Die Auswirkungen der k\u00fcnstlichen Intelligenz auf zahlreiche Branchen sind atemberaubend, und auch die Klimawissenschaft ist von diesem Wandel nicht ausgenommen. W\u00e4hrend Umweltwissenschaftler leistungsstarke KI-Modelle einsetzen, um Schwankungen des Klimas und der Wetterbedingungen vorherzusagen, zeigt die Forschung, dass gr\u00f6\u00dfer nicht immer besser ist - insbesondere bei Klimavorhersagen.<\/p>\n
Ein Forscherteam des MIT hat herausgefunden, dass kleinere, physikbasierte Modelle bei der Vorhersage bestimmter Aspekte des Klimas den Deep-Learning-Modellen \u00fcberlegen sein k\u00f6nnten. Das Team fand heraus, dass diese traditionellen Modelle bei der Berechnung der regionalen Oberfl\u00e4chentemperaturen pr\u00e4ziser waren, als man es von komplizierten KI-Modellen erwartet hatte, die genauere Ergebnisse liefern.<\/p>\n
Noelle Selin, Professorin am MIT Institute for Data, Systems, and Society, betonte die Notwendigkeit, Modelle zu entwickeln, die f\u00fcr politische Entscheidungstr\u00e4ger relevant sind. Ihrer Meinung nach kann KI zwar f\u00fcr Wissenschaftler verlockend sein, aber man muss sich auf das Wesen des Problems besinnen, bevor man auf den KI-Zug aufspringt.<\/p>\n
Interessanterweise stie\u00df das Forschungsteam auf verzerrte Bewertungen von KI-Modellen. Nat\u00fcrliche Schwankungen in den Klimadaten k\u00f6nnen die Ergebnisse verzerren und die Genauigkeit dieser Modelle \u00fcberbewerten. Dies veranlasste die Forscher, eine robustere Methode zur Bewertung zu entwickeln. W\u00e4hrend 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 Niederschl\u00e4ge als vielversprechender.<\/p>\n
Klima-Emulatoren, praktische Werkzeuge f\u00fcr die Politikgestaltung, simulieren die Auswirkungen des Menschen auf das k\u00fcnftige 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, einschlie\u00dflich Niederschlag und Temperatur, besser abschneidet als Deep Learning.<\/p>\n
Der Hauptautor Bj\u00f6rn L\u00fctjens, Forscher bei IBM Research, betonte au\u00dferdem, dass gro\u00dfe KI-Methoden die Wissenschaftler zwar begeistern, aber zun\u00e4chst einfachere L\u00f6sungen umgesetzt werden m\u00fcssen. Er merkte an, dass einige Ergebnisse, wie z. B. Niederschlagsdaten, den urspr\u00fcnglichen Erwartungen widersprachen. W\u00e4hrend man davon ausging, dass Deep-Learning-Modelle aufgrund des nicht linearen Musters der Niederschl\u00e4ge besser abschneiden w\u00fcrden, hatten sie mit langfristigen Klimaver\u00e4nderungen zu k\u00e4mpfen, so dass LPS das bevorzugte Modell war.<\/p>\n
Um ein genaueres Bild zu erhalten, formulierten die Forscher einen neuen Bewertungsrahmen, der die nat\u00fcrliche Klimavariabilit\u00e4t ber\u00fccksichtigte. In diesem Zusammenhang \u00fcbertraf Deep Learning das LPS bei der Vorhersage lokaler Niederschl\u00e4ge geringf\u00fcgig, w\u00e4hrend das LPS das beste Modell f\u00fcr Temperaturvorhersagen blieb. Die Forscher bauten LPS anschlie\u00dfend in eine Klimaemulationsplattform ein, um die lokalen Temperaturvorhersagen f\u00fcr verschiedene Emissionsszenarien zu verbessern.<\/p>\n
Wie der Mitautor Raffaele Ferrari anmerkt, besteht das Ziel dieser Forschung nicht darin, eine Methode als \u00fcberlegen zu erkl\u00e4ren, sondern den Wert geeigneter Instrumente f\u00fcr spezifische Probleme zu betonen. Die Forscher hoffen, dass durch ihre Arbeit bessere Benchmarking-Techniken entstehen, die es den Forschern erm\u00f6glichen, die am besten geeigneten Modelle f\u00fcr verschiedene Klimavorhersageaufgaben zu erkennen.<\/p>\n
L\u00fctjens ist optimistisch, dass mit einer verbesserten Klima-Emulations-Benchmark komplexere Modelle des maschinellen Lernens Probleme angehen k\u00f6nnen, die derzeit schwer zu l\u00f6sen sind, wie die Auswirkungen von Aerosolen oder die Absch\u00e4tzung extremer Niederschl\u00e4ge. Diese bemerkenswerte Forschung ist Teil des MIT-Projekts Gro\u00dfe Klima-Herausforderungen<\/a> Initiative und wurde teilweise von Schmidt Sciences, LLC gesponsert.<\/p>\n