Hochauflösende Vorhersage von Bodentemperaturregimen mit verschiedenen Deep‑Learning‑Frameworks unter dem Einfluss des Klimawandels

Warum die Wärme unter der Erde wichtig ist

Die meisten von uns denken beim Klimawandel an heißere Sommer und schwindende Schneedecken, doch die leisen Veränderungen nur wenige Zentimeter unter unseren Füßen können ebenso bedeutsam sein. Die Bodentemperatur bestimmt, wie Pflanzen wachsen, wie viel Nahrung wir erzeugen können, wie viel Wasser Landschaften speichern und wie viel Kohlenstoff der Boden an die Atmosphäre abgibt. Diese Studie blickt unter die Oberfläche in einer bergigen, semiariden Region im Westen Irans und fragt: Wie werden unterschiedliche Klimazukünfte den Boden, auf den wir angewiesen sind, erwärmen — oder zeitweise sogar abkühlen — und wie schnell werden diese Veränderungen stattfinden?

Ein genauerer Blick auf eine zerklüftete Landschaft

Die Forschenden konzentrierten sich auf die Provinz Lorestan, eine Region mit dramatischen Gipfeln und Tälern entlang des Zagros‑Gebirges. Hier schwanken die Temperaturen von bitterer Winterkälte bis zu sengender Sommerhitze, und Landwirtinnen und Landwirte sind stark auf Grundwasser für Feldfrüchte und Vieh angewiesen. Zehn Wetterstationen haben über mehrere Jahrzehnte tägliche Bodentemperaturen in einer Tiefe von nur 5 Zentimetern aufgezeichnet. Um einen Blick in die Zukunft zu werfen, kombinierten die Forschenden diese lokalen Messreihen mit Projektionen eines globalen Klimamodells, das die Atmosphäre grob und in niedriger Auflösung beschreibt. Ihre Herausforderung war es, diese unscharfen, planetar skalierten Projektionen in scharfe, stationsbezogene Vorhersagen zu übersetzen, die für lokale Landmanager relevant sind.

Computern beibringen, das Klima zu lesen

Statt auf traditionelle, relativ einfache statistische Formeln zu setzen, wandte sich das Team dem Deep Learning zu — derselben Methodenfamilie, die hinter moderner Spracherkennung und Bildsuche steckt. Sie testeten vier neuronale Netzwerk‑Architekturen, die besonders gut mit räumlichen und zeitlichen Mustern umgehen können: ein Convolutional Neural Network (CNN), zwei sequenzorientierte Entwürfe (LSTM und GRU) sowie ein Hybridmodell, das CNN‑ und LSTM‑Schichten kombiniert. Bevor diese Modelle trainiert wurden, sichten die Forschenden 26 verschiedene atmosphärische Variablen aus dem Canadian Earth System Model, wie Lufttemperatur, Druckmuster, Winde und Luftfeuchte, und verwendeten drei sich ergänzende Techniken, um zu ermitteln, welche am besten die beobachteten Bodentemperaturen nachzeichnen. Die Lufttemperatur an der Oberfläche und der mittlere Atmosphärendruck erwiesen sich an nahezu allen Stationen als Schlüsselfaktoren.

Scharfere Vorhersagen des Untergrunds durch hybrides Deep Learning

Mit den besten Prädiktoren trainierten und optimierten die Forschenden jedes neuronale Netzwerk an täglichen Daten von 1980 bis 2014 und überprüften die Leistung sorgfältig an zurückgehaltenen Jahren. Das hybride CNN‑LSTM‑Modell stellte sich insgesamt als überlegen heraus. Es erfasste sowohl großräumige Wetterlagen als auch die täglichen Schwankungen der Bodentemperatur, erreichte hohe Skill‑Werte und hielt typische Fehler auf wenige Grad Celsius begrenzt. Tests an jüngeren Beobachtungen von 2015 bis 2020 zeigten, dass das Modell reales Verhalten unter mehreren Klimapfaden — den sogenannten „Shared Socioeconomic Pathways“, die von starken Emissionsminderungen bis zu fossil‑basiertem Wachstum reichen — reproduzieren kann. Interessanterweise variierten die Szenarien, die die jüngsten Bodentrends am besten nachbildeten, mit Höhe und Lage: Kühler gelegene Bergstationen stimmten eher mit Niedrig‑Emissions‑Zukünften überein, während wärmere Niederungsstationen zu moderaten bis höheren Emissionspfaden passten.

Überraschende Wendungen bei der künftigen Boden Erwärmung

Mit ihrem leistungsfähigsten Modell projizierte das Team tägliche Bodentemperaturen bis zum Jahr 2100 unter drei repräsentativen Zukünften: niedrige, mittlere und hohe Treibhausgasemissionen. Alle Szenarien führen letztlich zu wärmeren Böden, aber nicht auf dieselbe Weise oder im selben Tempo. Bei niedrigen und mittleren Emissionen steigen die Bodentemperaturen moderat an und flachen dann ab, sodass sich bis zum späten Jahrhundert grob ein Anstieg um ein paar Grad Celsius gegenüber heute ergibt. Unter dem Hoch‑Emissions‑Pfad ist die Entwicklung jedoch dramatischer. In den nächsten Jahrzehnten kühlt die oberste Bodenschicht in vielen Gebieten tatsächlich ab, vermutlich weil dichtere Bewölkung, veränderte Niederschlagsmuster und feuchtere Böden den Boden vor Sonnenlicht abschirmen, während die Luft darüber langsam wärmer wird. Nach der Mitte des Jahrhunderts wandelt sich diese vorübergehende Abkühlung jedoch in beschleunigte Erwärmung, sodass die Hoch‑Emissions‑Welt bei weitem die wärmsten Böden und ein grundlegend verändertes Muster interannuelle Variabilität aufweist.

Was das für Landwirtschaft, Wasser und Ökosysteme bedeutet

Für Nicht‑Spezialistinnen und Nicht‑Spezialisten ist die Botschaft sowohl warnend als auch praktisch. Die Arbeit zeigt, dass das, was an der Bodenoberfläche passiert, kein einfacher Spiegel der Lufttemperatur ist; lokale Geographie sowie Veränderungen bei Wolken, Niederschlag und Bodenfeuchte können die Erwärmung zeitweise überdecken, bevor sie sie verstärken. Landwirtinnen, Landwirte und Wasserverwalter in Regionen wie Lorestan könnten mit einer verwirrenden Abfolge von zunächst kühleren Böden und anschließend schneller, schwer anpassbarer Erwärmung konfrontiert werden, falls die Emissionen hoch bleiben. Dagegen scheint starke Klimapolitik — Szenarien, die näher an den Niedrig‑Emissions‑Zukünften liegen — langsamere, gleichmäßigere Bodenerwärmung zu ermöglichen, mit der Ökosysteme eher zurechtkommen dürften. Durch den Einsatz fortschrittlicher Deep‑Learning‑Werkzeuge liefert diese Studie einen schärferen Blick unter die Erde auf die Folgen unserer Klimawahl und übersetzt abstrakte globale Szenarien in konkrete Risiken und Zeithorizonte in genau der Erdschicht, die uns ernährt.

Zitation: Saeidinia, M., Haghiabi, A.H., Nazeri Tahroudi, M. et al. High-resolution forecasting of soil thermal regimes using different deep learning frameworks under climate change. Sci Rep 16, 7377 (2026). https://doi.org/10.1038/s41598-026-38496-6

Schlüsselwörter: Bodentemperatur, Deep Learning, Klimawandel, Downscaling, Landwirtschaft