Wie kann KI das globale Klimasystem „verstehen“? Tsinghua entwickelt ein einheitliches Klimamodell für die Vorhersage, genannt UniCM

【Einführung】Ein Team der Tsinghua-Universität hat das UniCM-Modell vorgeschlagen, das die Wechselwirkungen mehrerer Klimamodi in einem einheitlichen Rahmen lernt, um KI besser verstehen zu lassen, wie komplex die Beziehungen im globalen Klimasystem sind. Dieser Durchbruch verbessert nicht nur die Genauigkeit und Effizienz der Klimaprognose, sondern macht auch die KI zu einem Werkzeug zur Erforschung von Klimamechanismen, was für Bereiche wie Katastrophenprävention und Landwirtschaft von großer Bedeutung ist.

Wenn man an Klimaprognosen denkt, ist man meistens am bekanntesten mit El Niño (ENSO) vertraut.

Das globale Klima wird jedoch nicht von einem einzigen Klimaphänomen bestimmt. Neben ENSO existieren mehrere Klimamodi wie der Indische Ozean Dipol (IOD), der Tropische Nordatlantik Modus (TNA) und der Nordpazifische Meridionale Modus (NPMM) gemeinsam und bilden ein dynamisch gekoppeltes globales System durch transozeanische Fernbeziehungen und Meeres-Atmosphären-Wechselwirkungen.

Seit langem konzentrieren sich die meisten Prognosemethoden hauptsächlich auf einzelne Klimamodi oder untersuchen nur die Beziehungen zwischen wenigen Modi, was es schwierig macht, die komplexen nichtlinearen Interaktionsprozesse im globalen Klimasystem zu beschreiben. UniCM modelliert mehrere Schlüssel-Klimamodi in einem einzigen einheitlichen Rahmen und betrachtet das globale Ozean-Atmosphären-System als ein ganzes, in dem alle Komponenten miteinander interagieren.

Kürzlich hat das Team von Professor Li Yong der Elektrotechnik der Tsinghua-Universität in der Zeitschrift 《Nature Machine Intelligence》 eine Forschungsarbeit mit dem Titel 《Learning the coupled dynamics of global climate modes》 veröffentlicht und das einheitliche Vorhersagemodell für globale Klimamodi UniCM (Unified Climate Model) vorgeschlagen.

Link zur Studie: https://www.nature.com/articles/s42256-026-01245-5

Das Forschungsteam hat festgestellt, dass die Vorhersagbarkeit des Klimasystems nicht nur von einzelnen Klimaphänomenen selbst kommt, sondern vor allem von den langfristigen Kopplungsbeziehungen zwischen mehreren Klimamodi. Durch das Lernen dieser Kopplungsdynamiken entfaltet UniCM die "Emergent Predictability", die von herkömmlichen Methoden schwer nutzbar ist.

Diese Studie bricht mit dem traditionellen Denken der Klimaprognose, das auf "einzelne Modi und getrennte Vorhersagen" basiert. Erstmalig wird aus der Perspektive des globalen gekoppelten Systems die komplexe dynamische Beziehung zwischen mehreren Ozean-Atmosphären-Klimamodi einheitlich gelernt, was ein neues Forschungsmodell für langfristige Klimaprognosen, die Frühwarnung vor extremen Klimawetterereignissen und die KI-gestützte Entdeckung in der Klimawissenschaft bietet.

Forschungshintergrund

In den letzten Jahren hat die Künstliche Intelligenz in der Bereich der Wettervorhersage rasante Fortschritte gemacht. Verschiedene KI-Modelle können bereits hochpräzise Wettervorhersagen auf einer Skala von einigen Tagen bis Wochen treffen.

Die Klimaprognose befasst sich jedoch mit Fragen auf einer längeren Zeitskala: Wie wird sich das globale Klimasystem in den nächsten Monaten, Jahren oder sogar noch länger entwickeln? In welchen Regionen könnten extreme Ereignisse wie Dürre, Überschwemmungen und Hitzewellen auftreten? Diese Fragen betreffen die komplexen interskalaren Wechselwirkungen zwischen mehreren Ozean- und Atmosphärensystemen.

