Ein Machine-Learning-Ansatz zur Erweiterung der Anomalie des gesamten Wasserspeichers bis 1980 (ML-TWiX)

Warum langfristige Wasserveränderungen wichtig sind

Wie viel Wasser an Land gespeichert ist – in Boden, Schnee, Flüssen, Seen und im Untergrund – schwankt von Monat zu Monat und von Jahrzehnt zu Jahrzehnt. Diese Veränderungen beeinflussen Dürren, Überschwemmungen, Nahrungsmittelproduktion und sogar den globalen Meeresspiegel. Satelliten liefern uns erst seit den frühen 2000er-Jahren einen leistungsfähigen, planetenweiten Blick auf diese Veränderungen, was zu kurz ist, um langfristige Klimamuster vollständig zu verstehen. Diese Studie stellt ML-TWiX vor, eine auf Machine Learning basierende Rekonstruktion, die unseren globalen Datensatz der Landwasserspeicheränderungen bis 1980 zurückverlängert und Wissenschaftlern sowie Entscheidungsträgern hilft, mehrdekadige Trends im Wasserkreislauf der Erde zu erkennen.

Verborgene Wassermengen aus dem All erkennen

Die Satelliten der GRACE- und GRACE Follow-On-Missionen sehen Wasser nicht direkt. Stattdessen messen sie winzige Veränderungen des Erdschwerefeldes, die durch umherbewegtes Wasser verursacht werden. Aus diesen Schwereänderungen leiten Wissenschaftler „Anomalien der Gesamten Wasserspeicherung“ ab – also wie sehr die Menge des an Land gespeicherten Wassers von ihrem langfristigen Mittel abweicht. Diese Daten haben unser Verständnis von Grundwasserentnahme, lang anhaltenden Dürren, Überschwemmungen in Flussbecken und dem Beitrag von Landwasser zum Meeresspiegelanstieg verändert. GRACE-ähnliche Beobachtungen decken jedoch nur etwa zwei Jahrzehnte ab, was die Aufzeichnung zu kurz macht, um langsam ablaufende, klimatisch bedingte Trends robust nachzuweisen oder heutige Extreme mit denen der jüngeren Vergangenheit zu vergleichen.

Computern das Lernen aus Modellen beibringen

Um über das hinauszugehen, was die Satelliten allein liefern können, wenden sich die Autorinnen und Autoren dem Machine Learning zu. Viele Computermodelle simulieren bereits, wie Wasser an Land transportiert und gespeichert wird, doch jedes Modell hat blinde Flecken – einige beschreiben Schnee gut, versäumen aber Grundwasser, andere berücksichtigen menschliche Wasserentnahmen, vereinfachen dafür Flüsse, und so weiter. ML-TWiX verwendet die Ausgaben von dreizehn solchen globalen Modellen für den Zeitraum 1980–2012 und nimmt GRACE-Beobachtungen aus 2002–2012 als Trainingsziel. Drei verschiedene Lernalgorithmen – Random Forest, XGBoost und Gaussian Process Regression – werden, Zellen für Zellen, darauf trainiert, die Modelle so zu kombinieren, dass ihre gemeinsame Ausgabe mit dem übereinstimmt, was GRACE tatsächlich gemessen hat, als es unterwegs war.

Ein stärkeres Gesamtbild durch Kombination vieler Perspektiven

Anstatt einem einzelnen Verfahren zu vertrauen, nutzt ML-TWiX einen Ensemble-Ansatz. Jede der drei Machine-Learning-Methoden wird mehrfach mit leicht unterschiedlichen Einstellungen trainiert, und anschließend werden alle Vorhersagen gemittelt. Dieses Zusammenführen verringert den Einfluss einzelner Modellbesonderheiten und macht das Endprodukt robuster gegenüber verschiedenen Klimazonen – von feuchten Tropen über trockene Wüsten bis hin zu schneebestimmten hohen Breiten. Wichtig ist auch, dass die Streuung unter den Ensemble-Mitgliedern aufgezeichnet wird, sodass eine Unsicherheitskarte entsteht, die Nutzern zeigt, wo die Rekonstruktion verlässlicher ist und wo weniger. Die Unsicherheit ist tendenziell höher in Regionen mit sehr dynamischen Wasserkreisläufen, etwa im Amazonasgebiet und in Monsunregionen, und geringer in trockeneren Regionen, in denen Speicheränderungen kleiner sind.

Die neue Aufzeichnung auf die Probe stellen

Die Autorinnen und Autoren vertrauen dem Machine-Learning-Ergebnis nicht blind; sie prüfen es anhand mehrerer unabhängiger Evidenzlinien. Erstens folgt die rekonstruierte Wasserspeicherung während der GRACE-Betriebsjahre dem Satellitenrekord in Hunderten großer Flussbecken sehr genau, mit hohen Korrelationen und geringen Fehlern. Zweitens vergleichen sie ML-TWiX mit Schätzungen aus satellitengestütztem Laser-Ranging, einer älteren Methode, die ebenfalls Schwereänderungen erfasst, und finden, dass der neue Datensatz dieses Signal etwa so gut wiedergibt wie GRACE selbst. Drittens testen sie, ob monatliche Änderungen der rekonstruierten Speicherung mit der grundlegenden Wasserbilanzgleichung in Einklang stehen, die Niederschlag, Verdunstung und Flussabfluss verknüpft. Schließlich nutzen sie ein globales Meeresspiegelbudget: Wenn an Land mehr Wasser gespeichert wird, sollten die Ozeane vorübergehend sinken und umgekehrt. Der globale Mittelwert von ML-TWiX stimmt insbesondere während der Satellitenära gut mit meeresspiegelbasierten Schätzungen überein.

Was das für das Verständnis der Wasserzukunft der Erde bedeutet

Für Nicht-Fachleute lässt sich ML-TWiX als eine intelligente, datengetriebene „Übersetzungsinstanz“ zwischen vielen unvollkommenen Computersimulationen und einem kurzen, aber hochvertrauenswürdigen Satellitenrekord betrachten. Indem das System lernt, wie sich diese Simulationen in den GRACE-Jahren verhalten haben, kann es ähnliche Zusammenhänge bis 1980 zurückprojizieren und damit mehr als zwei zusätzliche Jahrzehnte monatlicher globaler Karten der Landwasserspeicheränderung füllen. Obwohl die Rekonstruktion vor der Satellitenzeit unsicherer ist und nicht alles erfassen kann – besonders an Orten, an denen sich Klima oder menschliche Wasserverwendung auf neue Weise verändert haben könnten – bietet sie dennoch eines der konsistentesten und am strengsten geprüften Abbildungen davon, wie sich das Landwasser der Erde in den letzten Jahrzehnten verschoben hat. Dieser längere Blick sollte Forschenden und Planenden helfen, heutige Dürren, Überschwemmungen und Wasserstress besser in einen breiteren historischen und klimatischen Kontext einzuordnen.

Zitation: Saemian, P., Tourian, M.J., Douch, K. et al. A Machine Learning approach for Total Water storage anomaly eXtension back to 1980 (ML-TWiX). Sci Data 13, 142 (2026). https://doi.org/10.1038/s41597-026-06604-w

Schlüsselwörter: terrestrische Wasserspeicherung, GRACE-Satelliten, Machine-Learning-Hydrologie, globaler Wasserkreislauf, Meeresspiegelveränderung