Maschinelles Lernen beschleunigt Klimamodellsimulationen bei feinerer Auflösung und macht sie auf lokaler Ebene nutzbar

Klimamodelle sind eine Schlüsseltechnologie zur Vorhersage der Auswirkungen des Klimawandels. Durch Simulationen des Erdklimas können Wissenschaftler und politische Entscheidungsträger Bedingungen wie den Anstieg des Meeresspiegels, Überschwemmungen und steigende Temperaturen abschätzen und Entscheidungen über angemessene Reaktionen treffen. Aktuelle Klimamodelle haben jedoch Schwierigkeiten, diese Informationen schnell oder kostengünstig genug bereitzustellen, um auf kleineren Skalen, wie etwa der Größe einer Stadt, nützlich zu sein.

Nun haben die Autoren einer neuen Studie veröffentlicht im Zeitschrift für Fortschritte in der Modellierung von Erdsystemen haben eine Methode gefunden, mit der sich die Vorteile aktueller Klimamodelle durch maschinelles Lernen nutzen lassen, während gleichzeitig der für deren Ausführung erforderliche Rechenaufwand reduziert wird.

„Es stellt die traditionelle Weisheit auf den Kopf“, sagt Sai Ravela, ein leitender Forschungswissenschaftler in der Abteilung für Erd-, Atmosphären- und Planetenwissenschaften (EAPS) des MIT, der das Papier zusammen mit der EAPS-Postdoktorandin Anamitra Saha verfasst hat.

Traditionelle Weisheit

In der Klimamodellierung ist Downscaling der Prozess, bei dem ein globales Klimamodell mit grober Auflösung verwendet wird, um feinere Details über kleinere Regionen zu erzeugen. Stellen Sie sich ein digitales Bild vor: Ein globales Modell ist ein großes Bild der Welt mit einer geringen Anzahl von Pixeln. Um es herunterzuskalieren, zoomen Sie nur auf den Teil des Fotos, den Sie betrachten möchten – zum Beispiel Boston. Aber weil das Originalbild eine niedrige Auflösung hatte, ist die neue Version unscharf; sie bietet nicht genug Details, um besonders nützlich zu sein.

„Wenn man von einer groben zu einer feinen Auflösung übergeht, muss man irgendwie Informationen hinzufügen“, erklärt Saha. Beim Downscaling wird versucht, diese Informationen wieder hinzuzufügen, indem die fehlenden Pixel ergänzt werden. „Dieses Hinzufügen von Informationen kann auf zwei Arten erfolgen: Entweder kann es aus der Theorie kommen, oder es kann aus Daten stammen.“

Beim herkömmlichen Downscaling werden häufig physikalische Modelle verwendet (wie etwa der Prozess des Aufsteigens, Abkühlens und Kondensierens von Luft oder die Landschaft eines Gebiets) und mit statistischen Daten aus historischen Beobachtungen ergänzt. Diese Methode ist jedoch sehr rechenintensiv: Sie erfordert viel Zeit und Rechenleistung und ist zudem teuer.

Ein bisschen von beidem

In ihrem neuen Artikel haben Saha und Ravela einen Weg gefunden, die Daten auf andere Weise hinzuzufügen. Sie haben eine Technik des maschinellen Lernens verwendet, die als Adversarial Learning bezeichnet wird. Dabei kommen zwei Maschinen zum Einsatz: Eine generiert Daten, die in das Foto einfließen. Die andere Maschine beurteilt die Probe, indem sie sie mit tatsächlichen Daten vergleicht. Wenn sie das Bild für gefälscht hält, muss die erste Maschine es erneut versuchen, bis sie die zweite Maschine überzeugt hat. Das Endziel des Prozesses ist die Erstellung von Daten mit Superauflösung.

Der Einsatz von maschinellen Lerntechniken wie Adversarial Learning ist in der Klimamodellierung keine neue Idee. Derzeit hapert es jedoch daran, dass große Mengen grundlegender physikalischer Gesetze wie Erhaltungssätze nicht verarbeitet werden können. Die Forscher fanden heraus, dass es ausreichte, die physikalischen Grundlagen zu vereinfachen und sie mit Statistiken aus den historischen Daten zu ergänzen, um die gewünschten Ergebnisse zu erzielen.

„Wenn man das maschinelle Lernen mit einigen Informationen aus der Statistik und vereinfachter Physik ergänzt, ist es plötzlich magisch“, sagt Ravela.

Er und Saha begannen mit der Schätzung extremer Niederschlagsmengen, indem sie komplexere physikalische Gleichungen entfernten und sich auf Wasserdampf und Landtopographie konzentrierten. Anschließend erstellten sie allgemeine Niederschlagsmuster sowohl für das bergige Denver als auch für das flache Chicago und wendeten historische Berechnungen an, um die Ergebnisse zu korrigieren.

„Es ermöglicht uns Extreme, wie sie die Physik bietet, zu einem viel geringeren Preis. Und es ermöglicht uns ähnliche Geschwindigkeiten wie die Statistik, allerdings bei einer viel höheren Auflösung“, fährt Ravela fort.

Ein weiterer unerwarteter Vorteil der Ergebnisse war, wie wenig Trainingsdaten benötigt wurden. „Die Tatsache, dass nur ein bisschen Physik und ein bisschen Statistik ausreichten, um die Leistung des ML zu verbessern [machine learning] Modell … war eigentlich nicht von Anfang an offensichtlich“, sagt Saha. Das Training dauert nur wenige Stunden und kann innerhalb von Minuten Ergebnisse liefern – eine Verbesserung gegenüber den Monaten, die andere Modelle zum Ausführen benötigen.

Risiken schnell quantifizieren

Die Fähigkeit, die Modelle schnell und häufig auszuführen, ist eine wichtige Voraussetzung für Interessengruppen wie Versicherungsunternehmen und lokale politische Entscheidungsträger. Ravela nennt das Beispiel Bangladesch: Wenn man sieht, wie sich extreme Wetterereignisse auf das Land auswirken, kann man unter Berücksichtigung einer sehr großen Bandbreite von Bedingungen und Unsicherheiten so schnell wie möglich Entscheidungen darüber treffen, welche Nutzpflanzen angebaut werden sollten oder wohin die Bevölkerung auswandern sollte.

„Wir können nicht Monate oder Jahre warten, um dieses Risiko quantifizieren zu können“, sagt er. „Man muss weit in die Zukunft blicken und eine große Anzahl von Unsicherheiten berücksichtigen, um sagen zu können, was eine gute Entscheidung sein könnte.“

Während das aktuelle Modell nur extreme Niederschläge berücksichtigt, besteht der nächste Schritt des Projekts darin, es auf die Untersuchung anderer kritischer Ereignisse wie tropische Stürme, Winde und Temperaturen zu trainieren. Ravela hofft, sein robusteres Modell im Rahmen eines MIT Climate Grand Challenges-Projekts auch auf andere Orte wie Boston und Puerto Rico anwenden zu können.

„Wir sind sowohl von der Methodik, die wir entwickelt haben, als auch von den potenziellen Anwendungen, die sie ermöglichen könnte, sehr begeistert“, sagt er.

Diese Geschichte wird mit freundlicher Genehmigung von MIT News erneut veröffentlicht (web.mit.edu/newsoffice/), eine beliebte Site mit Neuigkeiten zu Forschung, Innovation und Lehre am MIT.