Probabilistic Deep Learning for Drought Forecasting: Role of Internal Climate Variability

Stellen Sie sich vor, Sie versuchen, das Wetter für den nächsten Monat vorherzusagen. Es ist, als würde man versuchen, den Ausgang eines Würfelspiels zu erraten, bei dem die Würfel selbst leicht wackelig sind, der Tisch bebt und sich die Regeln je nach Jahreszeit ändern. Dies ist die Welt der Klimawissenschaft, speziell das knifflige Geschäft der Dürstvorhersage. Dürren sind nicht einfach nur „kein Regen“; sie sind ein komplexer Tanz zwischen der Menge an Wasser, die vom Himmel fällt, der Menge, die in die Luft verdunstet, und der Art und Weise, wie der Boden die Feuchtigkeit speichert. Wissenschaftler wissen schon lange, dass es im Wetter selbst einen Teil gibt, der von Natur aus chaotisch ist – wie das zufällige Abprallen eines Balls. Dies wird als „interne Variabilität“ bezeichnet. Es ist das eigene zufällige Zittern des Klimasystems, das eine Region aus reinem Glück der Loswürfel heraus nass oder trocken machen kann.

Warum ist das wichtig? Weil Sie, wenn Sie ein Landwirt sind, der seine Ernte plant, ein Stadtmanager, der sich auf Wassermangel vorbereitet, oder ein Hausbesitzer, der sich um Waldbrände sorgt, nicht nur das „durchschnittliche“ Morgen wissen müssen, sondern auch die Worst-Case-Szenarien. Wenn eine Vorhersage sagt: „Es könnte etwas trocken werden“, reicht das nicht aus. Sie müssen wissen: „Wie trocken könnte es plausibel werden, wenn die Klimawürfel wirklich schlecht fallen?“ Lange Zeit haben Computermodelle, die diese Risiken vorhersagen, dieses zufällige Zittern als einfaches Rauschen behandelt, das ignoriert werden kann, oder sie haben versucht, den schlimmsten Fall vorherzusagen, indem sie nur auf die Vergangenheit blickten. Aber die Vergangenheit liefert vielleicht nicht die Antworten für eine Zukunft, die sich verändert.

Dieses Paper ist wie ein Team von Detektiven, die beschlossen haben, aufzuhören zu raten und statan ein superkluges Kunststück anzuwenden, um die Zukunft klarer zu sehen. Sie haben eine neue Art von „Kristallkugel“ für europäische Dürren gebaut, und zwar mithilfe einer Art künstlicher Intelligenz namens Deep Learning. Aber hier kommt der Clou: Sie haben die KI nicht einfach nur raten lassen; sie haben sie mit einer riesigen Bibliothek von „Was-wäre-wenn“-Szenarien gefüttert, die von einem gigantischen Klimasimulator erzeugt wurden. Stellen Sie sich das so vor, als würde man 50 verschiedene Klimaexperten bitten, die nächsten Jahre zu imaginieren, wobei alle mit denselben Regeln starten, aber ihre eigenen Würfel werfen. Durch den Vergleich all dieser 50 imaginären Zukünfte konnte das Team schließlich die Form des „zufälligen Zitters“ selbst erkennen. Sie fanden heraus, dass sie durch die Nutzung dieser Gruppe von 50 Simulationen eine viel sicherere, realistischere „Gefahrenlinie“ für Dürren zeichnen konnten. Diese Linie sagt uns, wie schlimm es werden könnte, wenn die natürliche Zufälligkeit des Klimas gegen uns läuft. Das Ergebnis? Ein Warnsystem, das nicht nur sagt: „Es könnte trocken werden“, sondern sagt: „Hier ist das Schlimmste, was plausibel eintreten könnte, und wir sind darauf vorbereitet.“

Die Geschichte der „wackeligen Würfel“ und der 50 Kristallkugeln

Die Autoren dieser Studie, Henri Funk und sein Team aus München, Deutschland, wollten ein frustrierendes Problem lösen: Die Vorhersage von Dürren ist schwierig, weil das Klima voller Überraschungen steckt. Selbst wenn wir das große Ganze kennen, wie etwa die globale Erwärmung, besitzt das Klimasystem seine eigenen internen „Wackler“ (interne Variabilität), die eine Region auf eine Weise trocken oder nass machen können, die schwer vorhersehbar ist. Wenn man nur auf historische Aufzeichnungen (die Vergangenheit) blickt, übersieht man diese wilden Schwankungen möglicherweise, besonders wenn sich das Klima verändert.

Der alte Weg vs. der neue Trick
Traditionell haben Wissenschaftler versucht, Dürren vorherzusagen, indem sie in die Vergangenheit blickten. Sie nehmen eine lange Historie von Wetterdaten und trainieren einen Computer darauf, Muster zu erkennen. Es ist, als würde man Autofahren lernen, indem man nur auf eine Karte der Wege schaut, die man bereits gefahren ist. Das Problem ist: Wenn sich die Straße ändert oder das Auto sich anders verhält, hilft die alte Karte nicht weiter. In dieser Studie zeigten die Teammitglieder, dass das Verlassen auf die Vergangenheit (speziell ein Datensatz namens ERA5-Land) zu einem falschen Gefühl der Sicherheit führt. Als sie ihre Vorhersagen im alten Stil gegen die tatsächlichen trockenen Jahre 2020–2024 testeten, lagen ihre „Gefahrenlinien“ zu hoch. Sie verpassten einen großen Teil der wirklich trockenen Ereignisse. Es war, als würden sie die Menschen vor einem leichten Nieselregen warnen, während tatsächlich ein Sturm aufzog.

