Machine Learning für Klimaprognosen nutzen
Auf der Plattform HIDA (Helmholtz Information & Data Science Academy) spricht Dr. Eduardo Zorita in einem Interview über sein Ziel, Machine Learning (Maschinelles Lernen) für Klimaprognosen zu nutzen.
Er erläutert es am Beispiel von Dürresommern. Ob sie auftreten, hängt mit einer niedrigen Niederschlagsmenge im vorangegangen Winter ab, denn dann sind die Böden bis in tiefe Schichten trocken. Wenn man also im laufenden Sommer eine Prognose zum Niederschlag des folgenden Winters geben könnte, wäre z.B. die Landwirtschaft in der Lage, sich auf den nachfolgenden Sommer vorzubereiten und Pflanzen anzubauen, die besser mit Trockenheit zurechtkommen.
Das klingt nach einer größeren Herausforderung, denn heutige Computer können nicht mal ansatzweise die Menge an künstlich generierten Daten bereitstellen, die man bräuchte, um die Realität wirklich angemessen wiedergeben zu können. Deshalb ist die Auflösung der Simulationen extrem grob. Unterstützung soll hier künftig das Machine Learning bringen, denn diese Algorithmen funktionieren anders als Simulationen: Sie suchen rein empirisch nach Mustern in Daten, nach Korrelationen; im Idealfall finden sie sogar kausale Zusammenhänge.
Was Dr. Eduardo Zorita wissenschaftlich noch so umtreibt und welchen erstaunlichen Werdegang er hat, das verrät das Interview auf HIDA.
