Klima- & Erdsystemmodellierung

Physikbasierte Klima- und Erdsystemmodelle brauchen Supercomputer und Wochen an Rechenzeit je Szenario. Emulatoren des maschinellen Lernens, hybride Physik-ML-Modelle und gelernte Downscaling-Verfahren bilden das wesentliche Verhalten um Größenordnungen schneller nach und erlauben so größere Ensembles, feinere Auflösung und schnellere Was-wäre-wenn-Analysen. Sie ergänzen die physikalischen Modelle, ersetzen sie aber nicht; ihr Hauptrisiko ist die Verlässlichkeit außerhalb der Trainingsverteilung.

Problem & Nutzen

• Heute: Globale und regionale Klimamodelle (z. B. ICON, IFS, EC-Earth, NEMO, regionale CORDEX-Modelle) laufen auf HPC-Systemen. Die Kosten begrenzen Ensemblegröße, Auflösung und Szenarienzahl. Nachgelagerte Nutzer (Städte, Versorger, Versicherer) erhalten meist grobe Daten oder vorberechnete Produkte.
• KI-Nutzen: schnelle Emulatoren für Ensembles und die Stichprobenziehung seltener Extremrisiken, statistisches/generatives Downscaling von ca. 100 km auf Kilometerskala, Bias-Korrektur, Lernen von Parametrisierungen (Wolken, Konvektion) und automatisierte Evaluierung von Modellausgaben gegen Beobachtungen.
• Evidenz: ML-Wettermodelle (GraphCast, Pangu-Weather, ECMWF AIFS) erreichen oder übertreffen physikbasierte Vorhersagen im mittleren Zeitbereich bei vielen zentralen Gütemaßen, bei einem Bruchteil des Rechenaufwands für die Inferenz [1][2]. Für Klimazeiträume zeigen hybride Modelle wie NeuralGCM bei einigen Konfigurationen Stabilität über mehrere Jahrzehnte, doch die Evidenz ist deutlich dünner als beim Wetter [3].
• Politischer Kontext: Die EU-Initiative Destination Earth (DestinE) baut digitale Zwillinge des Erdsystems mit Ambitionen auf Kilometerskala auf und erzeugt damit öffentliche Nachfrage nach KI-beschleunigten Komponenten [4].

Varianten

• ML-Modelle von Wetter bis subsaisonal: datengetriebene Vorhersage als Baustein (siehe PRED-017).
• Klima-Emulatoren: schnelle Ersatzmodelle eines bestimmten CMIP6-Modells zur Szenarienerkundung (z. B. Aufgaben im Stil von ClimateBench).
• Hybride Physik-ML-GCMs: differenzierbarer dynamischer Kern plus gelernte Physik (NeuralGCM).
• Downscaling & Bias-Korrektur: statistisch, GAN-/diffusionsbasiert; für regionale Wirkungsstudien (siehe PRED-036).
• Emulatoren für Ozean, Kryosphäre, Land und Kohlenstoffkreislauf.
• Agentische Evaluierung: LLM-Agenten, die die Analyse von Klimadaten skripten (xarray, CDO), ein Einsatz als Forschungsassistent (siehe SCI-011).
• Private Nutzung: keine über die Nutzung veröffentlichter Vorhersagen und Klimaatlanten hinaus.

So funktioniert es

1. observations + reanalysis (ERA5) + CMIP6/CORDEX output
2. data curation & regridding (xarray, Zarr, intake-esm)
3. model: emulator / hybrid GCM / diffusion downscaler (trained on physics-model or reanalysis data)
4. autoregressive rollout or conditional sampling
5. ensemble
6. physical-consistency checks (conservation, spectra, extremes, drift)
7. evaluation vs. reference models and observations
8. scientist review
9. publication / downstream impact models

• Architekturen: Graph Neural Networks (GraphCast, AIFS), Transformer (Pangu, Aurora), neuronale Operatoren (FourCastNet), Diffusionsmodelle für Ensembles und Downscaling, hybride differenzierbare Löser.
• Basismodelle: auf großen Reanalyse-/Modellarchiven vortrainiert und je Aufgabe feinabgestimmt (Feintuning), z. B. Microsoft Aurora, Prithvi-weather und Prithvi-EO von NASA/IBM [5].
• Mensch-in-der-Schleife (Human-in-the-Loop): Klimawissenschaftler prüfen physikalische Plausibilität, Langzeitdrift und Extreme, bevor Ergebnisse in einen Bericht oder ein Produkt eingehen. Die Kommunikation von Unsicherheit ist verpflichtend.

