Für das Training des CNN wurden saisonale mittlere Klimaanomalien aus verschiedenen großen Ensemble-Simulationen idealisierter vulkanischer Eruptionen verschiedener Standorte und Stärken (EVA-Ens) verwendet. Das CNN wird mit borealen Sommermittelwerten der globalen Oberflächentemperaturanomalien ein Jahr nach der vulkanischen Eruption trainiert. Die idealisierten vulkanischen Zwangsexperimente wurden mit dem Max-Planck-Institut Earth-System-Model (MPI-ESM1.1-LR) durchgeführt, das eine Zwischenversion zwischen der MPI-ESM CMIP5-Version24 und der CMIP6-Version49 ist. Die EVA-Ens-Experimente wurden als Sensitivitätsexperimente zum historischen Lauf des Max-Planck-Institut Earth System Model Grand Ensemble (MPI-GE,27) konzipiert, bei dem im Jahr 1991 das vorgeschriebene historische vulkanische Zwangsdatum durch idealisierte vulkanische Zwangsdaten ersetzt wurde.
Die vulkanische Zwangseinwirkung wird im MPI-ESM durch zonal und monatlich mittlere optische Parameter (Aerosolextinktion, Einzelstreuung, Albedo und Asymmetriefaktor) vorgegeben. Für unsere idealisierten vulkanischen Experimente haben wir die radiative Zwangseinwirkung mit dem “easy volcanic aerosol (EVA) forcing generator” zusammengestellt. Um eine gleichmäßige Verteilung der Ausgabeklassen in unseren Trainingsdaten sicherzustellen, haben wir 100 Mitglieder aus den Jahren 1991, 1992, 1993 und 1994 der ungestörten Läufe einbezogen, um den Fall ohne Vulkanausbruch abzudecken. Dies ergibt insgesamt einen Datensatz von 1600 Trainingssamples.
Unsere Bewertung umfasste ein Ensemble von vier Reanalysen und zwei Beobachtungsanalysen. In Bezug auf die Reanalysen ist die ERA-5-Reanalyse eine umfassende globale atmosphärische Reanalyse, die im Rahmen des Copernicus Climate Change Service am Europäischen Zentrum für mittelfristige Wettervorhersagen erstellt wurde. In Bezug auf die Beobachtungsanalysen enthalten HadCRUT5 und GISTEMP4 historische Oberflächentemperaturanomalien auf globaler Ebene. Alle Daten wurden in NetCDF4 bereitgestellt und mit Klimadatenoperatoren und Freva vorverarbeitet. Das CNN-Modell, das wir verwendet haben, ist ein speziell für die Verarbeitung von Rastdaten entwickelter maschineller Lernalgorithmus. Es besteht aus drei Faltungsschichten, zwei vollständig verbundenen Schichten und verwendet das PyTorch-Deep-Learning-Framework.
Um die Leistung und Effizienz unseres Modells zu evaluieren und zu validieren, haben wir verschiedene Sensitivitätsexperimente durchgeführt, darunter die Untersuchung der Auswirkung von Normalisierung und die Evaluierung von anderen Variablen wie Niederschlag und Luftdruck im Vergleich zu Oberflächentemperaturanomalien. Wir fanden heraus, dass die vulkanischen Eruptionen ein deutlicheres Signal in den globalen Temperaturen hinterlassen als in Niederschlag und Luftdruck. Durch die Anwendung von Cross-Validation konnten wir eine große Anzahl von CNN-Modellen trainieren und validieren, um robuste Ergebnisse zu erhalten. Trotz Herausforderungen durch unterschiedliche Auflösungen der Beobachtungsdatensätze erzielten wir zufriedenstellende Ergebnisse mit unseren trainierten CNN-Modellen.