Quelle: Universität Bayreuth 5. Februar 2024.

5. Februar 2024 – Das Forschungsziel von Dr. Sebastian Wolfschmidt und Christopher Straub ist die Untersuchung der Struktur und des Langzeitverhaltens von Galaxien. „Da diese nicht vollständig durch astronomische Beobachtungen analysiert werden können, nutzen wir mathematische Modelle von Galaxien“, erklärt Christopher Straub, Doktorand am Lehrstuhl Mathematik VI an der Universität Bayreuth. „Um dabei zu berücksichtigen, dass die meisten Galaxien ein schwarzes Loch im Zentrum beinhalten, beruhen unsere Modelle auf Albert Einsteins allgemeiner Relativitätstheorie, welche Gravitation als Krümmung einer vierdimensionalen Raumzeit beschreibt.“

Mathematiker und Astrophysiker erforschen seit Jahrzehnten die Eigenschaften solcher Galaxie-Modelle, wobei viele Fragen noch immer offen sind. Als Hilfsmittel zur Klärung dieser Fragen haben Straub und Wolfschmidt ein tiefes neuronales Netz implementiert, was einen komplett neuartigen Ansatz in diesem Forschungsbereich darstellt. Neuronale Netzwerke sind leistungsstarke Rechenmodelle, deren Struktur von der des menschlichen Gehirns inspiriert ist. Sie werden im Bereich der künstlichen Intelligenz genutzt, um komplexe Strukturen in großen Datenmengen zu erkennen.

„Das neuronale Netz kann vorhersagen, welche Modelle von Galaxien in der Realität existieren können und welche nicht“, sagt Dr. Sebastian Wolfschmidt, Wissenschaftlicher Mitarbeiter am Lehrstuhl Mathematik VI. „Das neuronale Netz liefert dabei eine bedeutend schnellere Vorhersage als die in der Vergangenheit verwendeten numerischen Simulationen. So lassen sich astrophysikalische Hypothesen, die über die vergangenen Jahrzehnte aufgestellt wurden, innerhalb weniger Sekunden verifizieren oder falsifizieren.“

Ihre Erkenntnisse haben Wolfschmidt und Straub nun in der Fachzeitschrift „Classical and Quantum Gravity“ vorgestellt. „Wir befassen uns seit 2019 am Lehrstuhl Mathematik VI in der Arbeitsgruppe Prof. Dr. Gerhard Rein mit diesen Fragestellungen. Nach verschiedensten analytischen und numerischen Untersuchungen haben wir vor ungefähr einem Jahr erkannt, dass der Einsatz von maschinellem Lernen für einige unserer Probleme besonders hilfreich sein kann. Seitdem haben wir das beschriebene tiefe neurale Netz entwickelt, und haben auch bereits Pläne für weitere Einsatzmöglichkeiten ähnlicher Methoden“, sagt Straub.

Die Berechnungen der Bayreuther Mathematiker wurden vom Supercomputer des „Keylab HPC“ an der Universität Bayreuth durchgeführt und das Projekt entwickelte sich aus einer Zusammenarbeit mit dem Lehrstuhl für Angewandte Informatik II – Parallele und verteilte Systeme.

Veröffentlichung:
Straub, C., Wolfschmidt, S., Predicting the stability of star clusters in general relativity, Classical and Quantum Gravity (2024).
doi.org/10.1088/1361-6382/ad228a
https://iopscience.iop.org/article/10.1088/1361-6382/ad228a
pdf: https://iopscience.iop.org/article/10.1088/1361-6382/ad228a/pdf

Diskutieren Sie mit im Raumcon-Forum:

• Galaxien – Entstehung und Entwicklung

Der Beitrag Uni Bayreuth: KI-Nutzung in der Astrophysik erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/ein-praeziseres-modell-der-ionosphaere-der-erde/ Mon, 01 May 2023 22:01:00 +0000 https://www.raumfahrer.net/?p=125903 Die Ionosphäre, der Bereich 60 bis 1000 Kilometer über der Erde, beeinträchtigt mit ihren elektrisch geladenen Teilchen die Ausbreitung von Funksignalen der globalen Satellitennavigationssysteme (GNSS). Für deren geforderte immer höhere Präzision ist das ein Problem – in Forschung wie in Anwendung, etwa im Bereich autonomes Fahren oder für die genaue Bestimmung der Umlaufbahn von Satelliten. […]

Der Beitrag Ein präziseres Modell der Ionosphäre der Erde erschien zuerst auf Raumfahrer.net.

]]> Die Ionosphäre, der Bereich 60 bis 1000 Kilometer über der Erde, beeinträchtigt mit ihren elektrisch geladenen Teilchen die Ausbreitung von Funksignalen der globalen Satellitennavigationssysteme (GNSS). Für deren geforderte immer höhere Präzision ist das ein Problem – in Forschung wie in Anwendung, etwa im Bereich autonomes Fahren oder für die genaue Bestimmung der Umlaufbahn von Satelliten. Modelle der Ionosphäre und ihrer ungleichmäßigen, dynamischen Ladungsverteilung können helfen, die Signale zu korrigieren. Eine Pressemeldung des Helmholtz-Zentrum Potsdam, Deutsches GeoForschungsZentrum (GFZ).

Quelle: GFZ, 18. April 2023.



Forschende um Artem Smirnov und Yuri Shprits vom Deutschen GeoForschungsZentrum GFZ haben im Fachmagazin Nature Scientific Reports ein neues Modell der Ionosphäre vorgestellt, entwickelt auf Basis Neuronaler Netze und Satellitenmessdaten aus 19 Jahren. Es kann insbesondere den oberen, elektronenreichen Teil der Ionosphäre deutlich präziser als bisher rekonstruieren. Damit ist es auch eine wichtige Basis für Fortschritte in der Ionosphärenforschung, mit Anwendungen etwa bei Studien zur Ausbreitung elektromagnetischer Wellen oder für die Analyse bestimmter Weltraumwetter-Ereignisse.

