Ob Dürre, Starkregen, Sturm oder Hagel – inwieweit hängen extreme Wetterereignisse mit dem Klimawandel zusammen? Mit dieser Frage beschäftigt sich die Arbeitsgruppe Klima-Attribution. Damit bewegt sich die Arbeitsgruppe im noch jungen Forschungsfeld der Klima-Attribution, in dem die relativen Beiträge verschiedener ursächlicher Faktoren zu einem Klimaereignis bewertet werden.
Forschungsprofil
Der Großteil unserer Forschung ist eng mit der Attribution von Klimaänderungen verbunden. Die Arbeitsgruppe verwendet empirisch-quantitative statistische und maschinelle Lernverfahren, um diese Forschungsfragen anzugehen und verschiedene Klima- und geowissenschaftliche Datenströme zu integrieren.
Laufende Projekte
Process-based ATTribution of Extreme Temperatures to Anthropogenic drivers
Förderung: Bundesministerium für Bildung und Forschung
Laufzeit: 01.10.2023 – 30.09.2026
Team: Florian Kraulich, JP Dr. Sebastian Sippel
Der Klimawandel setzt sich trotz Zielen zur Emissionsminderung fort. Um Aussagen für die Zukunft abzuleiten, müssen wir verstehen, wie sich Wetterextreme im Klima der Zukunft entwickeln.
Ziel des Projektes PATTETA ist es, zu einem besseren Verständnis der Ursachen von klimawandelbedingten Veränderungen von Hitzewillen (Treibhausgase, Aersole, Zirkulationsveränderungen, usw.) sowohl in der Vergangenheit als auch für die Zukunft zu verstehen und durch Attributionsstudien zu kommunizieren
PATTETA ist in drei Arbeitspakete mit spezifischen Zielen gegliedert:
- AP1: Verständnis des relativen Beitrags von Treibhausgasen und Aerosolen zur Veränderung von Hitzewellen in der Vergangenheit bis heute
- AP2: Identifikation von zirkulationsbedingten Beiträge zu Hitzewellen, thermodynamischen Komponenten und deren Unsicherheiten
- AP3: Wissenstransfer des Kommunikationsprojekts PostAG
Die klimatischen Faktoren aus AP1 und AP2 werden getrennt evaluiert, um die Entwicklung von Wetter und Wetterextremen unter verschiedenen klimatischen Bedingungen zu evaluieren.
PATTETA trägt zur Attribution von Ursache und Wirkung von Veränderungen von Hitzewellen und Klimawandel bei. Durch die Auswertung verschiedener Faktoren und deren Einflüsse wird die Klimakommunikation hinsichtlich der erwartenden Veränderungen für die Gesellschaft verbessert.
Künstliche Intelligenz und maschinelles Lernen für eine verbesserte Darstellung von Prozessen und Extremen in Erdsystemmodellen
Förderung: Europäische Union
Laufzeit: 01.04.2024 – 31.03.2028
Team: Dr. Peter Pfleiderer, JP Dr. Sebastian Sippel
Die globale Erwärmung schreitet in alarmierendem Tempo voran und stellt die Gesellschaft vor noch nie dagewesene Herausforderungen, die dringende, wissenschaftlich fundierte Eindämmungs- und Anpassungsmaßnahmen erfordern. Erdsystemmodelle (ESM) sind wichtige Instrumente für die Vorhersage des Klimawandels und liefern wichtige Informationen für Entscheidungsträger.
Es gibt jedoch weiterhin Unsicherheiten in Klima-Projektionen:
(i) Die ESM sind sich nicht einig darüber, wie stark sich die Erde bei einem bestimmten Anstieg des atmosphärischen CO2 erwärmen wird (Klimasensitivität);
(ii) wie viel emittiertes CO2 in der Atmosphäre verbleibt (die Hälfte des vom Menschen emittierten CO2 wurde vom Land und den Ozeanen absorbiert) und
(iii) wie viel überschüssige Wärme im Erdsystem in das Innere des Ozeans gelangt, wodurch die Erwärmung der Oberfläche herausgezögert wird (~90% der Wärme im Erdsystem gelangt in den Ozean). Von zentraler Bedeutung für diese Unsicherheiten sind die schlecht verstandenen und schlecht modellierten Rückkopplungen des Erdsystems, insbesondere die Rückkopplungen der Wolken, des Kohlenstoffkreislaufs und der Wärmeaufnahme des Ozeans. Eine unzureichende Darstellung dieser Phänomene verschlechtert die Genauigkeit der ESM-Projektionen, was sich auf die Vorhersage künftiger Klimaextreme und gesellschaftlicher Auswirkungen auswirkt. Unser Ziel ist es, die Darstellung dieser Rückkopplungen in ESMs zu verbessern und so die Unsicherheit in den Prognosen zur globalen Erwärmung zu verringern. Wir schlagen einen multidisziplinären Ansatz vor, der sich darauf konzentriert, zu "lernen", wie man die Prozesse, die diesen Rückkopplungen zugrunde liegen, genau beschreiben kann, indem man Beobachtungen mit fortgeschrittenem maschinellem Lernen und künstlicher Intelligenz verbindet. Solche Daten und Ansätze, die sich an den Gesetzen der Physik orientieren, werden die Genauigkeit der Erdsystemmodelle erheblich verbessern.
AI4PEX Künstliche Intelligenz und maschinelles Lernen für eine verbesserte Darstellung von Prozessen und Extremen in Erdsystemmodellen: Dies wird zu einer höheren Genauigkeit von Klimawandelprognosen und einer besseren Unterstützung für die Umsetzung des Pariser Klimaabkommens und des europäischen Green Deal führen.