Maschinelles Lernen trägt dazu bei, die Unsicherheit künftiger Erwärmung deutlich zu verringern

Warum das für unsere Zukunft wichtig ist

Wenn Wissenschaftler abschätzen, wie stark sich der Planet erwärmen wird, ist die Bandbreite möglicher Zukünfte nach wie vor groß, und diese Unsicherheit beeinflusst alles von Küstenplanung bis Energiepolitik. Diese Studie zeigt, dass leistungsfähige Computerlernverfahren deutlich mehr Informationen aus der bereits beobachteten Erwärmung gewinnen können und so die Spanne wahrscheinlicher zukünftiger Temperaturen deutlich einengen. Das liefert klarere Hinweise darauf, wie schnell wir wichtige internationale Klimaziele wie 1,5 °C und 2 °C globaler Erwärmung wahrscheinlich überschreiten könnten.

Über den globalen Mittelwert hinausblicken

Bisher stützten sich die meisten Bemühungen zur Verfeinerung künftiger Erwärmungsprojektionen stark auf eine einzige Zahl: den Anstieg der globalen mittleren Oberflächentemperatur. Aber die globale Erwärmung ist nicht einheitlich. Einige Regionen, etwa die Arktis und Teile der Tropen, erwärmen sich deutlich schneller als andere. Die Autoren argumentieren, dass diese geografischen Unterschiede wertvolle Hinweise enthalten, die weitgehend unberücksichtigt bleiben, wenn man sich nur auf den globalen Mittelwert konzentriert. Sie nutzen eine Form des maschinellen Lernens, um die vollständige globale Karte der Temperaturtrends der letzten 50 Jahre zu lesen und diese Muster mit der Bandbreite der Erwärmungsergebnisse zu verknüpfen, die Dutzende Klimamodelle liefern.

Dem Computer beibringen, aus vergangener Erwärmung zu lernen

Das Team trainiert einen Lernalgorithmus mit Simulationen vieler Klimamodelle, die an einem großen internationalen Vergleichsprojekt teilgenommen haben. Für jeden Modelllauf geben sie dem Algorithmus das Erwärmungsmuster von 1971 bis 2020 an jedem Rasterpunkt der Erde ein und lassen ihn vorhersagen, wie stark sich das Modell global in drei zukünftigen Zeitfenstern erwärmt: kurzfristig (2021–2040), Mitte des Jahrhunderts (2041–2060) und spätes Jahrhundert (2081–2100), unter mehreren Emissionspfaden. Indem sie das über Hunderte von Simulationen wiederholen, lernt das System, welche Teile der vergangenen Erwärmungsmuster der Welt am engsten mit dem späteren globalen Temperaturanstieg verknüpft sind und wie stark diese Verbindungen sind.

Schlüsselregionen finden, die die Zukunft prägen

Das Lernsystem entdeckt beständig, dass bestimmte Regionen bei der Bestimmung der künftigen globalen Erwärmung weit über ihr Gewicht hinaus Einfluss haben. Dazu gehören die Arktis, das Tibet-Plateau, Süd- und Südostasien, das Amazonasbecken sowie Teile des Indischen und des Südlichen Ozeans. In diesen Gebieten skaliert die lokale Erwärmung zeitlich und szenarienübergreifend meist stabil mit dem globalen Mittel und spiegelt starke und beständige Klimarückkopplungen wider, etwa den Verlust reflektierenden Eises oder Veränderungen in der Bewölkung. Der Algorithmus gewichtet automatisch Rasterzellen stärker, in denen sich verschiedene Klimamodelle einig darüber sind, wie sensitiv die Temperaturen sind, und spielt Orte herunter, an denen die Modelle auseinandergehen, etwa Teile der eurasischen Arktis mit unsicherem Meereisverhalten.

Schärfere Projektionen und frühere Schwellenüberschreitungen

Wenn die gelernten Zusammenhänge auf tatsächlich beobachtete Erwärmungskarten aus mehreren Temperaturdatensätzen angewandt werden, verringert sich die Unsicherheit künftiger globaler Erwärmung erheblich. Im Durchschnitt über Szenarien und Zeiträume reduziert die Methode die Fehlervarianz um mehr als 70 % gegenüber unbeschränkten Modellprojektionen — etwa anderthalbmal so viel Verbesserung wie Methoden, die nur den globalen Mitteltrend verwenden. Wichtig ist, dass dieser Ansatz sowohl die oberen als auch die unteren Enden der Spanne einengt, sodass eine Überschätzung oder Unterschätzung künftiger Erwärmung weniger wahrscheinlich wird. Für einen mittleren bis hohen Emissionspfad, der in Wirkungstudien häufig verwendet wird, findet die Studie, dass die Wahrscheinlichkeit, bis Mitte des Jahrhunderts 2 °C Erwärmung zu überschreiten, auf etwa 80 % steigt, sobald räumliche Informationen einbezogen werden, verglichen mit etwa 70 %, wenn nur der globale Mitteltrend verwendet wird.

Was das für Menschen und Planung bedeutet

Die verfeinerten Projektionen schärfen nicht nur die Schätzungen des globalen Temperaturanstiegs; sie verbessern auch lokale Erwärmungskarten, die für Schadens- und Risikobewertungen verwendet werden. In den meisten Landgebieten verringert sich die Streuung der projizierten Erwärmung bis Mitte des Jahrhunderts gegenüber heute um einige Zehn Prozent, was präzisere Abschätzungen für Landwirtschaft, Wasserressourcen, Gesundheitsrisiken und Infrastrukturplanung ermöglicht. Gleichzeitig unterstreichen die erhöhten unteren Grenzen der Erwärmung, dass wichtige Schwellen des Pariser Abkommens wahrscheinlich früher überschritten werden, als einige frühere, beschränkte Schätzungen nahelegten. Praktisch zeigt diese Arbeit, dass eine klügere Nutzung vorhandener Temperaturaufzeichnungen — insbesondere in einer Handvoll klimatisch sensibler Regionen — unser Bild der künftigen Klimaentwicklung deutlich schärfen und das Argument für schnellere und gezieltere Minderung sowie Anpassung stärken kann.

Zitation: Li, C., Wu, J., Wang, Z. et al. Machine learning helps to strongly reduce future warming uncertainty. Nat Commun 17, 3366 (2026). https://doi.org/10.1038/s41467-026-70205-9

Schlüsselwörter: Projektionen der globalen Erwärmung, Maschinelles Lernen Klima, Erwärmungsmuster, Klimaunsicherheit, Schwellenwerte des Pariser Abkommens