Eilmeldung
This content is not available in your region

Kann maschinelle Intelligenz unser Klima retten?

Kann maschinelle Intelligenz unser Klima retten?
Copyright  GettyImages
Schriftgrösse Aa Aa

Immer mehr Branchen setzen auf künstliche Intelligenz, um einige ihrer größten Herausforderungen anzugehen. Können Maschinen uns auch dabei helfen, Probleme im Zusammenhang mit dem Klimawandel zu verstehen und zu lösen?

Smartphones, die Gesichter erkennen; Bankkonten, die ungewöhnliche Transaktionen verhindern; Supermärkte, die ihre veganen Produkte bewerben, nur weil man einmal Haferdrink gekauft hat, und Streaming-Dienste, die nach einer Folge einer Seifenoper nur noch B-Movies empfehlen.

Ein wachsender Prozentsatz unserer Geräte und Dienstleistungen nutzt künstliche Intelligenz (KI), eine Technologie, die in immer mehr Lebensbereichen Einzug hält. Forschende, Geschäftsleute und Regierungen setzen KI ein, um Lösungen für einige der größten gesellschaftlichen Probleme zu finden. Auch das globale Klima, seine Funktionsweise und seine zukünftige Entwicklung stehen ganz oben auf der Liste. Kann uns die Technologie, die uns beim Verarbeiten der gewaltigen Datenmengen hilft, auch praktisch dabei unterstützen, Umweltveränderungen abzuschwächen und uns an die Zukunft anzupassen?

„Wenn Menschen von ‚KI‘ sprechen, meinen sie oft maschinelles Lernen (ML), also einen Satz Algorithmen, der aus Daten lernen kann“, erklärt Dr. David Rolnick, Dozent an der University of Pennsylvania. „KI ist normalerweise nicht besser als ein Mensch, allerdings ist sie im Allgemeinen sehr viel schneller und kann in sehr großen Datenmengen Muster erkennen.“ Und mithilfe der Fähigkeit, riesige Datenmengen innerhalb kurzer Zeit zu verarbeiten, Informationen abzuleiten und Verbindungen zu finden, hat KI verschiedenste Industrien komplett verändert.

Das gilt auch für die Klimaforschung und die Beobachtung des Klimawandels. Satelliten sammeln Klimadaten in noch nie da gewesenen Größenordnungen. Wettervorhersagen sind inzwischen revolutionär detailliert. Klimamodelle und -szenarien enthalten jedoch noch viele Unsicherheiten. Forschende nutzen KI, um dieses datenintensive Feld zu bearbeiten, die Klimaforschung weiterzuentwickeln und präzisere Vorhersagen bieten zu können, mithilfe derer sich Gesellschaft und Natur an die Zukunft anpassen können. „Durch ML kann man aus Daten komplexes Verhalten lernen, ohne ein physikalisches Verständnis dafür zu brauchen“, so Dr. Peter Dueben, wissenschaftlicher Mitarbeiter am Europäischen Zentrum für mittelfristige Wettervorhersage (EZMW). „Je mehr Daten wir haben, desto besser die Werkzeuge. Je mehr Daten uns zur Verfügung stehen, desto besser werden auch die ML-Tools. Das heißt, dass diese Werkzeuge für die Forschung immer nützlicher werden.“

© GettyImages

KI: Ein nützliches Werkzeug für die Wissenschaft, um Satellitenbilder zu verarbeiten und Vorhersagen zu erstellen

„Maschinen helfen uns dabei, Messungen und Beobachtungen der echten Welt durchzuführen, was unerlässlich ist, wenn man bessere Entscheidungen für eine unsichere Zukunft treffen will“, sagt Dr. Nataliya Tkachenko, Lead Data Scientist und KI an der University of Oxford. „In ihren Grundzügen hat KI nicht wirklich etwas mit den Daten an sich zu tun, sondern mit dem Auffinden von Mustern und Verbindungen in einer komplexen Welt – am Ende sollen stets Entscheidungen oder verarbeitete Informationen stehen.“

Forschende haben KI erfolgreich genutzt, um detailliertere Bilder von der Erde zu erstellen. „KI ist sehr gut darin, räumliche Informationen bereitzustellen – das ist quasi eine der Superkräfte der KI“, so Dr. Pierre-Philippe Mathieu, der das Philab Explore Office der Europäischen Weltraumorganisation (ESA) führt. Dr. Vincent Peuch, Direktor des Copernicus-Atmosphärenüberwachungsdiensts (CAMS), sieht das ähnlich: „[KI] ist sehr effektiv, wenn es darum geht, Satellitenbilder zu vergleichen und Veränderungen der Landfläche automatisch zu tracken, was sich für Weltregionen eignet, in denen es keine ausreichende Bodenüberwachung vor Ort gibt. Das hilft auch bei der Beschleunigung von Computermodellen und der Senkung ihrer Betriebskosten, besonders bei detaillierten Wettervorhersagen, die schnell erstellt werden müssen.“

Laut Dr. Peuch testen und nutzen der Copernicus-Klimawandeldienst (C3S) und der CAMS KI, um Veränderungen der Landfläche und der Bewaldung zu finden, Luftqualitätsvorhersagen auf städtischer Ebene zu verbessern und Satellitenbilder automatisch zu verarbeiten.

