Mit künstlicher Intelligenz das Erdsystem verstehen

Künstliche Intelligenz (KI) wird als Schlüsseltechnologie der Zukunft angesehen. Die Bundesregierung will in Ihrer Digitalisierungsstrategie drei Milliarden Euro in Künstliche Intelligenz investieren und zielt insbesondere auf Roboter und Sprachübersetzung. Doch auch die Geowissenschaften machen sich KI zu Nutze, um die Flut wissenschaftlicher Daten in neue Erkenntnisse über Klimaentwicklungen und das Erdsystem umsetzen zu können.

Unsere Erde wird zunehmend bedroht durch eine wachsende Bevölkerung, das sich ändernde Klima und sich häufende Extremereignisse. Eine heute im Fachjournal Nature veröffentlichte Studie von Jenaer und Hamburger Wissenschaftlern zeigt nun, dass Künstliche Intelligenz (KI) maßgeblich dabei helfen kann, das Klima und das Erdsystem besser zu verstehen.

Die Wissenschaftler zeigen, dass insbesondere digitale Verfahren tiefen Lernens ihr Potenzial zum Verständnis der Erde bislang nur zu einem Bruchteil ausgeschöpft haben. So lassen sich vor allem komplexe dynamische Prozesse wie z.B. Hurrikane, die Ausbreitung von Feuer und die Veränderung der Vegetation mit Hilfe von KI besser beschreiben.

„Wir werden überflutet von klima-relevanten Daten, die von einer Unzahl an Messgeräten weltweit erhoben werden, aber wir hinken mit den Analysen und Schlussfolgerungen hinterher“, erklärt Prof. Markus Reichstein, geschäftsführender Direktor am Max-Planck-Institut für Biogeochemie in Jena, Direktoriumsmitglied am Michael-Stifel Zentrum Jena (MSCJ) und Erstautor der Publikation.

Deep-Learning-Ansätze sind allerding kompliziert. Datengetriebene und statistische Herangehensweisen sind nicht zwangsweise physikalisch stimmig, hängen stark von der Datenqualität ab und können Probleme bei der Extrapolation machen. Zusätzlich sind die Anforderungen an die Rechenleistung und Speicherkapazitäten enorm hoch.

Die Wissenschaftler diskutieren all diese Anforderungen und Schwierigkeiten in ihrem Artikel und entwickeln eine Strategie, um maschinelles Lernen mit physikalischer Modellierung effizient zu verknüpfen. Mit diesen Hybrid-Modellen können beispielsweise Temperaturen der Meeresoberfläche simuliert werden.

 

Originalpublikation: Deep learning and process understanding for data-driven Earth system science
Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J. Cavalhais N., Prabhat (2019)
Nature xx, doi: 10.1038/s41586-019-0912-1

 

 

 

(Quelle/Sender: Department Biogeochemical Integration at the Max Planck Institute for Biogeochemistry)

Leave a Reply