ML - Machine Learning

ERFASSEN VON DATEN, ALGORITHMEN, MUSTERERKENNUNG: ANALYSIEREN SIE DIE STRÖMUNGEN DURCH DIE KAMERA — UND BEOBACHTEN SIE, WIE EIN ALGORITHMUS DIE EXTRAHIERTEN DATEN IN MUSTER ÜBERSETZT.

Über die ganze Welt verteilt gibt es Wetterstationen, die Windgeschwindigkeit, Temperatur, Luftdruck und viele weitere Wetterdaten sammeln. Diese Daten bilden den Zustand der Atmosphäre ab — und sind der Ausgangspunkt für komplexe Berechnungen, mit denen Forschende Prognosen zu Wetter und Klima erstellen können: Die Daten lassen sich in Wettermodelle einspeisen und werden mit mathematischen Gleichungen, die Veränderungen der Erdatmosphäre beschreiben, verarbeitet. Das Lösen dieser Gleichungen benötigt viel Zeit und Computerrechenleistung. Mit Maschinellem Lernen können diese Prognosen effizienter und genauer werden — und auch Unsicherheiten in der Vorhersage lassen sich direkt in die Berechnung miteinbeziehen.

Genaue Klimaprognosen sind zentral, um die erneuerbare Stromgenerierung vorherzusagen und die Stabilität unseres Stromnetzes zu sichern. Je präziser etwa unsere Prognosen zur Entwicklung von Windgeschwindigkeiten sind, desto besser können wir orts- und zeitgenaue Vorhersagen für die Stromerzeugung durch Windturbinen treffen und deren nachhaltige Standortwahl optimieren. Die Auflösung aktuell vorhandener Klimamodelle ist allerdings oft zu grob, um konkretere Aussagen zur voraussichtlichen Energieerzeugung an einem bestimmten Standort zu machen. Zudem ist es eine besondere Herausforderung, die Gesamtenergie, die alle Turbinen in Deutschland zukünftig erzeugen werden, zuverlässig vorherzusagen. Mit Methoden des Maschinellen Lernens können wir die räumliche Auflösung der Prognosen erhöhen und den Zusammenhang zwischen globalen Klimamodellen und lokalen Windenergiedaten besser verstehen.