Wolkenstrukturen durch Satellitenbilder verstehen lernen

Für ein besseres Verständnis von Wolkenstrukturen haben sich mehr als 60 Wissenschaftler*innen des Max-Planck-Institutes für Meteorologie (MPI-M) und des Laboratoire Météorologie Dynamique (LMD), Frankreich, zusammengetan, um zehntausend Satellitenbilder zu klassifizieren und vier Organisationsformen der Wolken zu markieren. Sie rufen nun Interessierte auf, sich in einem Wettbewerb an dem Projekt zu beteiligen und einen Algorithmus des maschinellen Lernens zu entwickeln, der in der Lage ist, die Wolkenstrukturen automatisch zu bestimmen.

Wolken faszinieren, und die meisten Menschen sind jeden Tag bewusst oder unbewusst von ihnen beeinflusst. Sie sind der Inbegriff des täglichen Wetters, aber auch Regulatoren unseres Klimas. Eine der aktuellen Herausforderungen der Klimawissenschaft ist, die Rolle der flachen Konvektion in den Passatregionen als Klimaregulator zu verstehen. Ein besonderer Aspekt ist hierbei die Anordnung dieser Wolken in großen Mustern, die man häufig auf Satellitenbildern sehen kann. Um diese Strukturen besser zu verstehen, haben Wissenschaftler*innen des MPI-M gemeinsam mit Kolleginnen und Kollegen des LMD 10.000 Satellitenbilder mit unterschiedlichen Wolkenstrukturen klassifiziert und benannt: Sugar, Flower, Fish, Gravel.

Die Wissenschaftler*innen fordern nun interessierte Menschen in einem Wettbewerb auf Kaggle, — einer Plattform, die eine Vielzahl von Herausforderungen des maschinellen Lernens beherbergt — auf, sich dieser großen Gemeinschaftsarbeit anzuschließen. Ziel dabei ist die Entwicklung eines maschinellen Lernalgorithmus, der anhand der von den Forschenden markierten Wolkenstrukturen trainiert wird und anschließend selbständig diese Strukturen ermitteln kann. Um einen fairen Wettbewerb zu gewährleisten, werden eingesendete Algorithmen gegen einen für die Teilnehmer*innen unbekannten Datensatz getestet und bewertet. Bis zum 18. November kann teilgenommen werden. Die drei besten Teams teilen sich ein Preisgeld von 10.000 US-Dollar.

Die Verzahnung von Klimawissenschaft und maschinellem Lernen wird dazu beitragen, prädiktive Algorithmen zu entwickeln. Sie werden unser Wissen über Wolkenstrukturen und die ihnen zugrundeliegenden physikalischen Mechanismen erweitern, die für die Zukunft unseres Klimas wichtig sind. Dieses Verständnis ist ein wichtiger Baustein, um Unsicherheiten über unser zukünftiges Klima weiter zu reduzieren. Es wird die Entwicklung der nächsten Generation von Klimamodellen beeinflussen.

Interessenten besuchen bitte die Kaggle Projektseite

Weitere Informationen:

Plattform Kaggle

Kontakt:

Hauke Schulz
Max-Planck-Institut für Meteorologie
Tel.: 040 41173 183
E-Mail: hauke.schulz@we dont want spammpimet.mpg.de