Machine Intelligence kann dabei helfen die Umwelt zu schützen

Die Häufigkeit und Intensität extremer Wetterereignisse nimmt aufgrund des vom Menschen verursachten Klimawandels stätig zu und trifft Entwicklungsländer überproportional stark. Die Bevölkerung der Industrieländer leidet auch unter umweltschädlichen menschlichen Aktivitäten wie der Verbrennung fossiler Brennstoffe für Stromerzeugung und Transport: 90% der Weltbevölkerung sind Luftschadstoffen ausgesetzt, die die Luftqualitätsrichtlinien der Weltgesundheitsorganisation (WHO) überschreiten [2]. Tatsächlich tötet schmutzige Luft jedes Jahr rund 7 Millionen Menschen! Darüber hinaus verursacht es langfristige Gesundheitsprobleme wie Asthma und beeinträchtigt die kognitive Entwicklung von Kindern. Es ist nicht nur schrecklich für unsere Gesundheit, sondern belastet auch unser soziales und wirtschaftliches System. Nach Angaben der Weltbank kosten Gesundheitsschäden durch Luftverschmutzung jedes Jahr rund 5,7 Billionen US-Dollar. Dies entspricht ungefähr 5% des weltweiten Bruttoinlandsprodukts (BIP) [3].

 

Auch wenn diese Herausforderungen uns überwältigen und unlösbar erscheinen mögen, haben wir ein neues Werkzeug, das uns helfen wird den Planeten zu schützen - Machine Intelligence (MI). Im Folgenden betrachten wir einige Beispiele, wie MI bereits jetzt zur Bekämpfung des Klimawandels und seiner Auswirkungen beiträgt.

​

​

MI unterstützt die Umwelt-, Klima- und Wetterforschung

 

Um den Klimawandel bekämpfen zu können, brauchen wir zunächst ein sehr gutes Verständnis aller damit verbundenen Phänomene. Daher wird auf diesem Gebiet enorm viel erforscht, einschließlich der Entwicklung verschiedener Klimamodelle. Dies sind komplexe mathematische Modelle, die von MeteorologInnen, GeophysikerInnen und KlimaforscherInnen entwickelt wurden, um die historische Klimaentwicklung zu simulieren, zu verstehen und zukünftige Klimaveränderungen vorherzusagen. In der Tat gibt es Dutzende von Klimamodellen, die von der wissenschaftlichen Gemeinschaft akzeptiert sind [4]. Diese Modelle beruhen jedoch auf unterschiedlichen Annahmen, so dass die Vorhersagen für Langzeitprognosen je nach verwendetem Modell stark variieren können. Eine Möglichkeit, damit umzugehen besteht darin, Vorhersagen einfach zu mitteln, aber dieser Ansatz ist sehr ungenau. Hier kommt MI ins Spiel: Claire Monteleoni, Informatikprofessorin an der Universität von Colorado, hat maschinelles Lernen (ML) verwendet, um einen gewichteten Durchschnitt verschiedener Klimamodelle zu erstellen [5]. Durch Erlernen der Stärken und Schwächen jedes einzelnen Modells schreibt dieser ML-Algorithmus jedem Modell ein bestimmtes Gewicht in Bezug auf die endgültige Vorhersage zu. Infolgedessen verbessert dieser Ansatz die Klimavorhersagen im Vergleich zu herkömmlichen Methoden erheblich.

 

MI ist nicht nur in der Grundlagenforschung des Klimas anwendbar, sondern wird auch von KlimaforscherInnen verwendet, um praktische Probleme anzugehen. Beispielsweise berichteten ForscherInnen 2016 über die erste Anwendung von Deep-Learning-Algorithmen zur Identifizierung extremer Wetterereignisse wie tropischer Wirbelstürme, atmosphärischer Flüsse und Wetterfronten [6]. Diese Studie hat gezeigt, dass intelligente Maschinen extreme Wetterereignisse mit einer Präzision wie die von menschlichen ExpertInnen vorhersagen können. Da Maschinen im Vergleich zu Menschen innerhalb von Sekundenbruchteilen enorme Datenmengen verarbeiten und 24 Stunden am Tag arbeiten können, können sie eingesetzt werden, um das Wetter auf der ganzen Welt in Echtzeit zu beobachten und zu überwachen und menschliche ExpertInnen zu alarmieren, wenn es wahrscheinlich ist, dass ein extremes Wetterereignis eintritt. Somit können solche Algorithmen als Teil von Frühwarnsystemen für extreme Wetterereignisse angewendet werden und dazu beitragen, Tausende von Menschenleben zu retten.

