KI und die schwierigen Probleme der Welt ─ Erd- & Klimawissenschaften
Von KI vorangebrachte Wissenschaft und Gelehrsamkeit, nach Disziplin
RSS-Feed · 5 Einträge
Kipppunkte mit KI vorhersagen
Originaltitel: Forecasting Tipping Points with AI
Kipppunkte, nach denen ein System nicht in seinen ursprünglichen Zustand zurückkehren kann, sind schwerer vorherzusagen als kurzfristige Wetteränderungen. Ein von Caltech geleitetes Team zeigte, dass ein rekurrenter neuronaler Operator (RNO), eine Art neuronales Netz, vorhersagen kann, wann Kipppunkte in einfachen Modellen auftreten. Dazu gehören ein Klimawandel-Systemmodell und Simulationen turbulenter Luftströmung über einem Flugzeugflügel. Der Artikel wurde in PNAS veröffentlicht.
Subsaisonale Vorhersagen mit maschinellem Lernen voranbringen
Originaltitel: Advancing subseasonal forecasting with machine learning
Die Vorhersagegüte sinkt auf subsaisonalen Zeitskalen von 2 bis 6 Wochen im Voraus stark ab. Die Autoren stellen die probabilistische Bias-Korrektur vor, ein Machine-Learning-Framework, das lernt, historische probabilistische Vorhersagen zu korrigieren, und wenden es auf die führenden dynamischen und KI-Modelle des EZMW (ECMWF) an. Es verdoppelte die bescheidene subsaisonale Vorhersagegüte des AI Forecasting System und verbesserte das dynamische Modell für die meisten Druck-, Temperatur- und Niederschlagsziele; im Echtzeitwettbewerb des ECMWF 2025 waren seine globalen Vorhersagen die besten.
Weltraumwetterrisiken für Stromnetze vorhersagen
Originaltitel: Forecasting space weather risks on power grids
Extreme Weltraumwetter-Ereignisse können in Übertragungsnetzen Ströme induzieren, die Anlagen beschädigen, und Netzbetreiber müssen mit ausreichender Vorwarnzeit wissen, wann und wo die Auswirkungen am schwersten sein werden. Microsoft Research hat eine Machine-Learning-Pipeline entwickelt, die Sonnenwinddaten, AE- und Dst-Prognosen, die geografische Breite, die Geologie und die Bodenleitfähigkeit kombiniert, um Risikoschätzungen für 66.935 Umspannwerke in den kontinentalen Vereinigten Staaten zu erstellen. Im Evaluierungszeitraum erkannte sie fast 80 % der größeren Weltraumwetter-Ereignisse und kann Betreiber 30 bis 60 Minuten vor dem Auftreten eines bestimmten Risikos warnen.
KI-Werkzeug zur Kartierung von Kleinbauernkulturen bewährt sich im Senegal
Originaltitel: AI tool for mapping smallholder crops proves itself in Senegal
Senegals kleine, regenabhängige Farmen setzen einen Großteil der Bevölkerung Klimaschocks aus, doch Satellitenwerkzeuge zur Kartierung von Anbaukulturen sind weitgehend unerreichbar. Forschende der University of Cambridge nutzten Tessera, ein quelloffenes, auf Satellitenbildern trainiertes KI-Modell, um Anbaukulturen im Erdnussbecken Senegals zu kartieren. In Tests lieferte es in 84 % der Fälle das richtige Ergebnis, genauer als aktuelle Methoden, und benötigte dabei nur einen Bruchteil der Rechenressourcen und der gelabelten Daten. In einem Szenario schnitt es um 28 % besser ab als das zweitbeste Modell.
Regionale Klimarisikobewertung aus Klimamodellen mittels probabilistischem maschinellem Lernen
Originaltitel: Regional climate risk assessment from climate models using probabilistic machine learning
Klimamodelle sind für regionale Risikoentscheidungen zu grob, und bestehende Downscaling-Methoden sind für große Ensembles zu kostspielig, übersehen multivariate Abhängigkeiten oder benötigen zeitlich abgestimmte Trainingspaare, die frei laufende Projektionen nicht liefern. GenFocal ist ein generatives KI-Framework, das aus groben Projektionen ohne gepaarte Trainingsdaten statistisch genaues, feinskaliges Wetter erzeugt. Es synthetisiert langlebige Gefahren wie Hitzewellen und tropische Wirbelstürme, erfasst seltene folgenschwere Ereignisse genauer als führende Methoden und verbessert regionale Schätzungen zusammengesetzter Extreme.