Forum für Wissenschaft, Industrie und Wirtschaft

Hauptsponsoren:     3M 
Datenbankrecherche:

 

Mit künstlicher Intelligenz das Erdsystem verstehen

14.02.2019

Unsere Erde wird zunehmend bedroht durch eine wachsende Bevölkerung, das sich ändernde Klima und sich häufende Extremereignisse. Eine heute im Fachjournal Nature veröffentlichte Studie von Jenaer und Hamburger Wissenschaftlern zeigt nun, dass Künstliche Intelligenz (KI) maßgeblich dabei helfen kann, das Klima und das Erdsystem besser zu verstehen. Die Wissenschaftler zeigen, dass insbesondere digitale Verfahren tiefen Lernens ihr Potenzial zum Verständnis der Erde bislang nur zu einem Bruchteil ausgeschöpft haben. So lassen sich vor allem komplexe dynamische Prozesse wie z.B. Hurrikane, die Ausbreitung von Feuer und die Veränderung der Vegetation mit Hilfe von KI besser beschreiben.

Künstliche Intelligenz (KI) wird als Schlüsseltechnologie der Zukunft angesehen. Die Bundesregierung will in Ihrer Digitalisierungsstrategie drei Milliarden Euro in Künstliche Intelligenz investieren und zielt insbesondere auf Roboter und Sprachübersetzung. Doch auch die Geowissenschaften machen sich KI zu Nutze, um die Flut wissenschaftlicher Daten in neue Erkenntnisse über Klimaentwicklungen und das Erdsystem umsetzen zu können.


Anomalien des CO2-Austauschs in El Niño–Jahren, basierend auf KI-modellierten FLUXNET-Daten. Strahlungsbedingte Anomalien sind rot, temperaturbedingte grün und wasserbedingte in blau dargestellt.

Graphik: Martin Jung, MPI-BGC


Friedrich-Schiller-Universität Jena

In den letzten Jahrzehnten wurden in den Geowissenschaften vor allem Eigenschaften modelliert, die über längere Zeiträume relativ beständig waren, wie z.B. die Eigenschaften von Böden auf lokaler bis hin zur globalen Ebene.

Seit einiger Zeit ist es nun möglich, dynamische Prozesse durch digitale Verfahren tiefen Lernens (Deep Learning) anzugehen. Dies erlaubte zum Beispiel die detaillierte Berechnung der globalen Photosynthese an Land unter besonderer Berücksichtigung jahreszeitlicher und kurzfristiger Schwankungen.

Beobachtungsdaten liefern grundlegende Gesetzmäßigkeiten

„Wir werden überflutet von klima-relevanten Daten, die von einer Unzahl an Messgeräten weltweit erhoben werden, aber wir hinken mit den Analysen und Schlussfolgerungen hinterher“, erklärt Prof. Markus Reichstein, geschäftsführender Direktor am Max-Planck-Institut für Biogeochemie in Jena, Direktoriumsmitglied am Michael-Stifel Zentrum Jena (MSCJ) und Erstautor der Publikation.

„Hier werden Deep-Learning-Techniken zu einem vielversprechenden Werkzeug, jenseits der üblichen Anwendungen des Maschinellen Lernen wie Bild- und Spracherkennung oder AlphaGo,“ fügt Prof. Joachim Denzler, Inhaber des Lehrstuhls für Digitale Bildverarbeitung der Friedrich-Schiller-Universität Jena und Mitglied des MSCJ, hinzu.

Wichtige Anwendungsbeispiele sind Extremereignisse, wie die kalifornischen Feuerwalzen im letzten Herbst oder zerstörerische Hurrikans, die in ihrer Häufigkeit und Stärke stark zunehmen. Sie basieren auf vielschichtigen Prozessen, die nicht nur durch lokale Gegebenheiten beeinflusst werden, sondern in einem weltumspannenden zeitlichen und räumlichen Zusammenhang miteinander stehen.

