Die meisten Klimafolgen wie Ernteausfälle, Waldsterben und verheerende Waldbrände lassen sich auf zusammengesetzte Wetterereignisse zurückführen. Um das Management von Klimarisiken zu verbessern, ist es entscheidend zu wissen, welche Kombinationen von Wetter- und Klimatreibern zu besonders großen Schäden führen. Allerdings ist es oft sehr schwierig, solche Faktoren anhand von Daten zu identifizieren. Wir verwenden Werkzeuge aus der Statistik und dem modernen Maschinellen Lernen, um mehrere zusammenwirkende Faktoren zu identifizieren, die zu großen Schäden führen. Um neue Methoden zu testen, verwenden wir Simulationen von prozessbasierten Klimafolgemodellen wie zum Beispiel hydrologischen Modellen, Waldmodellen, Erntemodellen und Feuermodellen und vergleichen unsere Ergebnisse mit dem in diesen Modellen kodierten Expertenwissen. Außerdem führen wir faktorielle Modellsimulationen mit solchen Klimafolgemodellen durch, um die relevanten Einflussfaktoren zu isolieren.