Das Helmholtz-Zentrum Hereon, GERICS und das DKRZ organisierten mit Unterstützung von Helmholtz AI am 3. und 4. Mai 2021 einen virtuellen Workshop zum Thema "Machine Learning (ML) for Earth System Modelling and Analytics". Die ca. 200 Teilnehmenden, darunter jeweils ein Drittel aus Helmholtz-Zentren sowie aus internationalen Institutionen, tauschten sich über die Anwendung von ML-Methoden insbesondere jenseits der rechnergestützten Modellierung aus. Diese Ausrichtung wurde gut angenommen. Sowohl die Vortragenden als auch das Publikum repräsentierten ein breites Themenspektrum von Erdbeobachtung und Klimafolgenabschätzung bis hin zu Katastrophenhilfe.

Als Keynote sprach Marc van den Homberg (510/Niederländisches Rotes Kreuz) über die Nutzung von KI für die Katastrophenhilfe und -prävention und Kelly Caylor (UCSB) über ML mit Beobachtungsdaten und die Notwendigkeit von speziell aufbereiteten Trainingsdatensätzen. Weitere Vorträge berichteten auch über von Helmholtz AI geförderte Forschungsaktivitäten einschließlich einiger Projekte, welche zusätzlich durch die Helmholtz AI Consultants unterstützt wurden. Die Themen reichten von innovativen Fernerkundungsmethoden bis hin zur Vorhersage oberflächennaher Temperatur oder Luftqualität.

Die Diskussionsbeiträge im Plenum unterstrichen den Fortschritt bei Themen, deren Fokus auf erdsystemwissenschaftlicher Forschung liegt und die über die bekannten Anwendungsfelder von ML hinausgehen. Die Diskussionsthemen umfassten Perspektiven zum Potenzial von ML, etablierte Ansätze, die auf Rechenmodellen und physikalischen Gesetzen basieren, zu ersetzen oder zu ergänzen. Im Ergebnis zeigte sich, dass hybride Ansätze, die physikalische Gesetzmässigkeiten berücksichtigen, langfristig der vielversprechendste Ansatz sein könnten. Dies spiegelt sich auch in der allgemeinen Beobachtung wider, dass datengetriebene Ansätze ihr Potenzial bereits unter Beweis gestellt haben und über erste Prototypen hinausgehen, ihr Nutzen jedoch hauptsächlich in der Reduzierung der Rechenkosten liegt. ML-basierte Techniken, die die Fähigkeiten verbessern, die zugrunde liegende Physik auf neue Weise zu verstehen, sind ein vielversprechender Schwerpunkt für verstärkte Forschungsbemühungen.

Im Anschluss an die zweite Keynote schloss der Workshop mit einem Aufruf, qualitativ hochwertige Trainingsdatensätze zusammenzustellen, die über einzelne Anwendungsfälle hinaus nützlich sind. Es wäre wirtschaftlicher und vorteilhafter für eine breitere Akzeptanz von ML-Methoden, wenn generische Trainigsdatensätze erstellt und kuratiert würden, die zu vielen der subdisziplinären Herausforderungen passen und somit helfen würden, jene Hürden zu überwinden, die derzeit vor allem von ML-Projekten mit Beobachtungsdaten wahrgenommen werden.

Mehr Informationen:

Weitere Informationen über den Workshop sowie einige der Vorträge sind auf der Workshop-Webseite verfügbar: https://www.dkrz.de/p/ml-workshop-2021

Keywords
Klima