KI und die schwierigen Probleme der Welt · Erd- & Klimawissenschaften · arXiv · 2026-10-21
Entflechtung erzwungener und interner Komponenten in der beobachteten Klimaentwicklung mittels spatiotemporalem Deep Learning
Originaltitel: Disentangling forced and internal components in observed climate evolution using spatiotemporal deep learning
Die Zuschreibung der beobachteten historischen Klimaentwicklung auf extern verursachte Veränderungen gegenüber interner Variabilität ist von grundlegender Bedeutung für das Verständnis des Klimawandels und die Bewertung von Klimamodellen, doch beide sind in den Beobachtungen verflochten. Die Autoren entwickeln ein Convolutional LSTM (ConvLSTM), das an Simulationen aus großen Ensembles mehrerer Klimamodelle trainiert und ausgewertet wird und bestehende modellbasierte, statistische und Machine-Learning-Ansätze durchgängig übertrifft. Auf Beobachtungen angewendet, offenbart es ein sich wandelndes räumliches Muster der erzwungenen Antwort und erhebliche Beiträge interner Variabilität zu jüngeren multidekadischen Trends—die die erzwungene Umkehr der interhemisphärischen Temperaturasymmetrie im Atlantik verstärken, die La-Niña-ähnliche Erwärmung des äquatorialen Pazifiks und den Niederschlagsrückgang über dem Südwesten Nordamerikas seit 1980 dominieren und die arktische Verstärkung um ihren nahezu konstanten dreifachen erzwungenen Wert modulieren—während der Vergleich mit in Modellen simulierten erzwungenen Antworten weitgehend konsistente Muster zeigt, neben Diskrepanzen wie einer stärkeren simulierten Erwärmung der Nordhalbkugel, einer schwächeren Intensivierung des subtropischen Hochs und geringeren Rückgängen der Niederschläge über Land.