Neues hybrides maschinelles Lernen prognostiziert die Reaktion des Seeökosystems auf den Klimawandel

Während der Mitte des 20. Jahrhunderts verschlechterten Phosphoreinträge aus Wasch- und Düngemitteln die Wasserqualität des Genfersees in der Schweiz, was die Behörden dazu veranlasste, Maßnahmen zur Beseitigung der Verschmutzung in den 1970er Jahren zu ergreifen.

„Das offensichtliche Mittel war, die Phosphorbelastung umzukehren, und diese einfache Idee half enorm, aber sie brachte den See nicht in seinen früheren Zustand zurück, und das ist das Problem“, sagte George Sugihara, ein biologischer Ozeanograph an der Scripps Institution der UC San Diego der Ozeanographie.

Sugihara, Ethan Deyle von der Boston University und drei internationale Kollegen haben fünf Jahre lang nach einem besseren Weg gesucht, um die ökologische Reaktion des Genfersees auf die Bedrohung durch Phosphorverschmutzung vorherzusagen und zu steuern, zu der nun die Auswirkungen des Klimawandels hinzugefügt werden müssen. Das Team, dem auch Damien Bouffard vom Eidgenössischen Institut für Wasserwissenschaften und Technologie angehört, veröffentlichte am 20. Juni in der Zeitschrift seinen neuen hybriden empirischen dynamischen Modellierungsansatz (EDM). Proceedings of the National Academy of Sciences.

„Die Natur ist viel stärker miteinander verbunden und voneinander abhängig, als Wissenschaftler oft glauben möchten“, sagte Sugihara, Professor für Naturwissenschaften am McQuown-Lehrstuhl bei Scripps. EDM kann in diesem Zusammenhang als eine Form des überwachten maschinellen Lernens helfen, eine Möglichkeit für Computer, Muster zu lernen und Forscher über die Mechanismen hinter den Daten zu unterrichten.

„Sie ziehen an einem Hebel und alles andere ändert sich im Whack-a-Mole-Stil. Einzelfaktor-Experimente, das Markenzeichen der Wissenschaft des 20. Jahrhunderts, in der alles konstant gehalten wird, können Sie im Prinzip viel lehren, aber es ist nicht wie die Welt funktioniert“, sagte er.

„Wenn dies nicht der Fall wäre, wenn sich die Natur eher wie die Ein-Faktor-Experimente verhalten würde und weniger verbunden und voneinander abhängig wäre, könnten wir Ergebnisse mit einfachen Modellen vorhersagen, bei denen sich die Beziehungen nicht ändern.“

Interdependenz und wechselnde Beziehungen sind die Realität von Ökosystemen und sie sind auch die Realität von Finanzmärkten, wo Vorhersagen so schwierig sind, bemerkte Sugihara. EDM wurde Mitte der 1990er bis Anfang der 2000er Jahre im Schmelztiegel der Finanzprognosen verfeinert, als Sugihara Managing Director bei der Deutschen Bank war.

Sugihara hat in den letzten 20 Jahren bei Scripps auf seinen finanziellen Hintergrund zurückgegriffen, um Marktinstrumente zur Unterstützung einer nachhaltigen Meeresfischerei zu entwickeln. Er nennt EDM „Mathematik ohne Gleichungen“.

Aber EDM ist keine Black-Box-Methode, sagte Deyle und bezog sich auf quantitative Methoden, die auf mysteriösen mathematischen oder rechnerischen Formeln basieren. Es ist eine Kritik, die seiner Meinung nach häufig am maschinellen Lernen geäußert wird.

„Vielmehr verwendet es die Daten, um Ihnen auf direkteste Weise mit minimalen Annahmen zu sagen, was vor sich geht. Was sind die wichtigen Variablen? Wie ändern sich die Beziehungen im Laufe der Zeit? Es verfügt über einen Mechanismus und eine Transparenz, die direkt von der Daten.“

Was Sugiharas Team versucht hat, weicht von traditionellen Modellierungsmethoden ab, die in den letzten Jahrzehnten verwendet wurden. Wie Deyle feststellt, werden Teile der etablierten Modelle durch Konstanten dargestellt.

„Zum Beispiel die feste und konstante Schwerkraft oder die Form und Tiefe eines Sees. Dadurch lassen sich physikalische Vorgänge im See sehr gut mit einfachen Gleichungen modellieren“, sagt er.

Nicht so für die sich verändernde Ökologie und Biochemie.

„Die Organismen, die den Wandel in einem Ökosystem wie dem des Genfersees vorantreiben, haben sich in den letzten zwei Jahrzehnten verändert. Das Nahrungsnetz hat sich verändert und verändert sich ständig, zusammen mit der Biochemie des Sees“, sagte Bouffard.

„Die Standardwerkzeuge sind für solche Probleme ungeeignet“, sagte Deyle, der seinen Ph.D. in biologischer Ozeanographie von Scripps Oceanography mit Berater Sugihara im Jahr 2015.

„Der Genfersee ist eines der am besten untersuchten Systeme der Welt. Es ist kein Zufall, dass es eine Gelegenheit war, mit einem maschinellen Lernansatz für ökologische Vorhersagen an die Grenzen zu gehen“, sagte Deyle.

Die Autoren zeigen, dass ihr hybrider Ansatz nicht nur zu wesentlich besseren Vorhersagen führt, sondern auch zu einer umsetzbareren Beschreibung der Prozesse (z. B. biogeochemisch und ökologisch), die die Wasserqualität beeinflussen.

Insbesondere deutet das Hybridmodell darauf hin, dass die Auswirkungen einer Erhöhung der Lufttemperatur um 3 Grad Celsius (5,4 Grad Fahrenheit) auf die Wasserqualität in der gleichen Größenordnung liegen würden wie die Phosphorverschmutzung des vorigen Jahrhunderts, und dass die besten Managementpraktiken möglicherweise nicht mehr beinhalten a einziger Hebel wie die Reduzierung der Phosphoreinträge allein.

„Einer der intellektuellen Eckpfeiler von all dem ist der Minimalismus“, sagte Sugihara. „Mit den wenigsten Annahmen Informationen aus Daten extrahieren.“

Ein einfaches Modell, das noch zu sammelnde Zieldaten vorhersagt, ist überzeugender als ein komplexes Modell, das mit dem gegenwärtigen Denken übereinstimmen und bemerkenswert gut an die Geschichte angepasst werden kann, aber noch nicht absehbare Ereignisse „vorhersagt“. Dies war das Hauptproblem bei Finanzanwendungen, wo es einfach ist, Dinge zu finden, die „passen“, aber fast unmöglich, etwas zu finden, das tatsächlich „vorhersagt“.

„Je komplizierter etwas ist, desto leichter ist es, sich selbst etwas vorzumachen“, sagte er. „Unser hybrider Ansatz scheint ein Gleichgewicht zu haben, das funktioniert.“

Zu den Co-Autoren der Studie gehören Victor Frossard, Université Savoie Mont Blanc; Robert Schwefel und John Melack, Universität von Kalifornien, Santa Barbara.