Verbesserung der saisonalen Vorhersage der globalen mittleren Oberflächentemperatur durch Einbeziehung dynamischer, realitätsnaher ENSO‑Prognosen

Warum bessere saisonale Vorhersagen wichtig sind

Bäuerinnen und Bauern, Energieplaner und Katastrophenschutzmanager müssen zunehmend wissen, wie warm der Planet in den kommenden Jahreszeiten voraussichtlich sein wird. Diese Studie untersucht, warum aktuelle kurzfristige Vorhersagen der durchschnittlichen Oberflächentemperatur der Erde manchmal danebenliegen, und zeigt, wie die Beobachtung bekannter tropischer Klimamuster diese Vorhersagen früher und verlässlicher machen kann.

Ein globales Thermometer mit realen Folgen

Die globale mittlere Oberflächentemperatur, also die durchschnittliche Nähe‑zur‑Oberfläche‑Wärme des Planeten, ist eine einfache Kennzahl, die komplexe Physik verbirgt. Dennoch hat sie direkte Folgen für Erntezeitpunkte, Energiebedarf, Hitzestress und wetterbedingte Risiken. Saisonale Vorhersagen dieser globalen Temperatur können Gesellschaften ermöglichen, sich einige Monate im Voraus vorzubereiten. Bestehende Klimamodelle und selbst moderne maschinelle Lernsysteme tun sich jedoch schwer damit, die jährlichen Schwankungen zuverlässig vorherzusagen, besonders im wichtigen nordhemisphärischen Herbst und Winter, wenn viele Klimaextreme auftreten.

Das Rätsel der Herbst‑Vorhersagefehler

Die Autoren untersuchten, warum ihr früheres Vorhersagesystem, entwickelt am Institut für Atmosphärenphysik in Peking, an Genauigkeit verlor, wenn die Prognosen im Herbst begonnen wurden. Beim Vergleich von Vorhersagen mit Beobachtungen aus den Jahren 1980 bis 2024 stellten sie fest, dass Fehler eng mit dem Geschehen in den tropischen Ozeanen verknüpft waren. Während El‑Niño‑Episoden, wenn der zentrale und östliche Pazifik sich erwärmen, neigte ihr Modell dazu, die globale Temperatur zu unterschätzen. Während La‑Niña‑Phasen mit kühlerem Pazifikwasser wurde häufig überschätzt. Das Fehlerbild beschränkte sich nicht auf den Pazifik, sondern erstreckte sich auch über Indischen Ozean und Atlantik und zeigte eine pantropische Kette von Wechselwirkungen, die das ursprüngliche Modell nicht vollständig abbildete.

Tropische Ozeane wirken zusammen

Physikalisch zeigt die Studie, wie eine warme El‑Niño‑Phase eine wichtige atmosphärische Zirkulation über dem Pazifik abschwächt und verlagert. Diese Veränderung beeinflusst Winde und Strömungen im Indischen Ozean, begünstigt dort eine Erwärmung im westlichen und zentralen Bereich, und verändert zudem die Winde über dem tropischen Nordatlantik, was dort ebenfalls zu Erwärmung führt. Diese verbundenen Ozeanbecken wirken gemeinsam und beeinflussen so die globale Oberflächentemperatur in den folgenden Jahreszeiten. Wenn diese beckenweiten Reaktionen stärker sind als vom Modell erwartet, fällt die globale Temperaturvorhersage zu kühl aus; sind sie schwächer, fällt die Vorhersage zu warm aus. Umgekehrt verhält es sich während La‑Niña, wenn beckenweite Abkühlungen häufig sind. Das Erkennen dieser Kette erklärt, warum Fehler in Jahren mit stark ausgeprägten El‑Niño‑ oder La‑Niña‑Bedingungen gehäuft auftreten.

Physikalisches Verständnis mit Statistik verbinden

Um dieses Verständnis in ein praktisches Werkzeug zu überführen, entwarfen die Autoren einen hybriden Vorhersagerahmen. Sie behielten ihr bestehendes statistisches System bei, das bereits langsamere und schnellere Klimaschwankungen trennte, ergänzten es jedoch um Informationen aus einem separaten Modell, das die Stärke von El‑Niño und La‑Niña Monate im Voraus prognostiziert. Anhand vergangener Daten lernten sie, wie sich Vorhersagefehler mit dem prognostizierten Pazifiksignal änderten, und nutzten diese Beziehung, um neue Vorhersagen in Echtzeit zu korrigieren. Sie testeten außerdem die Einbeziehung zusätzlicher Indizes aus dem Indischen Ozean und dem Atlantik. Diese halfen zwar, einen Teil des durchschnittlichen Bias zu verringern, verbesserten jedoch die jährliche Vorhersageleistung nicht so stark wie die Fokussierung auf den Pazifik allein, wahrscheinlich weil ihr Verhalten bereits stark an El‑Niño und La‑Niña gebunden ist.

Was das neue System liefert

Mit diesem kombinierten Ansatz reduzierten die verbesserten Vorhersagen die durchschnittlichen Fehler um etwa zwei Fünftel für Prognosen, die im September und Oktober begonnen wurden, und brachten viele starke El‑Niño‑ und La‑Niña‑Jahre wieder in den Bereich der beobachtungsbedingten Unsicherheit. In rund zwei Dritteln der untersuchten Jahre lagen die korrigierten Vorhersagen näher an der Realität, mit besonders großen Verbesserungen während El‑Niño‑Episoden. Am bemerkenswertesten verlängerte sich der zuverlässige Vorhersagehorizont für die globale Temperatur von zwei auf vier Monate. Für Anwender klimatischer Informationen bedeutet das eine frühere Warnung vor ungewöhnlich warmen oder kühlen Saisons auf planetarer Skala—erreicht mit einer Methode, die einfacher und weniger rechnerisch aufwändig ist als viele großskalige Klimamodelle.

Zitation: Li, KX., Zheng, F. Improving seasonal prediction of global mean surface temperature by incorporating dynamic ENSO realistic forecasts. npj Clim Atmos Sci 9, 114 (2026). https://doi.org/10.1038/s41612-026-01386-9

Schlüsselwörter: saisonale Klimavorhersage, globale mittlere Oberflächentemperatur, ENSO, El Niño, pantropische Ozeane