mloz: Eine hocheffiziente, auf Machine Learning basierende Ozon‑Parametrisierung für CMIP‑Simulationen

Atmosphärisches Ozon ist ein entscheidender Absorber solarer Strahlung und ein wichtiges Treibhausgas. Dennoch fehlt in den meisten Klimamodellen, die am Coupled Model Intercomparison Project (CMIP) teilnehmen, aufgrund der hohen Rechenkosten chemischer Atmosphärenschemata weiterhin eine interaktive Repräsentation von Ozon.

Dieses Projekt entwickelt eine maschinelle Lern-Parametrisierung (mloz), um die tägliche Variabilität und die Trends des Ozons in der Troposphäre und Stratosphäre interaktiv in typischen CMIP-Simulationen zu modellieren, einschließlich vorindustrieller, abrupt-4xCO2-, historischer und zukünftiger Shared Socioeconomic Pathway (SSP)-Szenarien.

Wir demonstrieren die hohe Genauigkeit von mloz auf dekadischen Zeitskalen sowie seine flexible Nutzung in zwei verschiedenen Klimamodellen – dem UK Earth System Model (UKESM) und dem deutschen ICOsahedral Nonhydrostatic (ICON)-Modell. Mit meteorologischen Variablen und Antriebsdaten als Eingaben erzeugt mloz stabile Ozonvorhersagen, die etwa 31-mal schneller sind als das Chemieschema in UKESM, und trägt weniger als 4 % zur jeweiligen gesamten Laufzeit des Klimamodells bei. Insbesondere zeigen wir auch die Übertragbarkeit der Parametrisierung auf andere Klimamodelle ohne Chemieschemata, indem wir die Parametrisierung von UKESM auf ICON in standardisierten Klimasensitivitätssimulationen übertragen.

Dies unterstreicht das Potenzial von mloz für eine breite Anwendung in CMIP-Klimamodellen, denen eine interaktive Chemie fehlt, für zukünftige Bewertungen des Klimawandels, bei denen Ozontrends und -variabilität atmosphärische Rückkopplungsprozesse wesentlich beeinflussen werden.