📄 earth_science

Climate Change Impacts on Reference Evapotranspiration in Arid and Semi-Arid Regions under CMIP6 Scenarios using ERA5-Land and Machine Learning

Diese Studie prognostiziert, dass der Klimawandel in der ariden iranischen Provinz Semnan die Referenzevapotranspiration unter CMIP6-Szenarien bis zum Ende des Jahrhunderts signifikant um bis zu 16 % erhöhen wird, insbesondere in landwirtschaftlichen Zonen, was dringende adaptive Wassermanagementstrategien erforderlich macht.

Ursprüngliche Autoren: Ali Zolfaghari, Maryam Raeesi, Giuseppe Longo-Minnolo, Azade Soltani, Davoud Kartoulinezhad

Veröffentlicht 2026-07-07

📖 5 Min. Lesezeit🧠 Tiefgang

CC BY 4.0

Ursprüngliche Autoren: Ali Zolfaghari, Maryam Raeesi, Giuseppe Longo-Minnolo, Azade Soltani, Davoud Kartoulinezhad

Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). ✨ Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen

Das große Ganze: Eine durstige Landschaft

Stellen Sie sich die Provinz Semnan im Iran wie einen riesigen, durstigen Schwamm vor, der zwischen einem Gebirge und einer glühenden Wüste liegt. Dieser Schwamm ist darauf angewiesen, Regen und Grundwasser, um am Leben zu bleiben. Die Forscher wollten wissen: Wie viel durstiger wird dieser Schwamm in den nächsten 80 Jahren werden, wenn der Planet sich erwärmt?

Sie haben nicht einfach nur geraten; sie haben eine hochtechnologische „Wetter-Kristallkugel“ gebaut, um genau vorherzusagen, wie viel Wasser in der Zukunft aus dem Boden und den Pflanzen verdunsten wird. Dieser Prozess wird als Referenz-Evapotranspiration (ET0) bezeichnet. Betrachten Sie ET0 als den „Durstmesser“ des Landes. Eine höhere Zahl bedeutet, dass das Land Wasser schneller aufsaugt.

Die Werkzeuge: Ein digitales Wetterlabor

Um diese Vorhersagen zu treffen, nutzte das Team drei Hauptwerkzeuge, die sie wie Zutaten in einem Rezept kombinierten:

Die globalen Vorhersager (CMIP6): Stellen Sie sich fünf verschiedene Supercomputer vor, die jeweils von einem anderen Land (Australien, China, Japan usw.) betrieben werden. Jeder Computer führt eine Simulation des zukünftigen Klimas unter zwei verschiedenen „Geschichten“ durch:
- Geschichte A (SSP2-4.5): Der „Mittelweg“. Wir versuchen, die Emissionen ein wenig zu reduzieren, aber die Welt erwärmt sich dennoch moderat.
- Geschichte B (SSP5-8.5): Der „Worst Case“ (Schlimmster Fall). Wir verbrennen weiterhin fossile Brennstoffe in hohem Maße, und die Welt wird sehr heiß.
Die hochauflösende Karte (ERA5-Land): Die globalen Computer sind etwas unscharf (wie ein Foto mit niedriger Auflösung). Um ein klares Bild von Semnan zu erhalten, nutzten die Forscher eine detaillierte europäische Wetterkarte (ERA5-Land), die die gesamte Region abdeckt.
Der KI-Korrektor (Maschinelles Lernen): Selbst die detaillierte Karte hatte einige Fehler (sie war im Vergleich zu echten Thermometern am Boden etwas zu heiß). Die Forscher nutzten ein Random Forest-Modell des maschinellen Lernens. Betrachten Sie diese KI als einen intelligenten Editor, der auf die unscharfe Karte schaut, sie mit echten Bodendaten vergleicht und die Fehler „korrigiert“, um eine perfekte, hochauflösende Karte der Vergangenheit zu erstellen.