Hintergrund: Bedeutung und Komplexität der Ionosphäre
Die Ionosphäre der Erde ist der Bereich der oberen Atmosphäre, der sich von etwa 60 bis 1000 Kilometer Höhe erstreckt. Hier dominieren, hervorgerufen durch die Strahlungsaktivität der Sonne, geladene Teilchen wie Elektronen und positive Ionen – daher auch der Name. Die Ionosphäre ist für etliche wissenschaftliche aber auch industrielle Anwendungen wichtig, weil die geladenen Teilchen die Ausbreitung von elektromagnetischen Wellen wie Funksignalen beeinflussen. So ist die sogenannte ionosphärische Laufzeitverzögerung von Funksignalen eine der wichtigsten Störquellen für die Satellitennavigation. Diese ist proportional zur Elektronendichte im durchlaufenen Raum. Daher kann eine gute Kenntnis der Elektronendichte bei der Korrektur der Signale helfen. Insbesondere ist der obere Bereich der Ionospähre, oberhalb von 600 Kilometern, von Interesse, da in dieser sogenannten Topside-Ionosphäre 80 Prozent der Elektronen versammelt sind.

Das Problem: Die Elektronendichte variiert stark – abhängig von der Länge und Breite über der Erde, der Tages- und Jahreszeit und der Sonnenaktivität. Das erschwert ihre Rekonstruktion und Vorhersage, die Basis zum Beispiel für die Korrektur von Funksignalen.

Bisherige Modelle
Zur Modellierung der Elektronendichte in der Ionosphäre gibt es verschiedene Ansätze, unter anderem das Internationale Referenz-Ionosphärenmodell IRI, das seit 2014 anerkannt ist. Es ist ein empirisches Modell, bei dem auf Grundlage der statistischen Analyse von Beobachtungen eine Beziehung zwischen Eingangs- und Ausgangsvariablen hergestellt wird. Allerdings hat es im wichtigen Bereich der Topside-Ionosphäre noch Schwächen, weil die Datenabdeckung für diese Region limitiert war.

Seit kurzem stehen jedoch auch für diesen Bereich große Datenmengen zur Verfügung. Daher bieten sich Ansätze des Maschinellen Lernens (ML) an, um hieraus Gesetzmäßigkeiten abzuleiten, insbesondere für komplexe nicht-lineare Zusammenhänge.

Neuer Ansatz mittels Maschinellem Lernen und Neuronalen Netzen
Ein Team des Deutschen GeoForschungsZentrums GFZ um Artem Smirnov, Doktorand und Erstautor der Studie, und Yuri Shprits, Leiter der Sektion „Weltraumphysik und Weltraumwetter“, hat einen neuen ML-basierten empirischen Ansatz verfolgt. Hierfür nutzten sie Daten von Satellitenmissionen aus 19 Jahren, insbesondere CHAMP, GRACE und GRACE-FO, die maßgeblich vom GFZ mitbetrieben wurden und werden, und COSMIC. Die Satelliten haben – unter anderem – die Elektronendichte in verschiedenen Höhenbereichen der Ionosphäre vermessen und decken verschiedene Jahres- und Ortszeiten sowie Sonnenzyklen ab.

Mithilfe von Neuronalen Netzen haben die Forschenden hieraus dann ein Modell für die Elektronendichte der Topside-Ionosphäre entwickelt, das sie NET-Modell nennen. Dabei wandten sie die sogenannte MLP-Methode (Multi-Layer Perceptrons) an, bei der die Eingangsdaten in verschiedenen Schritten optimiert gewichtet werden.

Anschließend haben die Forschenden das Modell dann mit unabhängigen Messungen von drei anderen Satellitenmissionen getestet.

Bewertung des neuen Modells
„Unser Model stimmt in bemerkenswerter Weise mit den Messungen überein: Es kann die Elektronendichte in allen Höhenbereichen der Topside-Ionosphäre, in allen Bereichen um die Erde, zu allen Jahres- und Tageszeiten und verschiedenen Leveln der Sonnenaktivität sehr gut rekonstruieren und es übertrifft das Internationale Referenz-Ionosphärenmodell IRI signifikant an Genauigkeit. Darüber hinaus deckt es den Raum kontinuierlich ab“, resümiert Artem Smirnov.

Yuri Shprits ergänzt: „Diese Studie stellt einen Paradigmenwechsel in der Ionosphärenforschung dar, denn sie zeigt, dass ionosphärische Dichten mit sehr hoher Genauigkeit rekonstruiert werden können. Das NET-Modell bildet die Auswirkungen zahlreicher physikalischer Prozesse ab, die die Dynamik der Topside-Ionosphäre bestimmen, und kann in der Ionosphärenforschung breite Anwendung finden.“

Mögliche Anwendungen in der Ionosphärenforschung
Mögliche Anwendungen dort sehen die Forschenden zum Beispiel in Studien zur Wellenausbreitung, zur Kalibrierung neuer Elektronendichte-Datensätze mit oft unbekannten Baseline-Offsets, für tomographische Rekonstruktionen in Form eines Hintergrundmodells sowie zur Analyse spezifischer Weltraumwetterereignisse und zur Durchführung langfristiger Ionosphären-Rekonstruktionen. Darüber hinaus kann das entwickelte Modell mit plasmasphärischen Höhen verbunden werden und somit eine neue Topside-Option für das IRI darstellen.

Der entwickelte Rahmen ermöglicht die nahtlose Einbindung neuer Daten und neuer Datenquellen. Das Umlernen des Modells, also das Trainieren an den neuen Daten, kann auf einem Standard-PC erfolgen und regelmäßig durchgeführt werden. Insgesamt stellt das NET-Modell eine erhebliche Verbesserung gegenüber herkömmlichen Methoden dar und verdeutlicht das Potenzial von Modellen auf Basis Neuronaler Netze für eine genauere Darstellung der Ionosphäre für Kommunikations- und Navigationssysteme, die auf GNSS angewiesen sind.

