Über das Potenzial von Klimanetzwerken. Ein Gespräch mit Bedartha Goswami

Die Fragen stellte Matthias Karlbauer, Kurator des Kanals „KI und Nachhaltigkeit“.

Matthias Karlbauer: Seit über zehn Jahren forschen Sie in der Klimawissenschaft. Womit beschäftigt sich diese Forschungsrichtung?

Bedartha Goswami: Die Klimawissenschaft ist sehr eng mit der Meteorologie verbunden. In beiden Disziplinen besteht das Hauptziel darin, zu verstehen, wie sich Wettermuster in der Atmosphäre und im Ozean im Laufe der Zeit entwickeln. In der Meteorologie ist der Zeitbegriff sehr eng gefasst: Man beginnt mit einigen Anfangsbedingungen an einem bestimmten Tag und möchte wissen, wie sich die Situation in den nächsten zwei Tagen, zwei Wochen oder einem Monat entwickeln wird. Beim Klima ist der Zeitbegriff viel weiter. Man wählt hier einen Anfangszustand, der das letzte Jahrzehnt beschreibt, und versucht vorherzusagen, wie sich dieser Zustand im nächsten Jahrzehnt entwickeln wird. Das hängt zum Beispiel von der Sonneneinstrahlung, der Treibhausgaskonzentration, aber auch von Vulkanausbrüchen ab. Grundsätzlich gehen beide Disziplinen davon aus, dass das Wetter Charakteristika eines chaotischen Systems aufweist.

MK: Was meinen Sie damit, dass das Wetter chaotische Züge hat?

BG: In der Mathematik hat das Chaos eine sehr strenge Definition. Damit ein System als chaotisch gilt, muss es bestimmte Eigenschaften erfüllen. Besonders wichtig ist der sogenannte Schmetterlingseffekt1. Dieser besagt im Wesentlichen, dass, wenn von zwei sehr nahe beieinander liegenden Anfangsbedingungen ausgegangen und das System über die Zeit beobachtet wird, die Zustände des Systems nach einer Weile grundlegend verschieden sind. Beim Klima liegt höchstwahrscheinlich ein solcher Schmetterlingseffekt vor2.

MK: Sie haben viel mit Klimanetzwerken gearbeitet. Was sind diese Klimanetzwerke und wofür werden sie verwendet?

BG: Klimanetzwerke sind eine Möglichkeit, Strukturen in großen Klimadatensätzen zu erkennen, wie zum Beispiel in Temperaturmessungen von unzähligen Punkten auf der Erde. 

Um ein Klimanetzwerk zu erstellen, beginnt man mit der Berechnung der Korrelationen zwischen allen Orten, an denen Daten vorliegen. Dann schaut man sich die Korrelationen an, konzentriert sich zum Beispiel auf die stärksten zehn Prozent und versucht herauszufinden, zwischen welchen Orten auf der Erde diese starken Zusammenhänge bestehen. Vielleicht stellt sich heraus, dass die zehn Prozent der stärksten Korrelationen im Wesentlichen einen Ort in Europa mit einem anderen Ort im tropischen Atlantik verbinden. Das kann bedeuten, dass etwas im Wettersystem vor sich geht, das diese starke Korrelation zwischen der Region in Europa und der anderen Region im Atlantik erzeugt. Ein einfaches Beispiel für solch eine Korrelation ist, dass auf der Nordhalbkugel zu einer bestimmten Zeit Sommer und auf der Südhalbkugel Winter ist. Dies ist in gewissem Sinne eine Anti-Korrelation. Wenn die Temperatur auf der Nordhalbkugel steigt, bedeutet das, dass die Temperaturen auf der Südhalbkugel sinken und umgekehrt. Das globale Wettersystem weist mehrere solcher Zusammenhänge zwischen regionalen Wettermustern auf, die verhältnismäßig zuverlässig beobachtet werden und somit auch genutzt werden können, um Vorhersagen zu treffen.

Klimanetzwerke sind eine Möglichkeit, Strukturen in großen Klimadatensätzen zu erkennen.

