Vorhersage globaler Temperaturabweichungen mithilfe additiver Zwillings‑LSTM‑Netze

Warum eine wärmere Welt für Sie wichtig ist

Globale Erwärmung mag abstrakt klingen, doch ihre Auswirkungen sind alles andere als das: ansteigende Meeresspiegel, heftigere Hitzewellen, veränderte Sturmmuster und Druck auf Nahrungs‑ und Wasserversorgung. Um sich auf das Kommende vorzubereiten, brauchen Wissenschaftler nicht nur Momentaufnahmen des heutigen Klimas, sondern verlässliche Schätzungen, wie schnell die Temperaturen in den kommenden Jahrzehnten steigen werden. Dieser Artikel beleuchtet einen neuen Ansatz, künstliche Intelligenz zu nutzen, um vorherzusagen, wie viel wärmer der Planet wahrscheinlich wird und was das für unsere nahe Zukunft bedeutet.

Von rohen Thermometern zu großflächigen Trends

Statt mit Wetterdaten einer einzelnen Stadt zu arbeiten, nutzen die Forschenden eine globale Aufzeichnung, die als Berkeley Earth Temperature Anomaly Dataset bekannt ist. Eine „Temperaturabweichung“ gibt einfach an, wie viel wärmer oder kühler ein betrachteter Zeitraum im Vergleich zu einer gewählten historischen Referenzperiode ist. Weil Monatswerte laut und stark von lokalen Eigenheiten beeinflusst sind, arbeitet das Team mit Fünfjahres‑Durchschnitten über 170 Jahre, von Mitte des 19. Jahrhunderts bis 2022. Eine solche Glättung reduziert zufällige Ausreißer und macht den zugrundeliegenden Erwärmungstrend sichtbarer, der die langfristige Reaktion des Planeten auf Treibhausgase und andere Einflüsse widerspiegelt.

Ein neuronales Netz lehren, sich an das Klima zu erinnern

Um diesen Trend zu erfassen und in die Zukunft zu projizieren, greifen die Autorinnen und Autoren auf eine Art künstliches neuronales Netz namens Long Short‑Term Memory (LSTM) zurück. LSTMs sind darauf ausgelegt, Sequenzen zu verarbeiten — etwa Wörter in einem Satz oder Temperaturen über die Zeit — indem sie entscheiden, welche Informationen aus der Vergangenheit behalten und welche verworfen werden. Traditionelle LSTM‑ und verwandte Modelle sind bei Kurzzeitprognosen, etwa beim Vorhersagen des nächsten Datenpunkts, erfolgreich. Werden ihre eigenen Vorhersagen jedoch wieder als Eingabe genutzt, um viele Schritte in die Zukunft zu prognostizieren, summieren sich kleine Fehler und die langfristige Projektion kann stark von der Realität abdriften.

Klimasignale in zwei parallele Ströme aufspalten

Die zentrale Neuerung dieser Arbeit ist ein Additive Twin LSTM (AT‑LSTM). Anstatt ein einzelnes LSTM zu verwenden, das jeden Wendepunkt in der Klimadatenreihe nachahmen soll, nutzt das Modell zwei parallele LSTM‑Zweige. Jeder Zweig kann sich auf unterschiedliche verborgene Treiber in den Daten konzentrieren — zum Beispiel langsame Erwärmung durch Treibhausgase gegenüber schnelleren Auf‑und‑Ab‑Schwankungen, die mit natürlichen Klimaschwankungen verbunden sind. Die Ausgaben dieser Zwillingszweige werden anschließend addiert und durch ein abschließendes „Decoder“‑Netzwerk geleitet, das ihr kombiniertes Signal in eine Vorhersage der Temperaturabweichung umwandelt. Dieses Zwillingsdesign stimmt nicht nur mit der Art und Weise überein, wie Klimawissenschaftler über mehrere, teilweise unabhängige Prozesse im Erdsystem denken, es erweitert auch den nutzbaren Bereich der internen Signale des Netzes und hilft ihm, über lange Prognosezeiträume stabiler zu bleiben.

