AI Generalizability for Non-stationary Environmental Regimes: The Case of Hydro-climatic Extremes

Eine robuste Modellgeneralisierbarkeit gilt als grundlegende Herausforderung der Künstlichen Intelligenz (als robust gilt ein Modell dann, wenn es auch in der Konfrontation mit unbekannten Daten verlässlich arbeitet). Umweltbedingungen ändern sich stetig und erfordern daher entsprechend robuste Modelle für verlässliche Prognosen.

Im Fokus des Projekts GENAI-X stehen klimatische Extreme wie Überschwemmungen, Erdrutsche, Dürren und Spätfrost sowie deren Auswirkungen auf Ökosysteme. Ziel ist, das Verständnis und die Vorhersage dieser sowie ähnlicher Umweltphänomenen zu verbessern. Dazu werden KI-Methoden entwickelt, die sich an verändernde Datenmuster und Unsicherheiten anpassen.

Methoden wie hybride und kausale Modellierung, Entdeckung von Gleichungen, Dimensionsreduktion und Unsicherheitsquantifizierung werden dafür eingesetzt. Indem sie die Stärken verschiedener Modellierungsansätze kombinieren, Ursache-Wirkung-Beziehungen untersuchen und mathematische Gleichungen zur Beschreibung komplexer Umweltsysteme identifizieren, ermöglichen diese Ansätze eine umfassende Analyse und differenziertere Vorhersage von Umweltphänomenen. Durch die vereinfachende Visualisierung und die Bewertung von Unsicherheiten sollen komplexe Modellstrukturen interpretierbar gemacht und ausgewogene Entscheidungen ermöglicht werden.

Angesiedelt ist das Projekt an der ELLIS Unit (European Laboratory for Learning and Intelligent Systems) in Jena und stellt eine Zusammenarbeit der Friedrich-Schiller-Universität Jena, dem Universitätsklinikum Jena, dem Max-Planck-Institut für Biogeochemie und dem Senckenberg Institut für Pflanzenvielfalt dar.