Bisherige Methoden betrachten die Klimamodi oft als voneinander unabhängige Objekte, während das reale Klimasystem in der Welt ein hochgradig gekoppeltes komplexes Netzwerk ist. Die Herausforderung in der "KI für die Wissenschaft" besteht darin, die KI nicht nur in die Lage zu versetzen, "vorhersagen zu können", sondern auch den Wissenschaftlern zu helfen, die langfristigen Kopplungsbeziehungen zwischen diesen Modi zu verstehen.

Das "Doppelperspektive" einheitliche Klimamodell

Um dieses Problem zu lösen, hat das Forschungsteam die Zwei-Arm-Struktur von UniCM entwickelt.

Das Modell besteht aus zwei Kernmodulen:

1. Globalformer: Lernen der Evolution des lokalen physikalischen Feldes

Globalformer ist für die Verarbeitung von Schlüsselphysikalischen Variablen wie der Meeresoberflächentemperatur (SST), Windstress, Tiefen des Thermoklines und der Temperatur der oberen Meeresebene verantwortlich und lernt die raumzeitlichen Evolutionsgesetze des Klimasystems aus feingranularen Klimafeldern.

2. Modeformer: Lernen der Beziehungen zwischen Klimamodi

Modeformer konzentriert sich auf sieben wichtige Klimamodi wie ENSO, IOD, TNA, NPMM, SPMM, IOB und SIOD und lernt deren nichtlineare Interaktionen und gemeinsame Evolutionsprozesse.

Noch wichtiger ist, dass UniCM einen bidirektionalen Kopplungsmechanismus aufgebaut hat: Einerseits erzeugen lokale physikalische Felder großskalige Klimamodi; andererseits beeinflussen die gebildeten Klimamodi wiederum die zukünftige Evolution der lokalen physikalischen Felder. Das Forschungsteam nennt diesen Mechanismus "mode-to-patch guidance", d. h., die Nutzung des großskaligen Klimazustands zur Steuerung der lokalen Vorhersage, um eine geschlossene Schleife von der lokalen Ebene zur globalen Ebene und zurück zu realisieren.

Forschungsergebnisse

Die ENSO-Vorhersagefähigkeit erreicht international führende Ebene

ENSO wird als einer der wichtigsten Klimamodi weltweit angesehen und ist auch die herausforderndste Aufgabe in der langfristigen Klimaprognose.

Die Forschungsergebnisse zeigen, dass UniCM in der Überprüfung der Beobachtungsdaten von 1980 bis 2023 in einem 24-monatigen Vorhersagefenster kontinuierlich besser als mehrere repräsentative Basismodelle war. Das Modell kann die effektive Vorhersagezeit von ENSO auf 19 Monate verlängern, während die bisherigen fortschrittlichen Modelle normalerweise nur etwa 15 bis 16 Monate erreichen können.

Außerdem zeigt UniCM auch deutliche Vorteile beim Problem der "Frühlingsvorhersagbarkeitsbarriere", das die Klimaprognose seit langem plagt. Das Modell kann auch beim Überqueren des Nordhemisphärenfrühlings eine hohe Vorhersagefähigkeit beibehalten und die effektive Vorhersagezeit auf etwa 14 Monate verlängern.

Darüber hinaus hat UniCM das Super-El-Niño-Ereignis von 1997 - 1998 und das dreijährige "Triple-La-Niña"-Ereignis von 2020 - 2023 erfolgreich wiedergegeben und den Auftreten, die Entwicklung und den Abbau dieser historischen Extremereignisse genau erfasst.

Erstmalige Realisierung der einheitlichen Vorhersage von mehreren globalen Klimamodi

UniCM ist nicht nur gut darin, ENSO vorherzusagen, sondern kann auch in einem einzigen Rahmen gleichzeitig sieben wichtige Klimamodi vorhersagen, einschließlich ENSO, IOD, IOB, SIOD, SPMM, NPMM und TNA.

