Künstliche Intelligenz zur Analyse ozeanischer Strömungssysteme
Forschende des GEOMAR Helmholtz-Zentrums für Ozeanforschung Kiel sowie der Christian-Albrechts-Universität zu Kiel (CAU) haben einen innovativen Ansatz entwickelt, um zentrale Eigenschaften der Atlantischen Meridionalen Umwälzzirkulation (AMOC) mithilfe Künstlicher Intelligenz (KI) und Daten des globalen Argo-Float-Programms zu bestimmen. Die Ergebnisse wurden im Fachjournal Ocean Science veröffentlicht und bieten eine neue Methode zur effizienteren Überwachung dieses komplexen Strömungssystems, das eine bedeutende Rolle für das europäische Klima spielt.
Das Argo-Float-Programm als Datenquelle
Seit über zwei Jahrzehnten sind etwa 4000 autonome Messbojen weltweit in den Ozeanen unterwegs. Diese Bojen, Teil des internationalen Argo-Programms, tauchen regelmäßig bis zu 2000 Meter tief und erfassen beim Aufstieg Parameter wie Temperatur, Salzgehalt und Druck. Die gesammelten Daten werden per Satellit übertragen und stehen der wissenschaftlichen Gemeinschaft global zur Verfügung. Dieses Beobachtungssystem hat die Ozeanforschung maßgeblich verändert.
Erweiterte Nutzung der Argo-Daten durch KI
Die aktuelle Studie untersucht, ob sich aus den punktuellen Argo-Messungen großräumige Strömungsmuster ableiten lassen, die bisher nur durch aufwendige Messkampagnen erfasst wurden. Dr. Yannick Wölker, Erstautor der Untersuchung, erläutert, dass die Kombination von Maschinellem Lernen mit physikalischen Modellen neue Möglichkeiten eröffnet, um aus vorhandenen Daten umfassendere Informationen über zentrale ozeanische Strömungssysteme zu gewinnen.
Bedeutung der Atlantischen Meridionalen Umwälzzirkulation (AMOC)
Die AMOC fungiert als Förderband, das warmes Oberflächenwasser nach Norden transportiert, wo es abkühlt, absinkt und als kaltes Tiefenwasser zurückfließt. Dieser Prozess beeinflusst maßgeblich den Wärmetransport und somit das Klima, insbesondere in Europa. Die Stabilität und Veränderungen der AMOC im Kontext des Klimawandels sind zentrale Forschungsfragen, deren direkte Beobachtung bislang durch begrenzte und kostenintensive Messreihen erschwert wird.
Methodik: Kombination von Simulationen und Beobachtungsdaten
Die Forschenden nutzten hochaufgelöste Ozeansimulationen, um ein Maschinelles Lernverfahren zu trainieren, das Zusammenhänge zwischen Strömungsmustern und Profilen von Temperatur sowie Salzgehalt erkennt. Dieses Wissen wurde anschließend auf reale Argo-Daten angewandt. Dadurch ist es möglich, aus einzelnen Messpunkten Rückschlüsse auf großräumige Strömungsstärken zu ziehen, insbesondere auf den geostrophischen Anteil der Zirkulation, der bislang schwer kontinuierlich messbar war.
Ergebnisse und Grenzen des Verfahrens
- Die Schätzungen basierend auf Argo-Daten stimmen gut mit etablierten Beobachtungen und Modellsimulationen überein.
- Die Methode ergänzt bestehende Messsysteme, ersetzt diese jedoch nicht.
- Kurzfristige Schwankungen sowie langfristige Trends der AMOC können nur eingeschränkt erfasst werden.
Dr. Wölker betont, dass der Ansatz dazu dient, vorhandene Daten besser zu nutzen und Beobachtungslücken zu schließen, ohne direkte Messungen zu substituieren.
Ausblick für zukünftige Ozeanbeobachtungen
Die entwickelte Methode könnte bei der Planung zukünftiger Messnetze eine wichtige Rolle spielen, indem sie globale Programme wie Argo durch moderne Datenanalyse ergänzt und die Platzierung zusätzlicher Infrastruktur optimiert. Prof. Dr. Arne Biastoch vom GEOMAR weist darauf hin, dass KI-basierte Verfahren strategische Entscheidungen für ein effizientes und international abgestimmtes Klimamonitoring unterstützen können.
Die Studie entstand im Rahmen der Helmholtz School for Marine Data Science (MarDATA), einem interdisziplinären Doktorandenausbildungsprogramm, das Meeresforschung und Informatik verbindet.
Originalpublikation
Wölker, Y., Rath, W., Renz, M. und Biastoch, A. (2025): Estimating the AMOC from Argo Profiles with Machine Learning Trained on Ocean Simulations, Ocean Sci., 21, 3541–3562, doi.org/10.5194/os-21-3541-2025.
