Iskärnor och AI: 12 000 år som vässar hållbarhet

En 40 meter lång iskärna från Mont Blanc-området i de franska Alperna har visat sig innehålla den äldsta kända glaciärisen i Västeuropa – över 12 000 år gammal. Det är ungefär samma tidslinje som Europas samhällen gått från jägare-samlare till jordbruk, gruvdrift och industri. Och i isen ligger en ovanligt tydlig loggbok över vad som hände i atmosfären på vägen.

Det här är inte bara en snygg forskningsnyhet. Det är en påminnelse om att vi just nu fattar beslut om energi och hållbarhet i ett läge där förändringstakten i atmosfären är hög – och där vi behöver bättre modeller, tätare mätningar och snabbare återkoppling. Precis där har AI sin roll.

Jag ser iskärnan som en slags ”facitfil”: den visar hur naturen och människan faktiskt har påverkat luften över tusentals år. Om vi kopplar den typen av historiska referenser till moderna AI-modeller får vi en mer robust grund för allt från prognoser för elnät till klimatrisker för verksamheter.

Varför en alpinsk iskärna är mer än historia

En iskärna är i praktiken lager på lager av nedfall: damm, havssalt, sot, pollen och föroreningar som fångats när snö blivit till is. Poängen är enkel: det som låg i luften vid en tidpunkt kan senare läsas ut kemiskt.

Det som gör fyndet i Mont Blanc-området extra relevant är att det är en regional europeisk signal. Arktiska iskärnor är ovärderliga, men de ligger långt från många utsläppskällor och vädermönster som styr Europa. I Alperna blir kopplingen mellan källa och nedfall ofta tydligare eftersom många aerosoler bara stannar i luften i dagar till cirka en vecka.

Vad forskarna faktiskt hittade

Kärnan, som borrades redan 1999 och analyserades senare med detaljerade metoder, innehåller en sammanhängande kemisk tidsserie som sträcker sig:

• från slutet av senaste istiden
• genom övergången till Holocen (den varmare period vi levt i i runt 10 000 år)
• in i modern tid med människans ökande påverkan

Ett konkret resultat som sticker ut: dammnivåerna under istiden var cirka 8 gånger högre än under Holocen. Det är en siffra som är lätt att ta med sig, och den är jobbig för modeller som tidigare antytt betydligt mindre skillnader.

Vad 12 000 år av luftkemi säger om klimatets ”normalspann”

Iskärnan ger en direkt jämförelse mellan två klimatlägen: kallt (glacialt) och varmt (interglacialt). Den jämförelsen är guld värd när vi försöker förstå vad som är naturlig variation och vad som är påverkan.

Temperatur: små tal, stora effekter

I materialet syns en temperaturdifferens på ungefär 3 °C mellan istiden och Holocen, med rekonstruktioner som pekar på cirka 3,5 °C svalare i Alperna under den kalla perioden.

Det låter som ”bara några grader”, men den som jobbar med energisystem vet vad grader betyder i praktiken:

• uppvärmningsbehov skiftar kraftigt
• snö- och isförhållanden ändrar vattenmagasinens dynamik
• vind- och nederbördsmönster flyttar sig, vilket påverkar både vattenkraft och vindkraft

Aerosoler: damm, havssalt och biologiska signaler

Iskärnan innehåller flera typer av aerosolsignaler:

• Sahariskt damm (och annat mineralstöd): påverkar strålning, moln och nederbörd
• Havssalt: kopplat till vindmönster och molnegenskaper
• Biogena ämnen och pollen: ger ledtrådar om vegetationsförändringar

Det intressanta är inte bara att halterna förändras, utan att de gör det på sätt som kopplar ihop klimat, ekosystem och mänsklig aktivitet.

En bra tumregel: ju bättre vi förstår aerosolernas historik, desto bättre blir våra regionala klimat- och energiprognoser.

Människans fotavtryck i isen – från skog till industri

Iskärnan fångar Europas samhällsutveckling indirekt genom kemiska spår. I den här studien lyfts bland annat fosfor som en proxy för vegetationsutveckling.

Fosfor och skogarnas berättelse

Mönstret som rapporteras är tydligt:

• låg fosfor under istiden
• kraftig ökning tidigt–mitten av Holocen (när skogar breder ut sig i varmare klimat)
• gradvis minskning senare (i takt med markomvandling, jordbruk och samhällsexpansion)

För energi och hållbarhet är det här mer än en naturhistorisk parentes. Markanvändning styr:

• kolsänkor och biologisk mångfald
• vattenflöden och erosion (relevant för vattenkraftens sedimentering)
• lokala värmeöeffekter och regionalt klimat

Varför detta matters för företag och offentlig sektor 2025-12-21

Vi sitter ofta med klimat- och hållbarhetsplaner som baseras på 20–50 års instrumentdata. Iskärnor ger oss ett längre ”normalspann” att jämföra med. Det gör att vi kan ställa bättre frågor:

• Vilka nivåer av damm och aerosolvariation är naturliga i Europa?
• När blir avvikelser så stora att de måste kopplas till mänsklig påverkan?
• Hur ska vi dimensionera infrastruktur för ett bredare spektrum av tillstånd?

Där AI kommer in: från frusen historik till operativa beslut

AI hjälper när datamängderna är stora, sambanden är komplexa och besluten måste tas snabbt. Iskärnor hjälper när vi behöver en stabil referenspunkt över lång tid. Tillsammans blir de extra kraftfulla.

