Abstract:
Aerosol-Wolken-Wechselwirkungen (ACI) bleiben eine zentrale Unsicherheit im Klimasystem. Marine tiefe Wolken (MLCs) sind in diesem Zusammenhang besonders wichtig, da sie große Teile der Ozeanoberfläche bedecken und durch die Reflexion einfallender Sonnenstrahlung einen starken kühlenden Nettoeffekt ausüben. Aerosole können diese Wolken verändern, indem sie die Wolkentröpfchenanzahlkonzentration ($N_\mathrm{d}$), die optischen Wolkeneigenschaften, die Niederschlagsbildung, den Flüssigwasserpfad (LWP) und den Wolkenbedeckungsgrad (CF) beeinflussen. Unter diesen Prozessen gehören aerosolinduzierte Änderungen von CF, die sogenannte CF-Anpassung, potenziell zu den größten, aber am wenigsten eingeschränkten Komponenten des effektiven Strahlungsantriebs durch ACI. ... mehrDie Abschätzung und das Verständnis dieser Anpassung bleiben jedoch schwierig, da Aerosol-, Wolken- und meteorologische Bedingungen in großskaligen Beobachtungen stark kovariieren, während die simulierte CF-Antwort in Modellen zusätzlich von Konfigurationsentscheidungen abhängen kann, einschließlich Wolkenbedeckungsparametrisierungen und vorgeschriebener Beschränkungen für $N_\mathrm{d}$.
Diese Arbeit begegnet diesen Herausforderungen durch die Entwicklung eines erklärbaren Machine-Learning-(ML)-Frameworks über den nahezu globalen Ozeanen. Dieses Framework kombiniert regionsspezifische eXtreme-Gradient-Boosting-(XGBoost)-Modelle mit dem SHapley-Additive-exPlanations-(SHAP)-Ansatz und verwendet $N_\mathrm{d}$ als Proxy für wolkenaktive Aerosole. Innerhalb jedes geografischen $5^\circ \times 5^\circ$ Fensters, aggregiert aus den ursprünglichen Datengittern, wird CF durch ein XGBoost-Modell aus $N_\mathrm{d}$ zusammen mit einer Reihe thermodynamischer und dynamischer meteorologischer Prädiktoren vorhergesagt. SHAP-Werte werden anschließend verwendet, um die CF-Antworten zu quantifizieren und dabei meteorologische Kovariabilität zu berücksichtigen. Diese Arbeit verbindet zwei komplementäre Perspektiven: eine beobachtungsbasierte Analyse mit Satellitenretrievals des Moderate Resolution Imaging Spectroradiometer (MODIS) und ERA5-Reanalysedaten sowie eine modellbasierte Analyse mit Ausgaben des ICOsahedral Nonhydrostatic (ICON) Atmosphärenmodells, gekoppelt mit dem Hamburg Aerosol Module (HAM) (ICON-HAM). Das übergeordnete Ziel ist es, die CF-Antwort auf Aerosole sowohl in MODIS als auch in ICON-HAM zu quantifizieren und physikalisch zu interpretieren, wobei jeweils die Rolle meteorologischer Bedingungen und von Modellkonfigurationsentscheidungen untersucht wird.
Die beobachtungsbasierte Analyse zeigt eine nahezu global positive $\ln N_\mathrm{d}$–CF-Sensitivität, mit den stärksten Werten in den Stratocumulus-zu-Cumulus-Übergangsregionen vor den westlichen Kontinentalrändern und in den mittleren Breiten der Südhemisphäre, und den schwächsten Werten in den Tropen. Über direkte Sensitivitäten hinaus erlaubt dieses Framework die explizite Quantifizierung des meteorologischen Einflusses auf die $\ln N_\mathrm{d}$–CF-Sensitivität mithilfe eines Interaktionsindex (IAI), der aus SHAP-Interaktionswerten abgeleitet wird. Thermodynamische Variablen, insbesondere die geschätzte Inversionsstärke (EIS) und die Meeresoberflächentemperatur (SST), spielen eine größere Rolle als dynamische Variablen, sowohl für die Kontrolle von CF selbst als auch für die Modulation der $N_\mathrm{d}$–CF-Beziehung. Die IAI-Muster deuten darauf hin, dass höhere EIS die $\ln N_\mathrm{d}$–CF-Sensitivität in den mittleren Breiten verstärkt, während höhere SST dies in den Stratocumulus-zu-Cumulus-Übergangsregionen bewirkt.