​

​

Echtzeit-Verfolgung der Luftverschmutzung

 

Eine der Hauptquellen für klimaschädliche CO2-Emissionen sind große Kraftwerke mit fossilen Brennstoffen. Während in den meisten Industrieländern die Emissionen von Kraftwerken ständig gemessen und beobachtet werden, gibt es auf unserem Planeten viele Gemeinden, die sich teure Systeme zur Überwachung der CO2-Emissionen nicht leisten können. Darüber hinaus versuchen viele Energieunternehmen weltweit, ihre tatsächliche Umweltverschmutzung geheim zu halten, um ein schlechtes Image zu verhindern oder staatlichen Vorschriften zu entgehen (siehe z. B. [7]). Infolgedessen bleiben die tatsächlichen Emissionen unbekannt, die Transparenz gegenüber der Öffentlichkeit wird nicht gewährleistet und staatliche Maßnahmen beruhen auf falschen Annahmen. MI kann verwendet werden, um diese Situation zu verbessern. Beispielsweise verwendet die Carbon Tracker Initiative künstliche Intelligenz (KI) und Satellitenbilder, um die CO2-Emissionen aller großen Kraftwerke weltweit zu messen [8], [9]. Dabei erkennt und quantifiziert ein KI-Algorithmus mehrere Indikatoren für Kraftwerksemissionen, einschließlich sichtbaren Rauches sowie der Infrarotsignatur von Schornsteinen und Kühlwasseranlagen. Auf diese Weise gesammelte Emissionsdaten schaffen öffentliche Transparenz über die tatsächliche Umweltbelastung und können den Behörden helfen, ihre Klimastrategien und -maßnahmen datengetrieben anzupassen.

 

Luftverschmutzung durch Verbrennung fossiler Brennstoffe ist nicht nur für den aktuellen Klimawandel verantwortlich, sondern auch gesundheitsschädlich. Besonders in Städten mit starker Industrie und vielen Autos ist verschmutzte Luft ein akutes Problem. Die meisten Städte setzen jedoch keine wirksamen Maßnahmen zur Bekämpfung der Luftverschmutzung um, hauptsächlich aufgrund des Mangels an verlässlichen Daten: Herkömmliche Luftqualitätsüberwachungsstationen sind sehr teuer und schwierig zu installieren, da ihre Größe eine Baugenehmigung der örtlichen Behörden erfordert. Infolgedessen wird die Luftqualität nur an wenigen Orten gemessen und ist nicht repräsentativ für die Luftqualität einer Stadt insgesamt. Um dieses Problem zu lösen, hat ein deutsches Startup, Breeze Technologies, kostengünstige und kleine Luftqualitätssensoren entwickelt, mit denen problemlos viele Daten in der ganzen Stadt erfasst werden können [10]. Breeze Technologies verwendet KI zur automatischen Kalibrierung von Luftqualitätssensoren, um die Zuverlässigkeit und Genauigkeit der Daten zu erhöhen. Sie verwenden KI auch, um vorherzusagen, welche Sensoren wahrscheinlich demnächst ausfallen werden, um eine fehlerhafte Hardware rechtzeitig zu reparieren oder um Software-Updates aus der Ferne durchzuführen. Auf diese Weise kann MI dazu beitragen, den Behörden wirksamere Daten zur Verfügung zu stellen, die zur Verbesserung der Luftqualität in den Städten erforderlich sind.

​

​

Energie sparen mit MI

 

Um den Klimawandel zu verlangsamen, müssen wir nicht nur klimaschädliche Emissionen reduzieren, sondern auch viel weniger Energie verbrauchen als derzeit. Tatsächlich ist dieses Problem äußerst dringend, da der weltweite Energieverbrauch bis 2050 voraussichtlich um fast 50% zunehmen wird (bezogen auf das Verbrauchsniveau im Jahr 2018) [11] und der größte Teil der derzeitigen Energie immer noch durch Verbrennung fossiler Brennstoffe erzeugt wird [12]. MI kann uns dabei helfen, auch dieses Problem anzugehen.

