Quelle: https://phys.org/news/2026-05-ai-reveal-hidden-climate-patterns.html | Autor: University of Virginia | Veröffentlichungsdatum: 13. Mai 2026
KI-Modelle enthüllen verborgene Klimamuster hinter den Winterniederschlägen in den USA
Künstliche Intelligenz beginnt die Klimaforschung zu verändern – nicht nur durch bessere Vorhersagen, sondern auch dadurch, dass Forschende die physikalischen Kräfte besser verstehen, die die Zukunft des Planeten formen. Eine neue Studie unter Leitung von Antonios Mamalakis von der University of Virginia School of Data Science und dem Department of Environmental Sciences zeigt, wie fortschrittliche KI-Systeme die Klimamuster identifizieren können, die die Winterniederschläge in den Vereinigten Staaten steuern. Gleichzeitig offenbart die Untersuchung, ob die Modelle tatsächlich wissenschaftlich sinnvolle Zusammenhänge lernen oder lediglich statistische Abkürzungen erkennen. Die Arbeit wurde in der Fachzeitschrift „Artificial Intelligence for the Earth Systems“ veröffentlicht. Die Forschung kombiniert Deep Learning mit erklärbarer künstlicher Intelligenz, auch XAI genannt.
Damit analysierten die Wissenschaftler eine der hartnäckigsten Herausforderungen der Klimaforschung: die Vorhersage saisonaler Niederschläge Monate im Voraus. Die Ergebnisse könnten Gemeinden künftig helfen, sich besser auf Dürren, Überschwemmungen, Waldbrandbedingungen und Wasserknappheit vorzubereiten. Dies gilt besonders für die Südstaaten der USA, wo sich die Winterniederschläge deutlich besser vorhersagen ließen als in nördlichen Regionen. Für Mamalakis war der wichtigste Beitrag der Studie nicht allein die Genauigkeit der Vorhersagen. Entscheidend sei vielmehr das Vertrauen in die Modelle gewesen. Er erklärte, man müsse wissen, ob ein KI-Modell aus den richtigen Gründen korrekte Vorhersagen treffe. Diese Frage steht im Zentrum der erklärbaren künstlichen Intelligenz. Dieses Forschungsfeld versucht, die „Black Box“ von KI-Systemen zu öffnen und nachvollziehbar zu machen, wie Entscheidungen zustande kommen. Gerade in der Klimaforschung seien die Risiken besonders hoch. Mamalakis betonte, dass KI-Modelle bei Klimaaufgaben keine problematischen Abkürzungen lernen dürften. Falls ein neues Ereignis außerhalb der Datenverteilung liege, auf der das Modell trainiert wurde, könnten solche Abkürzungen versagen.
Dadurch könnten erheblich falsche Vorhersagen entstehen. Nach Ansicht der Forschenden müssen KI-Systeme in der Umweltvorhersage nicht nur an ihrer Genauigkeit gemessen werden. Ebenso wichtig sei, ob sie sich auf physikalisch sinnvolle Klimasignale stützen. Die Studie zeigte, dass die südlichen Vereinigten Staaten eine deutlich höhere Vorhersagbarkeit der Winterniederschläge aufweisen. Besonders betroffen waren der Südosten und die Golfküste. Florida, Georgia, die Carolinas und Virginia gehörten zu den Regionen mit den besten Vorhersageergebnissen. Dieses Muster entspricht jahrzehntelanger Klimaforschung, die Winterniederschläge im Süden mit El-Niño- und La-Niña-Ereignissen im tropischen Pazifik verknüpft.
Laut Mamalakis ist das Signal von El Niño und La Niña im Süden der USA wesentlich stärker ausgeprägt. Während El-Niño-Jahren verstärke und verlagere sich der Jetstream nach Süden. Dadurch kämen mehr Winterstürme und feuchtere Bedingungen zustande. Nahezu alle getesteten KI-Systeme identifizierten den tropischen Pazifik als wichtigste Quelle relevanter Informationen. Dies unterstreicht die große Bedeutung des tropischen Pazifiks für das Winterwetter der USA. Die Modelle fanden außerdem wichtige Klimasignale im tropischen Atlantik. Dies deutet darauf hin, dass mehrere Ozeanbecken saisonale Niederschlagsmuster beeinflussen könnten.