Der Prozess: Die Linse korrigieren und nach vorne blicken

Die Forscher folgten einem spezifischen Arbeitsablauf:

Schritt 1: Kalibrierung. Sie nahmen die „unscharfen“ globalen Karten und die „detaillierten, aber leicht falschen“ europäischen Karten. Sie nutzten die KI, um die europäische Karte so zu korrigieren, dass sie perfekt zu den echten Wetterstationen passt.
Schritt 2: Projektion. Sobald die Karte korrigiert war, nutzten sie diese, um die fünf globalen Supercomputer zu korrigieren. Dies stellte sicher, dass die zukünftigen Vorhersagen von einer realistischen Basis ausgehen.
Schritt 3: Die Durst-Berechnung. Sie speisten diese korrigierten zukünftigen Temperaturen in eine berühmte Formel (FAO Penman-Monteith) ein, um zu berechnen, wie viel Wasser das Land an die Luft verlieren würde.

Die wichtigste Entdeckung: Hitze ist der Hauptantrieb

Die Forscher führten einen „Sensitivitätstest“ durch, um zu sehen, welcher Wetterfaktor das Land am durstigsten macht.

Das Ergebnis: Die Temperatur war der Chef. Sie war für den Großteil der Veränderung verantwortlich.
Die Analogie: Stellen Sie sich das Land wie einen Automotor vor. Luftfeuchtigkeit und Wind sind wie Öl und Luftfilter, aber die Temperatur ist das Gaspedal. Wenn Sie das Gaspedal (die Hitze) fester durchtreten, beschleunigt der Motor (der Durst) sofort. Die Studie fand heraus, dass bei jedem Anstieg der Temperatur um 10 % der Durst des Landes (ET0) um etwa 6 % steigt.

Die Zukunftsprognosen: Heißer und durstiger werden

Die Kristallkugel zeigte einen klaren Erwärmungstrend, aber die Geschwindigkeit hängt von der jeweiligen Geschichte ab:

Die „Mittelweg“-Geschichte (SSP2-4.5):
- Die Region erwärmt sich um etwa 1 °C alle 30 Jahre.
- Der Durst des Landes nimmt um etwa 2,85 mm pro Jahr zu.
- Bis zum Ende des Jahrhunderts wird das Land etwa 6,5 % durstiger sein als heute.
Die „Worst Case“-Geschichte (SSP5-8.5):
- Die Region heizt sich viel schneller auf, etwa 2 °C alle 30 Jahre.
- Der Durst des Landes schießt in die Höhe um 5,2 mm pro Jahr.
- Bis zum Ende des Jahrhunderts wird das Land etwa 16 % durstiger sein als heute.

Die Überraschung: Die Berge sind in Schwierigkeiten

Man könnte denken, dass die Wüstengebiete am heißesten und durstigsten werden. Die Studie fand jedoch eine Wendung:

Die Wüste (Süden): Sie ist bereits so heiß und trocken, dass zusätzliche Hitze ihren Durst nicht mehr so stark verändert. Es ist wie ein Schwamm, der bereits knochentrocken ist; er kann nicht viel trockener werden.
Die Berge und Farmen (Norden/Zentrum): Diese Gebiete haben mehr Vegetation und sind derzeit kühler. Wenn sie sich erwärmen, steigt ihr „Durstmesser“ dramatisch an.
Die Metapher: Stellen Sie sich einen trockenen Wüstenstein und einen saftig grünen Rasen vor. Wenn Sie die Hitze erhöhen, verändert sich der Stein kaum, aber der grüne Rasen beginnt zu welken und saugt gierig Wasser auf. Die Studie sagt voraus, dass die Agrarzonen im Norden und Zentrum den größten Schock beim Wasserbedarf erleben werden.

Das Fazente

Die Arbeit kommt zu dem Schluss, dass der Klimawandel den „Hitze-Regler“ in der Provinz Semnan hochdreht. Da das Land heißer wird, verdunstet es Wasser viel schneller.

Das Risiko: In den Gebieten, in denen Menschen Lebensmittel anbauen (die nördlichen und zentralen Teile), wird voraussichtlich deutlich mehr Wasser benötigt, um zu überleben.
Die Lösung: Die Forscher schlagen vor, dass Landwirte und Wasserverwalter sofort anpassen müssen. Sie können sich nicht nur auf aktuelle Wasserpläne verlassen; sie benötigen eine bessere Bewässerung und eine intelligentere Wassernutzung, um mit einer Zukunft umzugehen, in der das Land ständig mehr Wasser in die Luft „schwitzt“.

Kurz gesagt: Das Land wird heißer, und deshalb wird es auch viel durstiger – besonders an den Orten, an denen wir unsere Lebensmittel anbauen.

