Wenn einfachere Modelle die KI bei Klimavorhersagen übertreffen

Die Auswirkungen der künstlichen Intelligenz auf zahlreiche Branchen sind atemberaubend, und auch die Klimawissenschaft ist von diesem Wandel nicht ausgenommen. Während Umweltwissenschaftler leistungsstarke KI-Modelle einsetzen, um Schwankungen des Klimas und der Wetterbedingungen vorherzusagen, zeigt die Forschung, dass größer nicht immer besser ist - insbesondere bei Klimavorhersagen.

Ein Forscherteam des MIT hat herausgefunden, dass kleinere, physikbasierte Modelle bei der Vorhersage bestimmter Aspekte des Klimas den Deep-Learning-Modellen überlegen sein könnten. Das Team fand heraus, dass diese traditionellen Modelle bei der Berechnung der regionalen Oberflächentemperaturen präziser waren, als man es von komplizierten KI-Modellen erwartet hatte, die genauere Ergebnisse liefern.

Noelle Selin, Professorin am MIT Institute for Data, Systems, and Society, betonte die Notwendigkeit, Modelle zu entwickeln, die für politische Entscheidungsträger relevant sind. Ihrer Meinung nach kann KI zwar für Wissenschaftler verlockend sein, aber man muss sich auf das Wesen des Problems besinnen, bevor man auf den KI-Zug aufspringt.

Interessanterweise stieß das Forschungsteam auf verzerrte Bewertungen von KI-Modellen. Natürliche Schwankungen in den Klimadaten können die Ergebnisse verzerren und die Genauigkeit dieser Modelle überbewerten. Dies veranlasste die Forscher, eine robustere Methode zur Bewertung zu entwickeln. Während sie feststellten, dass die lineare Musterskalierung (LPS) bei der Vorhersage von Temperaturbereichen besser abschnitt als komplexe Modelle, erwies sich Deep Learning bei der Vorhersage lokaler Niederschläge als vielversprechender.

Klima-Emulatoren, praktische Werkzeuge für die Politikgestaltung, simulieren die Auswirkungen des Menschen auf das künftige Klima. Sie dienen als schnellere Alternative zu vollwertigen Klimamodellen, aber ihre Genauigkeit ist das Wichtigste. Beim Vergleich von LPS und Deep Learning anhand eines weithin anerkannten Datensatzes stellten die MIT-Forscher fest, dass LPS bei fast allen Parametern, einschließlich Niederschlag und Temperatur, besser abschneidet als Deep Learning.

Der Hauptautor Björn Lütjens, Forscher bei IBM Research, betonte außerdem, dass große KI-Methoden die Wissenschaftler zwar begeistern, aber zunächst einfachere Lösungen umgesetzt werden müssen. Er merkte an, dass einige Ergebnisse, wie z. B. Niederschlagsdaten, den ursprünglichen Erwartungen widersprachen. Während man davon ausging, dass Deep-Learning-Modelle aufgrund des nicht linearen Musters der Niederschläge besser abschneiden würden, hatten sie mit langfristigen Klimaveränderungen zu kämpfen, so dass LPS das bevorzugte Modell war.

Um ein genaueres Bild zu erhalten, formulierten die Forscher einen neuen Bewertungsrahmen, der die natürliche Klimavariabilität berücksichtigte. In diesem Zusammenhang übertraf Deep Learning das LPS bei der Vorhersage lokaler Niederschläge geringfügig, während das LPS das beste Modell für Temperaturvorhersagen blieb. Die Forscher bauten LPS anschließend in eine Klimaemulationsplattform ein, um die lokalen Temperaturvorhersagen für verschiedene Emissionsszenarien zu verbessern.

Wie der Mitautor Raffaele Ferrari anmerkt, besteht das Ziel dieser Forschung nicht darin, eine Methode als überlegen zu erklären, sondern den Wert geeigneter Instrumente für spezifische Probleme zu betonen. Die Forscher hoffen, dass durch ihre Arbeit bessere Benchmarking-Techniken entstehen, die es den Forschern ermöglichen, die am besten geeigneten Modelle für verschiedene Klimavorhersageaufgaben zu erkennen.

Lütjens ist optimistisch, dass mit einer verbesserten Klima-Emulations-Benchmark komplexere Modelle des maschinellen Lernens Probleme angehen können, die derzeit schwer zu lösen sind, wie die Auswirkungen von Aerosolen oder die Abschätzung extremer Niederschläge. Diese bemerkenswerte Forschung ist Teil des MIT-Projekts Große Klima-Herausforderungen Initiative und wurde teilweise von Schmidt Sciences, LLC gesponsert.

Weitere Einzelheiten finden Sie in der vollständigen Studie auf der Website Zeitschrift für Fortschritte bei der Modellierung von Erdsystemen oder Zugriff auf den Originalartikel hier.