12 000 år i ett isprov: data som formar klimat-AI

En 40 meter lång iskärna från Mont Blancs Dôme du Goûter innehåller en av de mest sammanhängande “loggfilerna” vi har över Europas atmosfär – från slutet av senaste istiden till dagens industrisamhälle. Den har legat fryst i 12 000 år och ändå går det att läsa den lager för lager: damm, havssalt, pollen, sot och spårmetaller. Det är svårt att överskatta värdet av den här typen av lång tidsserie.

Det här spelar extra stor roll nu, i december 2025, när energisystemen ställs om snabbare än någonsin men klimat- och miljöriskerna samtidigt blir mer svårförutsägbara. Vi pratar mycket om “mer data” i energi- och hållbarhetsarbetet. Men det verkliga problemet är ofta hur vi förstår data över lång tid, hur vi skiljer naturlig variation från mänsklig påverkan, och hur vi omsätter insikter i beslut. Det är exakt där AI inom energi och hållbarhet blir praktiskt användbar – inte som en trend, utan som en nödvändig analysmotor.

Därför är en alpinsk iskärna mer än en klimatkuriosa

En iskärna är en högupplöst historik över aerosoler och nederbördskemi. Poängen är inte bara att den visar att klimatet har varierat – det visste vi redan – utan att den ger en lokal, europeisk signal som är närmare utsläppskällor än arktiska iskärnor. När partiklar stannar i atmosfären i dagar snarare än år blir avståndet till källan avgörande.

Vad som faktiskt mättes – och varför det är relevant

I studien analyserades iskärnan med metoder som gör att man kan mäta kemin kontinuerligt längs hela provet. Resultatet är en tidslinje med bland annat:

• Ökendamm (t.ex. Saharadamm) – påverkar strålning och molnbildning.
• Havssalt – indikator på vindmönster och påverkar molnens droppstorlek och albedo.
• Biogena markörer som fosfor och pollen – speglar vegetationens utbredning och förändring.
• Spår av mänskliga utsläpp (t.ex. bly/arsenik i kommande analyser) – kopplar atmosfärskemi till ekonomi, gruvdrift och industri.

Det här är inte “fina kurvor för en forskningsrapport”. Det är kalibreringsdata – referensvärden för vad som är normalt i olika klimatlägen, och för hur stort avtryck mänsklig aktivitet lämnar när befolkning, jordbruk och industri tar fart.

Tre datapunkter från isen som borde påverka hur vi modellerar framtiden

Det mest intressanta med den här typen av fynd är när de krockar med våra antaganden. Isen berättar tre saker som är direkt relevanta för modellering, riskanalys och – ja – energiplanering.

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

Iskärnan pekar på ungefär 3 °C skillnad mellan senaste istiden och dagens holocena klimatläge (med regionala variationer: cirka 2 °C i västra Europa och runt 3,5 °C i Alperna i vissa rekonstruktioner). Det ger en konkret referensram: när klimatet skiftar “på riktigt” syns det i hela systemet – vegetation, vindar, partikelhalter.

För energisystemet betyder det att temperatur inte är en isolerad variabel. Temperaturförändringar hänger ihop med allt från snötillgång (vattenkraft) till atmosfärisk stabilitet (vindkraftsproduktion) och efterfrågetoppar (värme).

2) Damm: cirka 8× högre under istiden än under holocen

Här kommer den tydliga modellutmaningen: dammhalterna i iskärnan var ungefär åtta gånger högre under istiden än under holocen. Det står i kontrast till vissa tidigare klimatsimuleringar för Europa som indikerat betydligt mindre skillnader.

Detta är en stor grej eftersom aerosoler (som damm) påverkar:

• solinstrålning (direkt genom att sprida/absorbera ljus)
• molnens egenskaper (indirekt genom att fungera som kondensationskärnor)
• nederbördsprocesser

Om vi underskattar aerosolvariation riskerar vi att felkalibrera klimatkänslighet regionalt. Och om vi felkalibrerar regionalt, då blir planeringen för nät, lagring och flexibilitet också sämre.

3) Ekosystemsignaler: fosfor och pollen visar skogsutbredning och tillbakagång

Fosfornivåerna var låga under istiden, ökade kraftigt under tidig–mellan holocen och minskade sedan gradvis in i sen holocen – i linje med skogarnas utbredning i varmare klimat och senare tillbakagång i takt med jordbruk, markomvandling och samhällsutveckling.

Det här är en påminnelse om att “natur” och “utsläpp” inte kan modelleras var för sig. Markanvändning styr kolflöden, albedo och hydrologi. Och det i sin tur påverkar energisystemets resurser och riskprofil.

Var kommer AI in? När historik blir beslutsstöd

AI inom energi och hållbarhet blir som mest värdefull när den gör två saker samtidigt:

1. förklarar (tolkar historik, separerar drivkrafter)
2. förutser (ger sannolika scenarier och osäkerheter)

Iskärnor är perfekta “stress-test” för AI och modeller eftersom de innehåller både naturliga klimatövergångar och gradvis mänsklig påverkan.

