Bedeutung von Anomalien der atlantischen Meeresoberflächentemperatur für die Variabilität des arktischen Meereises, aufgedeckt durch Deep Learning

Warum ferne Ozeane für das arktische Eis wichtig sind

Wenn Menschen an das Schmelzen des arktischen Meereises denken, stellen sie sich meist Fabrikschornsteine und Kohlendioxid vor, nicht warme Gewässer Tausende Kilometer entfernt im Atlantik. Doch diese Studie zeigt, dass subtile Veränderungen der Meeresoberflächentemperaturen in bestimmten Bereichen des Atlantiks einen klaren Fingerabdruck darauf hinterlassen, wie viel Eis die Arktis bedeckt. Mithilfe fortschrittlicher Deep‑Learning‑Werkzeuge, direkt auf Beobachtungsdaten angewandt, identifizieren die Autorinnen und Autoren eine überraschend starke und schnelle Verbindung zwischen fernen warmen Meeresregionen und dem Schicksal des Polareises. Das hilft zu erklären, warum sich die arktischen Bedingungen von Jahr zu Jahr so verändern können, dass Standardklimamodellen das nur schwer erfassen.

Die Auf‑ und Abbewegungen des arktischen Eises verfolgen

In den letzten vier Jahrzehnten ist das arktische Meereis dünner geworden und hat sich verkleinert, was zu steigenden Temperaturen, verschobenen Sturmpfaden und extremerem Wetter in den mittleren Breiten beiträgt. Während die langfristige, vom Menschen verursachte Erwärmung den Gesamtabwärtstrend erklärt, spielt die natürliche Variabilität von Jahr zu Jahr und von Jahrzehnt zu Jahrzehnt nach wie vor eine große Rolle. Einer der Hauptverdächtigen hinter dieser Variabilität ist das Muster der Meeresoberflächentemperaturen außerhalb der Polarregionen. Frühere Studien waren sich jedoch uneinig, ob Pazifik, Atlantik oder Indischer Ozean am wichtigsten sind, und traditionelle lineare statistische Werkzeuge hatten Schwierigkeiten, deren individuelle Beiträge zu trennen.

Deep Learning die Ozeane „lesen“ lassen

Um dieses Problem anzugehen, trainierten die Forschenden drei separate tiefe neuronale Netzwerke, von denen jedes nur mit täglichen Anomalien der Meeresoberflächentemperatur aus einem Becken — dem Pazifik, Atlantik oder Indischen Ozean — für den Zeitraum 1982–2022 gefüttert wurde. Die Aufgabe war anspruchsvoll, aber im Konzept simpel: Aus einer einzigen Momentaufnahme der Oberflächentemperaturen des Ozeans sollte das Modell die gesamte Meereisausdehnung der Arktis für diesen Tag rekonstruieren. Die Autorinnen und Autoren optimierten sorgfältig, wo in jedem Becken sie hinschauten, wie weit im Voraus die Temperaturen genutzt wurden und in welcher räumlichen und zeitlichen Auflösung. Sie stellten fest, dass die Verwendung hochaufgelöster Tagesdaten entscheidend war: Die Modelle schnitten deutlich schlechter ab, wenn sie nur Monatsmittel oder gröbere Karten erhielten, was darauf hindeutet, dass relativ schnelle, feinkörnige ozeanische Signale für das arktische Eis wichtig sind.

Atlantische Gewässer stechen hervor

Das auf den Atlantik gestützte Netz übertraf deutlich die auf Pazifik oder Indikischem Ozean trainierten Modelle. Es stellte nicht nur den langfristigen Rückgang des arktischen Meereises nach, sondern auch einen Großteil der jährlichen Schwankungen, und zwar konsistent über verschiedene Zeiträume hinweg. Seine Fertigkeit blieb signifikant, selbst nachdem der langfristige Erwärmungstrend mathematisch entfernt worden war, was bedeutet, dass es echte Variabilität erfasste und nicht nur dem stetigen Eisverlust folgte. Die Verbindung war besonders stark im Sommer und Winter — den Jahreszeiten, in denen arktisches Meereis am vorhersagbarsten ist und Rückkopplungen zwischen Eis und Sonnenlicht oder Atmosphäre am aktivsten sind. Im Gegensatz dazu zeigten die Pazifik‑ und Indik‑Modelle schwächere, intermittierende Verbindungen: Sie konnten bestimmte Episoden erfassen, etwa einige extreme Jahre mit geringem Eis, hielten aber über die gesamte vier Jahrzehnte lange Aufzeichnung hinweg keine robuste Leistung.