MK: Auf welchen räumlichen Skalen werden solche Zusammenhänge von Wettermustern in verschiedenen Regionen beobachtet? Sprechen wir von Metern, Kilometern oder Hunderten von Kilometern?

BG: Typischerweise liegen Televerbindungen – so werden Verbindungen zwischen entfernten Regionen üblicherweise genannt – in einer Größenordnung von mehreren Tausend Kilometern. Sie können also im Grunde die gesamte Hemisphäre abdecken. Faszinierend ist, dass Televerbindungen oft eine Dipolstruktur aufweisen, das heißt, eine positive Masse in der Nähe von Peru steht einer negativen Masse, sagen wir, nördlich von Australien gegenüber. Wenn man also außergewöhnlich heiße Temperaturen in Peru hat, dann beobachtet man gleichzeitig außergewöhnlich niedrige Temperaturen nördlich von Australien. Und andersherum. Eine positive Abweichung in einer Region kann also mit einer negativen Abweichung in der anderen Region einhergehen. Ich würde dies aber weder als eine Art Energieerhaltungssatz interpretieren, bei dem die Temperaturen in bestimmten Regionen die Temperaturen in anderen Regionen exakt ausgleichen, noch als kausalen Zusammenhang, bei dem sie Temperaturveränderungen in anderen Regionen verursachen. Man muss also vorsichtig sein, wie man ein Klimanetzwerk und Televerbindungen interpretiert.

MK: Können Sie uns ein paar konkrete Beispiele für Televerbindungen nennen, die bereits entdeckt wurden?

BG: Ich habe an einer Studie unter der Leitung von Niklas Boers mitgearbeitet, bei der wir ein Klimanetzwerk aus täglichen Extremniederschlagsereignissen auf der ganzen Welt erstellt haben. Wir fanden viele verschiedene Zusammenhänge, konzentrierten uns aber auf eine Verbindung zwischen Südeuropa und einer Region in Nordindien. Niklas Boers fand heraus, dass eine Korrelation, die wir in unserem Klimanetzwerk beobachtet haben, mit einem Jetstream zusammenhängt. Es gibt ein wohlbekanntes Windmuster, das sogenannte Seidenstraßenmuster. Es geht von den europäischen Regionen in Richtung Asien, Südasien und später auch nach China. Die Beobachtung dieser Verbindung in unserem Klimanetz war im Grunde genommen ein Beweis dafür, dass das, was wir in unseren Klimanetzen sehen, auch tatsächlich im Wettersystem vorkommt. Man kann also ein Klimanetzwerk als eine Art Ausgangspunkt verwenden, um Orte zu identifizieren, die für weitere Untersuchungen interessant sind.

Man kann ein Klimanetzwerk als Ausgangspunkt verwenden, um Orte zu identifizieren, die für weitere Untersuchungen interessant sind.

MK: Klimanetzwerke helfen also dabei, die Nadel im Heuhaufen möglicher Fragen in der Klimawissenschaft zu finden?

BG: Ganz genau. Klimanetzwerke geben Hinweise darauf, wo es sich lohnen kann hinzusehen. Sie könnten zum Beispiel eine Region im Indischen Ozean entdecken, deren Klima sich sehr ähnlich verhält wie dasjenige einer anderen Region in China. Wenn man tiefer gräbt, könnte man feststellen, dass die Dynamik in diesen Regionen mit einer zeitlichen Verzögerung von fünf Tagen oder, sagen wir, einer Woche zusammenhängt. Und das kann man dann ausnutzen, um eine konkrete Wahrscheinlichkeit zu ermitteln, zum Beispiel dass, wenn wir eine Spitze in Region A sehen (etwa eine Hitzewelle), wir mit 80-prozentiger Wahrscheinlichkeit sieben Tage später eine Spitze in Region B haben werden.

MK: Tragen die Erstellung von Klimanetzwerken und die Identifizierung von Televerbindungen einen Beitrag zur Nachhaltigkeit bei?

BG: Eine unmittelbare Verbindung sehe ich nicht, allerdings könnten mithilfe von Klimanetzwerken Gebiete identifiziert werden, in denen extreme Hitze oder Regenfälle zu erwarten sind. Würden darauf basierende Frühwarnsignale etabliert, könnten größere Schäden für die Menschen in diesen Gebieten vermieden werden.