Datenaufbereitung

Benötigt werden Reanalyseprodukte (z. B. ERA5), Modellausgaben (CMIP/CORDEX), Stations- und Satellitenbeobachtungen und für Risikoteams Expositionsdaten wie Standorte von Anlagen. Sie liegen in Archiven wie den Copernicus-Datenspeichern, auf HPC-Dateisystemen, Institutslaufwerken und in hauseigenen Datenbanken. Typische Lücken: uneinheitliche Formate und Gitter (NetCDF, GRIB, Zarr), inkonsistente Einheiten und Kalender, fehlende oder verzerrte Stationsdaten, undokumentierte Modellversionen, große Datenmengen, die nicht auf einen Laptop passen, und Expositionsdaten schlechter Qualität.

Schritte der Aufbereitung: Quellen inventarisieren und den Modelleingaben zuordnen (PREP-001, PREP-002); in analysebereite, in Blöcke (Chunks) aufgeteilte Cloud-native Formate (Zarr) mit Standard-Metadaten umwandeln; auf neue Gitter umrechnen und Bias korrigieren; Trainings-, Validierungs- und Testdaten nach Zeiträumen trennen, um Datenlecks zu vermeiden; Expositionstabellen bereinigen (PREP-011); Variablen in einem Glossar dokumentieren (PREP-012). Werkzeuge: xarray, Dask, CDO, Intake-Kataloge. Rechnen Sie mit etwa der Hälfte bis zwei Dritteln des Aufwands für Data Engineering. Siehe GUIDE-003.

Umsetzungswege

Welcher Weg für wen

• Unternehmen (Klimarisiko-, Energie-, Versicherungsteams): Weg C. Offene vortrainierte Emulatoren und Downscaling-Modelle laufen auf eigenen GPU-Knoten, und die Risikomodelle sind Kern-Know-how, das nicht von einem Anbieter abhängen sollte.
• Entwickler: Weg C. Offene Gewichte und Frameworks (z. B. Earth2Studio, Modelle im Stil von GraphCast) erlauben Feintuning und reproduzierbare Experimente.
• Öffentlicher Sektor (Wetterdienste, Forschungsinstitute): Weg C. HPC-Zentren und souveräne Infrastruktur sind bereits vorhanden, und öffentlich finanzierte Wissenschaft bevorzugt offene, prüfbare Modelle.

Weg A — Kaufen (Standardsoftware)

Überwiegend die Nutzung von Diensten statt Modellbau: Copernicus Climate Data Store und Climate Change Service (EU), DestinE-Datenportal (EU), ECMWF Open Data sowie kommerzielle Anbieter von Klimaanalysen für herunterskalierte Indikatoren, z. B. Jupiter Intelligence, Climate X (Herkunft und Validierung prüfen; Cervest ging 2023 in die Insolvenzverwaltung und seine Vermögenswerte wurden verkauft, verlassen Sie sich daher nicht darauf). Für KMU und Kommunen ist dies der richtige Weg.

Weg B — Auf Cloud-KI-Diensten aufbauen

• Gehostete Inferenz vortrainierter Modelle: Microsoft Aurora über Azure AI Foundry, NVIDIA Earth-2 (Cloud/NIM-Microservices), Veröffentlichungen von Google zu Wetter/NeuralGCM, soweit verfügbar, ECMWF AIFS über Open Data.
• Cloud-native Daten: Copernicus-DIAS-Plattformen (EU, z. B. CREODIAS, WEkEO), Zarr-Kataloge im Stil des Planetary Computer.
• LLM-Assistenten (Claude, Mistral, Gemini) zur Erzeugung von Analysecode, mit Prüfung der Ergebnisse durch Wissenschaftler.