Originalstudie:
Smirnov, A., Shprits, Y., Prol, F. et al. A novel neural network model of Earth’s topside ionosphere. Scientific Reports 13, 1303 (2023).
DOI: 10.1038/s41598-023-28034-z 

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Ein präziseres Modell der Ionosphäre der Erde erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/nervenzellen-im-all-experimente-und-ein-spion-in-schwerelosigkeit/ Fri, 21 Oct 2022 12:44:00 +0000 https://www.raumfahrer.net/?p=117283 DLR-Höhenforschungsrakete MAPHEUS-12 hat sieben Experimente für rund sechs Minuten in die Schwerelosigkeit gebracht. Die 1,6 Tonnen schwere Rakete hob vom Startplatz ESRANGE in Nordschweden ab und erreichte eine Höhe von 260 Kilometern. Mit an Bord waren Versuche mit den Schwerpunkten der Gravitationsbiologie und Materialphysik. Eine Pressemitteilung des Deutschen Zentrums für Luft- und Raumfahrt (DLR). Quelle: […]

Der Beitrag Nervenzellen im All: Experimente und ein „Spion“ in Schwerelosigkeit erschien zuerst auf Raumfahrer.net.

]]> DLR-Höhenforschungsrakete MAPHEUS-12 hat sieben Experimente für rund sechs Minuten in die Schwerelosigkeit gebracht. Die 1,6 Tonnen schwere Rakete hob vom Startplatz ESRANGE in Nordschweden ab und erreichte eine Höhe von 260 Kilometern. Mit an Bord waren Versuche mit den Schwerpunkten der Gravitationsbiologie und Materialphysik. Eine Pressemitteilung des Deutschen Zentrums für Luft- und Raumfahrt (DLR).

Quelle: DLR 21. Oktober 2022.



Am 21. Oktober 2022 um 9:25 Uhr startete die Forschungsrakete MAPHEUS-12 des Deutschen Zentrums für Luft- und Raumfahrt (DLR) von der schwedischen Raketenbasis ESRANGE nahe Kiruna. Sie erreichte eine Höhe von rund 260 Kilometern und segelte dann an einem Fallschirm zurück zur Erde. Mit an Bord erstmals Nervenzellen mit Blick auf deren abweichende elektrische Signale in Schwerelosigkeit. Zudem untersuchte das Forschungsteam im Zusammenhang mit der Entstehung von Krebs, wie sich die Polarität von Zellen unter „Zero-G“ verhält. Einen Testlauf unter Weltraumbedingungen gab es mit dem Flug für neuartige Solarzellen ebenso wie für eine Verschlüsselungstechnik, die zukünftig Daten von Lebenserhaltungssystemen und Raumfahrzeugen schützen soll. Erstmals kam eine wiederverwendbare Zündeinheit in der Oberstufe zum Einsatz.



„Mit MAPHEUS-12 haben wir ein äußerst vielseitiges Experimentpaket für rund sechs Minuten in die Schwerelosigkeit des nahen Weltraums befördert und anschließend sicher geborgen“, sagt der wissenschaftliche Projektleiter der Mission Prof. Thomas Voigtmann vom DLR-Institut für Materialphysik im Weltraum. „Wir sind froh die sensiblen Nervenzellen, Meeresorganismen und Materialexperimente in gutem Zustand nach idealem Flug zurück auf der Erde zu haben.“ Nach ihrem 15-minütigem Flug landete die Nutzlast sanft per Fallschirm rund 70 Kilometer vom Startplatz entfernt in der nordschwedischen Tundra. Anschließend flog ein Bergungsteam zur Landestelle und transportierte die Nutzlast am Hubschrauber hängend zurück zur Startbasis. Dort begann direkt die Sicherung der gesammelten Daten.



Upgrade an Forschungsrakete und Bodenstation
Die 11,5 Meter lange und mehr als 1,6 Tonnen schwere Rakete ist bereits die zwölfte, die im Rahmen der MAPHEUS-Experimentreihe erfolgreich von der Abteilung Mobile Raketenbasis (MORABA) der DLR Einrichtung Raumflugbetrieb und Astronautentraining gestartet wurde. „Diesmal hatte die zweistufige Rakete erstmals ein neues Service-Modul an Bord, das eine zehnmal schnellere Kommunikation mit der Bodenstation und präzisere Lageinformationen mit komplett neu gestalteter Elektronik, Mechanik und Software bietet“, erklärt MORABA-Projektleiter Alexander Kallenbach. „Das neue Modul dient nun als Basis für die weitere Entwicklungen in Richtung intelligenter on-board Systeme, die im MAPHEUS-D Projekt geplant sind.“ Zudem kam bei MAPHEUS-12 erstmals eine wiederaufbereitete Zündeinheit bei der Oberstufe zum Einsatz, die bereits an Bord von MAPHEUS-9 geflogen war. Am Boden kam mit der Mission erstmals ein neuartiges Telemetrie-System zum Einsatz. Dieses ermöglicht die an verschiedenen Bodenstationen empfangenen Signale der Rakete direkt an die jeweiligen Steuerungskonsolen für Experimente und Supportsysteme zu verteilen. Diese neue Entwicklung basiert auf Komponenten des Holistic Control Centers (HCC), welches eine moderne, flexible und Service-orientierte Infrastruktur für alle künftigen Raumflugmissionen am Deutschen Raumfahrt-Kontrollzentrum (GSOC) bieten wird. „Wir sind begeistert, dass die Software jetzt erfolgreich Ihren ‚Jungfernflug‘ absolvieren konnte“, freut sich Prof. Felix Huber, Leiter der DLR Einrichtung Raumflugbetrieb und Astronautentraining. „Dieser Erfolg gibt dem HCC-Konzept den nötigen Schub, nun bald auch bei orbitalen Missionen genutzt zu werden.“