In der Amundsensee an der Westküste der Antarktis nutzen Fachleute des Forschungsprojekts British Antarctic Survey (BAS) des Alan Turing Institute ML-Technologie, um Eisberge zu finden, zu verfolgen und zu beobachten, wie sie in kleinere, schmalere Teile zerbrechen, und trainieren KI-Algorithmen darauf, Vorhersagen zu zukünftigem Meereis zu machen. KI hilft ihnen dann wiederum dabei, diese Vorhersagen zu interpretieren und möglicherweise neue Erkenntnisse darüber zu gewinnen, wie Klimavariablen einander zeitlich und räumlich beeinflussen.

Die Zahl der Anwendungsbereiche für KI, die kleine und große ökologische und gesellschaftliche Probleme lösen soll, wächst immer weiter. Die University of Washington plant, KI zur Aufzeichnung und besseren Vorhersage von Hitzewellen zu nutzen, und das Tanzania Conservation Resource Centre will KI für Luftbilder von tierischer und menschlicher Aktivität verwenden, um Konflikte zwischen Tieren und Menschen zu vermeiden. Die Stadt Boston hat die KI-basierte Software zur Baumerfassung von GreenCityWatch getestet, welche die Menge und die Gesundheit des städtischen Grüns akkurat erfasst, um die Erstellung von Richtlinien zu unterstützen.

© GettyImages

Auch die Landwirtschaft macht sich KI zunutze. Microsofts Cloud-Plattform Azure FarmBeats vereint Daten von Sensoren, Kameras, Traktoren und Drohnen und erstellt aus diesen Datensets ML-Modelle, um die Landwirtschaft zu überwachen und ihre Resilienz gegenüber dem Klimawandel zu verbessern. „Die Beschäftigten in der Landwirtschaft treffen anhand des Wetters Entscheidungen zu Pflanzung, Bewässerung, Ernte und anderen Dingen“, erklärt Ranveer Chandra, Chefwissenschaftler bei Microsoft Azure Global. „Aber die Wettervorhersage kommt von der Wetterstation und nicht von den jeweiligen Landwirtschaftsflächen. Einer unserer KI-Algorithmen kombiniert Wettermodelle und Daten von Wetterstationen mit Sensoren auf der Farm, um extrem lokale Wettervorhersagen zu erstellen. Indem die Lücke der Informationen auf den Landflächen gefüllt wird, kann das Ergebnis die Entscheidungen der Verantwortlichen verbessern.“

Ein neues leistungsstarkes Werkzeug zur Vorhersage des Klimawandels?

Eine ehrgeizige KI-Mission ist die Erstellung eines digitalen Zwillings unseres Planeten, einer Kopie der Systeme und Prozesse der Erde. „Es wäre ein numerisches Planetenlabor, in dem wir Experimente durchführen, Richtlinien erarbeiten und Ergebnisse evaluieren können“, so Dr. Mathieu. „Wir haben bereits die KI-Bausteine, um einen digitalen Zwilling der natürlichen Umwelt zu erschaffen, was letzten Endes zu einer digitalen Kopie der Erde werden soll“, sagt Dr. Scott Hosking, Wissenschaftler für Umweltdaten des BAS. „Wir können nicht jeden Aspekt unseres sich verändernden Planeten so detailliert wie nötig kontrollieren. Durch digitale Zwillinge der Natur können wir unser Sammeln von Stichproben intelligent fokussieren und so Durchbrüche in weit entfernten und lebensfeindlichen Regionen wie den Polen erreichen, wo Stromversorgung und Zugänglichkeit eine Herausforderung sind. Diese Informationen könnten wir in Echtzeit nutzen, um eine Drohnenflotte und automatische U-Boote zu steuern und deren Effektivität bei späteren Messungen zu verbessern.“

Doch noch ist KI nicht fehlerfrei. Fachleute warnen, dass es für eine Vorhersage des Klimas nicht genügend Daten gibt, um die Algorithmen zu trainieren. „KI muss mit historischen Daten trainiert werden“, erklärt Dr. Judah Cohen, Klimatologe und Direktor für saisonale Vorhersagen der Atmosphären- und Umweltforschung am Massachusetts Institute of Technology (MIT). „Für das Training nutzen wir Daten, die bis ins Jahr 1979 zurückreichen, als Satelliten häufiger wurden. Aber das sind nicht genügend historische Fälle, um optimale KI-Lösungen zu erhalten. Eine Möglichkeit wäre, mithilfe von Modellen künstliche Daten zu erstellen, aber es bleibt die Frage, ob Modelldaten genauso gut sind wie historische Daten.“