Die Ergebnisse zeigen, dass die Vorhersagefähigkeit des Modells bei mehreren Klimamodi besser als die der bestehenden repräsentativen Methoden ist. Insbesondere bei einigen schwer vorherzusagenden Nicht-ENSO-Modi ist die durchschnittliche Vorhersagefähigkeit um mehr als 22 % verbessert; die effektive Vorhersagezeit von IOD erreicht etwa 7 Monate.

Noch wichtiger ist, dass UniCM die tatsächlich existierenden zeitverzögerten Korrelationsbeziehungen zwischen verschiedenen Klimamodi genau rekonstruieren kann. Beispielsweise hat es die physikalische Beziehung wiedergegeben, dass NPMM ENSO um etwa 4 Monate vorausgeht, sowie die Kopplungsstruktur zwischen mehreren transozeanischen Klimamodi.

Dies zeigt, dass das Modell nicht einfach statistische Korrelationen lernt, sondern die tatsächlich im globalen Klimasystem existierenden physikalischen Kopplungsmechanismen.

Die KI von "Vorhersager" zu "Wissenschaftliches Entdeckungswerkzeug" machen

Außer der Vorhersagefähigkeit hat UniCM auch eine starke Interpretierbarkeit.

Das Forschungsteam hat durch die Analyse des internen Aufmerksamkeitsmechanismus des Modells festgestellt, dass das Modell vor dem Auftreten von wichtigen ENSO-Ereignissen automatisch auf die physikalisch bedeutsamen Schlüsselregionen und Schlüsselmodi-Beziehungen fokussiert.

Beispielsweise hat das Modell vor dem Super-El-Niño-Ereignis 1997 die wichtige Vorläuferrolle von NPMM erkannt; in einigen komplexen Klimawetterereignissen hat es festgestellt, dass TNA möglicherweise eine Schlüsselrolle spielt. Diese Entdeckungen stimmen mit den bestehenden Klimaphysik-Forschungsergebnissen hoch überein.

Dies bedeutet, dass UniCM nicht nur den zukünftigen Klimazustand vorhersagen kann, sondern auch den Wissenschaftlern helfen kann, potenzielle Mechanismen zu entdecken und neue wissenschaftliche Hypothesen zu stellen, und somit zu einem wichtigen Hilfswerkzeug für die Klimawissenschaftsforschung wird.

Zukünftige Anwendungen und Entwicklungsperspektiven

Im Kontext des globalen Klimawandels wird die Bedeutung der langfristigen Klimaprognose immer deutlicher. Genauere und längerfristige Klimaprognosen werden direkt für Bereiche wie landwirtschaftliche Produktion, Wasserressourcenmanagement, Energieversorgung, Fischereientwicklung und Katastrophenprävention und -minderung nützlich sein.

Das Forschungsteam ist der Meinung, dass UniCM nicht nur ein neues Klimaprognosemodell darstellt, sondern auch ein einheitliches Modellierungsdenken für komplexe Systeme. In Zukunft kann dieser Rahmen möglicherweise auf die Studie von intraseasonalen Oszillationen, dekadischen Klimawandel und der Evolution von Klimamodi im Kontext der globalen Erwärmung erweitert werden und kann auch auf andere komplexe Systeme mit bidirektionalen Kopplungseigenschaften zwischen "lokalen Prozessen und globaler Struktur" angewendet werden.

Von der "Wettervorhersage" über das "Verstehen des Klimas" bis zur "Entdeckung von Regeln" zeigt UniCM die neuen Möglichkeiten der Künstlichen Intelligenz in der Geowissenschaft: Die wirklich wichtigen Vorhersageinformationen verstecken sich vielleicht nicht in einem einzelnen Klimaindex, sondern in den Kopplungsbeziehungen der kontinuierlichen Evolution des gesamten Klimasystems.

Quelle: https://www.nature.com/articles/s42256-026-01245-5

Dieser Artikel stammt aus dem WeChat-Account "New Intelligence Yuan", Autor: New Intelligence Yuan; Redakteur: LRST, veröffentlicht von 36Kr mit Genehmigung.