Technische Zusammenfassung: Auswirkungen des Klimawandels auf die Referenz-Evapotranspiration in ariden und semiariden Regionen unter CMIP6-Szenarien

Problemstellung
Der Klimawandel stört den hydrologischen Kreislauf erheblich, insbesondere in ariden und semiariden Regionen wie der Provinz Semnan im Iran, die unter extremer Hitze und Wasserstress leidet. Die Referenz-Evapotranspiration ( $ET_0$ ) ist ein kritischer Indikator für die Schätzung des Wasserbedarfs von Nutzpflanzen und die Bewässerungsplanung. Bestehende Studien in Iran stützen sich jedoch häufig auf grob aufgelöste Klimadatensätze, stationsbasierte Beobachtungen mit geringer räumlicher Abdeckung oder General Circulation Models (GCMs) früherer Generationen. Diese Einschränkungen behindern die Fähigkeit, lokale Klimagradienten und die für eine effektive Wasserressourcenplanung notwendige räumliche Variabilität zu erfassen. Darüber hinaus unterliegen zukünftige Projektionen einer erheblichen Unsicherheit, die aus der Variabilität zwischen den Modellen, den Emissionspfaden und den Downscaling-Techniken resultiert. Diese Studie adresst das Bedürfnis nach hochauflösenden, zuverlässigen Projektionen der $ET_0$ unter zukünftigen Klimaszenarien, um eine adaptive Wasserbewirtschaftung in datenarmen, topographisch komplexen Regionen zu unterstützen.

Methodik
Die Studie verwendet ein hybrides Framework, das physikalische Klimamodellierung, Reanalyse-Daten und maschinelles Lernen integriert, um die $ET_0$ in der Provinz Semnan mit einer Auflösung von 1 km zu projizieren.

Studiengebiet und Daten: Die Forschung konzentriert sich auf die Provinz Semnan, die durch einen Übergang von den Alborz-Bergen zu den zentralen Wüsten charakterisiert ist. Die Studie nutzt fünf CMIP6-Modelle (ACCESS-CM2, BCC-CSM2-MR, CAMS-CSM1-0, MIROC6, Tai_ESM1) unter zwei Shared Socioeconomic Pathways (SSP2-4.5 und SSP5-8.5) über drei Zeithorizonte hinweg: nahe Zukunft (2025–2050), mittlere Zukunft (2051–2075) und ferne Zukunft (2076–2099).
Baseline und Reanalyse-Verarbeitung:
- FAO-56 Penman-Monteith: Die tägliche $ET_0$ wurde an zehn synoptischen Stationen unter Verwendung beobachteter meteorologischer Daten (1990–2014) berechnet, um eine Baseline zu etablieren.
- Downscaling und Bias-Korrektur: ERA5-Land-Reanalyse-Daten (ursprünglich 9 km) wurden mittels Ordinary Kriging mit der Höhe als externem Drift auf 1 km herunterskaliert. Diese heruntergeskalten Daten wurden anschließend mittels eines Random Forest (RF) Machine-Learning-Modells gegen die Stationsbeobachtungen bias-korrigiert. Dieser korrigierte Datensatz diente als hochauflösender, gerasterter Referenzwert.
GCM-Downscaling und Bias-Korrektur: Die CMIP6-Outputs wurden auf 1 km reskaliert und mittels der Delta-Change-Factor-Methode (DCF) unter Verwendung der bias-korrigierten ERA5-Land-Daten als Referenz für den historischen Zeitraum (1990–2014) korrigiert.
Sensitivitätsanalyse und Projektion: Eine Sensitivitätsanalyse der FAO-Penman-Monteith-Gleichung wurde durchgeführt, um den Einfluss der Klimavariablen zu bestimmen. Aufgrund der hohen Unsicherheit in den Projektionen von Wind und Luftfeuchtigkeit konzentrierte sich die Studie auf die Temperatur als dominierenden Treiber. Die zukünftige $ET_0$ wurde projiziert, indem die abgeleiteten Temperatursensitivitätskoeffizienten auf die bias-korrigierten Temperaturprojektionen angewendet wurden.
Spatialisierung: Ein RF-Modell wurde trainiert, um die $ET_0$ auf einer Auflösung von 1 km zu räumlich zu differenzieren, wobei die stationsbasierten $ET_0$ -Werte als Zielvariable und die gerasterten Variablen Temperatur, DEM und ERA5-Land als Prädiktoren dienten.