Premiere: Neuronale Netzwerke in Schwerelosigkeit
Ihren „Jungfernflug“ erlebten auch die Nervenzellen an Bord von MAPHEUS-12. Diese konnten während des Kurzzeitraumfluges direkt auf elektrophysiologischer Ebene untersucht werden. Das neuronale Netzwerk des Experiments MEA (Multi-Elektroden-Array) besteht dabei aus kultivierten Primärneuronen, die sich über zwei Chips verteilen. Diese finden in einer vakuumdichten Kammer bei 37 Grad Celsius ideale Lebensbedingungen vor. „Während des Fluges konnten die Aktionspotentiale einzelner neuronaler Zellen sowie die Aktivität des gesamten Netzwerks aufgezeichnet werden“, berichtet Dr. Christian Liemersdorf vom DLR-Institut für Luft- und Raufahrtmedizin. Aktionspotentiale sind die elektrischen Signale, die zwischen Neuronen im Gehirn und dem zentralen Nervensystem ausgetauscht werden. Die Schwerelosigkeit steht im Verdacht, Einfluss auf die neuronalen Verbindungen im Gehirn zu nehmen. „Vermutlich ist dies ein wesentlicher Grund, warum Astronautinnen und Astronauten während ihres Aufenthalts im Weltall oftmals unter gewissen kognitiven Einschränkungen leiden“, ergänzt Liemersdorf. „Wir werten die gesammelten Daten nun detailliert aus, um diese möglichen Zusammenhänge genauer zu verstehen.“ Wegen der Empfindlichkeit der Neuronen war es bisher nicht möglich auf der Internationalen Raumstation ISS mit diesen zu experimentieren.



Zusammenhänge von Krebs, Zell-Polarität und Schwerelosigkeit
Der nur 0,5 Millimeter kleine Meeresorganismus Trichoplax adhaerens – das einfachste mehrzellige Lebewesen der Welt – kann zwischen oben und unten unterscheiden und damit Schwerkraft wahrnehmen. Rund 450 Exemplare dieser Kleinstlebewesen, die lediglich aus einem oberen und einem unteren Zell-Epithelium bestehen, flogen im Experiment GraviPlax mit MAPHEUS-12 ins All. Im Interesse des internationalen Forschungsteams steht, wie der Organismus genetisch auf die Schwerelosigkeit reagiert und wie sich daraus etwas über die Mechanismen der Krebsentwicklung lernen lässt. „Trichoplax adhaerens besitzt alle wichtigen Gengruppen, die mit dem Verlust der Polarität und damit der Ausbildung von Krebszellen in Zusammenhang gebracht werden können“, erklärt Dr. Jens Hauslage vom Institut für Luft- und Raumfahrtmedizin. Damit lassen sich Erkenntnisse auch auf höhere Organismen übertragen. Die finalen Auswertungen der Proben werden in den nächsten Wochen im Labor in Hannover stattfinden. Nun wollen die Forschungspartner des DLR, der Tierärztlichen Hochschule Hannover (TiHo) und der australischen La Trobe Universität in Melbourne noch genauer verstehen welchen Einfluss die Gravitation auf die Ausbildung von Polarität und deren evolutiven Einfluss hat.

Ein Spion reist huckepack
Huckepack auf der GraviPlax-Platine reist der Versuchsaufbau des Experiments 007/Blofeld, bei dem gemeinsam mit dem Industriepartner adesso SE die Sicherheit verschlüsselter Sensor-Datenströme unter Weltraumbedingungen getestet wird. „In Raumfahrzeugen und Lebenserhaltungssystemen nimmt der Betrieb und die Überwachung von Umwelt- und Vitalparametern eine immer größere Rolle ein. Dabei ist nicht nur eine abhörsichere Verbindung zu den Sensoren, sondern auch die Validität der Daten besonders wichtig.“, erklärt Software Architekt Christian Kahlo. Für den Versuch greift ein implementierter „Spion“-Chip verschlüsselte Temperaturdaten ab. Dieses Experiment soll zeigen, das selbst abgehörte Daten für den Spion nicht zu verwenden sind und die Daten für den Empfänger valide bleiben.

Weitere Experimente
Darüber hinaus wird im Experiment RAMSES gemeinsam mit der Universität Konstanz in einem Analogsystem die gerichtete Bewegung von Bakterien untersucht, was zukünftig einmal hilfreich bei der gezielten Einbringung pharmazeutischer Wirkstoffe sein könnte. Im Projekt SVALIN analysiert ein Forschungsteam der TU München federführend wie die Umgebungsbedingungen im All neuartige auf MAPHEUS-12 montierte Solarzellen beeinflussen. Gemeinsam mit dem Leibniz-Institut für neue Materialien wird im Experiment SOMEX/ARNIM-II die Agglomeration von Gold-Nanoteilchen in Schwerelosigkeit mit Blick auf zukünftige Anwendungen in der Mikroelektronik untersucht.

Diskutieren Sie mit im Raumcon-Forum:

• Höhenforschungsraketen

Der Beitrag Nervenzellen im All: Experimente und ein „Spion“ in Schwerelosigkeit erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/modis-satellitendaten-mit-mathematischen-modellen-zwei-wochen-weniger-schnee-auf-den-bergen/ Thu, 22 Sep 2022 16:10:00 +0000 https://www.raumfahrer.net/?p=116453 Im Durchschnitt zwei Wochen weniger Schnee auf den Bergen im Vergleich zu den 80er Jahren. Eine neue Studie von Eurac Research bestätigt die negativen globalen Entwicklungen. Eine Pressemitteilung von Eurac Research. Quelle: Eurac Research 22. September 2022. 22. September 2022 – Während ein besonders trockener Sommer zu Ende geht, hofft man nun auf eine Wintersaison […]

Der Beitrag MODIS-Satellitendaten mit mathematischen Modellen: Zwei Wochen weniger Schnee auf den Bergen erschien zuerst auf Raumfahrer.net.

]]> Im Durchschnitt zwei Wochen weniger Schnee auf den Bergen im Vergleich zu den 80er Jahren. Eine neue Studie von Eurac Research bestätigt die negativen globalen Entwicklungen. Eine Pressemitteilung von Eurac Research.

