KI hilft, die Komplexität von Klima, Wetter und Landnutzung zu entschlüsseln und Lösungen für den Klimawandel zu finden. Wie kann KI beim Klimawandel helfen?

KI-generierte Bilder basierend auf den Eingabeaufforderungen „Tornado im ländlichen Mittleren Westen der USA“, „Gewitter mit Blitz über der Stadt“ und „Maisfeld“. Bildnachweis: DALL-E (die ersten beiden von links) und Microsoft Bing Image Creator, angeregt von Everett Hogrefe und Jayme DeLoss

Geschichte von Jayme DeLoss, veröffentlicht am 31. August 2023

Stellen Sie sich vor, wir könnten nicht nur schwere Stürme mehr als eine Woche später vorhersagen, sondern auch, wie das Klima in 50 Jahren sein wird und wie Interventionsstrategien die Auswirkungen des Klimawandels abmildern könnten. Forscher der Colorado State University entwickeln Möglichkeiten, all diese Dinge mithilfe eines leistungsstarken Werkzeugs zu erreichen: künstlicher Intelligenz.

Elizabeth Barnes, Professorin für Atmosphärenwissenschaften, nutzt maschinelles Lernen, eine Teilmenge der KI, um die Komplexität der Klimawissenschaft zu entschlüsseln. Professor Russ Schumacher, Klimatologe des Bundesstaates Colorado und Direktor des Colorado Climate Center, leitete die Entwicklung eines Modells für maschinelles Lernen, das Unwetter vier bis acht Tage im Voraus genau vorhersagen kann und jetzt täglich im Betrieb des Nationalen Wetterdienstes eingesetzt wird. Und ein Team unter der Leitung des angesehenen Universitätsprofessors Keith Paustian in der Abteilung für Boden- und Pflanzenwissenschaften wird die weltbekannte Expertise der CSU bei der Quantifizierung von Treibhausgasen auf die nächste Stufe heben, indem sie ihre Stärken mit denen des maschinellen Lernens kombiniert.

Die Forschungsgruppe von Barnes nutzt maschinelles Lernen, um die Auswirkungen des Klimawandels zu erkennen, Wetter und Klima für einige Wochen bis Jahrzehnte in der Zukunft vorherzusagen und die möglichen Ergebnisse hypothetischer Klimainterventionsstrategien wie Geoengineering zu untersuchen.

Das Klimasystem ist unglaublich komplex und diejenigen, die es untersuchen, sind auf riesige Datenmengen angewiesen. Barnes sagte, maschinelles Lernen sei das perfekte Werkzeug für Klimaforscher.

„Wir haben schon immer Daten verwendet und versucht, die gesamte Komplexität des Klimasystems herauszuarbeiten und es für den Menschen verständlich zu machen, und jetzt ermöglicht uns maschinelles Lernen, noch tiefer vorzudringen und noch kompliziertere Zusammenhänge zu finden“, sagte sie . „Der Punkt, an dem wir uns gerade befinden, besteht immer noch darin, ihre Vorhersagen für Menschen verständlich zu machen.“

Bei genügend Daten kann ein ausreichend komplexes Modell für maschinelles Lernen Muster im Rauschen finden und möglicherweise genaue Vorhersagen erstellen, aber Barnes interessiert sich für erklärbare KI – das heißt herauszufinden, wie ein Modell für maschinelles Lernen zu der Schlussfolgerung gelangt ist, die es gezogen hat. Sie vergleicht die Entschlüsselung des Modellprozesses damit, ein Labyrinth zu lösen, indem man am Ende beginnt und rückwärts arbeitet.

„Wir haben schon immer Daten verwendet und versucht, die gesamte Komplexität des Klimasystems herauszuarbeiten und es für den Menschen verständlich zu machen, und jetzt ermöglicht uns maschinelles Lernen, noch tiefer vorzudringen und noch kompliziertere Zusammenhänge zu finden.“ Wir sind gerade dabei, ihre Vorhersagen für Menschen verständlich zu machen.“

– Atmosphärenwissenschaftsprofessorin Elizabeth Barnes

„Wenn es gute Arbeit leistet und wir herausfinden können, warum es dazu in der Lage war, lernen wir tatsächlich neue Klimawissenschaften“, sagte Barnes.

Ihre Gruppe konzentriert sich auch auf interpretierbare KI – manchmal auch transparente KI genannt. Sie fangen bei Null an und entwickeln Modelle für maschinelles Lernen von Grund auf, sodass die Modelle für die Menschen bei jedem Schritt verständlich sind.