Zentrale Ergebnisse

Modellleistung: Die Bias-Korrektur verbesserte die Genauigkeit der ERA5-Land-Temperaturdaten signifikant und reduzierte den Root Mean Square Error (RMSE) von 2,35 °C auf 1,00 °C sowie den Bias von 1,70 °C auf -0,01 °C. Das bias-korrigierte CMIP6-Ensemble zeigte eine starke Übereinstimmung mit den Referenzdaten (Korrelationskoeffizient $r$ > 0,97).
Temperaturprojektionen: Es wird ein stetiger Erwärmungstrend über alle Horizonte hinweg projiziert. Unter dem mittleren Szenario (SSP2-4.5) wird erwartet, dass die Temperaturen etwa 1,0 °C alle 30 Jahre steigen. Unter dem Hochemissionsszenario (SSP5-8.5) beschleunigt sich die Rate auf etwa 2,0 °C alle 30 Jahre. Bis zur fernen Zukunft (2076–2099) könnten die Mitteltemperaturen unter SSP5-8.5 im Vergleich zur Baseline um bis zu 5 °C ansteigen.
Sensitivität: Die Sensitivitätsanalyse bestätigte, dass die Mitteltemperatur der dominante Treiber der $ET_0$ in dieser ariden Umgebung ist, mit einem jährlichen Sensitivitätskoeffizienten von 0,6. Dies impliziert, dass ein Anstieg der Lufttemperatur um 10 % zu einem Anstieg der $ET_0$ um etwa 6 % führt.
$ET_0$ -Projektionen:
- SSP2-4.5: Es wird ein Anstieg der $ET_0$ um durchschnittlich 2,85 mm/Jahr projiziert, was bis zum Ende des Jahrhunderts zu einem Gesamtanstieg von etwa 6,5 % führt.
- SSP5-8.5: Die $ET_0$ wird voraussichtlich um 5,2 mm/Jahr steigen, was einen Gesamtanstieg von bis zu 16 % relativ zur Baseline zur Folge hat.
Räumliche Heterogenität: Die Analyse zeigt, dass die nördlichen Gebirgsregionen mit dichterer Vegetationsdecke voraussichtlich intensivere absolute Zunahmen der $ET_0$ erleben werden als die südlichen Wüstenregionen. Dies deutet darauf hin, dass landwirtschaftliche Zonen im Vergleich zu den trockensten Wüstengebieten einer erhöhten Vulnerabilität gegenüber zukünftigen Feuchtigkeitsdefiziten ausgesetzt sind.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass ihr primärer Beitrag in der methodischen Integration von bias-korrigierten Reanalyse-Daten mit maschinellem Lernen liegt, um hochauflösende (1 km) $ET_0$ -Projektionen in einer Region mit spärlichen Beobachtungsnetzwerken zu erzeugen. Durch die Verwendung von bias-korrigierten ERA5-Land-Daten als gerasterte Beobachtungsreferenz überwindet die Studie die Einschränkungen, die allein auf Stationsdaten oder groben GCM-Outputs basieren.

Die Autoren führen an, dass ihre Ergebnisse eine robuste Grundlage für eine klimaadaptive Wasserbewirtschaftung bieten. Die projizierten Zunahmen des Evaporationsbedarfs, insbesondere in den nördlichen landwirtschaftlichen Zonen, erfordern dringende Anpassungen bei der Bewässerungsplanung und der Wasserressourcenplanung. Die Studie betont, dass ihr Ansatz, obwohl er sich auf temperaturgetriebene Veränderungen konzentriert (eine erstinstanzliche Näherung), eine pragmatische und zuverlässige Bewertung für Regionen bietet, in denen die Projektionen von Luftfeuchtigkeit und Windgeschwindigkeit eine hohe Unsicherheit aufweisen. Letztendlich unterstreicht die Forschung die Notwendigkeit optimierter Bewässerungsstrategien und lokalisierter Anpassungen der Anbaumuster, um die beschleunigte Dürrestress-Belastung zu mildern und die landwirtschaftliche Produktivität im 21. Jahrhundert aufrechtzuerhalten.