Nachrichten, Gerüchte, Meldungen und Berichte aus der IT-Szene

Redaktion: Heinz Schmitz


Schnellere Klimamodelle-Prognosen dank KI

Klimamodell
Wie entwickelt sich das Klima? Bei der Erforschung entsprechender Klimamodelle soll künstliche Intelligenz helfen. (Quelle: Tumisu/Pixabay)

Mithilfe von Klimamodellen wird versucht, Vorhersagen über die Entwicklung des Klimas zu treffen. Dafür müssen sehr viele physikalische Vorgänge erfasst werden – was enorme Rechenleistungen nötig macht und doch immer fehlerbehaftet bleibt, da nicht alle Phänomene ausreichend berücksichtigt werden können. Stephan Rasp vom Lehrstuhl für Theoretische Meteorologie unter der Leitung von George Craig hat nun im Rahmen des SFB „Waves to Weather“ untersucht, inwiefern der Einsatz künstlicher Intelligenz (kurz „KI“) geeignet ist, um komplexe Prozesse in Klimamodellen zu erfassen.

 

Derzeit setzt die Leistungsfähigkeit von Computern aktuellen Klimamodellen Grenzen. Obwohl sie bereits auf sogenannten Supercomputern laufen, ist die Atmosphäre zu komplex, um dabei tatsächlich alle relevanten Parameter berücksichtigen zu können. Zum Beispiel spielen Wolken eine entscheidende Rolle fürs Klima, da sie Wärme und Feuchtigkeit transportieren, Sonnenstrahlung aufnehmen und reflektieren sowie für Regen sorgen. Doch da sie mitunter nur wenige hundert Meter groß und sehr dynamisch sind, können sie in Klimasimulationen derzeit nicht korrekt erfasst werden. Letztlich sind Klimamodelle daher nur eine vereinfachte Nachbildung der Wirklichkeit.

 

Die Meteorologen haben in ihrer Studie nun einen Algorithmus für Klimavorhersagen trainiert. „Gefüttert“ haben sie ihn mit den Daten hochaufgelöster Simulationen. „Am Ende konnte der Algorithmus die Ergebnisse der herkömmlichen Modelle sehr gut reproduzieren, hat dabei aber deutlich schneller gearbeitet“, sagt Stephan Rasp. Für George Craig zeigt die Studie, „dass die Methodik Potenzial hat, um komplexere Phänomene zu beschreiben und dadurch Klimasimulationen zu verbessern.“

 

In diesem ersten Test hatten die Forscher den Algorithmus noch an einem idealisierten Modell getestet, um die Komplexität der Aufgabe zur reduzieren. In einem nächsten Schritt wird Stephan Rasp zusammen mit Mike Pritchard und Pierre Gentine den Algorithmus mit realen Daten arbeiten lassen.

 

Originalveröffentlichung:

Stephan Rasp u.a.: Deep learning to represent sub-grid processes in climate models. In: Proceedings of the National Academy of Science (PNAS), 2018

Zurück