Eine neue Untersuchung der Christian-Albrechts-Universität zu Kiel (CAU) hat ergeben, dass auch schwächer eingestufte Ozeanmodelle wertvolle Informationen für die Vorhersage von Sauerstoffmangel in Küstengewässern liefern können. In der Studie, die in der Fachzeitschrift Scientific Reports veröffentlicht wurde, wurde demonstriert, dass die Kombination von verschiedenen Modellansätzen, einschließlich solcher mit bewusst extremen Parametereinstellungen, mithilfe von maschinellem Lernen die Vorhersagen zur Sauerstoffentwicklung in der Eckernförder Bucht signifikant verbessert hat.
Sauerstoffarmut ist in der westlichen Ostsee ein häufiges Problem. In tiefen Wasserschichten kommt es regelmäßig zu Sauerstoffmangel, was nicht nur die marine Tierwelt bedroht, sondern auch das gesamte Ökosystem gefährdet. Die Erwärmung der Meere infolge des Klimawandels könnte diese Problematik in Zukunft noch verschärfen. Angesichts dieser Herausforderungen setzen Forscher traditionell auf leistungsstarke numerische Ozeanmodelle zur Vorhersage solcher Entwicklungen. Die neue Studie zeigt jedoch, dass auch Modelle, die im Vergleich zu den besten ihrer Art als „Low Performer“ gelten, bedeutende Informationen bereitstellen können.
Die Erstautorin der Studie, Dr. Ulrike Löptien, erläutert, dass die Forschung im Bereich der Ozeanmodellierung oft dazu neigt, sich auf Modelle zu konzentrieren, die Beobachtungen präzise wiedergeben. Modelle, die weniger präzise sind oder extreme Annahmen treffen, werden häufig ausgeschlossen. Die Forscher der CAU haben jedoch gezeigt, dass diese Modelle, wenn sie richtig kombiniert werden, wertvolle Informationen über seltene oder extreme Zustände liefern können, die entscheidend für die Vorhersage ökologisch relevanter Szenarien sind.
Die Ostsee leidet unter den langfristigen Folgen von Überdüngung durch landwirtschaftliche Abwässer, die zu Algenblüten und absterbender organischer Masse führen. Diese Prozesse verursachen zeitweise Sauerstoffmangel, was schwerwiegende Folgen für die Wasserqualität und die Lebensgemeinschaften im Meer hat. Zur Vorhersage von Sauerstoffwerten in Küstengewässern sind numerische Modelle unerlässlich, doch deren Komplexität erfordert oft die Nutzung von Ensemble-Ansätzen, bei denen die Ergebnisse mehrerer Modelle kombiniert werden. Diese Methode ist in der Ozeanzirkulations- und biogeochemischen Modellierung jedoch noch nicht weit verbreitet.
Für ihre Untersuchung zur Sauerstoffentwicklung in der Eckernförder Bucht, wo umfangreiche historische Daten vorliegen, kombinierten die Wissenschaftler verschiedene Modellvarianten, die sich in zentralen Annahmen und Parametern unterschieden. Sie schlossen bewusst Modelle mit geringer Leistung und extremen Annahmen ein, die in der Regel verworfen worden wären. Anstatt diese Modelle auszuschließen, verwendeten die Forscher einen Random-Forest-Algorithmus, um aus realen Beobachtungsdaten zu lernen, unter welchen Bedingungen bestimmte Modelle besonders informative Ergebnisse liefern.
Die Ergebnisse waren überraschend: Die gängige Methode, die Resultate aller Modelle zu mitteln, brachte keine signifikanten Verbesserungen im Vergleich zu den besten Einzelmodellen. Im Gegensatz dazu führte die Kombination der Modelle mithilfe maschinellen Lernens zu einer erheblichen Steigerung der Vorhersagegenauigkeit. Interessanterweise erwiesen sich einige der schwächeren Modelle als besonders wertvoll, da sie spezifische Informationen über extremen oder seltenen Zustände boten, die für die Prognosen erforderlich waren.
Die Kombination aller Simulationen mit Methoden des maschinellen Lernens verbesserte die Vorhersagequalität erheblich. Dies zeigt, dass die kollektive Stärke eines Ensemble-Ansatzes möglicherweise wichtiger ist als die Fokussierung auf die leistungsstärksten Einzelmodelle. Der Erfolg dieser Methodik ist auch darauf zurückzuführen, dass die Forscher auf umfassende Beobachtungsdaten aus den Jahren 2000 bis 2015 zurückgreifen konnten, die im Rahmen langjähriger Messprogramme gesammelt wurden.
Die Erkenntnisse aus dieser Studie sind nicht nur für die Ostsee von Bedeutung, sondern haben auch weitreichende Implikationen für die weltweite biogeochemische Modellierung. Diese Modelle werden genutzt, um die Auswirkungen des Klimawandels auf marine Ökosysteme abzuschätzen und Strategien zum Schutz von Küstengewässern zu entwickeln. Die Ergebnisse zeigen, wie durch die Integration von Ensemble-Ansätzen und Künstlicher Intelligenz die Aussagekraft solcher Modelle verbessert werden kann und wie Unsicherheiten in den Prognosen besser quantifiziert werden können.
Die Studie wurde durch verschiedene Forschungsprojekte