Die modellbasierte Analyse wendet dasselbe erklärbare ML-Framework auf sechs ICON-HAM-Simulationen an. Diese kombinieren zwei Wolkenbedeckungsparametrisierungen – CC-RH, das nur von der relativen Feuchte (RH) abhängt, und CC-RH-LWC, das zusätzlich vom Flüssigwassergehalt (LWC) abhängt – mit drei vorgeschriebenen unteren Grenzen für $N_\mathrm{d}$ ($N_\mathrm{d,min}$ = 10, 40 und 100 cm$^{-3}$). Im Vergleich zu den MODIS-basierten Ergebnissen zeigt ICON-HAM eine stärker nichtlineare und sättigende $\ln N_\mathrm{d}$–CF-Beziehung; daher wird die SHAP-basierte Sensitivitätsanalyse durch stückweise lineare Regression erweitert. Die diagnostizierte CF-Sensitivität wird gemeinsam durch das Wolkenbedeckungsschema und $N_\mathrm{d,min}$ über einen sogenannten „Headroom"-Effekt geprägt: Ein höheres $N_\mathrm{d,min}$ unterdrückt die Autokonversion und erhöht den LWP; in CC-RH-LWC erhöht dies den mittleren CF-Zustand, da CF explizit vom Wolkenwassergehalt abhängt. Dieser erhöhte Ausgangszustand lässt weniger Raum für weitere aerosolinduzierte CF-Zunahmen, wodurch der Beitrag von $\ln N_\mathrm{d}$ zur CF-Vorhersage begrenzt und die diagnostizierte $\ln N_\mathrm{d}$–CF-Sensitivität abgeschwächt wird. Damit gilt die Erwartung, dass CC-RH-LWC stärkere Sensitivitäten als CC-RH zeigt, nur bei niedrigem $N_\mathrm{d,min}$ und kehrt sich bei höheren Werten um.
Insgesamt zeigt diese Arbeit, dass die CF-Antwort auf Aerosole sinnvoller interpretiert werden kann, wenn meteorologische Kovariabilität berücksichtigt und der Hintergrundzustand der Wolken einbezogen wird. In Beobachtungen zeigt sich diese Zustandsabhängigkeit als regionale meteorologische Modulation und als räumliche Unterschiede zwischen Wolkenregimen; in Klimamodellen wird sie zusätzlich durch Konfigurationsentscheidungen geprägt, die den simulierten mittleren CF-Zustand verändern. Diese Ergebnisse verbessern die beobachtungsbasierte Einschränkung der CF-Antwort, identifizieren unterschiedliche Verhaltensweisen der $N_\mathrm{d}$–CF-Beziehung in MODIS und ICON-HAM und zeigen, wie spezifische Aspekte der Modellkonfiguration die simulierte Antwort beeinflussen. Zusammen deuten sie darauf hin, dass aussagekräftige Modell-Beobachtungs-Vergleiche eine sorgfältige Berücksichtigung des Hintergrundzustands erfordern, in dem die jeweilige Abschätzung abgeleitet wird.
Abstract (englisch):
Aerosol–cloud interactions (ACI) remain a primary uncertainty in the climate system. Marine low clouds (MLCs) are particularly important in this context because they cover large parts of the ocean surface and exert a strong net cooling effect by reflecting incoming solar radiation. Aerosols can modify these clouds by changing cloud droplet number concentration ($N_\mathrm{d}$), cloud optical properties, precipitation formation, liquid water path (LWP), and cloud fraction (CF). Among them, aerosol-induced changes in CF, the CF adjustment, are potentially among the largest but least constrained components of the effective radiative forcing due to ACI. ... mehrEstimating and understanding this adjustment remains challenging because aerosol, cloud, and meteorological conditions strongly covary in large-scale observations, while in models the simulated CF response may further depend on configuration choices, including cloud-cover parameterizations and prescribed constraints on $N_\mathrm{d}$.
