Zum Hauptinhalt springen

MarDATA - Robust Machine Learning applied to Stratospheric Chemistry Models

MarData Logo

Bearbeiter: Helge Mohn
Projektförderung: Helmholtz-Gemeinschaft
Partner: Markus Rex, Daniel Kreyling, Alfred Wegener Institut, Bremerhaven
Laufzeit: 01.12.2019 - 30.11.2022

Mit SWIFT-AI erforschen wir Methoden des Maschinellen Lernens (ML) und wenden sie auf die stratosphärische Ozonchemie an. Das Modell soll erstens die detaillierten Chemieschemata von Chemie- und Transportmodellen (CTMs) ersetzen und zweitens an globale Klimamodelle - General Circulation Models (GCMs) - gekoppelt werden. Die Modellierung des Erdsystems ist eine komplexe Aufgabe und Modelle enthalten in der Regel eine große Anzahl an Teilmodulen und Parametrisierungen. Dies gilt zum Beispiel für die Atmosphäre, die Hydrosphäre, die Lithosphäre und Kryosphäre. Die Atmosphärenchemie ist komplex und umfasst in der Regel Dutzende von chemischen Spezies und Hunderte von Reaktionen mit einer großen Bandbreite an Konzentrationen und chemischen Lebensdauern. SWIFT-AI verwendet Methoden der künstlichen Intelligenz zur Vorhersage der stratosphärischen Ozontendenzen. Zusätzlich zur Vorhersage soll die Modellunsicherheit ausgenutzt und während eines Simulationslaufs verwendet werden. Die Trainingsdaten stammen aus stratosphärischen Chemiesimulationen des Lagrangeschen CTMs ATLAS und bestehen aus den Ozontendenzen und 55 Parameter, die zu jedem Modellpunkt und Zeitschritt gespeichert wurden. Diese Daten dienen als Grundlage für das überwachte Lernen des hochgradig nichtlinearen Zusammenhangs. Eine frühere Version des SWIFT-Modells verwendete einen polynomialen Approximationsansatz. In SWIFT-AI nutzen wir die Fähigkeiten von neuronalen Netzen, um die Approximation zu verbessern und entwickeln einen  Algorithmus zur Unsicherheitsschätzung, um die Robustheit des Modells zu erhöhen. Der Gesamtvorteil von diesem Ersatzmodell liegt im Wesentlichen in der geringeren Berechnungszeit (Minuten statt Tage) im Vergleich zum vollständigen Chemiemodell ATLAS, wobei dennoch eine hohe Genauigkeit erreicht wird.

Mehr Informationen unter: https://www.mardata.de/