Quelle: Eurac Research 22. September 2022.



22. September 2022 – Während ein besonders trockener Sommer zu Ende geht, hofft man nun auf eine Wintersaison mit vielen Niederschlägen, die jedoch nicht extrem sein oder Schäden anrichten mögen. Kürzlich hat Eurac Research jedoch eine Studie in der Zeitschrift Scientific Report aus der renommierten Nature-Reihe veröffentlicht, die eine ernüchternde Bilanz über die vergangenen Jahrzehnte zieht: Zwischen 1982 und 2020 hat sich der Zeitraum, in dem in den Berggebieten der Welt Schnee liegt, im Durchschnitt um etwa 15 Tage im Jahr verkürzt. Zwischen zehn und zwanzig Tage sind es in den Alpen, die damit im Durchschnitt liegen. Die Studie untermauert die Ergebnisse früherer Untersuchungen, sie lief über einen längeren Beobachtungszeitraum und trug dazu bei, ein Modell der NASA zu präzisieren.

Vor zwei Jahren zeigte eine erste Studie zur globalen Schneedecke (https://www.eurac.edu/de/magazine/weniger-schnee-in-78-prozent-der-berggebiete-weltweit) auf, dass in 78 Prozent der beobachteten Berggebiete im Laufe der vergangenen 20 Jahre weniger Schnee fällt. Um ihre Beobachtungen zu untermauern, hat dieselbe Autorin nun den Beginn der Datenerhebung auf das Jahr 1982 ausgedehnt und damit einen Zeitraum von 38 Jahren bis zum Jahr 2020 abgedeckt. „Leider können wir diese Trends nicht widerlegen, sondern nur bestätigen“, erklärt Claudia Notarnicola, Physikerin, stellvertretende Leiterin des Instituts für Erdbeobachtung von Eurac Research und alleinige Autorin der Studie. „Mit wenigen Ausnahmen zeigen die Daten, dass die Ausdehnung und Dauer der Schneedecke deutlich abnehmen.“ Es sind im Durchschnitt 15 Tage weniger, an denen Schnee auf dem Boden liegt, mit Spitzenwerten von 20 oder sogar 30 Tagen weniger in den westlichen Provinzen Kanadas (Abbildung oben in Dunkelorange).



Die gesamte Schneedecke ist um vier Prozent zurückgegangen. Multipliziert mit der Ausdehnung der betroffenen Gebiete (Abbildung rechts in Gelb) ergibt dies alarmierende Zahlen.

Die wenigen gegenläufigen Daten können das Bild nicht ändern. So führte beispielsweise der Ausbruch des mexikanischen Vulkans El Chichon Anfang der 1980er Jahre zu einer leichten Abkühlung, was den Rückgang des Schnees ein wenig aufhalten konnte, doch war dies ein zeitlich begrenztes Phänomen. „Im Allgemeinen ist in diesen 38 Jahren auch eine Zunahme der Schneedecke und der Schneetage zu verzeichnen (in Hellblau/Blau in rechter Abbildung ). Sie betreffen zum Beispiel Teile Zentralasiens und einige Täler in den Vereinigten Staaten“, so Notarnicola weiter. „Es gibt keine eindeutigen Erklärungen für diese Phänomene, aber es könnte sich um andere Auswirkungen des Klimawandels handeln, z. B. Schwankungen der Strömungen und Winde oder spezifische mikroklimatische Bedingungen. In jedem Fall handelt es sich um Ausnahmen in einem sehr negativen globalen Gesamttrend.“

Die Studie basiert auf einem hybriden Ansatz: Sie kombiniert MODIS-Satellitendatenreihen, die eine Auflösung von 500 Metern haben, aber erst seit 2000 verfügbar sind, mit mathematischen Modellen.
„Ich habe ein bereits sehr gutes globales Modell der NASA als Grundlage gewählt und es weiter verfeinert. Für den Zeitraum, in dem die Modelldaten und die genaueren Satellitenbilder dazu vorhanden waren, konnte ich das Modell dank der so genannten künstlichen neuronalen Netze – also eines Berechnungssystems im Bereich der künstlichen Intelligenz – besser kalibrieren“, erklärt Notarnicola.

Originalpublikation
„Overall negative trends for snow cover extent and duration in global mountain regions over 1982–2020“, doi.org/10.1038/s41598-022-16743-w
https://www.nature.com/articles/s41598-022-16743-w

Diskutieren Sie mit im Raumcon-Forum:

• Klimawandel

Der Beitrag MODIS-Satellitendaten mit mathematischen Modellen: Zwei Wochen weniger Schnee auf den Bergen erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/ufz-vom-weltall-aus-gruenland-bewerten/ Sat, 11 Jun 2022 07:57:36 +0000 https://www.raumfahrer.net/?p=110937 UFZ-Forscher entwickeln eine Methodik, mit der sie aus Satellitendaten dank Künstlicher Intelligenz bestimmen können, wie intensiv Wiesen und Weiden genutzt werden. Eine Pressemitteilung des Helmholtz-Zentrums für Umweltforschung (UFZ). Quelle: Helmholtz-Zentrum für Umweltforschung (UFZ) 9. Juni 2022. 9. Juni 2022 – Extensiv genutztes Grünland beherbergt eine hohe Artenvielfalt, übernimmt als Kohlenstoffspeicher eine wichtige Funktion für den […]

Der Beitrag UFZ: Vom Weltall aus Grünland bewerten erschien zuerst auf Raumfahrer.net.

]]> UFZ-Forscher entwickeln eine Methodik, mit der sie aus Satellitendaten dank Künstlicher Intelligenz bestimmen können, wie intensiv Wiesen und Weiden genutzt werden. Eine Pressemitteilung des Helmholtz-Zentrums für Umweltforschung (UFZ).

Quelle: Helmholtz-Zentrum für Umweltforschung (UFZ) 9. Juni 2022.



