UMWELTjournal 1/2021 | S16 Klimawandel verstehen mit intelligenten Technologien Gut bedienbare Steuerelemente sind bei der Windkraft das Um und Auf. Das deutsche Unternehmen Beckhoff stellt ein dezentrales Servoantriebssystem für die Gondelverstellung bei Windenergieanlagen her. Text: Constantin Gonzalez Gletschersterben, Muren-Abgänge, Tropennächte, Austrocknung der Böden sowie ein vermehrtes Aufkommen von Schädlingen wie dem Borkenkäfer oder subtropischen und tropischen Stechmücken als Krankheitsüberträger – die ökologischen Auswirkungen des Klimawandels sind auch in Österreich deutlich spürbar. Das spiegelt sich auch in den Zahlen wider, wie der Klimaschutzbericht 2020 des Umweltbundesamtes zeigt: 2019 war das drittwärmste Jahr in Österreich seit Beginn der 252-jährigen Messgeschichte. Unter Forschern herrscht heute weitgehend Einigkeit darüber, dass beunruhigende Wettermuster und die von ihnen verursachten Naturkatastrophen auf grundlegende Veränderungen des Erdklimas zurückzuführen sind. Jedoch ist es nach wie vor schwierig, Zusammenhänge zwischen dem Klimawandel und bestimmten Wetterereignissen kausal zu verfolgen. Diese spezifischen Zusammenhänge zu ermitteln wird jedoch immer wichtiger, da schließlich Hitzewellen, starke Regenfälle, Waldbrände und weitere Witterungsereignisse das Leben der Bevölkerung stark beeinflussen können. Leistungsfähige Möglichkeiten in der Cloud Um diese Zusammenhänge ausfindig zu machen und das Gesamtbild des Klimawandels besser zu verstehen, haben sich Forscher bisher weitgehend auf kostspielige und zeitaufwändige Computersimulationen verlassen. Doch angesichts der wachsenden Menge an umfangreichen Klimadaten und den Möglichkeiten der Cloud, diese Daten zu sammeln und mit maschinellem Lernen (ML) auszuwerten, verfügt die Wissenschaft nun über neue und leistungsfähige Möglichkeiten, Wettervorhersagen zu verbessern und Extremereignisse vorherzusagen. Das Maschinelle Lernen ermöglicht es den Wissenschaftlern, Klimadaten skalierbar und flexibel zu betrachten und ihre Analyse von Daten, die auf vergangenen Ereignissen basieren, anzupassen, um die Zukunft genauer zu modellieren. Das wiederum kann Forschern helfen, die enorme Komplexität von Klimasystemen zu bändigen und zu verstehen, was auf normale Wettervariabilität zurückzuführen ist und was durch größere Veränderungen verursacht wird. Um diese Forschung zu ermöglichen, sponserte Amazon Web Services (AWS) letztes Jahr den Causality for Climate (C4C)-Wettbewerb auf der NeurIPS-Konferenz 2019 (Neural Information Processing Systems). Der Wettbewerb konzentrierte sich auf die kausale Entdeckung und Entwicklung neuer Wege zum Verständnis und zur Nutzung von Klimadaten und hatte zum Ziel, neue Maßstäbe zu entwickeln und neue Methoden zur Erforschung
© AWS des Klimas zu finden, die auf reale Herausforderungen angewendet werden können. Dafür wurden den Teilnehmern Zeitreihendatensätze mit Klimadaten (wie Niederschlag, Feuchtigkeit und Temperatur) sowie Credits für die Nutzung der AWS-Cloud zur Verfügung gestellt. Unterschiedliche Ansätze, neue Erkenntnisse Der Hauptpreis ging an ein Team von Doktoranden und Postdoktoranden des Copenhagen Causality Lab von der Abteilung für mathematische Wissenschaften an der Universität Kopenhagen, welches sich mit 34 verschiedenen Datensätzen beschäftigte, um die kausalen Zusammenhänge zwischen diesen Datensätzen zu verstehen. Das Team begann mit einfachen Ausgangslagen und führte dann jeweils Variationen ein, um die Methoden zu identifizieren, welche während des gesamten Wettbewerbes am besten funktionierten. Mit der nichtlinearen Natur der Klimawechselwirkungen beschäftigte sich ein zweites Team, bestehend aus Professoren und Doktoranden der Universität Gent (Belgien), der Universität Palermo (Italien), der Universität Bari (Italien) und der Universität Rom La Sapienza (Italien). Ihre Herangehensweise wurde von der Chaostheorie inspiriert: Das Wetter ist ein chaotisches System, weshalb es schwierig ist, es länger als drei oder vier Tage im Voraus genau vorherzusagen. Das Team verwendete einen Ansatz, der dabei hilft Ordnung im Chaos zu erkennen, und konnte sich damit in der Constantin Gonzalez, AWS Principal Solutions Architect Kategorie der chaotischen nichtlinearen Datensätze durchsetzen. Die mehr als 6.500 eingereichten Ergebnisse aller Teams können dazu beitragen, die Lücke im Verständnis der Wechselwirkungen und Kausalität des Klimas zu schließen und das Bewusstsein in einer Vielzahl von Gemeinschaften – von der Physik über maschinelles Lernen bis hin zur Statistik – zu schärfen, um neue Innovationen anzustoßen und unser Verständnis des globalen Klimas zu verbessern. Werden Sie Umweltmanager*in! Investieren Sie in Ihren persönlichen Karriereweg! www.qualityaustria.com/umwelt Umweltjournal_Inserat_180x90 - Jänner 2021.indd 1 23.12.2020 14:08:03