Um dies zu beheben, führte das Team eine neue Zutat ein: ein „Large Ensemble“. Stellen Sie sich vor, Sie haben einen Supercomputer-Klimasimulator. Anstatt ihn nur einmal laufen zu lassen, um eine einzige Zukunft zu erhalten, ließen sie ihn 50 Mal laufen. Jeder Durchlauf startete mit exakt denselben Regeln und derselben Physik, aber sie veränderten die Anfangsbedingungen nur ganz minimal – so als würde man einen Würfel 50 Mal werfen. Da die Regeln dieselben waren, mussten die Unterschiede zwischen den 50 Ergebnissen durch das natürliche, zufällige „Wackeln“ des Klimasystems verursacht worden sein.

Die KI und das Ensemble
Das Team verwendete ein ausgeklügeltes KI-Modell namens „Temporal Fusion Transformer“ (TFT). Betrachten Sie diese KI als einen sehr klugen Studenten, der die Wettergeschichte Europas über 50 Jahre hinweg studiert hat. Es lernte, die Wasserbilanz (Regen minus Verdunstung) für den nächsten Monat basierend auf Faktoren wie Meerestemperaturen, Luftdruck und der Jahreszeit vorherzusagen.

Aber die KI allein konnte das volle Bild des „Wackelns“ nicht sehen. Also unternahm das Team etwas Cleveres. Sie nahmen ihre trainierte KI und baten sie, Vorhersagen für alle 50 dieser „Was-wäre-wenn“-Klimasimulationen zu treffen.

1. Das Zentrum: Die KI gab eine „beste Schätzung“ der Vorhersage basierend auf realen historischen Daten ab.
2. Die Streuung: Indem sie untersuchten, wie die 50 verschiedenen Simulationen voneinander abwichen, konnte das Team genau messen, wie stark das Klima aus sich heraus „wackelt“.

Sie kombinierten dann diese beiden Dinge. Sie nahmen die „beste Schätzung“ der KI und fügten einen „Sicherheitsbuffer“ hinzu, der auf der Streuung der 50 Simulationen basierte. Dies erzeugte eine neue „untere Grenze“ – eine Linie in der Grafik, die besagt: „Selbst wenn die Klimawürfel wirklich schlecht fallen, ist es unwahrscheinlich, dass es schlimmer als dies wird.“

Was sie herausfanden
Die Ergebnisse waren augenöffnend. Als sie diese neue Methode gegen die realen trockenen Jahre 2020–2024 testeten, versagte die alte Methode (die nur auf die Vergangenheit blickte) kläglich. In einigen Regionen, wie den Alpen und Frankreich, verpasste die alte Methode fast die Hälfte der Dürreereignisse. Es war wie eine Wetter-App, die „Sonnenschein“ anzeigt, während es in Strömen regnet.

Die neue Methode, die die 50 Simulationen nutzte, war viel besser.

• Bessere Abdeckung: In den meisten Teilen Europas erfasste die neue „Gefahrenlinie“ die trockenen Ereignisse viel genauer. Beispielsweise erfasste sie im Mittelmeerraum und auf der Iberischen Halbinsel fast alle Dürren und extremen Dürren.
• Die „wackelige“ Realität: Die Studie zeigte, dass die natürliche Zufälligkeit des Klimas eine reale, messbare Größe ist, die vorhergesagt werden kann. Indem sie diese Zufälligkeit als Merkmal statt als Fehler behandelten, konnten sie eine Vorhersage erstellen, die „risikobewusst“ ist.
• Wo sie Schwierigkeiten hatte: Die neue Methode war nicht überall perfekt. In den Alpen war die Auflösung des Computermodells (wie detailliert die Karte war) zu grob, um die winzigen, komplexen Bergwettermuster zu erfassen. In diesen spezifischen Gebieten verpasste die neue Methode immer noch einige extreme Dürren, war aber dennoch besser als der alte Weg.

Warum das wichtig ist
Das Paper legt nahe, dass wir aufhören müssen, die natürliche Zufälligkeit des Klimas lediglich als „Rauschen“ zu behandten, das ignoriert werden muss. Stattdessen sollten wir sie als eine eigenständige Vorhersagegröße behandeln. Durch die Verwendung großer Gruppen von Simulationen (Ensembles) können wir die Physik der Klimavariabilität in unsere Machine-Learning-Modelle übertragen. Dies gibt uns eine „konservative“ Vorhersage – eine, die etwas vorsichtiger ist und auf das Schlimmste vorbereitet ist.

Die Autoren betonen vorsichtig, dass dies ein „Proof of Concept“ ist. Sie haben gezeigt, dass dies für Europa unter Verwendung von Daten von 2020 bis 2024 funktioniert. Sie behaupten nicht, die Dürrevorhersage für immer gelöst zu haben, aber sie haben demonstriert, dass der Blick auf 50 „Was-wäre-wenn“-Zukünfte uns eine viel klarere Sicht auf die Gefahr gibt als der Blick auf nur eine einzige Vergangenheit. Es ist ein Wechsel vom bloßen Raten der Zukunft hin zum Verständnis des gesamten Spektrums der Möglichkeiten, damit wir nicht unvorbereitet getroffen werden, wenn die Klimawürfel gegen uns fallen.