Im Rahmen des BigData@Geo-Projekts arbeiten wir stetig an der Verbesserung der Vorhersagen von Klimamodellen, um den teilnehmenden KMU möglichst genaue Zukunftsprojektionen für Unterfranken liefern zu können. Für unsere neuartige Methode zur Verbesserung der Niederschlagsschätzung wurden wir nun ausgezeichnet.
Klimamodelle werden verwendet, um Aussagen über das zukünftige Klima treffen zu können. Allerdings sind die Projektionen dieser Modelle nicht frei von Fehlern. Um die Abweichungen von den echten Begebenheiten zu verringern, werden sogenannte Model Output Statistics (MOS) verwendet; statistische Modelle, die die Ausgabe des Klimamodells korrigieren sollen. Mit der Erwartung, dass moderne Methoden des maschinellen Lernens bessere Ergebnisse erzielen können, haben die Projektmitglieder Michael Steininger, Daniel Abel, Katrin Ziegler, Dr.-Ing. Anna Krause, Prof. Dr. Heiko Paeth und Prof. Dr. Andreas Hotho eine neuartige Architektur für neuronale Netze namens ConvMOS (Convolutional Model Output Statistics) entwickelt. In ihrer wissenschaftlichen Veröffentlichung “Deep Learning for Climate Model Output Statistics” zeigen sie, dass ihr Modell die Fehler von Niederschlagsschätzungen deutlich reduzieren kann.
Abbildung aus der wissenschaftlichen Veröffentlichung: Die vorgestellte Architektur ConvMOS
Die Arbeit wurde nun auf dem Workshop “Tackling Climate Change with Machine Learning” der Machine-Learning-Konferenz NeurIPS 2020 mit dem Preis für “Best ML Innovation” ausgezeichnet.
Genauere Niederschlagswerte erlauben es uns, die Folgen des Klimawandels noch präziser abzuschätzen, gerade in den hohen räumlichen Auflösungen, die wir in diesem Projekt verwenden. Entsprechend stellt diese Arbeit einen Schritt in Richtung von besseren Klimaprojektionen dar, von denen auch unsere teilnehmenden KMU profitieren.
