Quasi-global, land-only, high-resolution and spatially averaged climate variables from downscaled CMIP6 models for climate impact research

Um zu verstehen, wie sich das Klima in den kommenden Jahrzehnten verändern wird, verlassen sich Wissenschaftler auf massive Computersimulationen, die als globale Klimamodelle bezeichnet werden. Diese Programme fungieren als digitale Zwillinge der Erde und simulieren das komplexe Zusammenspiel von Atmosphäre, Ozeanen und Landmassen, um zukünftige Wettermuster vorherzusagen. Diese Modelle haben jedoch eine erhebliche Schwachstelle: Sie sind darauf ausgelegt, das große Ganze zu sehen, nicht die Details. Da die Erde so riesig ist, unterteilen diese Modelle den Planeten in große, grobe Gittersquadrate, die oft hunderte von Meilen umfassen. Innerhalb jedes Quadrats berechnet das Modell eine Durchschnittstemperatur oder einen durchschnittlichen Niederschlag, wodurch Hügel, Täler und Küstenlinien, die das reale Wetter so spezifisch machen, geglättet werden. Für einen Landwirt in einem bestimmten Tal oder einen Beamten des öffentlichen Gesundheitswesens, der eine Krankheitsausbrüche in einer bestimmten Stadt plant, reicht dieser grobe Durchschnitt nicht aus. Sie müssen wissen, wie das Wetter vor ihrer eigenen Haustür aussieht, und nicht nur für eine kontinentgroße Region.

Diese Lücke zwischen globalen Vorhersagen und der lokalen Realität ist die zentrale Herausforderung, die durch einen neuen Datensatz adressiert wird, der von Forschern des Imperial College London und der University of Leeds entwickelt wurde. Das Team hat eine Methode entwickelt, um diese groben, globalen Klimamodelle zu nehmen und sie in hochauflösende Karten zu schärfen, die tägliche Wetteränderungen in einem Maßstab von nur wenigen Meilen zeigen. Ihre Arbeit konzentriert sich auf die tropischen Regionen der Welt, in denen die Klimavariabilität hoch ist und in denen viele Infektionskrankheiten gedeihen. Durch die Verfeinerung der Daten auf ein Detailniveau, das für eine so weite Fläche bisher nicht verfügbar war, haben sie ein Werkzeug geschaffen, das es Forschern ermöglicht, von allgemeinen Warnungen über eine sich erwärmende Welt zu präzisen Vorhersagen für spezifische Gemeinschaften überzugehen.

Die Forscher begannen mit sechs verschiedenen globalen Klimamodellen, die die führenden Instrumente sind, mit denen Wissenschaftler zukünftige Klimabedingungen unter verschiedenen Szenarien menschlicher Aktivitäten projizieren. Diese Modelle laufen auf zwei unterschiedlichen Pfaden: einer repräsentiert eine moderate Zukunft, in der Emissionen begrenzt werden, und ein anderer eine Zukunft mit hohen Emissionen, in der die Nutzung fossiler Brennstoffe weiter ansteigt. Die Rohdaten dieser Modelle decken den Zeitraum von 1985 bis 2100 ab, aber die Daten sind zu grob und enthalten systematische Fehler. Beispielsweise könnte ein Modell konsistent vorhersagen, dass es in einer bestimmten Region etwas zu heiß oder zu feucht ist, im Vergleich zu dem, was tatsächlich geschieht. Um dies zu beheben, wandte das Team eine ausgeklügelte statistische Technik namens „Double Bias-Corrected Constructed Analogues“ an. Diese Methode funktioniert, indem sie die Vorhersagen des Modells mit realen Beobachtungen des Wetters vergleicht, das bereits stattgefunden hat. Sie fragt das Modell im Wesentlichen, ob es sich vergangene Tage ansehen kann, die den aktuellen Bedingungen ähnelten, und nutzt jene realen historischen Muster, um die Fehler des Modells zu korrigieren. Dieser Prozess behebt nicht nur die Fehler, sondern füllt auch die fehlenden Details auf und erstellt so ein hochauflösendes Bild von täglicher Temperatur, Luftfeuchtigkeit und Niederschlag.