 

Beispielsweise verwendet die deutsche branchenübergreifende Initiative, WindNODE, die sich auf intelligente Städte der Zukunft konzentriert, einen ML-Algorithmus als Teil eines Forschungsprojektes zur Steuerung des Wärmeverbrauchs in einem Berliner Stadtteil [13]. Ihr intelligentes, selbstlernendes Home-Manager-System kann den Energieverbrauch entsprechend dem Wetter und den Gewohnheiten der Mieter optimieren. Wenn Mieter ihr Zuhause verlassen, passt das System die Wärmezufuhr automatisch an und senkt die Temperatur in den Räumen. Kurz bevor die Mieter zurückkehren, heizt das System das Haus allmählich auf. Dabei verwendet der ML-Algorithmus nicht nur die Innentemperatur als Eingabedaten, sondern auch die Außentemperatur und weitere externe Faktoren wie die Wettervorhersage. Dieses System ist in der Lage, autonom zu lernen und kann bestimmen, wie viel Energie benötigt wird, um das Haus zu heizen, abhängig vom tatsächlichen Wetter zu jeder Zeit. Es wurde gezeigt, dass dieses prototypische System etwa 20-25% der aktuell verbrauchten Energie einsparen kann.

 

Eine weitere Initiative zur Reduzierung des Energieverbrauchs läuft an der Fachhochschule Landshut und zielt darauf ab, den Energiebedarf durch intelligente Vernetzung deutlich zu senken [14]. Zu diesem Zweck installieren die ForscherInnen verschiedene Sensoren und Steuergeräte in großen Gebäuden wie Hotels, Innenpools, Fabriken und Bürogebäuden. Die gesammelten Daten werden in einen ML-Algorithmus eingespeist, der mit dem Energieeffizienz-Managementsystem des bestehenden Gebäudes verbunden ist. Die ML-Komponente analysiert gesammelte Daten, lernt, wie der Energieverbrauch minimiert werden kann und steuert den Betrieb des Energieeffizienzsystems des Gebäudes entsprechend. Auf diese Weise entsteht ein ganzheitliches und intelligentes Energieoptimierungssystem. Mit diesem Ansatz wollen die ForscherInnen den Energieverbrauch großer Betriebsgebäude um mehr als 50 Prozent senken! Wenn die aktuelle Forschungsphase erfolgreich sein wird, könnte das entwickelte Modell/System zu einer Blaupause für intelligente und ressourcenschonende Energiemanagementsysteme der nahen Zukunft werden.

​

​

Abholzung

 

Ein weiteres Umweltproblem, mit dem wir derzeit konfrontiert sind, ist die Entwaldung und Waldzerstörung, insbesondere des Regenwaldes. In der Tat trägt die Abholzung bis zu 17% zu den gesamten anthropogenen CO2-Emissionen bei [15] und ist eine der Hauptursachen für die globale Erderwärmung. Daher sollte die Verringerung der Abholzung eine der Prioritäten im Kampf gegen den Klimawandel sein. Auch hier kann MI eine bedeutende Hilfe leisten.

 

Bevor man Maßnahmen gegen Entwaldung und Waldzerstörung ergreifen kann, sollte man wissen, wo diese Phänomene auftreten. Es gibt viele Daten, die dazu beitragen können, gefährdete Regionen zu identifizieren, z. B. Regierungsunterlagen, kommerzielle Satellitenbilder und öffentlich verfügbare Datensätze. Aufgrund enormer Datenmengen und großer Waldflächen ist es für den Menschen jedoch sehr schwierig alle verfügbaren Daten zu verarbeiten und problematische Regionen zu identifizieren. Hier kommt eine KI-gesteuerte Lösung von OpenSurface ins Spiel [16]. Diese Open-Source-Plattform kombiniert Daten aus verschiedenen Quellen, einschließlich Satellitenbildern, und kann Änderungen im Wald erkennen und Abholzung in jeder beobachteten Region überwachen und vorhersagen. Diese Informationen können dann von Regierungen, Unternehmen und ForscherInnen verwendet werden, um vorbeugende Maßnahmen zu definieren und zu priorisieren.