden" (tails) der Wahrscheinlichkeitsverteilungen von Extremereignissen ausreichend zu sampeln.
• Extrapolationsunsicherheit: Die Anwendung der Extremwerttheorie (Extreme Value Theory, EVT) auf kleine Ensembles zur Extrapolation in noch seltenere Ereignisse ist mit hohen Unsicherheiten behaftet und kann realistischere, aber extremere Szenarien übersehen.
• Humide Hitze: Die Risiken durch feuchte Hitze (Hitzeindex), die für die menschliche Gesundheit kritischer ist als reine Lufttemperatur, werden in kleinen Ensembles oft unterschätzt.

2. Methodik

Die Studie nutzt einen neuartigen Ansatz, der auf einem massiven Ensemble von Machine-Learning-Modellen (ML) basiert.

• Modellarchitektur: Es wurde das Spherical Fourier Neural Operator (SFNO) verwendet, ein globales ML-Wettervorhersagemodell.
• Das HENS-Ensemble: Die Autoren generierten ein riesiges Ensemble (HENS) mit 7.424 Mitgliedern. Jedes Mitglied ist eine 15-tägige Vorhersage, initialisiert täglich vom 1. Juni bis 31. August 2023.
  • Initialisierung: Startbedingungen basieren auf ERA5-Reanalysedaten. Um die Unsicherheit des atmosphärischen Zustands abzubilden, wurden Störungen mittels der Bred-Vector-Methode eingeführt.
  • Modell-Ensemble: Zusätzlich wurden 29 unabhängig trainierte SFNO-Modelle verwendet, um Modellunsicherheiten zu erfassen.
  • Auflösung: 0,25° horizontal (721 × 1440 Gitterpunkte) mit 6-stündiger zeitlicher Auflösung.
• Vergleichsdaten:
  • ERA5: Als Repräsentation der realisierten Temperaturen (Ground Truth).
  • IFS (Integrated Forecast System): Das 50-Mitglieder-Ensemble des ECMWF als Benchmark für traditionelle NWP-Methoden.
• Statistische Analyse:
  • Es wurden maximale 2-Meter-Temperaturen (t2m) und der Hitzeindex (Heat Index) extrahiert.
  • Für das IFS-Ensemble wurden Generalized Extreme Value (GEV)-Verteilungen mittels Bayesscher Methoden angepasst, um Extremwerte über das reine Ensemble-Maximum hinaus zu extrapolieren (IFS-GEV).
  • Das HENS-Ensemble diente als empirische Referenz für die 99,9 %-Perzentile (Extrem-Schwellenwert), ohne auf GEV-Extrapolation angewiesen zu sein.

3. Wichtige Beiträge

• Skalierung von Ensembles: Demonstration, dass ML-Modelle Ensembles um Größenordnungen (hier Faktor ~150 im Vergleich zu IFS) effizienter generieren können als traditionelle NWP-Modelle, was eine tiefere Erfassung der Verteilungsenden ermöglicht.
• Storyline-Simulationen: Entwicklung plausibler „Storylines" (Szenarien) für feuchte Hitzeextreme, die über die Möglichkeiten kleinerer Ensembles hinausgehen und direkte Relevanz für öffentliche Sicherheitswarnungen haben.
• Überwindung der GEV-Grenzen: Nachweis, dass ML-basierte Ensembles in bestimmten Regionen Extremwerte generieren, die selbst durch die statistische Extrapolation kleinerer NWP-Ensembles (mittels GEV) als „außerordentlich unwahrscheinlich" eingestuft würden.

4. Ergebnisse

• Temperatur-Extremwerte (t2m):
  • Das HENS-Ensemble erzeugte Hitzewellen, die sowohl die ERA5-Observationen als auch das IFS-Ensemble in ihren Maxima übertrafen.
  • Für etwa 71 % der globalen Landfläche waren die HENS-Maxima höher als die des IFS-Ensembles.
  • Statistische Abweichung: Für ca. 30 % der Landfläche lagen die HENS-Extremwerte außerhalb des Vorhersagebereichs, der durch die GEV-Extrapolation des IFS-Ensembles abgedeckt wurde. In 7,3 % der Fläche (hauptsächlich Nordpolargebiete wie Grönland, Nordrussland, Alaska sowie Teile Chinas und der USA) waren die HENS-Werte „außerordentlich unwahrscheinlich" (extremely unlikely) im Vergleich zur IFS-GEV-Prognose.
• Feuchte Hitze (Heat Index):
  • Das ML-Modell identifizierte signifikant intensivere feuchte Hitzeextreme in Regionen mit hoher Luftfeuchtigkeit (z. B. Südosten der USA, Indien, Arabisches Meer), die im IFS-Ensemble unterrepräsentiert waren.
  • Für ca. 42 % der Erde waren die HENS-Szenarien für feuchte Hitze unwahrscheinlich bis außerordentlich unwahrscheinlich, wenn man sie mit der IFS-GEV-Extrapolation verglich.
• Risikokategorien:
  • Die HENS-Szenarien führten in vielen Regionen zu einer Verschiebung in höhere Gefahrenklassen der National Weather Service (NWS). Beispielsweise wechselten große Teile Mitteleuropas und des US-Midwests von „Extreme Caution" zu „Danger" oder „Extreme Danger".
  • Traditionelle Ensembles unterschätzten in diesen Fällen das tatsächliche Risiko massiv (durchschnittlich +3,9 °C im Hitzeindex im Vergleich zu ERA5 in den kritischen Fällen).

5. Bedeutung und Ausblick

• Verbesserte Risikobewertung: Die Studie zeigt, dass massive ML-Ensembles notwendig sind, um das volle Spektrum plausibler Extremwetterereignisse zu erfassen, das von kleineren Ensembles und deren statistischer Extrapolation übersehen wird.
• Effizienz und Zugänglichkeit: ML-Modelle ermöglichen die Generierung solcher riesigen Ensembles zu einem Bruchteil der Rechenkosten und der Zeit (ein 15-Tage-Vorhersagelauf dauert ca. eine Minute im Vergleich zu Stunden/Tagen bei NWP). Dies demokratisiert die Erstellung von „Storyline"-Simulationen für globale Anwendungen.
• Klimawandel-Anpassung: Da Hitzewellen wie im Sommer 2023 durch den Klimawandel häufiger werden, ist die Fähigkeit, die Obergrenzen möglicher Extremwerte (auch für feuchte Hitze) präzise zu charakterisieren, entscheidend für die Anpassungsplanung und den Schutz der öffentlichen Gesundheit.
• Offene Wissenschaft: Alle Codes, Modelle und Datensätze (HENS) wurden öffentlich zugänglich gemacht, um die Reproduzierbarkeit und weitere Forschung zu fördern.

Zusammenfassend belegt die Arbeit, dass ML-Emulatoren nicht nur die bestehenden Verteilungen besser sampeln, sondern in der Lage sind, neue, physikalisch plausible, aber bisher unentdeckte Extremzustände der Atmosphäre zu generieren, die für die Klimafolgenabschätzung von kritischer Bedeutung sind.