Weg C — Selbst betreiben (Open Source)

• Modelle: ECMWF AIFS (offene Gewichte, anemoi-Framework), NVIDIA Earth-2 / earth2studio, FourCastNet, GraphCast (offener Code/Gewichte, Lizenz prüfen), Pangu-Weather, Aurora (offene Gewichte), NeuralGCM (offener Code), Prithvi (offen).
• Stack: PyTorch, JAX, anemoi, xarray, Dask, Zarr, ESMValTool zur Evaluierung, Climate Data Operators (CDO).
• Hardware: Die Inferenz globaler 0,25°-Modelle passt auf eine HW3-GPU; Training und Arbeiten auf Kilometerskala brauchen HW4–HW5 oder EuroHPC-Systeme (z. B. LUMI, Leonardo, JUPITER) über Zugangsausschreibungen.

Weg D — Eigenes Training

Nötig für eine bestimmte Region, Variable oder einen bestimmten Modell-Emulator. Erfordert Terabytes bis Petabytes an Simulations- oder Reanalysedaten, GPU-Cluster-Zeit und Fachleute aus dem Gebiet. Läuft meist als Forschungsprojekt mit einem nationalen Wetterdienst oder Institut.

Stand der Technik (2026)

• Datengetriebene globale Vorhersage ist beim ECMWF (AIFS, einschließlich Ensemble-Version) und bei anderen Diensten im Regelbetrieb und wird zunehmend zur Grundlage der DestinE-Arbeiten [2][4].
• Generative Modelle liefern kalibrierte Ensembles zu geringen Kosten; ML-Downscaling auf Kilometerskala ist bei Temperatur und Niederschlag produktiv, bei seltenen zusammengesetzten Extremen aber schwächer.
• Hybride Modelle wie NeuralGCM sind vielversprechend für Klimaläufe über mehrere Jahrzehnte; reine ML-Klima-Emulatoren gelten vor allem für die Interpolation innerhalb der Szenariobereiche als vertrauenswürdig [3].
• Grenzen und Fehlerbilder: Extrapolation auf ungesehene Erwärmungsniveaus, Verletzung von Erhaltungssätzen, Drift bei langen Läufen, geglättete Extreme, Verzerrung durch Trainingsdaten (Reanalysefehler) und geringe kausale Treue bei Kippelementen. Benchmarks (WeatherBench 2) messen Vorhersagegüte, nicht die Treue gegenüber dem Klimawandel [1].

Gemeinsame Bausteine & Kombinationen

• Gleicher Stack: PRED-017 (Wettervorhersage), PRED-027 (Hochwasser), SCI-005 (Simulations-Ersatzmodelle) teilen Modelle, GPU-Knoten und Zarr/xarray-Pipelines.
• Datenseite: VIS-021 und VIS-042 (Satellitenbilder, Methan) liefern Beobachtungen; PRED-036 verwendet herunterskalierte Gefahrendaten; OPT-026 nutzt Wetterfelder für die Routenplanung.
• Agenten: SCI-011 für automatisierte Analyse-Workflows.

Aufwand, Kosten & Kennzahlen

• Weg A/B: Tage bis Wochen; die Kosten sind Daten- und API-Gebühren.
• Weg C: 2–6 Monate, um ein vortrainiertes Modell lokal nachzubauen und zu validieren; Hauptkosten sind der GPU-Betrieb und das Personal.
• Weg D: 1–3 Jahre als Forschungsprogramm; große Rechenbudgets.
• Kennzahlen: Gütemaße (RMSE, CRPS, Spread-Skill) gegenüber Referenzmodellen, Erfassung von Extremereignissen, Langzeitdrift, Fehler bei der Energieerhaltung, Beschleunigung gegenüber dem physikalischen Modell, Reproduzierbarkeit.

Menschen & Veränderung

Beginnen Sie mit Geschäftsleitung und Abteilungsleitung, um die wissenschaftliche oder geschäftliche Fragestellung zu klären. Beziehen Sie dann Wissenschaftler und Analysten als Anwender ein, den IT-/HPC-Betrieb für Rechenleistung und Speicher, die Eigentümer der Beobachtungs- und Modellarchive und die Lieferanten von Datenprodukten. Der Datenschutz spielt eine geringe Rolle, da die Daten überwiegend nicht personenbezogen sind; binden Sie die bzw. den Datenschutzbeauftragte(n) nur ein, wenn Expositions- oder Adressdaten hinzukommen (GUIDE-005).