This thesis addresses these challenges by establishing an explainable machine-learning (ML) framework across near-global oceans. This framework combines region-specific eXtreme Gradient Boosting (XGBoost) models with the SHapley Additive exPlanations (SHAP) approach, using $N_\mathrm{d}$ as a proxy for cloud-active aerosols. Within each $5^\circ \times 5^\circ$ geographical window aggregated from the original data grids, CF is predicted by one XGBoost model from $N_\mathrm{d}$ alongside a set of thermodynamic and dynamical meteorological predictors, and SHAP values are used to quantify the CF responses while accounting for meteorological covariability. This thesis combines two complementary perspectives: an observation-based analysis using Moderate Resolution Imaging Spectroradiometer (MODIS) satellite retrievals and ERA5 reanalysis data, and a model-based analysis using output from the ICOsahedral Nonhydrostatic (ICON) atmosphere model coupled with the Hamburg Aerosol Module (HAM) (ICON-HAM). The overall aim is to quantify and physically interpret the CF response to aerosols in both MODIS and ICON-HAM, examining the role of meteorological conditions and model configuration choices, respectively.
The observation-based analysis reveals a near-globally positive $\ln N_\mathrm{d}$–CF sensitivity, strongest in stratocumulus-to-cumulus transition regions off the western continental coasts and in the Southern Hemispheric midlatitudes, and weakest in the tropics. Beyond direct sensitivities, this framework allows for the explicit quantification of the meteorological influence on the $\ln N_\mathrm{d}$–CF sensitivity using an interaction index (IAI) derived from SHAP interaction values. Thermodynamic variables, especially estimated inversion strength (EIS) and sea surface temperature (SST), play a larger role than dynamical variables both in controlling CF itself and in modulating the $N_\mathrm{d}$–CF relationship. The IAI patterns suggest that higher EIS amplifies the $\ln N_\mathrm{d}$–CF sensitivity in the midlatitudes, while higher SST does so in stratocumulus-to-cumulus transition regions.
The model-based analysis applies the same explainable ML framework to six ICON-HAM simulations, combining two cloud-cover schemes – CC-RH, which depends only on relative humidity (RH), and CC-RH-LWC, which additionally depends on liquid water content (LWC) – with three prescribed lower bounds for $N_\mathrm{d}$ ($N_\mathrm{d,min}$ = 10, 40 and 100 cm$^{-3}$). Compared with the MODIS-based results, ICON-HAM shows a more nonlinear and saturating $\ln N_\mathrm{d}$–CF relationship, and thus the SHAP-based sensitivity is extended using piecewise linear regression. The diagnosed CF sensitivity is found to be jointly shaped by the cloud-cover scheme and $N_\mathrm{d,min}$ via a "headroom" effect: higher $N_\mathrm{d,min}$ suppresses autoconversion and increases LWP; in CC-RH-LWC, this increases mean-state CF because CF depends explicitly on cloud water content. The elevated baseline leaves less room for further aerosol-induced CF increases, limiting the contribution of $\ln N_\mathrm{d}$ to the CF prediction and weakening the diagnosed $\ln N_\mathrm{d}$–CF sensitivity. Thus, the expectation that CC-RH-LWC exhibits stronger sensitivities than CC-RH holds only at low $N_\mathrm{d,min}$ and reverses at higher values.
Overall, this thesis shows that the CF response to aerosols can be interpreted more meaningfully when meteorological covariability is taken into account and when the background cloud state is considered. In observations, this state dependence appears as regional meteorological modulation and spatial variations across cloud regimes; in climate models, it is further shaped by configuration choices that change the simulated mean-state CF. These findings advance the observational constraint on the CF response, identify different behaviours of the $\ln N_\mathrm{d}$–CF relationship in MODIS and ICON-HAM, and demonstrate how specific model configuration aspects affect the simulated response. Together, they suggest that meaningful model–observation comparisons require careful attention to the background state in which each estimate is derived.
1