Das Ergebnis ist eine massive Datensammlung, die zwölf landbasierte Regionen zwischen 60 Grad nördlich und 60 Grad südlich des Äquators abdeckt, eine Zone, die die meisten tropischen und subtropischen Gebiete der Welt umfasst. Die Daten werden in einer Auflösung von 0,1 Grad bereitgestellt, was einem Gittersquadrat von etwa sechs Meilen Breite entspricht. Dies ist eine signifikante Verbesserung gegenüber bisherigen Datensätzen, die oft Quadrate von 15 AU oder mehr verwendeten. Das Team generierte tägliche Wetterdaten für sechs Schlüsselvariablen, darunter die tägliche Höchst- und Tiefsttemperatur, Luftfeuchtigkeit und Gesamtniederschlag. Sie deckten sowohl den historischen Zeitraum von 1985 bis 2014 ab, um sicherzustellen, dass die Methode funktioniert, als auch den zukünftigen Zeitraum von 2015 bis 2100, um Projektionen zu liefern. Entscheidend ist, dass sie nicht bei der Erstellung dieser detaillierten Karten stehen geblieben sind. Da sie erkannten, dass viele Entscheidungsträger Daten benötigen, die mit politischen Grenzen übereinstimmen und nicht mit Gittersquadraten, haben sie die Informationen auch aggregiert. Sie berechneten die durchschnittlichen Wetterbedingungen für 110 Länder und deren Subregionen, wobei sie diese Durchschnittswerte gewichtet nach dem Ort haben, an dem Menschen tatsächlich leben. Das bedeutet, dass die Daten das Klima widerspiegeln, das die Bevölkerung erlebt, und nicht nur das leere Land, was sie direkt nutzbar für die Planung von Gesundheitsinterventionen und Ressourcenmanagement macht.

Um die Qualität ihrer Arbeit sicherzustellen, haben die Forscher die neuen Daten streng gegen reale Beobachtungen getestet. Sie verglichen die herunterskalierten historischen Daten von 1985 bis 2014 mit tatsächlichen Wetteraufzeichnungen von Satelliten und Bodenstationen. Die Ergebnisse zeigten eine dramatische Verbesserung gegenüber den Rohmodellen. Die ursprünglichen Modelle wiesen oft große Fehler auf, sagten manchmal Temperaturen voraus, die um mehrere Grad abwichen, oder Niederschlagsmengen, die völlig ungenau waren. Nach dem Korrekturprozess schrumpften diese Fehler erheblich. Die neuen Daten stimmten viel enger mit den realen saisonalen Zyklen überein und erfassten den Zeitpunkt von Regenzeiten und die Intensität von Hitzewellen mit weita 훨씬 größerer Genauigkeit. Das Team prüfte auch, wie gut die Daten extreme Ereignisse darstellten, wie etwa Tage mit Starkregen oder gefährlich hohen Temperaturen. Sie fanden heraus, dass die korrigierten Daten die Häufigkeit dieser extremen Tage erfolgreich reproduzierten, ein entscheidender Faktor für die Bewertung von Risiken wie Überschwemmungen oder Hitzestress.

Beim Blick auf die Zukunftsprojektionen stellten die Forscher fest, dass die allgemeine Richtung des Klimawandels konsistent mit den Rohmodellen blieb, aber die Details viel klarer wurden. In den Zukunftsszenarien zeigten die Daten einen Erwärmungstrend über der Region, aber die neuen hochauflösenden Karten offenbarten, wie diese Erwärmung über verschiedene Landschaften hinweg variiert. Beispielsweise hatten die Rohmodelle in Gebirgsregionen wie den Anden Schwierigkeiten, das komplexe Gelände darzustellen, da sie die einzigartigen Klimamuster oft glätteten. Die neuen Daten bildeten diese Gebiete klar ab und zeigten, dass das Erwärmungssignal in diesen Hochgebirgsregionen tatsächlich weniger intensiv ist als in den umliegenden Tiefebenen. Ähnlich zeigten die neuen Daten für den Niederschlag, dass zwar die breiten Trends feuchterer oder trockenerer Bedingungen erhalten blieben, die lokalen Muster jedoch weitaus komplexer waren, als es die groben Modelle suggerierten. In einigen Küsten- und Bergregionen zeigten die neuen Daten sogar eine andere Änderungsrichtung als die Rohmodelle, was verdeutlicht, wie die lokale Geografie die Auswirkungen globaler Klimaveränderungen beeinflussen kann.

Die Forscher weisen vorsorglich darauf hin, dass dieser Datensatz zwar ein großer Fortschritt ist, aber kein perfektes Kristallornament darstellt. Die Methode beruht auf der Annahme, dass die Beziehung zwischen großräumigen Wettermustern und lokalen Bedingungen in der Zukunft ähnlich bleiben wird – eine Annahme, die möglicherweise nicht Bestand hat, wenn sich das Klima drastisch verändert. Zudem hängt die Genauigkeit der neuen Daten stark von der Qualität der verwendeten realen Beobachtungen ab. In einigen abgelegenen Gebieten, in denen Wetterstationen spärlich gesät sind, besteht weiterhin Unsicherheit. Dennoch hat das Team demonstriert, dass ihr Ansatz die systematischen Fehler der ursprünglichen Modelle erfolgreich beseitigt und eine wesentlich realistischere Sicht auf die täglichen Wettermuster bietet. Indem sie diese Daten in leicht nutzbaren Formaten frei zugänglich gemacht haben, haben sie eine große Barriere für Wissenschaftler und politische Entscheidungsträger abgebaut. Diese Ressource ermöglicht es Forschern, genauere Modelle darüber zu erstellen, wie sich Krankheiten ausbreiten, wie Ernten ausfallen werden und wie sich die Wasserressourcen verändern, wodurch aus allgemeinen Klimawarnungen handlungsrelevante, lokale Erkenntnisse werden.