Hotspots in der Karibik und dem Golfstrom

Tiefe neuronale Netze werden oft als „Black Boxes“ kritisiert, daher wandte das Team erklärbare KI‑Methoden an, um zu sehen, wo im Atlantik das Modell seine Informationen bezog. Zwei unabhängige Methoden — integrierte Gradienten und ein systematischer „Occlusion“-Test, der vorübergehend kleine Meeresfelder vor dem Modell verbirgt — kamen zur gleichen Antwort: Das Karibische Meer und die Golfstromregion sind die Haupt‑Hotspots. Wärmer als übliche Wasser in diesen Gebieten war tendenziell etwa 20 Tage später mit reduziertem arktischen Meereis verbunden. Weitere Analysen deuteten darauf hin, dass diese Verbindung nicht durch langsame ozeanische Strömungen getragen wird, sondern durch rasche atmosphärische Veränderungen, ausgelöst von zusätzlicher Verdunstung und Wärmeflux vom ungewöhnlich warmen Wasser in die Luft. Als die Autorinnen und Autoren neue Modelle nur mit der Komponente des Oberflächenwärmeflusses bauten, die direkt mit der Meeresoberflächentemperatur verknüpft ist, erreichten sie die Leistung des Atlantik‑Temperaturmodells und fanden nahezu identische Hotspots.

Versteckte Rhythmen und nichtlineare Verknüpfungen

Beim Blick auf die zeitliche Struktur dieser Signale zerlegten die Autorinnen und Autoren die atlantischen Temperaturmuster in langsamere, dekadische Schwankungen und schnellere, interannuelle Variationen mit einer Dauer von zwei bis sieben Jahren. Ein standardmäßiges lineares Regressionsmodell profitierte hauptsächlich von den langsameren, glatteren Komponenten. Das Deep‑Learning‑Modell hingegen zog zusätzliche Fähigkeiten aus den höherfrequenten, interannuell auftretenden Signalen, die in einfachen statistischen Analysen unregelmäßig und episodisch erscheinen. Wavelet‑Techniken bestätigten, dass in der Karibik und der Golfstromregion Ausbrüche interannuell variabler Temperaturen manchmal synchron mit Änderungen des arktischen Meereises verlaufen, häufig mit dem Ozean vor dem Eis. Dieses Verhalten deutet auf komplexe, nichtlineare atmosphärische Pfade hin, wahrscheinlich unter Einbeziehung von Veränderungen im Feuchtetransport, in der Wolkenbildung und in großen Zirkulationsmustern wie der Arktischen und der Nordatlantischen Oszillation.

Was das für die Zukunft des arktischen Eises bedeutet

Einfach gesagt argumentiert die Studie, dass bestimmte warme Flecken im Atlantik — besonders in der Karibik und entlang des Golfstroms — eine überproportionale Rolle dabei spielen, wie viel Meereis die Arktis von Jahr zu Jahr bedeckt. Durch den Einsatz von Deep Learning und Interpretierbarkeitswerkzeugen zeigen die Autorinnen und Autoren, dass diese Regionen die Arktis schnell, innerhalb von Wochen, beeinflussen, vornehmlich über verstärkte Verdunstung und Wärmeübertragung in die Atmosphäre, die dann die Wetterbedingungen über den Polarmeeren verändert. Während die vom Menschen verursachte Erwärmung weiterhin die treibende Kraft des langfristigen Eisverlusts bleibt, kann das Verständnis dieser entfernten ozeanischen "Steuerrädchen" die saisonale Vorhersage verbessern und Wissenschaftlerinnen und Wissenschaftlern helfen, wie natürliche Klimarhythmen und Treibhausgas‑getriebene Trends zusammenwirken, um die sich rasch verändernde Arktis zu formen.

Zitation: Li, Y., Gan, B., Zhu, R. et al. Significance of Atlantic sea surface temperature anomalies to Arctic sea ice variability revealed by deep learning. npj Clim Atmos Sci 9, 70 (2026). https://doi.org/10.1038/s41612-026-01347-2

Schlüsselwörter: Arktisches Meereis, Atlantischer Ozean, Telekonnektionen, Deep Learning, Klimavariabilität