Dies gilt ebenso für atmosphärische und ozeanische Transportprozesse sowie Boden- und Vegetationsdynamiken, also einige der klassischen Themengebiete der Erdsystemwissenschaften.

Künstliche Intelligenz als Werkzeug für bessere Klima- und Erdsystemmodelle

Deep-Learning-Ansätze sind allerding kompliziert. Datengetriebene und statistische Herangehensweisen sind nicht zwangsweise physikalisch stimmig, hängen stark von der Datenqualität ab und können Probleme bei der Extrapolation machen. Zusätzlich sind die Anforderungen an die Rechenleistung und Speicherkapazitäten enorm hoch.

Die Wissenschaftler diskutieren all diese Anforderungen und Schwierigkeiten in ihrem Artikel und entwickeln eine Strategie, um maschinelles Lernen mit physikalischer Modellierung effizient zu verknüpfen. Mit diesen Hybrid-Modellen können beispielsweise Temperaturen der Meeresoberfläche simuliert werden.

Dabei übernehmen physikalische Modelle die Darstellung der Temperaturen, während die Ozeanströme mit Hilfe von maschinellem Lernen untersucht werden. „Die Idee dabei ist, das Beste aus beiden zu vereinen: die Übereinstimmung der physikalischen Modelle mit den naturwissenschaftlichen Grundlagen und die Vielseitigkeit des maschinellen Lernens“, erläutert Reichstein. „So bekommen wir stark verbesserte Modelle.“

Die Wissenschaftler sind überzeugt, dass die saisonale und langfristige Vorhersage von Wetter und Klima sowie die Frühwarnung vor Extremereignissen stark von Deep-Learning und Hybrid-Modellen profitieren werden.

Wissenschaftliche Ansprechpartner:

Prof. Dr. Markus Reichstein
Tel: +49 (0)3641 57 6200
E-Mail: mreichstein@bgc-jena.mpg.de

Originalpublikation:

Deep learning and process understanding for data-driven Earth system science
Reichstein M., Camps-Valls G., Stevens B., Jung M., Denzler J. Cavalhais N., Prabhat (2019)
Nature xx, doi: 10.1038/s41586-019-0912-1

Weitere Informationen:

https://www.bgc-jena.mpg.de/bgi/index.php/Main/HomePage Webseiten der MPI-BGC-Abteilung Reichstein
http://www.inf-cv.uni-jena.de/denzler Webseiten des FSU-Lehrstuhls Denzler

Dr. Eberhard Fritz | Max-Planck-Institut für Biogeochemie

Weitere Nachrichten aus der Kategorie Geowissenschaften:

nachricht Globale Datenbank für Karstquellenabflüsse
21.02.2020 | Albert-Ludwigs-Universität Freiburg im Breisgau

nachricht Höhere Treibhausgasemissionen durch schnelles Auftauen des Permafrostes
18.02.2020 | Alfred-Wegener-Institut, Helmholtz-Zentrum für Polar- und Meeresforschung

Alle Nachrichten aus der Kategorie: Geowissenschaften >>>

Die aktuellsten Pressemeldungen zum Suchbegriff Innovation >>>

Die letzten 5 Focus-News des innovations-reports im Überblick:

Im Focus: Ultraschnelles Schalten eines optischen Bits: Gewinn für die Informationsverarbeitung

Wissenschaftler der Universität Paderborn und der TU Dortmund veröffentlichen Ergebnisse in Nature Communications

Computer speichern Informationen in Form eines Binärcodes, einer Reihe aus Einsen und Nullen – sogenannten Bits. In der Praxis werden dafür komplexe...

Im Focus: Fraunhofer IOSB-AST und DRK Wasserrettungsdienst entwickeln den weltweit ersten Wasserrettungsroboter

Künstliche Intelligenz und autonome Mobilität sollen dem Strukturwandel in Thüringen und Sachsen-Anhalt neue Impulse verleihen. Mit diesem Ziel fördert das Bundeswirtschaftsministerium ab sofort ein innovatives Projekt in Halle (Saale) und Ilmenau.