9. Juni 2022 – Extensiv genutztes Grünland beherbergt eine hohe Artenvielfalt, übernimmt als Kohlenstoffspeicher eine wichtige Funktion für den Klimaschutz und ist Ort der Futter- und Nahrungsmittelproduktion. Diese Ökosystemleistungen sind jedoch gefährdet, wenn auf den Flächen die Produktivität gesteigert werden soll und deswegen die Nutzung intensiviert wird. Bislang fehlen über größere Flächen Angaben dazu, wie es um den Zustand der Wiesen und Weiden in Deutschland bestellt ist. Forscher des Helmholtz-Zentrums für Umweltforschung (UFZ) haben nun im Fachmagazin Remote Sensing of Environment beschrieben, wie man mittels Satellitendaten und dem Einsatz von Methoden des maschinellen Lernens die Landnutzungsintensität beurteilen kann.

Im Juni 2015 startete die Raumfahrtmission Sentinel-2 mit dem Erdbeobachtungssatellit Sentinel-2A, im März 2017 wurde Sentinel-2B auf die Reise geschickt. Seitdem kreisen die beiden Satelliten im Weltall in einer Höhe von fast 800 Kilometern und liefern als Teil des Copernicus-Programms der Europäischen Weltraumorganisation (ESA) unter anderem Daten für den Klimaschutz und die Landüberwachung. Alle drei bis fünf Tage machen sie Aufnahmen im sichtbaren und infraroten Bereich des elektromagnetischen Spektrums, die dank einer sehr hohen Auflösung von bis zu 10 Metern beste Voraussetzungen liefern, um zum Beispiel Veränderungen der Vegetation zu erkennen. Diese frei zugänglichen Daten nutzte ein interdisziplinäres Forscherteam des Helmholtz-Zentrums für Umweltforschung (UFZ), um daraus beispielhaft für die Jahre 2017 und 2018 zu untersuchen, wie intensiv in Deutschland Grünland genutzt wird – eine Fläche, die nach Angaben des Statistischen Bundesamts rund 4,7 Millionen Hektar und damit fast 30 Prozent der landwirtschaftlichen Nutzfläche ausmacht. „Wir brauchen mehr Informationen zur Landnutzungsintensität von Grünland, um die Stabilität und die Funktionsweise unserer Ökosysteme besser verstehen zu können. Je intensiver Grünland genutzt wird, umso stärker werden die Primärproduktion, der Stickstoffeintrag oder die Widerstandsfähigkeit gegenüber Klimaveränderungen beeinflusst“, sagt Erstautor Dr. Maximilian Lange. Er forscht als Wissenschaftler im UFZ-Department Remote Sensing, das in das gemeinsam von UFZ und Universität Leipzig betriebene „Remote Sensing Centre for Earth System Research“ eingebettet ist.

Voraussetzung für den dauerhaften Erhalt des Grünlands ist dessen Nutzung. Fällt sie weg, verbuschen die Flächen. Doch wie intensiv das Management erfolgt, ist entscheidend dafür, wie gut Grünland Ökosystemleistungen erbringen kann. Es werden jedoch bundesweit keine Daten veröffentlicht, wie die Landwirte ihre Grünlandflächen bewirtschaften. Der UFZ-Wissenschaftler leitete nun für Deutschland aus den Satellitendaten mit einer Auflösung von 20 Metern flächendeckend Aussagen zur Mahdhäufigkeit, zur Intensität der Beweidung durch Rinder, Pferde, Schafe und Ziegen sowie zur Düngung ab. „Das Ausmaß dieser drei Managementarten entscheidet maßgeblich über die Nutzungsintensität“, sagt Maximilian Lange. Für die Mahdfrequenz definierte er Klassen von 0 (nicht gemäht) bis 5 (fünf Mal pro Jahr gemäht), aus einem Mix aus Anzahl, Art und Alter der Tiere errechnete er die Beweidungsintensität von 0 bis 3 (stark beweidet); bei der Düngung unterschied er zwischen gedüngt und nicht gedüngt. Diese drei Kategorien fasste er zu einem Index zusammen, der die Bewirtschaftungsintensität einer Grünlandfläche von „extensiv“ bis „intensiv“ wiedergibt.

Um aus der Menge an Messwerten, die die Forscher aus den Satellitenaufnahmen erhielten, Informationen zu den drei Nutzungsparametern herauszuziehen, setzte er auf die Künstliche Intelligenz (KI). „KI kann sehr effizient Informationen aus komplexen Daten gewinnen, die der Mensch nicht mehr erfassen kann. Algorithmen des maschinellen Lernens können mittels Referenzdaten Muster in den Satellitendaten erkennen, die wir dann auswerten und weiterverwenden können, um flächenhafte Aussagen zu treffen“, sagt er. Bei den Referenzdaten setzte Maximilian Lange auf Freilanddaten aus drei Biodiversitäts-Exploratorien, die die Deutsche Forschungsgemeinschaft (DFG) im Hainich, in der Schorfheide und der Schwäbischen Alb finanziert. Dort laufen seit 2006 im Rahmen von Langzeituntersuchungen auf unterschiedlich intensiv genutztem Grünland zahlreiche Experimente, die sich u.a. damit befassen, wie sich die Landnutzung auf die Biodiversität auswirkt und welche Effekte eine Veränderung der Artenzusammensetzung auf Ökosystemprozesse hat.