„Das ist ein viel langsamerer Prozess und ehrlich gesagt viel schwieriger“, sagte Barnes, „aber das Ergebnis ist, dass man bei einer Vorhersage nicht fragen muss: ‚Warum hat es diese Vorhersage gemacht?‘ Du weißt schon, warum.“

Erklärbarkeit und Interpretierbarkeit sind zwei Faktoren, die Menschen dabei helfen können, der KI zu vertrauen, aber es spielen auch viele andere Faktoren eine Rolle. Barnes, Imme Ebert-Uphoff, Wissenschaftlerin am Cooperative Institute for Research in the Atmosphere und Professorin am Fachbereich Elektrotechnik und Informationstechnik, und Informatikprofessor Chuck Anderson erforschen, was nötig ist, um vertrauenswürdige KI für die Untersuchung von Wetter und Klima zu entwickeln . Sie sind Partner des von der National Science Foundation finanzierten Institute for Research on Trustworthy AI in Weather, Climate, and Coastal Oceanography, das von der University of Oklahoma geleitet wird.

Die Gruppe der Klimaforscherin Elizabeth Barnes hat mehrere Animationen erstellt, die die KI-Tools erklären, die sie zur Untersuchung des Klimas verwenden.

Ein an der CSU entwickeltes Modell für maschinelles Lernen hat das Vertrauen der Prognostiker in Sturmvorhersagen verbessert und wird nun täglich vom Storm Prediction Center und dem Weather Prediction Center des National Weather Service verwendet.

Das Modell, das in der Abteilung für Atmosphärenwissenschaften von einem Team um Schumacher entwickelt wurde, ist in der Lage, übermäßige Niederschläge, Hagel und Tornados vier bis acht Tage im Voraus genau vorherzusagen. Das Modell heißt CSU-MLP für „Colorado State University-Machine Learning Probabilities“.

Schumachers Team arbeitete sechs Jahre lang mit NWS-Prognostikern zusammen, um das Modell für ihre Zwecke zu testen und zu verfeinern. Der CSU-Code läuft jetzt auf den operativen Computersystemen des Storm Prediction Center und des Weather Prediction Center und hilft Prognostikern, gefährliches Wetter vorherzusagen, sodass Menschen in Gefahr genügend Zeit haben, sich vorzubereiten.

Die Atmosphärenforscher trainierten das Modell anhand historischer Aufzeichnungen von Unwettern und NOAA-Neuvorhersagen sowie retrospektiven Vorhersagen, die mit den heute verbesserten numerischen Modellen durchgeführt wurden.

Teammitglied Allie Mazurek, Ph.D. Student, arbeitet an erklärbarer KI für die CSU-MLP-Prognosen. Sie versucht herauszufinden, welche atmosphärischen Dateneingaben für die Vorhersagen des Modells am wichtigsten sind, damit das Modell für Prognostiker transparenter wird.

„Diese neuen Tools, die KI zur Wettervorhersage nutzen, entwickeln sich schnell und zeigen einige wirklich vielversprechende und aufregende Ergebnisse“, sagte Schumacher. „Aber sie haben auch Grenzen, genau wie traditionelle Wettervorhersagemodelle und menschliche Prognostiker Stärken und Grenzen haben. Der beste Weg, das Feld voranzubringen und Prognosen zu verbessern, besteht darin, jede ihrer Stärken zu nutzen: die KI für das, was sie gut kann, nämlich Muster in riesigen Datensätzen zu erkennen; numerische Wettervorhersagemodelle zur Verankerung in der Physik; und Menschen zum Synthetisieren, Verstehen und Kommunizieren.“

Schumacher erörtert das Versprechen und die Grenzen von KI für die Wettervorhersage ausführlicher in diesem Artikel in „The Conversation“, Co-Autor von Aaron Hill, einem ehemaligen CSU-Forschungswissenschaftler, der jetzt Fakultätsmitglied an der University of Oklahoma ist.

Die CSU arbeitet mit der University of Minnesota, der Cornell University und mehreren anderen Universitäten in einem Forschungsinstitut zusammen, das KI nutzen wird, um klimafreundliche Land- und Forstwirtschaftspraktiken zu entwickeln.