AI kan koppla ihop signaler som annars analyseras i silos

Ett vanligt misstag i hållbarhetsarbete är att varje dataström får sitt eget projekt: luftkvalitet för sig, energidata för sig, biodiversitet för sig. Men aerosoler, temperatur, markanvändning och ekonomi samverkar.

Med moderna ML-metoder kan man göra mer än att rita korrelationer:

• Tidsserie-modeller kan hitta regimskiften (t.ex. när dammregimen ändras snabbt).
• Kausala modeller kan testa hypoteser (t.ex. hur mycket av en förändring som förklaras av vindmönster vs. källstyrka).
• Datafusion kan kombinera iskärnans arkiv med nutida sensorer, satellitdata och utsläppsinventeringar.

Resultatet: bättre förståelse för vad som driver variation – och bättre prognoser för vad som händer när vi trycker på olika “knappar” i politiken och industrin.

Från iskärna till energisystem: en konkret kedja

Det kan låta långt från Mont Blanc till svenska elnät, men kopplingen är praktisk:

1. Aerosoler påverkar moln och strålning → ändrar solkraftens potential och variation.
2. Vindmönster förändras (indikeras av havssalt) → påverkar vindkraftens kapacitetsfaktor.
3. Nederbördsmönster förändras → påverkar vattenkraftens inflöden och säsongsbalans.
4. Extremhändelser och osäkerhet ökar → kräver mer flexibilitet, lagring och robusthet.

AI kan i sin tur hjälpa till att:

• prognostisera produktion och efterfrågan bättre (minskar behov av fossil reservkraft)
• optimera lagring och flexibilitet (batterier, vätgas, efterfrågeflex)
• ge tidigare varningar för risk (t.ex. dammepisoder som påverkar solinstrålning och luftkvalitet)

Så bygger du en “långtidsövervakning” som faktiskt går att använda

Iskärnan är ett historiskt arkiv. Men budskapet för företag och offentliga aktörer är tydligt: utan långtidsdata blir hållbarhetsbeslut kortsynta. Här är en modell jag själv tycker fungerar när man ska gå från “vi mäter lite” till “vi styr på data”.

1) Bestäm vad som är normalt – och över vilken tidshorisont

Du behöver en baslinje. Inte en månad. Inte ett kvartal. En baslinje som fångar säsonger och fleråriga svängningar.

Praktiskt:

• definiera 3–5 nyckelindikatorer (t.ex. PM-halter, deposition, vindregim, inflöden till magasin)
• sätt toleransintervall och trösklar
• dokumentera vilka datakällor som gäller

2) Separera “naturligt brus” från strukturell förändring

Det här är exakt vad iskärnor hjälper forskningen med: de visar hur stora svängningar naturen själv kan skapa. I operativa system kan du använda AI för att skilja:

• säsongsvariation
• extremhändelser
• långsamma trender
• regimskiften

Om du inte separerar dem riskerar du att jaga spöken – eller missa verkliga skiften.

3) Gör analysen spårbar och granskningsbar

Hållbarhet och energi är reglerade områden. Därför måste AI-arbetet vara begripligt:

• versionshantera modeller och datakällor
• logga antaganden
• mät osäkerhet (intervall, inte bara punktprognoser)
• bygg dashboards som visar varför modellen säger som den gör

Det är skillnaden mellan “en modell som imponerar” och “en modell som får användas i beslut”.

Vanliga frågor som kommer upp – och raka svar

Är en iskärna verkligen relevant för dagens klimatpolitik?

Ja. Den ger ett facit på hur atmosfären beter sig under olika klimatlägen och hur aerosoler varierar när systemet skiftar. Den typen av facit behövs för att testa om modeller är realistiska.

Vad är största lärdomen för energiomställningen?

Att regionala effekter styrs av fler saker än temperatur. Aerosoler, vindregimer och markanvändning påverkar produktion, efterfrågan och risk. Planering måste ta höjd för det.

Varför är AI särskilt viktigt just nu?

Därför att vi sitter på fler dataströmmar än vi kan analysera manuellt, samtidigt som vi behöver snabbare beslut med högre precision. AI är analyskapacitet – men bara om datagrunden och styrningen är bra.

Nästa steg: från fryst historia till aktiv styrning

Iskärnan från Mont Blanc är en påminnelse om två saker samtidigt: klimatsystemet har tydliga regimskiften, och människans avtryck går att läsa i atmosfärens kemi. När vi nu bygger framtidens energisystem räcker det inte med korta tidsserier och förenklade antaganden om “normalt väder”. Vi behöver beslutsstöd som är tränat på variation – och på förändring.

I den här serien om AI inom energi och hållbarhet återkommer jag ofta till samma princip: bra AI börjar med bra mätning. Iskärnor är extremversionen av det – lång, konsekvent och full av signaler. Vår uppgift i dag är att skapa moderna motsvarigheter: sensornät, satellitflöden, öppna data och modeller som går att granska.

Om 12 000 år av is kan ge oss en mer realistisk bild av Europas klimatmaskineri, vad skulle då 10 år av väl designad, AI-stödd miljöövervakning kunna göra för ditt energibolag, din kommun eller din industri?