Künstliche Intelligenz hilft beim Rechnen
Um das besser zu verstehen, nutzte das Team maschinelles Lernen. Also eine Form künstlicher Intelligenz, die Muster in großen Datenmengen erkennt. Die Forschenden werteten Messungen von zehn Standorten auf vier Kontinenten aus, darunter Beijing, Kairo, Delhi, Paris sowie das Forschungsschiff Polarstern im Atlantik. Auch zwei Messstationen in Deutschland, Goldlauter und Melpitz, flossen in die Analyse ein.
Das Ergebnis verbessert die Grundlage für Klimamodelle deutlich. „Unsere Ergebnisse unterstreichen die Bedeutung von regionalen Aerosolparametrisierungen als entscheidenden Schritt zur Verringerung von Unsicherheiten bei der Abschätzung des direkten Strahlungsantriebs in Klimamodellen der nächsten Generation“, betont Mira Pöhlker vom TROPOS und der Universität Leipzig. Sie erklärt außerdem, dass die neuen Berechnungen beeinflussen könnten, wie viel Sonnenenergie die Erde regional speichert oder zurück ins All reflektiert. Selbst kleine Veränderungen sind dabei weltweit klimatisch relevant.
Das Forschungsteam hofft nun, dass der neue Algorithmus künftig in globale Klimamodelle integriert wird. Präzisere Vorhersagen darüber, wie Aerosole Klima und Wolkenbildung beeinflussen, könnten dadurch möglich werden.
Mehr Informationen dazu gibt es hier.