AI für den Planeten: Algorithmen zur Überwachung des Klimawandels

Im Jahr 2023 begannen tropische Waldüberwachungsagenturen, Computervisionsmodelle einzusetzen, um Entwaldung mit einer Verzögerung von wenigen Tagen statt mehreren Monaten zu erkennen – wie bei der traditionellen manuellen Überprüfung durch Analysten. Das ist keine Revolution. Es ist eine konkrete Zeitersparnis bei einer konkreten Aufgabe. Doch die Menge an Klimadaten, mit denen Wissenschaftler heute arbeiten, führt dazu, dass es Hunderte solcher Aufgaben gibt. Bei Cashcrown untersuchen wir, was in diesem Bereich reproduzierbar funktioniert und was weiterhin Vorsicht erfordert.

Es lohnt sich, Aufgaben zu unterscheiden, bei denen AI die Arbeit regelmäßig beschleunigt, von denen, bei denen sie noch ein Experiment ist.

Analyse von Satellitenbildern. Klassifikationsmodelle erkennen Veränderungen der Vegetationsdecke, den Rückgang von Gletschern und das Ausmaß von Bränden schneller als eine manuelle Überprüfung. Die Zeit von der Bilderfassung bis zur ersten Warnung verkürzte sich in mehreren Projekten von Wochen auf Tage. Das Ergebnis des Modells ist jedoch ein Signal zur Überprüfung, kein Fakt. Der Klimatologe prüft, ob die Erkennung einer realen Veränderung entspricht oder ein atmosphärisches Artefakt ist.

Erkennung von Anomalien in Messdaten. Wetterstationen, Ozeanbojen und atmosphärische Sensoren produzieren täglich Dutzende Gigabyte an Daten. Ein Klassifikator-Modell erfasst Abweichungen von historischen Mustern und markiert sie zur Überprüfung. Dadurch reduziert sich die Anzahl der Dateien, die ein Analyst manuell sichten muss, von Tausenden auf einige Dutzend. Ein Problem entsteht, wenn die Anomalie real ist: Eine plötzliche Erwärmung der Gewässer bei El Niño kann fälschlicherweise als Rauschen herausgefiltert werden.

Synthese von Literatur und Datenextraktion. Die Durchsicht von mehreren tausend klimawissenschaftlichen Artikeln, das Extrahieren von Messtabellen und das Zusammenführen von Ergebnissen aus verschiedenen Studien sind Aufgaben, bei denen Sprachmodelle schnell arbeiten. Dieselbe Aufgabe, die ein Forscher manuell in mehreren Wochen erledigt, bewältigt das Modell in wenigen Stunden. Doch jeder kritische numerische Wert muss vom Menschen überprüft werden: Halluzinationen in Zitaten kommen regelmäßig vor und sind ohne Zugriff auf die Quelle schwer zu erkennen.

Ein auf maschinellem Lernen basierendes Klimamodell ist nur so gut wie die Daten, mit denen es trainiert wurde. Dieser Satz klingt banal, hat aber reale Konsequenzen.

Verzerrung der Trainingsdaten. Satelliten und Messstationen sind ungleichmäßig verteilt. Nordamerika und Westeuropa verfügen über ein dichtes Beobachtungsnetz; große Gebiete in Subsahara-Afrika, Zentralasien und dem Pazifik sind nur schwach abgedeckt. Ein auf einem solchen Datensatz trainiertes Modell interpoliert gut dort, wo viele Daten vorliegen, und versagt gerade dort, wo Beobachtungen fehlen. Der Wissenschaftler muss diese Karte kennen, bevor er die Ergebnisse interpretiert.

Fehlendes kausales Verständnis. Modelle des maschinellen Lernens erkennen Korrelationen, keine Mechanismen. Die Korrelation zwischen dem Anstieg der Meeresoberflächentemperatur und der Intensität von Hurrikanen ist in den Daten gut dokumentiert. Doch das Modell versteht nicht, warum diese Abhängigkeit besteht oder wie sie sich bei einer Veränderung der atmosphärischen Zirkulation ändert. Jede aus dem Modell abgeleitete Hypothese erfordert eine physikalische Überprüfung.

Erklärbarkeit als wissenschaftliche Anforderung. Wissenschaft basiert auf Falsifizierbarkeit. Wenn ein Modell eine Anomalie anzeigt, aber nicht nachvollziehbar ist, welche Merkmale der Daten dies beeinflusst haben, kann kein Experiment entworfen werden, das diese Aussage überprüft. Systeme, die in der Klimaforschung eingesetzt werden, sollten Merkmalswichtigkeitskarten (Saliency Maps) oder vergleichbare Erklärungsmechanismen als Teil des Standardoutputs bereitstellen, nicht als Option.

Die Automatisierung der Klimadatenanalyse bedeutet nicht den Verzicht auf Aufsicht. Sie bedeutet die durchdachte Gestaltung von Stellen, an denen der Experte in den Prozess eingreift.

Dieses Muster ist identisch mit dem, das wir bei der Implementierung analytischer Agenten für Kunden anwenden: Human-Oversight ist keine bürokratische Belastung, sondern ein Schutz vor Fehlern, die aus übermäßigem Vertrauen in automatische Ergebnisse resultieren.

Ein auf AI basierendes Forschungsprojekt erfordert nicht nur ein gutes Modell, sondern auch eine Infrastruktur, die es ermöglicht, zu verfolgen, was das Modell tut und wann es versagt.

