WIE VIEL DES JÜNGSTEN KLIMAWANDELS IST NATÜRLICHE SCHWANKUNG?

Jeder Klimatrend, den wir beobachten, ist die Summe zweier Dinge. Das eine ist die erzwungene Reaktion (forced response): die Veränderung, die Treibhausgase, Aerosole, Landnutzung und Vulkanausbrüche anstoßen. Das andere ist die interne Variabilität: die Eigenschwankungen des Klimas, etwa El Niño oder die langsamen Oszillationen des Pazifiks und des Atlantiks. Beides auseinanderzuhalten ist wichtig, sowohl um den Klimawandel zu verstehen als auch um zu beurteilen, ob Klimamodelle ihn richtig wiedergeben.

Das Problem: Die Wirklichkeit läuft nur einmal ab. Klimamodelle lassen sich dutzendfach mit demselben Antrieb rechnen, und der Mittelwert dieser Läufe zeigt den erzwungenen Anteil. Doch Modelle haben Verzerrungen, und einfachere statistische Kniffe setzen meist voraus, dass sich das erzwungene Muster nie ändert. Ein jüngerer internationaler Vergleich solcher Methoden ergab, dass die Fehler groß blieben – und dass Methoden des maschinellen Lernens nicht besser abschnitten als klassische Statistik.

Das Paper nennt ein warnendes Beispiel: Die Verlangsamung der globalen Erwärmung zwischen 1998 und 2012 wurde zunächst als Zeichen gedeutet, dass die menschengemachte Erwärmung nachlasse und die Modelle falsch lägen, bevor man sie als interne Variabilität erkannte.

Ein Netz, das das Rauschen lernt

Parvathi Kooloth, Wenyu Zhou und Kollegen vom Pacific Northwest National Laboratory sowie den Universitäten von Kalifornien in San Diego und Washington bauten ein ConvLSTM, ein neuronales Netz, das ein Gespür für räumliche Muster mit einem Gedächtnis dafür verbindet, wie sie sich entwickeln. Sie trainierten es an großen Simulationsensembles aus 15 Klimamodellen, anhand von Karten der Oberflächentemperatur, des Niederschlags und des Luftdrucks auf Meereshöhe. Seine Aufgabe war es, die natürlichen Schwankungen zu erkennen; was übrig bleibt, ist der erzwungene Anteil.

An Modellen getestet, die es nie gesehen hatte, schlug es sechs bestehende Methoden bei Temperatur, Niederschlag und Luftdruck über den größten Teil des historischen Zeitraums – mit einer Ausnahme, einer Simulation, die die Autoren für einen unrealistischen Ausreißer halten. Für die reale Welt wurden zehn Versionen des Netzes, jede an einer anderen Auswahl von zehn Modellen trainiert, auf das seit 1940 beobachtete Klima angewandt.

Was es in den realen Daten findet

• Die Erwärmungspause 1998–2012 erweist sich als natürliche Variabilität, wie spätere Studien folgerten. Der natürliche Anteil der globalen Temperatur folgt eng der langsamen Oszillation des Pazifiks.
• Die Arktis. Die beobachtete Erwärmung der Arktis erreichte zuletzt etwa das Vierfache der globalen Rate. Laut dem Netz bleibt der erzwungene Anteil nahezu konstant bei etwa dem Dreifachen. Den Rest besorgten natürliche Schwankungen: Der Pazifik bremste die globale Erwärmung, während ein regionales Hin und Her der Arktis selbst, ein arktischer Variabilitätsmodus, die Erwärmung dort verstärkte, besonders 2005–2020.
• Der Atlantik. Der Temperaturkontrast zwischen Nord- und Südatlantik folgt seit 1950 einer V-Form. Auch der erzwungene Anteil sinkt und steigt, im Einklang mit dem Anstieg und späteren Rückgang der Aerosolverschmutzung auf der Nordhalbkugel. Die natürliche Variabilität verstärkte den Ausschlag und schuf das tiefe Minimum der 1970er- und 1980er-Jahre.
• Der Pazifik und der Südwesten der USA. Seit 1980 hat sich der östliche äquatoriale Pazifik weniger erwärmt als der westliche, ein „La-Niña-artiges“ Muster, das Modelle selten wiedergeben. Laut dem Netz hätte die erzwungene Reaktion allein ein schwaches entgegengesetztes, „El-Niño-artiges“ Muster erzeugt; die natürliche Variabilität kehrte es um. Dasselbe gilt für die Verstärkung des Hochdrucks über dem Nordostpazifik und die Austrocknung des Südwestens Nordamerikas: überwiegend natürlich, mit nur bescheidenem erzwungenem Anteil.

Bei mehreren dieser Merkmale liegt der über 1980–2022 beobachtete Trend außerhalb der Spanne der geschätzten erzwungenen Reaktion – eine Erinnerung daran, dass ein einzelner historischer Trend ein schlechter Wegweiser dafür sein kann, was der Mensch verursacht hat.

Eine Probe für die Modelle

Weil das Netz eine explizite Schätzung des erzwungenen Anteils liefert, lässt sich diese direkt mit den Modellsimulationen vergleichen. Die großen Muster stimmen überein: mehr Erwärmung über Land und in hohen Breiten, weniger über dem subpolaren Nordatlantik und dem Südlichen Ozean, feuchtere Tropen und hohe Breiten, trockenere Subtropen. Aber die Modelle erwärmen die Nordhalbkugel stärker, verstärken den subtropischen Hochdruck weniger und trocknen die Landflächen weniger aus. Die Autoren vermuten, dass heutige Modelle unterschätzen könnten, wie stark sich verschiebende Winde die Kontinente austrocknen werden.

Die Grenzen nennen sie selbst. Das Netz lernt aus Modellen, also könnte eine Verzerrung, die alle Modelle teilen, es in die Irre führen. Warum es so gut funktioniert, ist in seinem Inneren schwer zu erkennen. Und es setzt voraus, dass der Mittelwert einer endlichen Zahl von Simulationen die wahre erzwungene Reaktion ist. Innerhalb dieser Grenzen, so schließen die Autoren, kann maschinelles Lernen die Zuordnung vergangener Klimaveränderungen robuster machen – und die Prüfung der Modelle schärfer.