CALISMA: Constraining Aerosol-Low cloud InteractionS with multi-target MAchine learning

Niedrige Wolken der marinen Grenzschicht kühlen das Erdsystem und spielen somit eine entscheidende Rolle für die Energiebilanz der Erde. Die physikalischen Eigenschaften dieser Wolken werden von Aerosolen beeinflusst. Veränderungen in der Zusammensetzung oder Konzentration atmosphärischer Aerosole können daher die Strahlungswirkung und somit das Kühlungspotential dieser Wolken verändern. Die Quantifizierung der Auswirkungen atmosphärischer Aerosole auf marine Grenzschichtwolken mit Beobachtungsdaten ist eine große Herausforderung, da viele Prozesse gleichzeitig wirken, statistisch schwer zu trennen sind und Wolken gegen Aerosoleinflüsse “gepuffert” sein können. Globale Klimamodelle können diese Prozesse nicht auflösen, sodass sie über Parametrisierungen festgeschrieben werden müssen, welche wiederum mit Unsicherheiten belastet sind. Durch diese Probleme in der Auswertung von Beobachtungen sowie in Modellen ist die Quantifizierung von Aerosol-Wolken-Interaktionen weiterhin eine der größten Unsicherheiten der Klimawissenschaften, was die Abschätzung der Klimasensitivität erschwert.Das beantragte Forschungsprojekt adressiert diese Herausforderungen und wird die Wirkung von Aerosolen auf marine Grenzschichtbewökung mit globalen Beobachtungsdaten quantifizieren und die Parameterisierungen dieser Prozesse in globalen Klimamodellen evaluieren. In aktuellen Studien haben statistische Modelle aus dem Bereich des maschinellen Lernens geholfen, das Aerosol-Wolken-Meteorologie-System besser zu verstehen und zu quantifizieren, da sie in der Lage sind, Effekte von Aerosolen von anderen atmosphärischen Größen zu isolieren. Das beantragte Forschungsprojekt wird sich auf maschinelle Lernmethoden stützen, welche zusätzlich in der Lage sind, alle relevanten Wolkeneigenschaften gleichzeitig vorherzusagen, und damit mögliche Puffer explizit berücksichtigen und quantifizieren können. Die statistischen Modelle werden verwendet, um Zusammenhänge und Prozesse in globalen Beobachtungsdaten und dem Output globaler Klimamodelle zu analysieren. Auf diese Weise kann eine prozessorientierte Evaluierung von Modellparameterisierungen erreicht werden, die sich deutlich von dem üblichen Vergleich klimatologisch gemittelter Wolkenmuster abhebt. So können Modellparametrisierungen beobachtungsgestützt eingegrenzt, und der Strahlungsantrieb durch Wechselwirkungen zwischen Aerosolen und marinen Grenzschichtwolken quantifiziert werden.