Der Wert von Low-Performern in Ozeanmodellen: Erkenntnisse zur Sauerstoffprognose in Küstengewässern
Eine aktuelle Untersuchung der Christian-Albrechts-Universität zu Kiel (CAU) verdeutlicht, dass zur Vorhersage von Sauerstoffmangel in Küstenregionen nicht ausschließlich hochleistungsfähige Ozeanmodelle herangezogen werden müssen. Auch Modelle mit geringerer Genauigkeit oder extremen Parametereinstellungen liefern wichtige Informationen. Durch den Einsatz von Methoden des maschinellen Lernens konnten Forschende bislang ungenutzte Daten dieser sogenannten „Low Performer“ integrieren und so die Prognosen zur Sauerstoffentwicklung in der Eckernförder Bucht signifikant verbessern. Die Studie wurde in der Fachzeitschrift Scientific Reports veröffentlicht und bietet neue Ansätze zur präziseren Einschätzung der Auswirkungen des Klimawandels auf die Ostsee.
Herausforderungen bei der Vorhersage von Sauerstoffmangel
Die westliche Ostsee ist häufig von Sauerstoffarmut betroffen, insbesondere in den tieferen Wasserschichten. Dieser Sauerstoffmangel belastet marine Ökosysteme und kann in Extremfällen zu Fischsterben führen. Die Erwärmung der Meere infolge des Klimawandels könnte diese Problematik weiter verschärfen. Üblicherweise werden numerische Ozeanmodelle zur Prognose solcher Entwicklungen eingesetzt. Allerdings erfassen einzelne Modelle die komplexen Prozesse der Realität nicht vollständig. Daher werden in der Meteorologie standardmäßig Modell-Ensembles verwendet, bei denen mehrere Simulationen kombiniert werden, um robustere Vorhersagen zu erzielen. In der gekoppelten Ozeanzirkulations- und biogeochemischen Modellierung befindet sich dieser Ansatz jedoch noch in der Entwicklungsphase und erfordert spezifische Anpassungen.
Integration verschiedener Modellvarianten mittels Maschinellem Lernen
Für die Untersuchung der Sauerstoffentwicklung in der Eckernförder Bucht kombinierten die Wissenschaftlerinnen und Wissenschaftler unterschiedliche Modellvarianten, die sich in zentralen Parametern wie Wasserdurchmischung, Primärproduktion oder Sauerstoffverbrauch unterscheiden. Dabei wurden bewusst auch Modelle mit niedriger Einzelleistung und extremen Einstellungen, beispielsweise ohne biotische Effekte, einbezogen, die sonst meist ausgeschlossen werden.
Statt diese Modelle zu verwerfen, wurden sämtliche Simulationen in einen Random-Forest-Algorithmus eingespeist. Dieses Verfahren des maschinellen Lernens ermöglichte es, aus Beobachtungsdaten zu lernen, unter welchen Bedingungen einzelne Modelle besonders aussagekräftig sind. Die Ergebnisse zeigten, dass die traditionelle Methode, Modellresultate zu mitteln, kaum Verbesserungen gegenüber den besten Einzelmodellen erzielte. Die Kombination mittels maschinellen Lernens hingegen führte zu einer deutlichen Steigerung der Vorhersagegenauigkeit und einer besseren Übereinstimmung mit den Messdaten.
Bedeutung der Low-Performer für die Prognosequalität
Besonders auffällig war, dass einige der schwächsten Modelle einen erheblichen Beitrag zur Gesamtprognose leisteten. Diese Low-Performer enthalten offenbar entscheidende Informationen zu seltenen oder extremen Zuständen, die für eine zuverlässige Vorhersage notwendig sind. Co-Autor Dr. Heiner Dietze betont, dass die Stärke eines Modell-Ensembles in der Vielfalt der enthaltenen Simulationen liegen kann, anstatt sich ausschließlich auf leistungsstarke Einzelmodelle zu konzentrieren.
Der Erfolg des Ansatzes beruht auch auf der Verfügbarkeit umfangreicher Beobachtungsdaten aus den Jahren 2000 bis 2015, die im Rahmen langjähriger Messprogramme, unter anderem durch das Landesamt für Umwelt Schleswig-Holstein (LfU) und das GEOMAR Helmholtz-Zentrum für Ozeanforschung Kiel, erhoben wurden. Diese Daten ermöglichten ein effektives Training des Systems. Dr. Ulrike Löptien weist darauf hin, dass in vielen Meeresgebieten vergleichbare Datengrundlagen fehlen und kritische Schwellenwerte schwer vorherzusagen sind. Dennoch sei es notwendig, den Umgang mit Unsicherheiten und extremen Annahmen zu verbessern, um zukünftige Entwicklungen in marinen Ökosystemen verlässlicher einschätzen zu können.
Auswirkungen auf Klimaforschung und Küstenschutz
Die gewonnenen Erkenntnisse haben Relevanz über die Ostsee hinaus. Biogeochemische Modelle werden weltweit genutzt, um die Folgen des Klimawandels auf marine Lebensräume zu bewerten, Risiken durch Sauerstoffmangel einzuschätzen und Schutzmaßnahmen für Küstengewässer zu entwickeln. Die Studie zeigt, wie sich die Aussagekraft solcher Modelle durch die Kombination von Ensemble-Methoden und Künstlicher Intelligenz optimieren lässt und wie Unsicherheiten in Prognosen besser quantifiziert werden können.
Förderung und Kontakt
- Gefördert wurde die Studie durch das Projekt „Projecting Critical Coastal Oxygen Deficits“ der Deutschen Forschungsgemeinschaft (DFG) sowie das Projekt PrimePrevention der Forschungsmission mareXtreme der Deutschen Allianz für Meeresforschung (DAM), unterstützt vom Bundesministerium für Forschung, Technologie und Raumfahrt (BMFTR) und den norddeutschen Bundesländern.
- Wissenschaftliche Ansprechpartnerin: Dr. Ulrike Löptien, Institut für Geowissenschaften und Institut für Informatik, Christian-Albrechts-Universität zu Kiel, ulrike.loeptien@ifg.uni-kiel.de
Literaturhinweis
Löptien, U., Dietze, H. (2026): The hidden value of low-performers: ensemble design strategies for coupled ocean-circulation biogeochemical modelling. Scientific Reports, 16, 17683. https://doi.org/10.1038/s41598-026-54424-0