Monitoring des Modelldrifts. Das Klima verändert sich. Ein Modell, das mit Daten aus den Jahren 2000–2020 trainiert wurde, kann für Anomalien im Jahr 2026 schlechtere Ergebnisse liefern, weil sich die Verteilung der Eingangsdaten verschoben hat. Die Beobachtbarkeit des Systems, also die Möglichkeit, die Qualität der Vorhersagen im Zeitverlauf zu verfolgen, ist eine Voraussetzung für das Vertrauen in eine langfristige Implementierung.

Audit-Trail der Ergebnisse. In öffentlich finanzierten oder regulierungsrelevanten Forschungen sollten die Ergebnisse des Modells reproduzierbar sein. Das bedeutet Versionskontrolle des Modells, der Eingangsdaten und der Parameter jedes Aufrufs. Der AI Act für Hochrisikosysteme im Umweltbereich stellt ähnliche Dokumentationsanforderungen wie für medizinische oder infrastrukturelle Systeme.

Strukturierter Output als Standard. Ein Modell, das narrative Texte ohne Struktur zurückgibt, erschwert die automatische Überprüfung. Systeme, die in der Klimaforschung eingesetzt werden, sollten strukturierte Ausgabedaten mit Konfidenzintervallen, Fehlerbereichen und Warnflags für schlechte Eingangsdatenqualität liefern. Dies ermöglicht eine automatische Qualitätskontrolle, bevor die Ergebnisse dem Forscher präsentiert werden.

Nicht in der Autonomie, sondern in der Skalierung. Ein Forscher, der manuell Daten von 500 Stationen über einen Monat hinweg überprüft, kann mit Hilfe von AI vorab markierte Anomalien derselben Stationen in wenigen Tagen sichten. Das ist nicht dieselbe Arbeit, nur schneller. Es ist Arbeit in einem anderen Maßstab, was Forschungsfragen eröffnet, die zuvor aus logistischen Gründen undurchführbar waren.

Wir beobachten ein ähnliches Muster in analytischen Projekten für Kunden: AI ersetzt den Experten nicht, ermöglicht ihm aber den Zugriff auf Daten, zu denen er zuvor aus Zeit- oder Kostengründen keinen Zugang hatte. Voraussetzung ist ein ehrliches Systemdesign ohne übermäßiges Vertrauen in das Modell und mit Beibehaltung von menschlichen Überprüfungspunkten.

Themen wie verantwortungsvolle AI-Implementierung in der Forschung, das Problem der Blackbox und die Rolle des Menschen im Prozess prägen direkt, wie vertrauenswürdige wissenschaftliche Systeme gestaltet werden sollten. Mehr zu ähnlichen Herausforderungen im Kontext der wissenschaftlichen Analyse im Artikel über AI als Werkzeug für Forscher.

Nein, nicht auf glaubwürdige Weise. Modelle erkennen Muster in Daten, verstehen aber nicht den physikalischen Kontext, der es ermöglicht, eine reale Klimaveränderung von einem Messartefakt zu unterscheiden. Ohne Überprüfung durch einen Experten können die Ergebnisse irreführend sein: Falsche Alarme überlasten Reaktionssysteme, während übersehene Anomalien Maßnahmen verzögern. Der Wert von AI liegt in der Selektion und Komprimierung von Daten, nicht im Ersatz der Bewertung durch den Klimatologen.

Die Trainingsdaten müssen lange Zeitreihen aus verschiedenen geografischen Regionen umfassen, einschließlich Gebieten mit schwacher Messnetzabdeckung. Die Qualität der Daten ist wichtiger als ihre Menge: Ein Modell, das mit falsch kalibrierten Sensoren trainiert wurde, lernt, den Kalibrierungsfehler zu reproduzieren. Ein entscheidender Schritt ist die Datenprüfung vor der Implementierung, die geografische Lücken, die Empfindlichkeit gegenüber fehlenden Werten und die Konsistenz der Einheiten zwischen den Stationen kartiert.

Modelle zur Vorhersage extremer Ereignisse (Hurrikane, Dürren, Überschwemmungen) erzielen immer bessere Ergebnisse bei kurzfristigen Prognosen (mehrere Dutzend Stunden bis wenige Tage), aber langfristige Klimaprognosen sind weiterhin mit großer Unsicherheit behaftet. AI kann die räumliche Auflösung und die Berechnungsgeschwindigkeit numerischer Modelle verbessern, beseitigt jedoch nicht die physikalische Unsicherheit, die mit der chaotischen Dynamik der Atmosphäre verbunden ist. Unsicherheitsbereiche müssen immer zusammen mit der Prognose präsentiert werden.

Das Hauptrisiko besteht in einem systematischen Fehler, der lange Zeit unbemerkt bleibt. Wenn ein Modell regelmäßig einen bestimmten Indikator aufgrund von Verzerrungen in den Trainingsdaten über- oder unterschätzt und niemand die Ergebnisse manuell überprüft, fließt der Fehler in weitere Analysen und Berichte ein. Im Kontext von klimapolitischen oder projektfinanzierenden Forschungen hat ein solcher Fehler reale Konsequenzen. Eine regelmäßige stichprobenartige Überprüfung der Ergebnisse durch Experten ist günstiger als die Behebung der Folgen eines Fehlers nach einem Jahr.

Ja, aber der Anwendungsbereich ist enger. Unternehmen aus der Landwirtschaft, Energie- oder Logistikbranche nutzen ähnliche Methoden zur Überwachung von Wetterbedingungen, zur Prognose des Energiebedarfs und zum Risikomanagement im Zusammenhang mit extremen Wetterereignissen. Die Implementierung erfordert eine Anpassung an spezifische operative Daten und die Definition von Entscheidungspunkten, an denen ein Experte die Ergebnisse des Modells überprüft. Der Schritt-für-Schritt-Plan zur AI-Implementierung beschreibt das allgemeine Muster, das wir bei solchen Projekten anwenden.