Um zu beurteilen, wie genau maschinelles Lernen aus den Satellitendaten die tatsächliche Grünlandnutzung erkennt, setzte Lange auf zwei Algorithmen: zum einen auf Random Forest, eine Standardmethode in der Fernerkundung zur Klassifizierung der Landbedeckung, zum anderen auf die Deep Learning-Methode CNN (Convolutional Neural Networks), die vor allem in der Bildverarbeitung eingesetzt wird. Das Ergebnis: „Beide Methoden bilden die Realität gut ab, die CNN-Methode sogar noch etwas besser“, sagt er. Mit der CNN-Methode erhielt der UFZ-Forscher eine Annäherung an die Daten aus den DFG-Biodiversitäts-Exploratorien, die zum Beispiel für das Jahr 2018 zwischen 66 und 85 Prozent betrug (Beweidungsintensität 66 Prozent, Mahdregime 68 Prozent, Düngemitteleinsatz 85 Prozent). Mit der Random Forest-Methode lagen die Zahlen bei allen drei Parametern etwas darunter. Für vergleichbare ökologische Fernerkundungsstudien ist dieser ermittelte Klassifikationsbereich ein hoher Wert, der aber noch gesteigert werden könnte, wenn mehr Praxisdaten zur Grünlandnutzung verfügbar wären. „Je mehr Daten man für das Trainieren einer Methode des Deep Learnings nutzen kann und je genauer diese Daten sind, umso präziser werden hinterher die Ergebnisse“, sagt Maximilian Lange. Um in einem weiteren Schritt die Plausibilität der Satellitendaten zu untersuchen, überprüfte er die Ergebnisse in vier exemplarischen Regionen in Deutschland. Zwei dieser Regionen (Oberallgäu, Dithmarschen) sind für ihre intensive Grünlandnutzung bekannt, während eine in der Nähe des Biosphärenreservats Rhön nur moderat und die andere als Naturschutzgebiet in Sachsen-Anhalt nur gering bewirtschaftet wird. Auch bei diesem Abgleich stimmten die Ergebnisse aus der Fernerkundung mit denen aus der Praxis überein.

Insgesamt fand das UFZ-Team für Deutschland heraus, dass das Grünland 2018 weniger intensiv genutzt wurde als im Jahr 2017. „Dies ist vor allem auf die Dürre im Jahr 2018 und den damit verbunden Produktivitätsverlust des Grünlands zurückzuführen“, sagt Dr. Daniel Doktor, Letztautor der Publikation und Leiter der Arbeitsgruppe Landbedeckung am UFZ. Den Berechnungen zufolge wurden beispielsweise im Jahr 2018 64 Prozent des Grünlands nicht gemäht, 2017 waren es nur 36 Prozent. „Die Ergebnisse zeigen auch, wie regional unterschiedlich Grünland in Deutschland genutzt wird. In Regionen wie dem Allgäu oder in Schleswig-Holstein ist die Pflege zum Teil sehr intensiv, in Brandenburg oder Teilen Sachsens dagegen deutlich extensiver“, bilanziert er. Diese Auswertung sei aber erst ein Anfang. Um mit den Algorithmen des maschinellen Lernens zu noch genaueren Aussagen zu kommen, sind präzisere Managementdaten aus weiteren Regionen Deutschlands nötig.

Weitere Informationen
Die Ergebnisse der Studie haben die UFZ-Forscher in einem Web-Service visualisiert. Die Deutschlandkarte zeigt in einer Auflösung von 20 Metern für die Jahre 2017 und 2018 die Zahl der Mahdereignisse, die Beweidungsintensität, den Einsatz von Dünger, sowie den Grad der Bewirtschaftungsintensität. Bewirtschaftungsintensität 2017/2018

Publikation
Maximilian Lange, Hannes Feilhauer, Ingolf Kühn, Daniel Doktor: Mapping land-use intensities of grasslands in Germany with machine learning and Sentinel-2 time series. Remote Sensing of Environment, 2022.
doi.org/10.1016/j.rse.2022.112888
https://www.sciencedirect.com/science/article/abs/pii/S0034425722000025

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag UFZ: Vom Weltall aus Grünland bewerten erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/neuronales-netzwerk-kann-baumhoehen-von-satellitenbildern-ablesen/ Wed, 20 Apr 2022 16:43:00 +0000 https://www.raumfahrer.net/?p=108915 Mit Hilfe eines künstlichen neuronalen Netzwerks haben ETH-​Forschende eine erste hochaufgelöste globale Vegetationshöhen-​Karte aus Satellitenbildern für das Jahr 2020 erstellt. Die Karte könnte entscheidende Hinweise gegen den Klimawandel und das Artensterben liefern. Eine Pressemitteilung der ETH Zürich. Quelle: ETH Zürich. 20. April 2022 – Seit letztem Jahr befinden wir uns in der UN-​Dekade für die […]

Der Beitrag Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen erschien zuerst auf Raumfahrer.net.

]]> Mit Hilfe eines künstlichen neuronalen Netzwerks haben ETH-​Forschende eine erste hochaufgelöste globale Vegetationshöhen-​Karte aus Satellitenbildern für das Jahr 2020 erstellt. Die Karte könnte entscheidende Hinweise gegen den Klimawandel und das Artensterben liefern. Eine Pressemitteilung der ETH Zürich.

Quelle: ETH Zürich.



20. April 2022 – Seit letztem Jahr befinden wir uns in der UN-​Dekade für die Wiederherstellung von Ökosystemen (engl. «UN Decade on Ecosystem Restoration»). Die Initiative hat sich zum Ziel gesetzt, bis 2030 die Degradation der Ökosysteme aufzuhalten, ihr vorzubeugen und bereits entstandene Schäden, wenn möglich zu beheben. Für solche Vorhaben benötigen die Akteure präzise Grundlagen wie zum Beispiel Vermessungen und Karten des Bestands. Ralph Dubayah, Leiter der «Global Ecosystem Dynamics Investigation (GEDI)»-​Mission der NASA erklärt in einem Interview: «Wir wissen schlicht nicht, wie hoch die Bäume weltweit sind. […] Wir brauchen globale Karten davon, denn wenn wir Bäume fällen, setzen wir CO₂ in die Atmosphäre frei, und wir wissen nicht, um wie viel es sich handelt.»