Das AI-CLIMATE Institute, das für Climate-Land Interactions, Mitigation, Adaptation, Tradeoffs and Economy steht, wurde Anfang des Jahres angekündigt und wird durch einen Zuschuss von 20 Millionen US-Dollar von der National Science Foundation und dem USDA National Institute of Food and Agriculture finanziert.

Das Institut wird KI-Techniken wie Deep Learning und wissensgesteuertes maschinelles Lernen einsetzen, um die Genauigkeit zu verbessern und die Kosten für die Bilanzierung von Kohlenstoff und anderen Treibhausgasen zu senken und wichtige Daten für CO2-Ausgleichsprogramme bereitzustellen.

CSU ist seit langem führend in der Messung und Überwachung von Veränderungen des Kohlenstoffbestands im Boden und Treibhausgasemissionen im Boden und wird dazu beitragen, KI-gesteuerte Methoden für modellbasierte Vorhersagen zu entwickeln, indem es Modelle des maschinellen Lernens mit den prozessbasierten biogeochemischen Modellen verbindet, die über Jahrzehnte an der CSU entwickelt wurden.

Paustian ist Hauptforscher des AI-CLIMATE-Teams der CSU aus Fakultäten, Postdoktoranden und Studenten. Ihr Ziel ist es, herauszufinden, wie man Land- und Waldflächen am besten bewirtschaftet, um eine maximale Kohlenstoffbindung zu erreichen und gleichzeitig andere Treibhausgase wie Lachgas und Methan zu reduzieren, ohne andere Ökosystemleistungen wie die Artenvielfalt oder die Wasserqualität zu beeinträchtigen. Mit anderen Worten: Sie wollen die Landnutzung für alle ihre verschiedenen Zwecke, einschließlich wirtschaftlicher und ökologischer Nutzung, optimieren.

Keith Paustian, angesehener Universitätsprofessor für Boden- und Pflanzenwissenschaften und leitender Forschungswissenschaftler am Natural Resource Ecology Laboratory

Francesca Cotrufo, Professorin für Boden- und Pflanzenwissenschaften und leitende Wissenschaftlerin am NREL

Patrick Keys, Assistenzprofessor für Atmosphärenwissenschaften

Nathan Mueller, Assistenzprofessor für Ökosystemwissenschaften und Nachhaltigkeit sowie Boden- und Pflanzenwissenschaften

Stephen Ogle, Professor für Ökosystemwissenschaften und Nachhaltigkeit und leitender Forschungswissenschaftler am NREL

Sangmi Pallickara, Professorin für Informatik

Shrideep Pallickara, Professor für Informatik

Yao Zhang, Forschungswissenschaftler am NREL und in den Boden- und Pflanzenwissenschaften

„Eine Stärke von KI-basierten Modellen besteht darin, dass sie diese wirklich komplexen Optimierungsprobleme viel besser bewältigen können“, sagte Paustian. „Sie können diese Technologien nutzen, um eine bessere Optimierung zu erzielen, die dann auch in Entscheidungstools einfließen kann.“

Das daraus resultierende wissensgesteuerte maschinelle Lernmodell von AI-CLIMATE weist verschiedenen potenziellen Ergebnissen Wahrscheinlichkeiten zu, damit Menschen fundiertere Entscheidungen treffen können.

„Dieses Projekt soll nicht nur ein besseres Verständnis von Ökosystemen sowie Klima- und Systemmanagement fördern, sondern auch Informationen entwickeln, die für Menschen nützlich sind, die versuchen, mit den Problemen umzugehen, mit denen wir konfrontiert sind“, sagte Paustian. „Wenn wir die Folgen unterschiedlicher Bewirtschaftung sowie die Komplexität der entscheidenden Ökosystemfaktoren besser kennen, können wir effektivere Lösungen und Richtlinien besser entwerfen.“

AI-CLIMATE wird daran arbeiten, die Auswirkungen des Klimawandels zu verstehen und mögliche Anpassungsreaktionen zu untersuchen. Darüber hinaus wird es KI-inspirierte Datenvisualisierungstools entwickeln und zur Entwicklung des wissenschaftlichen Personals beitragen.

Künstliche Intelligenz ist keine Science-Fiction mehr. Dieser Sonderbericht von SOURCE untersucht die Bedeutung der Forschung im Bereich der künstlichen Intelligenz und was Sie wirklich über das Potenzial und die Auswirkungen dieser leistungsstarken, disruptiven und komplizierten Technologie wissen müssen.mehr lesen

Dieser Geschichte zugewiesene Tags