Mithilfe von Klimanetzwerken könnten Gebiete identifiziert werden, in denen extreme Hitze oder Regenfälle zu erwarten sind.

MK: Wie viel maschinelles Lernen steckt in der Konstruktion von Klimanetzwerken?

BG: Im Kern gehören Klimanetzwerke zum maschinellen Lernen, aber nicht zum Bereich des Deep Learning. Das Klimanetzwerk ist eine unüberwachte Lerntechnik, die sich die Graphentheorie des maschinellen Lernens zunutze macht, um klimatologische Phänomene zu beschreiben. In einer nachgelagerten Aufgabe können Klimanetzwerke aber sehr wohl verwendet werden, um Methoden der künstlichen Intelligenz oder des Deep Learning gezielter zu entwickeln. Wir haben zum Beispiel ein Projekt, bei dem wir ein Klimanetzwerk für Graphenfaltung verwenden. Wir nehmen dabei das Verbindungsmuster, das sich aus dem Klimanetzwerk ergibt, um die Knoten in einem Deep-Learning-Netzwerk entsprechend zu verbinden. Dabei gehen wir davon aus, dass das Verbindungsmuster aus dem Klimanetzwerk das Deep-Learning-Netzwerk dabei unterstützt, bestimmte Dynamiken genauer vorherzusagen, als wenn wir die Knoten im Deep-Learning-Netzwerk zufällig verbunden hätten.

MK: Hat maschinelles Lernen das Potenzial, die Klimawissenschaft in Zukunft zu verändern?

BG: Das maschinelle Lernen hat in den letzten Jahren enormes Potenzial für die Klimawissenschaft gezeigt: Die Modelle haben besonders Fortschritte bei der kurzfristigen Wettervorhersage gemacht und womöglich lässt sich das Potential auf die längeren Zeiträume der Klimawissenschaft übertragen. Außerdem gibt es viele Studien, in denen Deep Learning eingesetzt wurde, um Klimamodelle zu verbessern, zum Beispiel die Simulation der Wolkenentstehung. Die Forschung in diesem Bereich ist noch sehr jung, das heißt, es handelt sich um Fortschritte, die, sagen wir, in den letzten fünf Jahren erzielt wurden. Langfristig wird es wahrscheinlich noch mehr Anwendungsfälle geben, bei denen unüberwachtes Lernen eine Rolle spielt. So bemühen sich Nvidia, DeepMind und Microsoft Research etwa, immer bessere Wettermodelle zu entwickeln. Ich denke, dass das Potenzial von Deep Learning in der Klimawissenschaft einerseits darin besteht, mit den Standardmodellen zu konkurrieren. Andererseits könnten vielleicht auch Synergieeffekte zwischen den traditionellen physikalischen und den aktuell entstehenden Deep-Learning-Modellen erzielt werden – gemeinsam wären die Modelle vermutlich besser als jedes für sich. 

MK: Deep-Learning-Modelle werden häufig als Black Box beschrieben, die schwer zu durchschauen sind. Sehen Sie darin ein Problem für die Klimawissenschaft?

BG: Eine prinzipielle Debatte über Deep-Learning-Klimamodelle würde ich begrüßen, gerade in Bezug auf ihre Zuverlässigkeit oder die Frage, warum sie so funktionieren, wie sie funktionieren. Ich meine, wenn wir das Wettersystem als ein System verstehen, das einigen physikalischen Gesetzen unterliegt, und sich herausstellt, dass wir es durch Aufschreiben der physikalischen Gesetze nicht so gut vorhersagen können wie Deep-Learning-Modelle, dann lernen diese Modelle wahrscheinlich etwas, das wir noch nicht in Form von Physik formulieren können. Dabei frage ich mich: Welche dunklen Ecken der Physik sehen wir nicht? Wenn Deep-Learning-Modelle eine bessere Leistung als physikalische Modelle zeigen, wäre es enorm spannend zu verstehen, warum.

Transparenzhinweis: Unser Kurator Matthias Karlbauer ist Ko-Autor mit Bedartha Goswami.