CONTRAILS - Kondensstreifen im Klimasystem: KI für Parametrisierung, Datenassimilation und Vorhersage

Abstract

Das Verbundvorhaben CONTRAILS – Kondensstreifen im Klimasystem: Künstliche Intelligenz für Parametrisierung, Datenassimilation und Vorhersage wurde vom Bundesministerium für Wirtschaft und Klimaschutz (BMWK) gefördert und vom Deutschen Wetterdienst (DWD) durchgeführt. Ziel war die Verbesserung der Identifikation, Parametrisierung und Vorhersage von Kondensstreifen und hohen Wolken mithilfe moderner Verfahren der künstlichen Intelligenz (KI). Kondensstreifen gelten als bedeutende Nicht-CO2-Klimawirkung des Luftverkehrs, deren Entstehung in eisübersättigten Regionen bislang nur unzureichend in numerischen Wettervorhersagemodellen (NWP) erfasst wurde. Aufbauend auf den jüngsten Fortschritten in der KI-gestützten Wettermodellierung wurden im Projekt neue Verfahren entwickelt, die physikalische Prozesse datengetrieben emulieren und in das operationelle ICON-System integriert werden können. Das DWD-Teilvorhaben umfasste fünf Schwerpunkte: (1) die KI-basierte Identifikation von Kondensstreifen in SEVIRI- Satellitendaten, (2) eine zweistufige neuronale Netz-Parametrisierung für Wolkenvariablen einschließlich eines Online- Lernverfahrens, (3) die Entwicklung eines KI-Vorwärtsoperators zur Simulation von satellitengestützten Wolkenbeobachtungen, (4) die Verifikation eisübersättigter Regionen und (5) die Integration von Allsky-Daten in das EnVAR/LETKF-Assimilationssystem. Die entwickelten Methoden zeigen eine deutliche Verbesserung der Erkennung und Modellierung langlebiger Kondensstreifen, eine realistischere Abbildung der Strahlungsflüsse und eine stabile Assimilation von Allsky-Beobachtungen. Der KI- Vorwärtsoperator ermöglicht dabei eine wesentlich schnellere und differenzierbare Simulation als klassische Verfahren. Insgesamt wurden alle Projektziele erreicht, wobei das Projekt zugleich neue methodische Ansätze (z. B. Online-Lernen im Assimilationszyklus) etablierte. Die Ergebnisse legen die Grundlage für den operationellen Einsatz von KI-Verfahren in der Wettervorhersage und eröffnen neue Anwendungsmöglichkeiten in der klimaoptimierten Flugroutenplanung, der Energieprognose und der KI-gestützten Atmosphärenmodellierung. The joint project CONTRAILS – Contrails in the Climate System: Artificial Intelligence for Parameterization, Data Assimilation, and Prediction was funded by the Federal Ministry for Economic Affairs and Climate Action (BMWK) and carried out by the German Weather Service (DWD). Its aim was to improve the identification, parameterization, and prediction of contrails and high clouds using modern artificial intelligence (AI) methods. Contrails are considered a significant non-CO₂ climate impact of aviation, whose formation in ice-supersaturated regions has so far been insufficiently represented in numerical weather prediction (NWP) models. Building on recent advances in AI-based weather modeling, the project developed new methods that emulate physical processes in a data-driven manner and can be integrated into the operational ICON system. The DWD subproject focused on five main areas: AI-based identification of contrails in SEVIRI satellite data, a two-stage neural network parameterization for cloud variables, including an online learning procedure, development of an AI forward operator to simulate satellite-based cloud observations, verification of ice-supersaturated regions, and integration of all-sky data into the EnVAR/LETKF assimilation system. The methods developed show a clear improvement in the detection and modeling of persistent contrails, a more realistic representation of radiative fluxes, and stable assimilation of all-sky observations. The AI forward operator enables a significantly faster and differentiable simulation compared to classical methods. Overall, all project objectives were achieved, while at the same time establishing new methodological approaches, such as online learning in the assimilation cycle. The results provide a foundation for the operational use of AI methods in weather forecasting and open up new applications in climate-optimized flight route planning, energy forecasting, and AI-assisted atmospheric modeling.