© GettyImages

KI kann außerdem nicht die Klimaphysik ersetzen, so Dr. Rolnick. „KI hat Grenzen“, fügt Dr. Mathieu von der ESA hinzu. „Man kann in Daten immer Korrelationen finden, aber das heißt nicht unbedingt, dass es auch einen kausalen Zusammenhang gibt – es braucht also Fachleute, die Erklärungen auf Basis der Physik bereitstellen können.“

Dasselbe gilt für Modelle zur Wettervorhersage, sagt Dr. Dueben vom EZMW. „Es gab Behauptungen, KI und ML könnten konventionelle Werkzeuge für die Kurzvorhersage (Wettervorhersagen für die nächsten Stunden) und einige Jahre umspannende Vorhersagen übertreffen. Aber es ist sehr unwahrscheinlich, dass ML die meisten anderen Vorhersagen schlagen und Wettervorhersagemodelle ‚ersetzen‘ wird, da ML-Vorhersagen in den meisten Anwendungsfällen nicht genau genug sind.“

Weitere Herausforderungen ergeben sich daraus, dass trainierte KI-Systeme nur das gut können, wofür sie trainiert wurden. „Man muss sicher sein, dass man nur die Reihe von Werten erhalten will, auf die trainiert wurde“, erklärt Dr. Peuch. „Sonst bekommt man falsche Ergebnisse.“ Das bedeutet, dass ein Algorithmus die Daten gut verarbeiten kann, für deren Verarbeitung er erschaffen wurde, dass aber eine Fütterung mit ihm völlig unbekannten Datenarten vielleicht zu falschen Ergebnissen führt. Doch in der Klimaforschung ändern sich nicht nur die Daten, sondern auch das Klima selbst. „Wenn wir vom Klimawandel sprechen, müssen Algorithmen sehr ausgearbeitet sein, weil sich das Klima ständig verändert. Man muss vorsichtig sein, dass KI nicht nur die Daten aus der Vergangenheit verwendet, um die Zukunft vorherzusagen“, fügt der CAMS-Direktor hinzu.

Auch die Auswahl der Algorithmen ist bei Klimawandelfragen schwierig. Es gibt viele KI-Technologien, und aus denen die beste für die Vorhersage des Klimas auszuwählen, ist keine triviale Frage“, so Dr. Cohen. „Ich glaube, die Auswahl und Optimierung eines KI-Algorithmus, der mehr als nur eine leichte Verbesserung aktueller Klimavorhersagen bietet, wird eine Herausforderung sein.“

KI-Technologie wirft auch die Frage auf, wie wir Daten erfassen und mit ihnen umgehen. „Bei den konventionellen Quellen der Wetterbeobachtung gibt es keine großen Sorgen bezüglich des Datenschutzes“, sagt Dr. Dueben. „Es gibt allerdings Daten aus dem sogenannten Internet der Dinge (IdD), die zurzeit kaum für Wettervorhersagen genutzt werden, aber zukünftig vielleicht signifikante Verbesserungen bieten könnten. Dazu gehören beispielsweise Daten von Mobiltelefonen und andere ‚Crowdsourcing‘-Datenprodukte. Dort stellt sich dann die Frage des Datenschutzes.“ Dr. Tkachenko geht sogar noch weiter und führt aus, dass eine eventuelle Beeinflussung von in Entscheidungsprozessen genutzten Rohdaten zu negativen Konsequenzen führen könnte. Vielleicht wollen wir ebenso wissen, wie und mit welchen Daten eine KI entwickelt wurde, wie wir die Zutatenliste auf Fertiggerichten angeben“, sagt sie.

Können Klima- und Umweltforschende letzten Endes von den KI-Anwendungsbereichen anderer Branchen lernen? „Man sollte KI nur benutzen, wenn es ein existierendes Problem gibt, das sie benötigt“, warnt Dr. Rolnick. „Man lässt sich schnell von neuen Technologien blenden. Bei jedem Anwendungsbereich müssen wir sichergehen, dass KI einen Mehrwert bietet. Die Anwendungen von KI sollten von ihrem schlussendlichen Einfluss abhängen und gemeinsam mit den Beteiligten entwickelt werden, die die Technologie nutzen und von ihr profitieren werden. Zu glauben, dass KI wie durch Zauberhand Probleme lösen wird, ist ein Trugschluss. KI ist äußerst leistungsfähig, aber sie ist nur eins von vielen Werkzeugen, die im Rahmen von Klimawandelstrategien genutzt werden können.“