Künstliche Intelligenz für das Erdsystem

„Wir haben keinen Mangel an georäumlichen Daten, aber wir hinken etwas mit den Analysen und Schlussfolgerungen hinterher“, erklärt Prof. Markus Reichstein. Extremereignisse, wie die kalifornischen Feuerwalzen in diesem Herbst oder zerstörerische Hurrikans sind vielschichtige Prozesse, die nicht nur durch lokale Gegebenheiten beeinflusst werden, sondern in einem weltumspannenden zeitlichen und räumlichen Zusammenhang stehen. Dies gilt ebenso für atmosphärische und ozeanische Transportprozesse sowie Boden- und Vegetationsdynamiken, also die klassischen Themengebiete der Erdsystemwissenschaften.

Künstliche Intelligenz als Werkzeug für bessere Klima- und Erdsystemmodelle

Deep-Learning-Ansätze sind kompliziert. Datengetriebene und statistische Herangehensweisen sind nicht zwangsweise physikalisch stimmig, hängen stark von der Datenqualität ab und können Schwierigkeiten bei der Extrapolation machen. Zusätzlich sind die Anforderungen an die Rechenleistung und Speicherkapazitäten enorm hoch. All diese Anforderungen und Fallstricke werden von den Autoren in ihrem Artikel diskutiert. Sie entwickeln eine Strategie, um maschinelles Lernen mit physikalischer Modellierung gewinnbringend zu verknüpfen.

Mit diesen Hybrid-Modellen können beispielsweise Temperaturen der Meeresoberfläche simuliert werden. Dabei übernehmen physikalische Modelle die Darstellung der Temperaturen, während die Ozeanströmungen mit Hilfe von maschinellem Lernen untersucht werden. „Die Idee dabei ist, das Beste aus beiden zu vereinen: die Stimmigkeit der physikalischen Modelle und die Vielseitigkeit des maschinellen Lernens,“ erläutert Reichstein. „So bekommen wir stark verbesserte Modelle.“

Am MPI-M ist maschinelles Lernen ein nützliches Hilfsmittel für Wissenschaftler in den Abteilungen „Ozean im Erdsystem“ und „Atmosphäre im Erdsystem“. Dr. Peter Landschützer (Abteilung Ozean): „Maschinelles Lernen hat sich als wirksames Werkzeug bei der Rekonstruktion der jährlichen Kohlenstoffaufnahme durch den Ozean erwiesen. Direkte Messungen sind meistens durch Schiffsrouten begrenzt, wodurch in großen Teilen des Ozeans, insbesondere auf der Südhemisphäre, meist nur spärliche und ungleichmäßig Messungen erfolgen, oder auch gar keine Beobachtungen verfügbar sind. In Kombination mit Proxy-Daten, wie der Meeresoberflächentemperatur und Chlorophyllkonzentration durch Satelliten, kann durch Ansätze mit maschinellem Lernen eine Verbindung zwischen den verfügbaren CO₂-Beobachtungen an der Ozeanoberfläche und den Proxy-Daten hergestellt werden, die dann dafür genutzt werden kann, die Datenlücken zu füllen.“

Doktorand Hauke Schulz, der mit Prof. Stevens zusammenarbeitet, arbeitet führend in der Abteilung Atmosphäre daran, maschinelles Lernen für die Erkennung von Wolkenstrukturen zu nutzen. „Maschinelles Lernen öffnet neue Türen in der Klimawissenschaft“, sagt er, und hebt hervor, der in seiner Forschung „von Algorithmen profitiert, die dafür entwickelt wurden, Objekte in Bildern zu identifizieren, wie bei der Gesichtserkennung oder für selbstfahrende Autos, und diese stattdessen anwendet, um Wolkenstrukturen in Satellitenbildern zu erkennen. Wie bei der automatischen Gesichtserkennung auf Bildern in den sozialen Medien, gebe ich oder eher der Computer den Wolkenfeldern einen Namen. Kombiniert mit zusätzlichen Daten können wir die Mechanismen untersuchen, die zu verschiedenen Wolkenmustern führen, die uns wiederum helfen können ihre Verteilung im zukünftigen Klima vorherzusagen. Ohne maschinelles Lernen ist nur schwer vorstellbar, wie wir unsere selbstgestellten Fragen beantworten könnten.“