Neues KI-Modell liefert Temperaturprofile für Korallenriffe aus Satellitendaten

Satellitenmessungen der Oberflächentemperatur (SST) bilden die Basis für weltweite Korallenbleichungsüberwachung, doch sie erfassen nur die Wasseroberfläche. Korallen leben bis zu 20 m tief, wo die Wassertemperatur 1–3 °C kühler sein kann. Ein neues, physikbasiertes neuronales Netzwerk (PINN) kombiniert NOAA‑SST-Daten mit wenigen in‑situ Temperaturloggern und nutzt die eindimensionale Wärmeleitungsgleichung, um die Oberflächenbedingungen als harte Randbedingung einzufügen und gleichzeitig die effektive Wärmeleitfähigkeit sowie die Lichtabsorption zu erlernen.

Die Validierung an vier Standorten des Great Barrier Reef, mit 30 unabhängigen Testfällen, zeigt, dass das PINN bei unbekannten Tiefen eine Fehlerquote von 0,25 – 1,38 °C erreicht. Selbst bei extrem sparsamen Trainingsdaten – nur drei Tiefen – bleibt die Genauigkeit stark: 0,27 °C bei 5 m und 0,32 °C bei 9,1 m, während herkömmliche statistische Modelle Fehler von über 1,8 °C aufweisen. In 90 % der Experimente übertrifft das PINN zudem ein rein physikbasiertes Finite‑Differenz‑Modell.

Durch die tiefe Auflösung lassen sich Degree‑Heating‑Day‑Profile (DHD) exakt nachbilden. Auf dem Davies Reef sinkt der DHD von 0,29 °C an der Oberfläche auf Null bei 10,7 m, was mit den Loggerdaten übereinstimmt, während Satellitendaten einen konstanten Wert von 0,31 °C über alle Tiefen anzeigen. Das PINN nimmt jedoch an flachen Tiefen absolute DHD‑Werte leicht unter dem realen Wert, weil die glatte Vorhersage kurze Temperaturspitzen glättet. Diese Ergebnisse verdeutlichen, wie wichtig tiefe Temperaturprofile für die korrekte Bewertung von thermischem Stress bei Korallenriffen sind.