Weiterlesen https://phys.org/news/2026-05-ai-reveal-hidden-climate-patterns.html
+++
Quelle: https://phys.org/news/2026-05-climate-patterns-violent-conflict-amplified.html | Autor: Rice University | Veröffentlichungsdatum: 11. Mai 2026
Klimamuster könnten beeinflussen, wo Risiken gewaltsamer Konflikte verstärkt werden
Eine neue Studie der Rice University beleuchtet eine lange diskutierte Frage: Kann Klimavariabilität das Risiko bewaffneter Konflikte beeinflussen? Die Forschenden sagen, dass dies tatsächlich der Fall ist – allerdings wesentlich komplexer und regional unterschiedlicher als bisher angenommen. Die Studie wurde von Tyler Bagwell geleitet, einem Doktoranden der Statistik an der Rice University. Beteiligt waren außerdem die Klimawissenschaftlerin Sylvia Dee und der Statistiker Frederi Viens. Die Untersuchung nutzt hochauflösende Daten und empirische Modellierungen. Damit analysierten die Forschenden, wie großräumige Klimamuster die Wahrscheinlichkeit von Bürgerkriegen und bewaffneten Konflikten beeinflussen. Die Ergebnisse wurden in den „Proceedings of the National Academy of Sciences“ veröffentlicht.
Bagwell erklärte, das Ziel sei gewesen zu verstehen, ob Konfliktrisiken mit Klimamustern zusammenhängen. Zudem wollten die Forschenden herausfinden, ob lokale Konfliktrisiken davon abhängen, wie stark diese Muster das Wetter vor Ort beeinflussen. Dadurch könnten besonders anfällige Regionen identifiziert werden. Die Untersuchung konzentrierte sich auf zwei bedeutende Klimamuster. Dabei handelt es sich um die El-Niño-Southern-Oscillation, kurz ENSO, sowie den Indian Ocean Dipole, kurz IOD. ENSO ist ein bekannter Treiber globaler Wettervariabilität. Der IOD beeinflusst vor allem das Klima im Bereich des Indischen Ozeans. Beide Muster beruhen auf Temperaturanomalien der Ozeane, die sich zwischen Ost und West verschieben. Dadurch verändern sich weltweite Wettermuster.
Bagwell erklärte, entscheidend sei gewesen, dass die extremen Phasen von ENSO und IOD jeweils unterschiedliche lokale Klimaeffekte hervorrufen. ENSO schwankt zwischen den Phasen La Niña und El Niño. Jede dieser Phasen ist weltweit mit bestimmten Wetterwirkungen verbunden. Die Forschenden nutzten diese Unterschiede, um statistische Beziehungen zwischen Konflikten und den jeweiligen ENSO-Phasen zu identifizieren. Frühere Studien hatten El Niño bereits mit einem erhöhten Konfliktrisiko in Verbindung gebracht. Das Forschungsteam verfolgte jedoch einen deutlich detaillierteren Ansatz. Es entstand ein neuartiger hochauflösender Datensatz mit mehr als 500 Konfliktbeginn-Ereignissen aus den Jahren 1950 bis 2023.
Die Konflikte wurden räumlich und zeitlich präzise lokalisiert. Dadurch konnten die Forschenden lokale Zusammenhänge untersuchen, anstatt nur ganze Staaten zu betrachten. Bagwell erklärte, dass ein derart detaillierter Datensatz über einen so langen Zeitraum bislang nicht existiert habe. Dadurch ließ sich analysieren, wie Klimavariabilität Konfliktrisiken auf lokaler Ebene über Jahrzehnte hinweg beeinflusst. Die Erstellung des Datensatzes war äußerst aufwendig. Studierende analysierten Nachrichtenberichte und andere Primärquellen in mehreren Sprachen, um jeden Konflikt geografisch einzuordnen. Ein zentrales Ergebnis war, dass nicht alle Klimaeffekte gleich wirken.
Weiterlesen https://phys.org/news/2026-05-climate-patterns-violent-conflict-amplified.html