Betriebsrat: in der Regel nein. Das System analysiert geophysikalische Daten, nicht das Verhalten oder die Leistung von Beschäftigten, daher greift § 87 Abs. 1 Nr. 6 BetrVG nicht. Informieren Sie den Betriebsrat dennoch rechtzeitig nach § 90 Abs. 1 Nr. 3, wenn sich Arbeitsabläufe spürbar ändern; öffentliche Institute informieren den Personalrat.

KI-Kompetenz: Art. 4 KI-Verordnung (AI Act) verlangt Maßnahmen, die die KI-Kompetenz der Beschäftigten fördern; führen Sie kurze Workshops dazu durch, was Emulatoren können und was nicht, besonders bei Extremen und Verhalten außerhalb der Trainingsverteilung (GUIDE-006). Starten Sie einen Piloten mit einer Region und einer Variable, vergleichen Sie mit dem physikalischen Modell und veröffentlichen Sie die Validierung. Typische Sorge: Ersatz der physikalischen Modelle oder Vertrauen in Black Boxes. Begegnen Sie ihr, indem Sie Emulatoren als Ergänzung positionieren, physikbasierte Prüfungen durchführen und die Verantwortung für die Ergebnisse bei den Wissenschaftlern belassen (GUIDE-009).

Risiken, Regulierung & Compliance

• KI-Verordnung (AI Act): minimales Risiko bei Forschung und allgemeiner Klimamodellierung. Fließen die Ergebnisse in Sicherheitskomponenten kritischer Infrastruktur ein (Anhang III), können den Integrator Pflichten treffen. Die KI-Kompetenz (Art. 4) gilt. Die Regeln für KI-Modelle mit allgemeinem Verwendungszweck gelten für Fachmodelle in der Regel nicht.
• DSGVO: Gitterbasierte geophysikalische Daten sind keine personenbezogenen Daten; verknüpft mit Expositionsdaten auf Adressebene können sie es werden (Versicherung, Immobilien).
• Datenlizenzen: Bedingungen von ERA5 und CMIP6 (Copernicus-Lizenz, Namensnennung); Lizenzen der Gewichte prüfen (manche nicht-kommerziell).
• Wissenschaftliche Integrität: Geben Sie Emulatorausgaben nicht ohne Validierung als physikalische Projektion aus; dokumentieren Sie die Unsicherheit (Praxis des IPCC). Bei der Verwendung für die Bewertung physischer Risiken können Offenlegungspflichten nach CSRD/ESRS E1 (Berichterstattung zu Klimarisiken) entstehen.
• Gegenmaßnahmen: Benchmark gegen physikalische Modelle, eine physikalische Referenz beibehalten, die Evaluierung veröffentlichen, Daten und Gewichte versionieren.

Erste Schritte

1. Legen Sie die Entscheidung fest: Vorhersage, Szenario-Emulation, Downscaling oder Risikoindikatoren.
2. Probieren Sie zuerst vorhandene Copernicus-/DestinE-Produkte aus, bevor Sie ein Modell bauen.
3. Lassen Sie ein vortrainiertes offenes Modell (AIFS, Earth-2, Aurora) auf einer kleinen Region laufen und vergleichen Sie mit ERA5.
4. Ergänzen Sie die Evaluierung mit ESMValTool und Kennzahlen für Extremereignisse; prüfen Sie die Drift bei langen Läufen.
5. Vereinbaren Sie für den Produktivbetrieb Validierungskriterien mit den Fachwissenschaftlern und beantragen Sie bei Training EuroHPC-Rechenzeit.

Quellen

1. WeatherBench 2 benchmark — https://sites.research.google/weatherbench/
2. ECMWF — AIFS machine-learning forecasting — https://www.ecmwf.int/en/about/media-centre/aifs-blog
3. Kochkov et al., Neural general circulation models for weather and climate, Nature 2024 — https://www.nature.com/articles/s41586-024-07744-y
4. European Commission — Destination Earth — https://destination-earth.eu/
5. Bodnar et al., A foundation model for the Earth system (Aurora), Nature 2025 — https://www.nature.com/articles/s41586-025-09005-y
6. NVIDIA Earth-2 — https://www.nvidia.com/en-us/high-performance-computing/earth-2/
7. Copernicus Climate Change Service — https://climate.copernicus.eu/
8. Regulation (EU) 2024/1689 (AI Act) — https://eur-lex.europa.eu/eli/reg/2024/1689/oj