Der Wasserrettungsdienst Halle (Saale) und das Fraunhofer Institut für Optronik,
Systemtechnik und Bildauswertung, Institutsteil Angewandte Systemtechnik...

Im Focus: A step towards controlling spin-dependent petahertz electronics by material defects

The operational speed of semiconductors in various electronic and optoelectronic devices is limited to several gigahertz (a billion oscillations per second). This constrains the upper limit of the operational speed of computing. Now researchers from the Max Planck Institute for the Structure and Dynamics of Matter in Hamburg, Germany, and the Indian Institute of Technology in Bombay have explained how these processes can be sped up through the use of light waves and defected solid materials.

Light waves perform several hundred trillion oscillations per second. Hence, it is natural to envision employing light oscillations to drive the electronic...

Im Focus: Haben ein Auge für Farben: druckbare Lichtsensoren

Kameras, Lichtschranken und Bewegungsmelder verbindet eines: Sie arbeiten mit Lichtsensoren, die schon jetzt bei vielen Anwendungen nicht mehr wegzudenken sind. Zukünftig könnten diese Sensoren auch bei der Telekommunikation eine wichtige Rolle spielen, indem sie die Datenübertragung mittels Licht ermöglichen. Wissenschaftlerinnen und Wissenschaftlern des Karlsruher Instituts für Technologie (KIT) am InnovationLab in Heidelberg ist hier ein entscheidender Entwicklungsschritt gelungen: druckbare Lichtsensoren, die Farben sehen können. Die Ergebnisse veröffentlichten sie jetzt in der Zeitschrift Advanced Materials (DOI: 10.1002/adma.201908258).

Neue Technologien werden die Nachfrage nach optischen Sensoren für eine Vielzahl von Anwendungen erhöhen, darunter auch die Kommunikation mithilfe von...

Im Focus: Einblicke in die Rolle von Materialdefekten bei der spin-abhängigen Petahertzelektronik

Die Betriebsgeschwindigkeit von Halbleitern in elektronischen und optoelektronischen Geräten ist auf mehrere Gigahertz (eine Milliarde Oszillationen pro Sekunde) beschränkt. Die Rechengeschwindigkeit von modernen Computern trifft dadurch auf eine Grenze. Forscher am MPSD und dem Indian Institute of Technology in Bombay (IIT) haben nun untersucht, wie diese Grenze mithilfe von Lichtwellen und Festkörperstrukturen mit Defekten erhöht werden könnte, um noch größere Rechenleistungen zu erreichen.

Lichtwellen schwingen mehrere hundert Trillionen Mal pro Sekunde und haben das Potential, die Bewegung von Elektronen zu steuern. Im Gegensatz zu...

Alle Focus-News des Innovations-reports >>>

Anzeige

Anzeige

VideoLinks
Industrie & Wirtschaft
Veranstaltungen

Leopoldina-Symposium: „Mission – Innovation“ 2020

21.02.2020 | Veranstaltungen

Gemeinsam auf kleinem Raum - Mikrowohnen

19.02.2020 | Veranstaltungen

Chemnitzer Linux-Tage am 14. und 15. März 2020: „Mach es einfach!“

12.02.2020 | Veranstaltungen

VideoLinks
Wissenschaft & Forschung
Weitere VideoLinks im Überblick >>>
 
Aktuelle Beiträge

Globale Datenbank für Karstquellenabflüsse

21.02.2020 | Geowissenschaften

Leopoldina-Symposium: „Mission – Innovation“ 2020

21.02.2020 | Veranstaltungsnachrichten

Langlebige Fachwerkbrücken aus Stahl einfacher bemessen

21.02.2020 | Architektur Bauwesen

Weitere B2B-VideoLinks
IHR
JOB & KARRIERE
SERVICE
im innovations-report
in Kooperation mit academics