Neue Erkenntnisse der künstlichen Intelligenz über die Permafrostbedeckung in der Arktis könnten politischen Entscheidungsträgern und Landverwaltern bald die hochauflösende Ansicht liefern, die sie benötigen, um durch den Klimawandel verursachte Bedrohungen für Infrastrukturen wie Ölpipelines, Straßen und nationale Sicherheitseinrichtungen vorherzusagen.
„Die Arktis erwärmt sich viermal schneller als der Rest der Welt, und Permafrost ist ein Bestandteil der Arktis, der sich sehr schnell verändert“, sagte Evan Thaler, Postdoktorand bei Chick Keller am Los Alamos National Laboratory. Thaler ist korrespondierender Autor eines Artikels über eine innovative Anwendung von KI auf Permafrostdaten veröffentlicht im Tagebuch Erd- und Weltraumwissenschaften.
„Aktuelle Modelle liefern nicht die nötige Auflösung, um zu verstehen, wie das Auftauen des Permafrosts die Umwelt verändert und sich auf die Infrastruktur auswirkt“, sagte Thaler. „Unser Modell erstellt hochauflösende Karten, die uns sagen, wo Permafrost jetzt ist und wo er sich in Zukunft wahrscheinlich verändern wird.“
Die KI-Modelle identifizieren auch die landschaftlichen und ökologischen Merkmale, die die Vorhersagen beeinflussen, wie z. B. das vegetative Grün, den Neigungswinkel der Landschaft und die Dauer der Schneedecke.
KI versus Felddaten
Thaler war Teil eines Teams mit den Forscherkollegen Joel Rowland, Jon Schwenk und Katrina Bennett aus Los Alamos sowie Mitarbeitern des Lawrence Berkeley National Laboratory, das eine Form der KI namens überwachtes maschinelles Lernen verwendete. Die Arbeit testete die Genauigkeit von drei verschiedenen KI-Ansätzen anhand von Felddaten, die von Los Alamos-Forschern aus drei Wassereinzugsgebieten mit lückenhaftem Permafrost auf der Seward-Halbinsel in Alaska gesammelt wurden.
Permafrost, also Boden, der zwei Jahre oder länger unter dem Gefrierpunkt bleibt, bedeckt etwa ein Sechstel des exponierten Landes auf der Nordhalbkugel, sagte Thaler. Auftauender Permafrost beeinträchtigt bereits Straßen, Ölpipelines und andere darüber gebaute Anlagen und birgt auch eine Reihe von Umweltgefahren.
Wenn sich die Lufttemperaturen aufgrund des Klimawandels erwärmen, gibt der auftauende Boden Wasser ab. Es fließt in tiefer gelegene Gebiete, Flüsse, Seen und das Meer, verursacht ein Absinken der Landoberfläche, transportiert Mineralien, ändert die Richtung des Grundwassers, verändert die Bodenchemie und gibt Kohlenstoff an die Atmosphäre ab.
Nützliche Ergebnisse
Die Auflösung des derzeit am weitesten verbreiteten panarktischen Modells für Permafrost beträgt etwa eine Drittel Quadratmeile und ist viel zu grob, um vorherzusagen, wie sich der Permafrost beispielsweise auf einer Straße oder Pipeline auswirken wird. Das neue KI-Modell von Los Alamos bestimmt die Oberflächenpermafrostbedeckung mit einer Auflösung von knapp 100 Quadratfuß, was kleiner als ein typischer Parkplatz und weitaus praktischer für die Risikobewertung an einem bestimmten Standort ist.
Mithilfe seines KI-Modells, das auf Daten von drei Standorten auf der Seward-Halbinsel trainiert wurde, erstellte das Team eine Karte, die große Gebiete ohne Permafrost rund um die Seward-Standorte zeigt und mit den Felddaten mit einer Genauigkeit von 83 % übereinstimmte. Mithilfe des panarktischen Modells zum Vergleich erstellte das Team eine Karte derselben Standorte, das Modell erreichte jedoch nur eine Genauigkeit von 50 %.
„Es ist das bisher genaueste panarktische Produkt, aber es ist offensichtlich nicht gut genug für ortsspezifische Vorhersagen“, sagte Thaler. „Das panarktische Produkt sagt voraus, dass dieser Standort zu 100 % aus Permafrost besteht, aber unser Modell sagt nur 68 % voraus, was, wie wir aufgrund von Felddaten wissen, näher am tatsächlichen Prozentsatz liegt.“
Fütterung der KI-Modelle
Diese erste Studie bestätigte das Konzept des Los Alamos-Modells anhand der Seward-Daten und lieferte eine akzeptable Genauigkeit für Gelände, das dem Ort ähnelt, an dem die Felddaten gesammelt wurden. Um die Übertragbarkeit jedes Modells zu messen, trainierte das Team es auch anhand von Daten von einem Standort und ließ das Modell dann mit Daten von einem zweiten Standort mit einem anderen Gelände laufen, auf dem das Modell nicht trainiert worden war. Keines der Modelle ließ sich gut übertragen, indem eine Karte erstellt wurde, die mit den tatsächlichen Ergebnissen am zweiten Standort übereinstimmte.
Thaler sagte, das Team werde zusätzliche Arbeit an den KI-Algorithmen leisten, um die Übertragbarkeit des Modells auf andere Gebiete in der Arktis zu verbessern. „Wir möchten in der Lage sein, anhand eines Datensatzes zu trainieren und das Modell dann an einem Ort anzuwenden, den es noch nie zuvor gesehen hat. Wir benötigen lediglich mehr Daten aus vielfältigeren Landschaften, um die Modelle zu trainieren, und wir hoffen, diese Daten bald sammeln zu können.“ “ er sagte.
Ein Teil der Studie umfasste den Vergleich der Genauigkeit von drei verschiedenen KI-Ansätzen – extrem randomisierte Bäume, Support-Vektor-Maschinen und ein künstliches neuronales Netzwerk – um herauszufinden, welches Modell den „Ground Truth“-Daten, die bei Feldbeobachtungen auf der Seward-Halbinsel gesammelt wurden, am nächsten kam. Ein Teil dieser Daten wurde zum Trainieren der KI-Modelle verwendet. Jedes Modell erstellte dann eine Karte auf der Grundlage unsichtbarer Daten, die das Ausmaß des oberflächennahen Permafrosts vorhersagte.
Während die Forschung von Los Alamos eine deutliche Verbesserung gegenüber dem besten – und am weitesten verbreiteten – panarktischen Modell zeigte, waren die Ergebnisse der drei KI-Modelle des Teams gemischt, wobei die Support-Vektor-Maschinen die vielversprechendsten hinsichtlich der Übertragbarkeit zeigten.
Mehr Informationen:
EA Thaler et al., Hochauflösende Karten des oberflächennahen Permafrosts für drei Wassereinzugsgebiete auf der Seward-Halbinsel, Alaska, abgeleitet aus maschinellem Lernen, Erd- und Weltraumwissenschaften (2023). DOI: 10.1029/2023EA003015