Künstliche Intelligenz verbessert Meeresoberflächentemperaturen für bessere Klima- und Wettervorhersagen Jeden Sommer bedrohen Taifune die Koreanische Halbinsel, indem sie ihre Energie aus den warmen Gewässern des Nordwestpazifik ziehen. In den letzten Jahren haben sich Extremwetterereignisse wie Hitzewellen, Dürren und Starkregen zunehmend mit steigenden Meeresoberflächentemperaturen (MOTs) verknüpft. Genauere Vorhersagen der MOTs sind daher ein wesentlicher Bestandteil der Klima- und Wetterprognosen geworden. Satellitenbeobachtungen, die eine breite und kontinuierliche Überwachung ermöglichen, leiden jedoch oft an Datenlücken, die durch Wolken, Niederschläge und andere Beobachtungseinschränkungen verursacht werden. Dies behindert langfristige, hochaufgelöste Klimaanalysen. Um dieser Herausforderung zu begegnen, hat ein Team von Forschern an der UNIST (Ulsan National Institute of Science and Technology) ein bahnbrechendes KI-Modell entwickelt, das fehlende Satellitendaten wiederherstellt und kontinuierliche, hochaufgelöste MOT-Datensätze mit uneingeschränkter Genauigkeit generiert. Die Ergebnisse wurden in der Zeitschrift "Remote Sensing of Environment" veröffentlicht. Unter der Leitung von Professor Jungho Im vom Fachbereich für Bauingenieur-, Stadt-, Geo- und Umweltwissenschaften hat das Team ein innovatives künstliches Intelligenz-basiertes Rekonstruktionsystem entwickelt, das Beobachtungslücken schließt und MOT-Daten mit einer räumlichen Auflösung von 2 Kilometern und stündlich bereitstellt. Diese Entwicklung verspricht, unser Verständnis der ozeanischen Bedingungen, die regionalen Wetter- und Klimamuster direkt beeinflussen, erheblich zu verbessern. Die Ozeane speichern etwa 90% der Oberflächenenergie der Erde, wobei die MOT einen kritischen Übergangspunkt darstellt, an dem Wärmeaustausch zwischen Ozean und Atmosphäre stattfindet. Erhöhte MOTs können Wärme nach oben transferieren, starke Taifune anheizen, Hitzewellen verstärken und das Risiko von Starkregenereignissen erhöhen. Trotz seiner Bedeutung bleibt die kontinuierliche, hochaufgelöste Überwachung von MOT wegen der Lücken in den Satellitenbildern herausfordernd. Um diese Hürde zu überwinden, nutzten die Forscher ein Generative Adversarial Network (GAN), eine fortschrittliche KI-Architektur, die ursprünglich für Bildsynthese entwickelt wurde. Sie trainierten es mit hochfrequenten Satellitendaten in Kombination mit thermodynamischen Einblicken aus numerischen Wettermodeellen. Im Gegensatz zu herkömmlichen Modellen integriert dieser Ansatz physikalische Prinzipien des Ozeans, wodurch die KI MOT-Daten erzeugen kann, die selbst bei fehlenden Beobachtungen eng an die realen physikalischen Bedingungen angepasst sind. "Traditionelle Methoden wie lineare Interpolation oder statistische Modelle haben oft Schwierigkeiten, die Feinheiten der MOT, insbesondere während schneller Temperaturänderungen, zu bewahren," erklärte Sihun Jung, der erste Autor der Studie. "Unser KI-Modell übertrifft diese Methoden nicht nur in Bezug auf Genauigkeit, sondern behält auch unter schwierigen Bedingungen eine hohe Treue, was es zu einem mächtigen Werkzeug für die Klimaüberwachung macht." Professor Im betonte die weiterreichende Bedeutung: "Diese fortschrittliche Rekonstruktionstechnologie ist besonders wichtig für den Nordwestpazifik, eine Region, die häufig Taifune und klimatische Variabilität erlebt." Er fügte hinzu: "Durch die Bereitstellung hochaufgelöster MOT-Daten können wir Wettervorhersagen und Klimamodelle erheblich verbessern. Langfristig könnte dieses Technologie auch für Frühwarnsysteme bei marinen Naturkatastrophen wie Meereshitzwellen entscheidend sein, um Gemeinschaften und Ökosysteme zu schützen." Die Erweiterung der Anwendungsbereiche dieses KI-Modells könnte zu signifikant besseren Prognosen führen und damit wichtige Schritte zur Vorbereitung und Reaktion auf klimabedingte Ereignisse ermöglichen. Die UNIST, als führendes Forschungsinstitut für Naturwissenschaften und Technologie, setzt damit einen wichtigen Akzent in der Entwicklung fortschrittlicher Klimamonitoring-Technologien. Sihun Jung und seine Kollegen präsentieren in ihrer Veröffentlichung im "Remote Sensing of Environment" detaillierte Ergebnisse und Methoden, die die Nutzung geostationärer Satellitendaten und die Integration physikalischer Prinzipien hervorheben. Ihre Arbeit zeigt, dass die Kombination von moderner KI und fundiertem wissenschaftlichem Wissen die Genauigkeit und Zuverlässigkeit von Klimadaten erheblich steigern kann, was letztlich zu besser informierten Entscheidungen in der Wetter- und Klimavoraussage führt.