Informationsgewinnung aus hochaufgelösten Klimadaten

ACRP Projekt HighResLearn

Steckbrief

Fördergeber: ACRP-Projekt, Klima- und Energiefonds
Titel: High-resolution machine learning for the climate community in Austria (HighResLearn)
Stichwörter: Klimawandel, km-skalige globale Klimasimulationen, Maschinelles Lernen, Data Science, Kommunikation
Leitung: Universität Wien
Kontakt: Aiko Voigt (aiko.voigt@univie.ac.at), Lukas Brunner (Universität Hamburg, Deutschland)
Projektpartner: Universität Innsbruck, GeoSphere Austria, CCCA, Klimadashboard
Projektdauer: 01.07.2024-30.06.2027

Kurzfassung

Die Erreichung des Projektziels gliedert sich in zwei Hauptteile:

1. Die Entwicklung von „data recipes“ als Anleitung für die Verwendung hochaufgelöster globaler Klimadaten für Österreich. Diese recipes bestehen aus Tools zur Prozessierung der Daten, Anleitungen zur Verwendung und Beispielen, die in enger Zusammenarbeit mit der Forscher:innengemeinschaft in Österreich realisiert werden. Sie bauen auf Ergebnissen des Europäischen Horizon 2020 Projekts NextGEMS auf, dessen globale km-skalige Klimasimulationen als Ausgangspunkt dienen und mit dem HighResLearn kollaboriert.
2. Die Entwicklung von Methoden zur Extraktion und Analyse von regional relevanter Klimainformation aus hochaufgelösten Daten. Die Daten können dabei aus verschiedenen Quellen kommen und verschiedene Raumskalen abdecken, wie zum Beispiel NextGEMS (global), CORDEX (Europa, Alpenraum) oder ÖKS (Österreich). Die Methoden bauen auf den neuesten Fortschritten im maschinellen Lernen für die Klimawissenschaften auf und entwickeln diese mit einem Fokus auf regionale Skalen weiter.

Zusätzlich dazu wird HighResLearn eng mit der nationalen und internationalen Forscher:innengemeinschaft zusammenarbeiten, um Brücken zwischen der globalen und regionalen Klimamodellierung zu bauen. Ein besonderer Fokus liegt auch auf der Aufbereitung der Ergebnisse für eine breite Öffentlichkeit, zum Beispiel in Zusammenarbeit mit dem Klimadashboard Österreich. 

Relevante Publikationen und weiterführende Information

• Verwendung von maschinellem Lernen zur Identifikation von Klimamodellen auf kurzen Zeitskalen: Brunner und Sippel (2023): Identifying climate models based on their daily output using machine learning.
• Detektion von Klimawandelsignalen in Täglichen Daten: Sippel et al (2020): Climate change now detectable from any single day of weather at global scale.
• Beispiel für data recipes
• Horizon 2020 Projekt NextGEMS