1) Iskärnor som träningsdata och ”sanningstest” för modeller

Klimatmodeller och atmosfärmodeller måste kunna återge historiska variationer för att vara trovärdiga framåt. Här kan man använda iskärnedata på två sätt:

• Kalibrering: justera parametrar så att modeller återger historiska aerosolnivåer (t.ex. damm 8x mellan istid och Holocen)
• Validering: testa om modellen klarar kända skiften, som vindmönster som påverkar havssalt

För AI-specifika metoder innebär det här ofta:

• träningsmål för forecasting (tidsserier)
• constraints i physics-informed ML
• förbättrade data assimilation-ramverk där observationer och modell vägs samman

2) AI för tätare atmosfärövervakning – när iskärnor inte räcker

Iskärnor ger lång historik, men de är inte realtid. För 2020-talets energi- och hållbarhetsarbete behöver vi övervakning som tickar varje timme.

AI kan koppla ihop:

• satellitdata (aerosoler, moln, albedo)
• markstationer (PM, gaser, nederbördskemi)
• vädermodeller
• emissionsdata från industri och transporter

Målet är operativt: att kunna säga ”just nu är aerosolbelastningen i en region på väg att driva in molnförhållanden som påverkar solkraftens produktion i eftermiddag” – och att elnät, handel och flexibilitet kan agera.

3) Bättre prognoser för förnybar energi och flexibilitet

Aerosoler påverkar både direkt och indirekt:

• Solkraft: partikelhalt kan dämpa instrålning
• Vind: ändrade tryck- och stormbanor påverkar vindresursen
• Vattenkraft: nederbörd och snömagasin påverkas av atmosfärens dynamik

När AI-modeller tränas på fler typer av data (inklusive historiska referenser) kan de bli bättre på att:

• prognostisera produktion i kort- och medellång sikt
• identifiera väderregimer som historiskt ger hög osäkerhet
• optimera flexibilitetsresurser (batterier, efterfrågeflex, kraftvärme)

Praktiska steg: så använder du lärdomarna i din verksamhet

Det fina med en iskärna är att den gör det svårt att ”bara tycka”. Den tvingar fram en mer datadriven hållning. Här är ett upplägg jag tycker fungerar för organisationer som vill koppla klimatdata, AI och energistrategi.

Steg 1: Definiera vilka beslut som behöver bättre klimatinsikt

Börja inte med teknik. Börja med beslut som kostar pengar om de blir fel:

• dimensionering av lokal energiförsörjning
• investeringsbeslut i sol/vind/vattenkraft
• planering av nätkapacitet och flexibilitet
• klimatrisk i leverantörsled och anläggningar

Steg 2: Kartlägg datakällor – och luckor

Typiska luckor 2025 är inte ”för lite data”, utan fel typ av data:

• för grov rumslig upplösning för en specifik region
• för kort historik för att förstå extremvariation
• brist på kemiska data (aerosoler) i energisammanhang

Steg 3: Bygg en AI-modell som går att granska

Det här är min tydliga ståndpunkt: i energi och hållbarhet vinner du på tolkbarhet och stabilitet.

• använd hybrider: statistisk ML + fysikbaserade constraints
• logga datakvalitet och modellskiften
• sätt trösklar för när människa måste ta över (”human-in-the-loop”)

Steg 4: Mät effekten i hårda mått

Välj mätetal som både teknik och ledning respekterar:

• förbättrad prognosprecision (t.ex. MAPE) för produktion/last
• minskade obalanser och inköpskostnader
• reducerad curtailment av förnybart
• färre driftstörningar vid extremväder

Vanliga frågor jag får (och raka svar)

Kan en alpinsk iskärna verkligen säga något om Sverige?

Ja, som referensram. Den beskriver europeiska aerosol- och klimatskiften, och den är extra relevant för förståelse av regional atmosfärdynamik som också påverkar Skandinavien via västliga vindar och transport av partiklar.

Varför räcker inte dagens klimatmodeller?

De blir bättre, men aerosolernas roll är fortfarande en av de svårare delarna. När observationer visar större skillnader än modellerna, som damm 8x mellan klimatlägen, behöver modellerna skärpas. Där hjälper historiska datapunkter.

Var passar AI bäst – i forskning eller drift?

Båda. Forskning behöver AI för att extrahera mönster ur komplexa data. Drift behöver AI för att göra samma sak i realtid och koppla det till beslut i energisystemet.

Från frusen tidskapsel till smartare energisystem

Den alpinska iskärnan visar att atmosfären i Europa kan skifta kraftigt mellan klimatlägen – och att aerosoler som damm och havssalt är mer centrala än många tror. Den ger oss ett långt perspektiv på vad som är möjligt, naturligt och extremt.

För serien AI inom energi och hållbarhet är poängen enkel: historiken gör våra modeller ärligare, och AI gör dem användbara i vardagen. Tillsammans skapar de bättre förutsättningar för att planera elnät, förnybar produktion och klimatanpassning med mindre gissning.

Nästa steg för många organisationer är att gå från “vi har data” till “vi har en modell vi litar på”. Vilken del av din energiverksamhet skulle bli mest robust om du hade en tydligare bild av atmosfärens förändringstakt – redan innan den syns i driftstatistiken?