Deutsche Forscher verbessern Klimamodelle durch maschinelles Lernen

5. Oktober 2022 – Computer verwenden bereits künstliche Intelligenz, um die Auflösung verschwommener Bilder zu verbessern, Bilder zu erstellen, die den Stil bestimmter Maler auf der Grundlage von Fotografien nachahmen, und realistische Porträts von Menschen zu liefern, die nicht wirklich existieren. Das grundlegende Verfahren basiert auf sogenannten GANs (Generative Adversarial Networks).

Team geführt Niklas BowerProfessor für Erdsystemmodellierung an Technische Universität München (TUM) und ein Forscher am Potsdam-Institut für Klimafolgenforschung (PIK) wendet diese Algorithmen des maschinellen Lernens nun auf die Klimaforschung an. Ihre Ergebnisse veröffentlichte die Forschungsgruppe kürzlich in der Fachzeitschrift „Die Intelligenz der Maschine der Natur„.

Es können nicht alle Operationen berücksichtigt werden

Klimamodelle unterscheiden sich von den Modellen zur Erstellung von Wettervorhersagen insbesondere im weiteren Zeithorizont. Er erklärte, dass der Vorhersagehorizont für Wettervorhersagen mehrere Tage beträgt, während Klimamodelle über Jahrzehnte oder sogar Jahrhunderte simulieren. Philipp Heß, Erstautor der Studie und wissenschaftlicher Mitarbeiter der TUM-Professur für Erdsystemmodellierung. Das Wetter ist für ein paar Tage perfekt vorhersehbar; Die Vorhersage kann dann anhand tatsächlicher Beobachtungen überprüft werden. Beim Klima geht es nicht um eine zeitliche Vorhersage, sondern unter anderem um eine Projektion, wie sich die steigenden Treibhausgasemissionen langfristig auf das Erdklima auswirken werden.

Klimamodelle sind jedoch noch nicht in der Lage, alle relevanten klimatischen Prozesse vollständig zu berücksichtigen. Das liegt zum einen daran, dass einige Prozesse noch nicht ausreichend verstanden sind, zum anderen daran, dass detaillierte Simulationen zeitaufwändig sind und viel Rechenleistung benötigen.

Klimamodelle sind daher noch nicht in der Lage, extreme Niederschlagsereignisse so darzustellen, wie wir es gerne hätten. Daher haben wir begonnen, GANs zu verwenden, um diese Modelle in Bezug auf die Niederschlagsproduktion zu verbessern.

Verbesserung von Klimamodellen mit Wetterdaten

Grob gesagt besteht ein GAN aus zwei neuronalen Netzen. Ein Netzwerk versucht, aus einem vordefinierten Produkt ein Beispiel zu bauen, während das andere versucht, dieses künstliche Beispiel von den echten zu unterscheiden. Somit konkurrieren die beiden Netzwerke miteinander, was zu einer kontinuierlichen Prozessverbesserung führt. Eine praktische Anwendung von GANs wäre die „Übersetzung“ von Landschaftsmalereien in fotorealistische Bilder. Die beiden neuronalen Netze erfassen realistische Bilder, die auf der Grundlage der Platte generiert wurden, und senden sie hin und her, sodass die generierten Bilder nicht von den echten zu unterscheiden sind.

Einen ähnlichen Ansatz verfolgte das Team von Niklas Boers: Anhand eines relativ einfachen Klimamodells demonstrierten die Forscher, dass sich solche Modelle durch maschinelles Lernen verbessern lassen. Die Algorithmen des Teams verwenden die beobachteten Wetterdaten. Anhand dieser Daten trainierte das Team das GAN, Klimamodellsimulationen so zu verändern, dass sie nicht von tatsächlichen Wetterbeobachtungen zu unterscheiden waren.

„Auf diese Weise können der Detaillierungsgrad und die Realitätsnähe erhöht werden, ohne dass zusätzliche komplexe Prozessberechnungen erforderlich sind“, sagte er Markus DruckKlimamodellierer am PIK und Co-Autor der Studie.

GANs können den Stromverbrauch in der Klimamodellierung reduzieren

Selbst relativ einfache Klimamodelle sind komplex und werden mit energieintensiven Supercomputern manipuliert. Je mehr Details das Modell berücksichtigt, desto komplexer werden die Berechnungen und desto höher der Stromverbrauch. Die Berechnungen, die mit der Implementierung eines auf Klimasimulation trainierten GAN verbunden sind, sind jedoch vernachlässigbar im Vergleich zu der Menge an Berechnungen, die für das Klimamodell selbst erforderlich sind.

„Die Verwendung von GANs, um Klimamodelle detaillierter und realistischer zu machen, ist daher nicht nur praktisch, um Simulationen zu verbessern und zu beschleunigen, sondern auch im Hinblick auf Stromeinsparungen“, sagte Hess.

Quelle: Technische Universität München