Wolken verschwinden lassen für die Klimaforschung

Satellitendaten sind wichtig für die Klimaforschung – allerdings können Wolken die Sicht auf die Erde verdecken und so die Daten verfälschen. Deswegen hat Raphael Fischer, Informatikstudent an der TU Dortmund, im Rahmen seiner Masterarbeit ein Modell entwickelt, das anhand von maschinellem Lernen Wolken auf Satellitenbildern verschwinden lassen kann.

Begonnen hatte Raphael mit der Entwicklung im Herbst 2018, mittlerweile sind die Arbeiten an dem Modell so gut wie abgeschlossen. „Es ist alles noch relativ frisch und ich habe das Rad damit nicht neu erfunden.” Denn die eigentliche Methode „Markov Random Field” gibt es schon – aber der Kontext mit Satellitendaten und Wolken ist neu. Satellitendaten sind sehr komplex und die Rohdaten aus den Satelliten müssen schon vor der Nutzung bearbeitet werden, da Wolken manchmal einen riesigen Bereich abdecken und keine lokalen Daten beobachtet werden können. Mit dem Modell ist das jetzt möglich.

Die Methode Markov Random Field

Ein Markov Random Field (MRF) oder auch Markov-Netzwerk ist ein statistisches Modell, welches einen bestimmten Zufallsprozess beschreibt. Es modelliert den Prozess basierend auf der Annahme, dass seine Komponenten sich gegenseitig beeinflussen können. Ein MRF beschreibt statistische Abhängigkeit oder Unabhängigkeit zwischen diesen Komponenten durch einen ungerichteten Graphen (also eine Struktur aus Knoten und Kanten, wobei Kanten nicht in eine bestimmte Richtung laufen).

Die Parametrisierung des Graphen erlaubt es, MRFs für maschinelles Lernen zu nutzen. Im Anwendungsfall der Satellitendaten beschreibt der Graph, welche Teile des Datensatzes möglicherweise Einfluss auf einen Bildpunkt haben, zum Beispiel derselbe Punkt zu anderen Zeiten und die lokale räumliche Nachbarschaft.

Quelle: Raphael Fischer

Raphael Fischer

Wie funktioniert das Modell?

Beim allgemeinen maschinellen Lernen wird ein bestimmter Datensatz verwendet. Damit wird das Modell trainiert und ist dann in der Lage, Vorhersagen zu tätigen.

In diesem Modell wird eine bestimmte Region aus dem Datensatz eines Satelliten herausgezogen und in das Modell gegeben, um so „die Stellschrauben des Modells” zu trainieren, sagt Raphael Fischer. Als Ergebnis gibt es dann ein Modell, das diese Daten möglichst gut beschreibt.

Um dann die Wolken zu entfernen, wird das trainierte Modell digital auf jeden einzelnen Bereich des Datensatzes geschoben. Dabei wendet es das Gelernte auf jeden dieser Bereiche an. Als Ergebnis wird dann dargestellt, wie es am wahrscheinlichsten unter der Wolkendecke aussehen würde.

Der Anreiz „Wolken verschwinden zu lassen”

Die Idee zu dem Modell entstand unter anderem während Raphaels Auslandsaufenthalts in Australien. Die drei Wissenschaftler, mit denen er dort arbeitete, haben sehr viel mit Satellitendaten gearbeitet. Gemeinsam haben sie überlegt, wie das Thema „Satellitendaten” mit der Markov Random Field Methode verbunden werden kann. Das Entfernen von Wolken war dabei ein möglicher Anwendungsfall.

Wer waren die Wissenschaftler?

Die drei Wissenschaftler in Australien waren Prof. Geoff Webb, der im Bereich maschinelles Lernen tätig ist. Dr. François Petitjean und Dr. Charlotte Pelletier, die in Frankreich zu den Themen maschinelles Lernen und Satellitendaten promoviert hatten. Außerdem beteiligte sich der deutsche Wissenschaftler Dr. Nico Piatkowski an dem Projekt.
Quelle: Raphael Fischer

Der Nutzen für die Klimaforschung

Für Dr. Andreas Walter vom Deutschen Wetterdienst sind Satellitendaten grundsätzlich wichtig für die Klimaforschung, vor allem mit Blick in die Zukunft. Das Problem daran sei, dass erst seit ungefähr 30 Jahren Satellitendaten vorliegen würden und somit längerfristige Veränderungen einer Region nicht oder nur teilweise festgestellt werden könnten.

Das Modell von Raphael Fischer könnte laut Dr. Andreas Walter hilfreich sein. Die Algorithmusmessungen dürften nur nicht verfälscht werden, weil sonst ein fehlerhaftes Bild von der Region vermittelt werden würde. „Durch das Modell könnten zum Beispiel bessere Rückschlüsse auf Schneebedeckungen gemacht werden, denn diese werden oft auf Satellitenbildern mit Wolken verwechselt.” Eine schwindende Schneebedeckung könne ein Indiz für die Klimaerwärmung sein. Daher sei es wichtig zu wissen, ob Wolken oder Schnee auf den Daten zu sehen sind.

Ebenfalls hilfreich könnte das Modell für die Landnutzug und für das Thema erneuerbare Energien sein. Vor allem regionale Klimaforscher könnten so eine Technik benötigen. Da die aktuellen Datensätze meist zu alt seien, seien neue Datensätze notwendig. So könnte zum Beispiel die Urbanisierung einer bestimmten Region besser nachempfunden werden.

Dennoch seien Wolken manchmal auch nützlich auf Satellitendaten: Unter anderem bei Vorhersagen der Niederschlagsereignisse könnte das Entfernen der Wolken sogar einen negativen Einfluss haben.

Der technische Vorgang zusammengefasst

Die Zukunft des Modells

Das Modell könnte zwar für Klimaforscher attraktiv sein, laut Raphael Fischer ist es aber nicht für die breite Masse interessant. Es sei ein sehr spezifischer Anwendungsfall und die Methode könne nur in einem sehr kleinen Radius eingesetzt werden.

Er hofft, dass das Produkt bis zum nächsten Frühjahr schon verfügbar sein wird. Ob und wie er das Produkt vermarkten wird, weiß er noch nicht: „Die Forschung daran ist grundsätzlich „Open Source”, also frei zugänglich. Ich habe keinen Anspruch daran, ein Produkt zu entwickeln, das vermarktet wird.” Dann fügt er hinzu: „Ich bin ein Freund von „Open Science”. Vor allem im Rahmen der Klimaforschung und ähnlichen Bereichen sollte sich niemand bereichern.”

Foto: Erik Benger
Beitragsbilder: Raphael Fischer

Mehr von Erik Benger