Künstliche Intelligenz blickt in den Ozean

Seit mehr als zwanzig Jahren treiben rund viertausend autonome Messbojen durch den Ozean. Sie gehören zum internationalen Argo-Programm (Argo - global array of profiling floats). In einem regelmäßigen Rhythmus tauchen sie auf eine Tiefe von 2000 Metern ab und messen beim Aufsteigen Parameter wie Temperatur, Salzgehalt und Druck. Wenn sie die Meeresoberfläche wieder erreicht haben, senden sie diese Daten per Satellit in das Argo-Netzwerk, das Forschenden weltweit zur Verfügung steht. Kaum ein anderes Beobachtungssystem hat die Ozeanforschung in den vergangenen Jahrzehnten so nachhaltig verändert.

Tausende Messbojen, ein globaler Blick

Nun zeigt eine Studie, dass sich diese Daten noch weit über ihre ursprüngliche Nutzung hinaus auswerten lassen. „Wir wollten wissen, ob wir aus den verstreuten Argo-Messungen Informationen über großräumige Strömungssysteme gewinnen können, die bislang nur mit sehr aufwendigen Messkampagnen erfasst werden“, sagt Dr. Yannick Wölker, Erstautor der Studie und vor kurzem Doktorand in der Forschungseinheit Ozeandynamik am GEOMAR und in der Arbeitsgruppe Archäoinformatik – Data Science der Christian-Albrechts-Universität zu Kiel (CAU). „Künstliche Intelligenz eröffnet hier neue Möglichkeiten. Die Verbindung von Maschinellem Lernen mit bewährten physikalischen Modellen erlaubt es uns, aus vorhandenen Messdaten mehr herausholen und besser verstehen, wie zentrale Strömungssysteme funktionieren.“

Warum die Atlantikzirkulation so wichtig ist

Im Zentrum der Studie steht die Atlantische Meridionale Umwälzzirkulation, kurz: AMOC. Dieses riesige Strömungssystem wirkt wie ein Förderband, das warmes Oberflächenwasser nach Norden transportiert, wo es abkühlt, in die Tiefe sinkt und als kaltes Tiefenwasser zurück nach Süden fließt. Dadurch werden große Mengen von Wärme transportiert und Wetter und Klima auch in Europa beeinflusst. Wie stabil dieses System ist und wie es sich unter dem Einfluss des Klimawandels verändert, gehört zu den aktuellen zentralen Fragen der Klimaforschung. Bislang stützen sich direkte Beobachtungen jedoch auf wenige feste Messreihen im Atlantik, die technisch anspruchsvoll und teuer sind.

Lernen aus Simulationen

Um dieses Problem anzugehen, kombinierten die Forschenden zwei Welten: Beobachtungsdaten und Modellrechnungen. Sie trainierten ein Maschinelles Lernverfahren (Teilgebiet der Künstlichen Intelligenz, bei dem Computer Muster in Daten erkennen) mit hochaufgelösten Ozeansimulationen. Das Modell lernte dabei, wie typische Strömungsmuster im Ozean mit Temperatur- und Salzgehaltsprofilen zusammenhängen. Anschließend übertrugen sie dieses Wissen auf reale Argo-Daten aus dem Atlantik. Der Ansatz erlaubt es, aus punktuellen Messungen auf großräumige Strömungsstärken zu schließen – insbesondere auf den sogenannten geostrophischen (durch Verteilung von Temperatur und Salzgehalt bestimmten) Anteil der Zirkulation, der bislang nur schwer kontinuierlich zu erfassen ist.

Vielversprechende Ergebnisse aber auch klare Grenzen

Die Ergebnisse zeigen: Die aus den Argo-Daten berechneten Schätzungen stimmen gut mit etablierten Beobachtungsreihen und Modellsimulationen überein. Damit liefert die Studie einen wichtigen methodischen Baustein für die Ozeanbeobachtungen.

Gleichzeitig betonen die Autor:innen die Grenzen ihres Ansatzes. Die Methode beruht auf Modellannahmen und erfasst nur bestimmte Zeitfenster. Sehr kurzzeitige Schwankungen, aber auch die langfristige Abnahme der AMOC, können nur eingeschränkt bestimmt werden. Die neue Methodik soll bestehende Messsysteme daher nicht ersetzen, sondern sinnvoll ergänzen und optimieren.

„Unser Ansatz ist kein Ersatz für direkte Messungen im Ozean“, sagt Yannick Wölker. „Aber er kann helfen, vorhandene Daten besser zu nutzen und Beobachtungslücken zu überbrücken.“

Bedeutung für zukünftige Beobachtungsstrategien

Für die Planung zukünftiger Messnetze könnte das Verfahren eine wichtige Rolle spielen. Es zeigt, wie globale Programme wie Argo durch moderne Datenanalyse an Aussagekraft gewinnen können – und zusätzliche Infrastruktur im Ozean sinnvoll platziert werden kann.

„Gerade mit Blick auf langfristiges Klimamonitoring müssen wir überlegen, wie wir Beobachtungen effizient, robust und international abgestimmt gestalten“, sagt Prof. Dr. Arne Biastoch, Professor am GEOMAR und Koautor der Studie. „Methoden der Künstlichen Intelligenz können dazu beitragen, strategische Entscheidungen für zukünftige Ozeanmessungen optimal zu treffen.“

Die Arbeit entstand in Zusammenarbeit im Rahmen der Helmholtz School for Marine Data Science (MarDATA), einer Doktorandenausbildung mit Forschenden in Kiel und Bremen, bei denen Promovierende gemeinsam von Meeresforschenden und Informatiker:innen betreut werden. 

Original-Publikation:

Wölker, Y., W. Rath, M. Renz, and A. Biastoch, 2025: Estimating the AMOC from Argo Profiles with Machine Learning Trained on Ocean Simulations, Ocean Sci., 21, 3541–3562, doi.org/10.5194/os-21-3541-2025.