Die oft vorgetragene Ein-Eindeutigkeit des bisherigen Klimamodells wird durch die Tatsache in Frage gestellt, dass es sich bei Klima und wie fast allen komplexen Systemen um nicht-lineare Systeme handelt, vereinfachende Annahmen gesetzt wurden und einige Faktoren aufgrund ihrre Komplexität erst gar nicht Berücksichtigung fanden. Hier will man mit Hilfe von KI (Künstlicher Intelleigenz) ein Stück weit mehr Prognose- und Analysesicherheit herstellen.
Ein interdisziplinäres Team von vier Forschern des Deutschen Zentrums für Luft- und Raumfahrt (DLR), des Max-Planck-Instituts für Biogeochemie, der spanischen Universität Valencia und der US-amerikanischen Columbia University wurde am 11. Oktober 2019 mit einem ‚Synergy Grant‘ des Europäischen Forschungsrats (European Research Council, ERC) ausgezeichnet.
Die Wissenschaftler wollen das Verständnis und die Modellierung des Erdsystems durch die Entwicklung und Anwendung von maschinellen Lernverfahren, kurz ML, verbessern. ML ist einer der bedeutendsten Ansätze im Bereich der künstlichen Intelligenz (KI).
Die Motivation für das neu geförderte ERC-Projekt “Understanding and Modelling the Earth System with Machine Learning” (USMILE) besteht darin, dass es beim Verständnis des Erdsystems noch einige grundlegende Einschränkungen gibt, die auch unsere Fähigkeit für akkurate Vorhersagen des Klimawandels einschränken.
Während sich die Erdsystemmodelle in den letzten Jahrzehnten kontinuierlich verbessert haben, ist die Fähigkeit der Modelle, sowohl globale als auch regionale Reaktionen des Erdsystems zu simulieren, die für die Beurteilung des Klimawandels und seiner Auswirkungen auf die Ökosysteme entscheidend sind, durch die Darstellung physikalischer und biologischer kleinräumiger Prozesse wie Wolken, Stomata und Mikroben begrenzt.
KI trifft Physik
“Unsere zentrale Hypothese ist, dass das Verständnis durch den Einsatz von maschinellen Lernverfahren verbessert werden kann. Erstens verfügen wir in der Erdbeobachtung und Atmosphärenforschung heute über Datenvolumina im Petabyte-Bereich mit einer beispiellosen räumlichen und zeitlichen Abdeckung für viele Prozesse. Zweitens stehen nun hochauflösende Klimamodellsimulationen zur Verfügung, in denen Wolkenprozesse explizit simuliert werden können. Aber diese Simulationen sind sehr teuer und können daher momentan nur für wenige Tage durchgeführt werden”, sagt Prof. Pierre Gentine, PI des Projekts von der School of Engineering and Applied Science an der Columbia University
Das Team wird maschinelle Lernverfahren entwickeln, um Erdbeobachtungsdatensätze zu erweitern, die gleichzeitige, räumlich-zeitliche Veränderungen mehrerer Parameter berücksichtigen. Das Forschungsteam wird diese maschinellen Lernverfahren verwenden um Parametrisierungen und Submodelle für Wolken und Landoberflächenprozesse zu entwickeln, die den Fortschritt in der Klimamodellierung seit Jahrzehnten behindern.
Darüber hinaus wird das Team interne Klimaschwankungen und multivariaten Extreme erkennen und verstehen. Die dynamischen Aspekte des Erdsystems will das Team mit neuartigen Techniken des Deep Learnings aufdecken, um sie auf mögliche kausale Zusammenhänge hin zu beurteilen.
Traditionell werden physikalische Modellierung und maschinelle Lernverfahren oft als zwei verschiedene Welten mit entgegengesetzten wissenschaftlichen Paradigmen behandelt: theoriegetrieben versus datengetrieben. “Ein besseres Verständnis und eine bessere Modellierung des Erdsystems sind dringend notwendig. Maschinelles Lernen hat hier ein außerordentliches Potenzial und kann die Klimaforschung deutlich weiterbringen. Wir hoffen, dass wir durch die Brücke zwischen Physik und maschinellem Lernen die Modellierung und Analyse des Erdsystems revolutionieren und langfristig zu robusten Klimaprojektionen kommen”, betont Prof. Markus Reichstein, PI des Max-Planck-Instituts für Biogeochemie.
Sender/Quelle: DLR