KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-21
Verbesserte Niederschlagsvariabilität im Community Atmosphere Model durch Implementierung eines neuronalen Deep-Convection-Schemas
Originaltitel: Improved Precipitation Variability in the Community Atmosphere Model through Implementation of a Neural-Network Deep Convection Scheme
Tiefkonvektionsschemata bleiben eine Hauptquelle der Unsicherheit in globalen Klimamodellen, und ihr Ersatz durch datengetriebene Alternativen unter Wahrung physikalischer Konsistenz und numerischer Stabilität ist eine offene Herausforderung. Die Autoren präsentieren eine hybride CAM6-Konfiguration, in der ein vollständig verbundenes tiefes neuronales Netz, das auf grob aufgelöster Ausgabe des gewitterauflösenden globalen Modells gSAM trainiert wurde, um konvektive Flüsse und Tendenzen auf Subgrid-Skala abzuleiten, das Zhang-McFarlane-Tiefkonvektionsschema ersetzt, während Strahlung, Turbulenz und andere Wolkenprozesse unverändert bleiben. Das Netz läuft über mehr als ein Jahrzehnt stabil und erhält dabei Energie und Feuchte, liefert eine weitgehend realistische Klimatologie ohne Neukalibrierung der übrigen Parametrisierungen, verringert die Bias bei leichtem und extremem Niederschlag deutlich und verschiebt den Tagesgang des Niederschlags über tropischen Landflächen von einem scheinhaften Mittagsgipfel zum beobachteten Gipfel am späten Nachmittag.