Iskärnor och AI: 12 000 år som varnar energibranschen

En 40 meter lång iskärna från Dôme du Goûter på Mont Blanc har legat frusen sedan 1999 – och den visar sig innehålla den äldsta kända glaciärisen i Västeuropa: över 12 000 år gammal. Det är inte bara en naturvetenskaplig kuriositet. Det är ett ovanligt tydligt kvitto på hur atmosfären förändrats från istid till nutid – och hur människans avtryck accelererat från jordbrukets start till modern industri.

Det här spelar rakt in i en fråga jag tycker många energibolag fortfarande underskattar: vi kan inte styra om energisystemet utan bättre mätning, bättre prognoser och snabbare beslutsstöd. Historiska arkiv som iskärnor ger oss baslinjen. Men det är AI-baserad miljöövervakning och AI i energisystem som kan göra baslinjen praktiskt användbar i realtid.

Vad en alpisk iskärna faktiskt berättar (och varför det är ovanligt)

Den centrala poängen: Iskärnor fungerar som tidskapslar för luftens kemi. I varje lager finns små mängder aerosoler – damm, havssalt, sot, svavel från vulkanutbrott och senare även spår av mänskliga utsläpp.

Det speciella här är att provet kommer från Alperna, nära europeiska utsläppskällor och vädersystem. Det gör tolkningen mer relevant för Europas klimat och luftkvalitet än om vi bara tittar på Arktis.

Därför är “nära källorna” en stor grej

Aerosoler stannar ofta bara dagar till någon vecka i atmosfären. Det betyder att en iskärna nära källorna kan fånga förändringar i:

• regionala vindmönster
• skogsbränder och sottransport
• vulkaniska svavelpulser
• Saharadamm över Medelhavet
• tidiga signaler av metallutsläpp från gruvdrift och industri

Det blir, i praktiken, ett kemiskt bokslut över hur Europa andats i 12 000 år.

Tre datapunkter från isen som är direkt relevanta för klimat- och energibeslut

Svar först: Iskärnan visar att både naturens variation och människans påverkan är större (och mer ryckig) än många förenklade modeller antar. Tre delar sticker ut.

1) Temperatur: cirka 3 °C mellan istid och Holocen

Forskarna rekonstruerar en temperaturdifferens på ungefär 3 °C mellan den senaste istiden och vår nuvarande varma period, Holocen. I pollenbaserade rekonstruktioner syns också ungefär 2 °C svalare somrar i Västeuropa och cirka 3,5 °C svalare i Alperna under istidsförhållanden.

Det här är en bra påminnelse om skala: några få grader räcker för att flytta ekosystem, nederbördsmönster och vindfält – vilket i sin tur påverkar allt från vattenkraftens tillrinning till efterfråge-toppar i elnätet.

2) Damm: cirka 8 gånger högre under istiden

Den mest slående siffran: dammhalter var ungefär åttafaldiga under istiden jämfört med Holocen.

Det är extra intressant eftersom tidigare modeller för Europa ofta simulerat ungefär en fördubbling mellan varma och kalla stadier. Med andra ord: modellerna kan ha underskattat dammets dynamik rejält.

För energisektorn är damm inte bara “klimatkuriosa”. Damm påverkar:

• molnens egenskaper och därmed solinstrålning
• nederbörd (via kondensationskärnor)
• solkraft (nedsmutsning av paneler)
• luftkvalitet och hälsa (samhällskostnader)

3) Havssalt och vindar: mer deposition under istiden

Iskärnan visar högre havssaltdeposition under istiden, vilket kopplas till starkare västliga vindar. Havssalt kan sprida solstrålning och påverka molndroppars storlek och albedo.

Det här är en elegant koppling mellan “små partiklar” och “stora system”: aerosoler påverkar moln, moln påverkar strålningsbalans, strålningsbalans påverkar temperatur – och temperatur driver energiefterfrågan.

Iskärnan som baslinje: mänsklig påverkan blir synlig lager för lager

Svar först: Iskärnans värde är att den visar när naturens signaler börjar blandas upp med människans – och hur snabbt den blandningen skenar.

Forskarna beskriver att kärnan spänner över övergången från:

• jägare-samlare (låg befolkning, små utsläpp)
• jordbruk och djurhållning (markomvandling)
• gruvdrift (metaller i atmosfären)
• industrialisering (kraftigt ökade utsläpp)

De har redan tidigare använt iskärnor för att koppla blyföroreningar till ekonomiska svängningar i antikens Rom. I Mont Blanc-kärnan finns nu möjlighet att göra liknande tolkningar för Europa – men med hög regional relevans.

Fosfor och skog: ett “osynligt” klimatverktyg

Fosfor i isen användes som indikator för vegetationsförändringar:

• låg fosfor under istiden
• kraftig ökning under tidig–mellan Holocen (utbredning av skogar i varmare klimat)
• senare nedgång när modern samhällsutveckling och markröjning tar fart

Det här är användbart även idag: när vi pratar om nettonoll och kolsänkor glömmer vi ofta att markanvändning är en lika politisk som teknisk fråga. Och den lämnar spår.

