Globalklimamodelle liefern eine umfassende Sicht auf langfristige Klimatrends, aber sie verlieren lokale Extremereignisse wie Hurrikane oder Hitzewellen in der räumlichen Auflösung. Mit NVIDIA Earth-2 und dem KI-Modell CorrDiff gelingt es nun, grobgranulare CMIP6-Projektionen in hochaufgelöste, biaskorrigierte Felder zu transformieren – wodurch lokale Klimadetails sichtbar werden, die sonst verloren gingen. CorrDiff kombiniert eine Regressions- und eine Diffusionskomponente, um räumliche und zeitliche Downscaling, Bias-Korrektur sowie die Synthese von Klimavariablen in einem einzigen Schritt durchzuführen. Es lernt, von fehlerbehafteten Klimamodellausgaben (z. B. CanESM5 auf ~2,8° Auflösung) zu beobachtungskonformen Reanalysen (wie ERA5 auf 0,25°) zu übersetzen. Dabei nutzt es nicht nur die räumlichen und zeitlichen Muster, sondern auch geografische Kontextkanäle wie Geopotentialhöhe, Ozeanentfernung und sphärische Koordinaten, um präzise, physikalisch plausiblen Ergebnisse zu erzeugen. Die Trainingsdaten basieren auf 38 Jahren gemeinsamer Abdeckung zwischen CanESM5 (assimilierte Hindcasts) und ERA5, ergänzt um 10 Ensemble-Mitglieder – insgesamt etwa 138.700 Trainingsproben. Die Eingabedaten umfassen 231 Kanäle, darunter Oberflächen- und Druckebenenvariablen, sowie zeitliche und räumliche Kontextinformationen. Der Trainingsschritt erfolgt in fünf Phasen: Datenladung, Modellkonfiguration, Regressionstraining, Evaluierung und Diffusionsmodelltraining. Die Ergebnisse zeigen deutliche Verbesserungen gegenüber klassischen Methoden wie bilinearem Interpolieren: So sinkt die Bias bei der Lufttemperatur (T2m) von 0,97 K auf -0,11 K, während MAE und RMSE deutlich sinken. Besonders beeindruckend ist die Wiederherstellung von tropischen Zyklonen in der Karibik und im Pazifik – Systeme, die in den Rohdaten der CMIP6-Modelle nicht aufgelöst sind, aber durch feine, großskalige Fingerabdrücke erkannt und rekonstruiert werden. Ein weiterer Vorteil liegt in der Fähigkeit, aus einem einzigen Eingabeprojektion große Ensemble-Sets zu generieren. Diese ermöglichen eine robuste Abschätzung von Tail-Risiken und Unsicherheiten – entscheidend für Versicherungsunternehmen wie S&P Global Energy, die damit portfolioübergreifende Risikoanalysen durchführen. Die erzeugten hochaufgelösten Szenarien fließen in interne Schadensmodelle ein, um Auswirkungen auf Infrastruktur, Energieversorgung und Lieferketten zu quantifizieren. Auch wenn die Extrapolation in die Zukunft noch mit Vorsicht zu genießen ist – besonders bei Windkomponenten –, zeigt die Stabilität der Korrektur über die historische Periode hinaus, dass CorrDiff eine zuverlässige Basis für zukünftige Risikoabschätzungen bieten kann. Industrieexperten sehen in CorrDiff einen Meilenstein für die Klimarisikobewertung: „Es ist die erste KI-Lösung, die gleichzeitig mehrere komplexe Klima-Transformationen in einer einzigen Architektur bewältigt“, sagt ein Klima-Ingenieur bei einem Energiekonzern. „Das ermöglicht eine neue Dimension der Entscheidungsfindung – von der Infrastrukturplanung bis zur Versicherungsprämienkalkulation.“ NVIDIA Earth-2 stellt eine vollständige Plattform bereit, die von Forschung bis zur industriellen Anwendung reicht. Mit Tools wie Earth2Studio und PhysicsNeMo ist die Nutzung auch für Nicht-Spezialisten zugänglich. Die Zukunft der Klimamodellierung liegt in der Kombination von beschleunigter Rechenleistung, KI und Beobachtungsdaten – und CorrDiff ist ein entscheidender Schritt in diese Richtung.