Das Modell auf die Probe stellen

Um zu prüfen, ob AT‑LSTM wirklich die Langzeitvorhersage verbessert, führen die Autoren einen zweistufigen Test durch. Zuerst trainieren sie das Modell sowohl an synthetischen Benchmark‑Reihen — sauberen, computererzeugten Kurven, die unterschiedliche Arten von Erwärmungspfaden nachahmen — als auch an den historischen Berkeley‑Daten. Sie vergleichen, wie gut verschiedene neuronale Netzarchitekturen sowohl ihre Trainingsdaten als auch einen separaten „Test“‑Abschnitt jeder Reihe reproduzieren, den die Modelle während des Trainings nie gesehen haben. Viele Modelle, darunter auch Hybride, die LSTMs mit Faltungs‑ (Convolutional) Schichten kombinieren, machen bei diesen Standardmaßen einen guten Eindruck. Doch vergangene Daten nachzubilden ist nicht dasselbe wie zuverlässig in die Zukunft zu blicken.

Modelle nach ihren Prognosen beurteilen, nicht nur nach der Anpassung

Die zweite Stufe kommt der realen Anwendung näher. Ausgehend vom zuletzt beobachteten Punkt im Testdatensatz verwendet jedes Modell seine eigene vorherige Vorhersage als nächste Eingabe und geht 240 Monate — 20 Jahre — vorwärts, ohne jemals durch reale Daten korrigiert zu werden. Dieses Setup zeigt, wie schnell sich Fehler anhäufen. Über eine Reihe von Architekturen hinweg weist AT‑LSTM typischerweise die geringsten durchschnittlichen Prognosefehler und die besten statistischen Werte auf, wenn es um diese langzeitige Aufgabe geht. Für die globale Temperaturabweichungsreihe liegt der typische Fehler des Modells über ein simuliertes 20‑Jahres‑Prognosefenster bei etwa 0,07 Grad Celsius, deutlich niedriger als bei vielen konkurrierenden Deep‑Learning‑Ansätzen.

Was die Vorhersage über unsere nahe Zukunft aussagt

Mit diesem bessermütigen Modell erstellen die Autorinnen und Autoren 20‑jährige Projektionen der globalen Temperaturabweichungen von 2022 bis 2042. Indem sie 40 Varianten des AT‑LSTM trainieren, um die Unsicherheit in der Modellanpassung zu erfassen, finden sie, dass jede einzelne von ihnen weiterhin Erwärmung signalisiert. Bis 2042 gruppiert sich das Ensemble der Vorhersagen etwa zwischen 1,05 °C und 1,67 °C über der historischen Referenz, mit einem Mittelwert von 1,415 °C und einer geschätzten Unsicherheit von ungefähr ±0,073 °C. Diese Zahlen stimmen eng mit Projektionen aus etablierten Klimamodellen und mit Warnungen von Organisationen wie dem Zwischenstaatlichen Ausschuss für Klimaänderungen (IPCC) überein. In einfachen Worten: Wenn sich die gegenwärtigen Muster fortsetzen, werden wir wahrscheinlich innerhalb der nächsten Jahrzehnte den viel diskutierten 1,5‑°C‑Schwellenwert erreichen oder überschreiten, was die Dringlichkeit unterstreicht, Treibhausgasemissionen zu reduzieren und andere Klimaschutzstrategien zu verfolgen.

Zitation: Keles, C., Baran, B. & Alagoz, B.B. Global temperature anomaly prediction by using additive twin LSTM networks. Sci Rep 16, 6456 (2026). https://doi.org/10.1038/s41598-026-37255-x

Schlüsselwörter: Klimawandel, globale Erwärmung, Temperaturabweichung, neuronale Netze, Klimavorhersage