Där AI kommer in: från frusen historik till realtidsstyrning

Svar först: Iskärnor säger vad som hände. AI gör det möjligt att upptäcka vad som händer – och styra efter det. Om vi tar lärdom av 12 000 års aerosol- och klimatvariation blir nästa logiska steg att mäta, modellera och agera snabbare.

AI-baserad miljöövervakning som motsvarighet till iskärnan

Iskärnor ger “provtagning i efterhand”. Men dagens energisystem kräver kontinuerlig provtagning:

• satellitdata (aerosoloptiskt djup, moln, markfukt)
• luftkvalitetssensorer (PM2.5/PM10, NOx, O3)
• väderradar och lidar
• driftdata från kraftsystem och förnybar produktion

AI hjälper till att:

1. Fusera datakällor (satellit + mark + modell)
2. Detektera avvikelser (t.ex. plötsliga dammintrång, brandrök)
3. Förklara orsak (vilken källa, vilka vindar, vilken höjdprofil)
4. Prognostisera konsekvens (solproduktion, hälsorisk, nätstabilitet)

Det fina är att detta inte är framtidsmusik. Tekniken finns. Utmaningen är ofta organisation och datakvalitet.

AI i energisystem: därför spelar aerosoler roll för el, inte bara för klimat

Ett praktiskt exempel: solkraftens korttidsprognoser. Produktion styrs av moln, men också av aerosoler som påverkar strålningen.

• Saharadamm kan sänka solinstrålningen utan att himlen “ser” helt molnig ut.
• Brandrök kan skapa diffust ljus och ändra panelers effektivitet.

Med AI-modeller som tar in aerosoldata kan man förbättra prognoserna för:

• intradagsplanering i elhandel
• balansansvar (mindre obalanskostnader)
• styrning av batterier och flexibilitet

Min ståndpunkt: det är märkligt att vi accepterar procentnivåer av prognosfel i ett system där marginalerna blir allt mindre. När mer produktion blir väderberoende måste prognoserna bli lika viktiga som själva kraftverken.

Bättre klimatmodeller kräver observationer – AI gör kalibreringen möjlig

Forskarna pekar själva på problemet: modeller måste jämföras med observationer. När iskärnan visar att damm kan variera 8 gånger där modeller väntat 2 gånger, då behöver vi:

• bättre parametriseringar av aerosolprocesser
• bättre historiska kalibreringsdataset
• snabbare iterering mellan simulering och mätning

AI kan bidra genom att bygga så kallade emulatorer (snabba approximationer av tunga klimatmodeller) och genom automatiserad parameteroptimering. Det gör det möjligt att testa fler scenarier, snabbare – vilket är relevant när energiplanering ofta sker med 10–30 års horisont.

Praktiska takeaways för energi- och hållbarhetsteam 2025

Svar först: Du behöver inte vara klimatforskare för att använda insikterna – men du måste bygga ett system som tar in rätt signaler. Här är en konkret checklista jag själv hade börjat med.

1. Kartlägg vilka miljösignaler som påverkar er drift

   • sol: moln + aerosoler + nedsmutsning
   • vind: stabilitet i gränsskikt + stormbanor
   • vattenkraft: snö, temperatur, nederbörd, markfukt

2. Bygg en datalagerstrategi som klarar hög upplösning

   • timdata räcker sällan; 5–15 min är ofta nödvändigt för styrning
   • versionera data (så ni kan spåra förbättringar och fel)

3. Sätt upp AI-larm för “händelser”, inte bara trender

   • dammintrång, rökepisoder, vulkaniska svavelpulser
   • koppla larm till operativa åtgärder (t.ex. batteristyrning)

4. Kalibrera era prognoser mot verkliga utfall varje vecka

   • mät fel, orsaker, och bygg en förbättringsloop

5. Gör klimat- och energimodellering till en gemensam funktion

   • klimatdata utan driftdata blir akademiskt
   • driftdata utan klimatförståelse blir kortsiktigt

En mening att bära med sig: ”Historien ger baslinjen – AI ger styrningen.”

Vad händer när arkiven smälter?

Svar först: Vi riskerar att förlora de historiska referenserna samtidigt som vi behöver dem som mest. Forskarna var lättade att glaciären på över 14 000 feet (cirka 4 300 meter) fortfarande var tillräckligt kall för att undvika smältpåverkan, trots 1900-talets uppvärmning.

Men många glaciärer i Alperna är redan på reträtt. Det ger en obekväm dubbelhet: vi får bättre data om det förflutna – samtidigt som de fysiska arkiven försvinner.

För mig landar det i en ganska rak slutsats för serien AI inom energi och hållbarhet: ju mer volatil klimatsignalen blir, desto mer behöver vi AI för att hålla energisystemet stabilt och utsläppen nere.

Nästa steg om du vill omsätta detta i er verksamhet: identifiera en enda kritisk prognos (sol, vind, tillrinning eller last), lägg till en relevant miljösignal (t.ex. aerosoldata), och kör ett 8-veckors test där ni jämför fel och kostnadseffekt.

Vilken del av ert energisystem hade tjänat mest på att gå från “årsrapport” till realtidsövervakning?