Künstliche Intelligenz gilt als Schlüsseltechnologie der Zukunft. Die Bundesregierung will mit Ihrer Digitalisierungsstrategie dafür drei Milliarden Euro investieren – und zielt auf Roboter und Sprachübersetzung. Doch auch die Klimaforschung kann, sollte und wird enorm von dieser Technologie profitieren.
Ein Editorial von Prof. Dr. Markus Reichstein, Max-Planck-Institut für Biogeochemie
Wir Forscherinnen und Forscher werden überflutet von klimarelevanten Daten, die von einer Unzahl an Messgeräten weltweit erhoben werden. Nur mit Hilfe von Künstlicher Intelligenz (KI) werden wir die zunehmenden Datenmengen sinnvoll interpretieren und in neue Erkenntnisse über das Erdsystem und das Klima umsetzen können.
Bisher wurde in den Geowissenschaften KI vor allem für die Modellierung von Eigenschaften verwendet, bei denen raumzeitliche Dynamiken eine geringe Rolle spielen. So lässt sich etwa die Photosynthese oder die Verdunstung an einem Ort und zu einem Zeitpunkt durch die genau dort und dann herrschenden meteorologischen Vegetationsbedingungen gut vorhersagen. Ein anderes Beispiel sind Bodeneigenschaften, die sich mit maschinellem Lernen aus Klima, Geländeform, Vegetation und geologischem Substrat ableiten lassen. Sobald aber raumzeitliche Zusammenhänge modelliert werden sollen, bei denen etwa die aktuelle Eigenschaft von der Vergangenheit oder von räumlich angrenzenden Regionen abhängt, scheitern einfache Ansätze. Sogennante tiefe Lernverfahren („deep learning“) stellen dafür eine vielversprechende Methode dar. Dazu kommen zwischen Eingabe der Daten und Ausgabe der Ergebnisse mehrere Schichten der Zwischenverarbeitung hinzu. Diese basieren auf künstlichen neuronalen Netzen und abstrahieren die Informationen zunehmend.
Wichtiges Anwendungsbeispiel für diese Verfahren ist die Früherkennung von zunehmenden Extremereignissen, wie die kalifornischen Feuerwalzen im vergangenen Herbst oder zerstörerische Hurrikans. Sie basieren auf vielschichtigen Prozessen, die nicht nur lokal wirken, sondern in einem weltumspannenden zeitlichen und räumlichen Zusammenhang miteinander stehen. Dies gilt auch für atmosphärische und ozeanische Transportprozesse sowie für Boden- und Vegetationsdynamiken, also einige der klassischen Themengebiete der Erdsystemwissenschaften.
Als letztendlich statistische Verfahren hängen sie stark von der Datenqualität ab, können Probleme bei der Extrapolation bereiten und liefern nicht zwangsweise physikalisch „plausible“ Ergebnisse. Für diesen wichtigen Aspekt gibt es bereits Strategien, um maschinelles Lernen mit physikalischer Modellierung effizient zu verknüpfen. So können feinskalige Prozesse, die in Klimamodellen aus Gründen der Rechenleistung nicht global abgebildet werden können, mit KI gelernt und in Klimamodelle eingebaut werden. Oder biologische Prozesse, für die keine theoretisch fundierten Gleichungen existieren, können aus großen Datensätzen direkt abgeleitet werden. Die Idee dieser Hybridansätze ist, das Beste aus beidem zu vereinen: die naturwissenschaftliche Güte der physikalischen Modelle mit der Flexibilität des maschinellen Lernens.
Ein Überblick zu der Thematik wurde bei Nature veröffentlicht.
Zum Autor
Prof. Dr. Markus Reichstein ist geschäftsführender Direktor am Max-Planck-Institut für Biogeochemie (MPI-BGC) in Jena und verfolgt in seiner Abteilung die Integration datenbasierter, simulationsgetriebener und theoretischer Forschung. Er ist Gründungsmitglied und Direktor am Michael-Stifel Center Jena for Data-Driven and Simulation Science (MSCJ).
24. April 2019
Bildnachweis: MPI-BGC