Auf die Analyse und Aufbereitung ebensolcher Umweltdaten spezialisiert ist das EcoVision Lab am ETH-​Departement für Bau, Umwelt und Geomatik, das 2017 von ETH-​Professor Konrad Schindler und UZH-​Professor Jan Dirk Wegner gegründet wurde. Im Lab entwickeln die Forscher Machine-​Learning-Algorithmen, die es ermöglichen, großflächige Umweltdaten automatisch zu analysieren. Einer dieser Forscher ist Nico Lang. In seiner Doktorarbeit hat er einen Ansatz – basierend auf neuronalen Netzwerken – entwickelt, um aus optischen Satellitenbildern die Vegetationshöhe ableiten zu können. Daraus konnte er die erste Vegetationshöhen-​Karte erstellen, welche die gesamte Erde abdeckt (engl. «Global Canopy Height Map»).

Ein Novum ist zudem die hohe Auflösung der Karte: Dank Langs Arbeit können Nutzer*innen bis zu 10×10 Meter an jedes Waldstück der Erde heranzoomen, um die Baumhöhe abzulesen. Eine solche Vermessung der Wälder könnte in Zukunft insbesondere im Umgang mit dem CO₂-​Ausstoß wegweisend sein, denn die Baumhöhe ist ein wichtiger Indikator für die Biomasse und die Menge an gespeichertem Kohlenstoff. «Etwa 95 Prozent der Biomasse im Wald sind im Holz und nicht in den Blättern. Daher hängt die Biomasse stark mit der Höhe zusammen», klärt Konrad Schindler, Professor für Photogrammetrie und Fernerkundung, auf.

Trainiert mit Laserscanning-​Daten aus dem Weltraum
Doch wie liest ein Computer die Baumhöhe von einem Satellitenbild ab? «Da wir nicht wissen, nach welchen Mustern der Computer Ausschau halten muss, um die Höhe zu schätzen, lassen wir ihn die optimalen Bildfilter selbst lernen», sagt Nico Lang. Daher zeigt er seinem neuronalen Netzwerk Millionen von Beispielen: Als Input dienen die Bilder der zwei Copernicus Sentinel-​2-Satelliten der Europäischen Weltraumorganisation (ESA). Diese Satelliten nehmen alle fünf Tage jeden Ort der Erde mit einer Auflösung von 10×10 Metern pro Pixel auf. Es sind die qualitativ besten Bilder, die zurzeit öffentlich zugänglich sind.

Daneben muss dem Algorithmus die korrekte Antwort – das heißt die Baumhöhe aus Space-​Lasermessungen der NASA GEDI-​Mission – zur Verfügung gestellt werden. «Die GEDI-​Mission liefert global verteilte, punktuelle Daten der Vegetationshöhe zwischen dem 51. nördlichen und südlichen Breitengrad, sodass der Computer im Trainingsprozess viele verschiedene Vegetationstypen sieht», erklärt Nico Lang. Mit Input und Antwort kann sich der Algorithmus die Filter für Textur-​ und Spektralmuster selbst aneignen. Ist das neuronale Netzwerk erst einmal trainiert, kann es die Baumhöhen aus den mehr als 250.000 Bildern (etwa 160 Terabyte Daten), die für die globale Karte notwendig sind, automatisch schätzen.

In der Fachterminologie nennt sich Langs neuronales Netzwerk Convolutional Neural Network (CNN). Die «Convolution» – zu Deutsch Faltung – ist eine mathematische Operation, bei welcher der Algorithmus die 3×3 Pixel großen Bildfilter über das Satellitenbild gleiten lässt und dadurch Informationen über Helligkeitsmuster im Bild erhält. «Der Trick dabei ist, dass wir die Bildfilter stapeln und der Algorithmus dadurch Kontextinformationen erhält, da er von jedem Pixel bereits Informationen über die Nachbarpixel hat», erläutert Konrad Schindler. Dadurch ist es dem EcoVision Lab erstmalig gelungen mit einer Satellitenkarte auch Baumhöhen von bis zu 55 Meter zuverlässig einzuschätzen.

Weil diese neuronalen Netzwerke mit ihren vielen Schichten «tief» sind, spricht man auch von «Deep Learning». Diese Methode läutete vor rund 10 Jahren eine große Revolution in der Bildverarbeitung ein. Der Umgang mit der schieren Menge an Daten, die dazu nötig ist, ist jedoch nach wie vor eine große Herausforderung: Um die globale Vegetationshöhen-​Karte zu berechnen, bräuchte ein leistungsstarker Rechner allein drei Jahre. «Zum Glück haben wir Zugriff auf den ETH-​Hochleistungsrechencluster, sodass wir nicht drei Jahre auf die Berechnung der Karte warten mussten», lacht Nico Lang.

Transparenz durch Abschätzung der Unsicherheiten
Nico Lang bereitete denn nicht nur ein CNN auf diese Aufgabe vor, sondern gleich mehrere – ein sogenanntes Ensemble – davon. «Ein wichtiger Aspekt für uns war, den Nutzer*innen auch die Unsicherheit der Schätzung mitzuliefern», sagt er. Die insgesamt fünf neuronalen Netzwerke wurden unabhängig voneinander trainiert, wobei jedes seine eigene Schätzung der Baumhöhen angibt.

«Sind alle Modelle einer Meinung, ist die Antwort auf Basis der Trainingsdaten eindeutig. Kommen die Modelle zu unterschiedlichen Antworten, bedeutet dies, dass es eine höhere Unsicherheit in der Schätzung gibt», erklärt Nico Lang. In die Modellierung fließen auch Unsicherheiten in den Daten selbst mit ein: Ist ein Satellitenbild beispielsweise dunstig, ist die Unsicherheit grösser, als wenn die atmosphärischen Verhältnisse gut sind.

Grundlage für zukünftige ökologische Forschung
Dank ihrer hohen Auflösung bietet Langs globale Karte Einblick in interessante Details: «Wir konnten bereits spannende Muster entdecken», erzählt Konrad Schindler. «In den Rocky Mountains beispielsweise wird die Forstwirtschaft in fixen Quadraten betrieben und auch der Regenwald formt interessante Strukturen, die nicht zufällig sein können.» Nun sei es Ökolog*innen möglich, die aufgenommenen Muster und Daten weltumfassend zu interpretieren.

Damit die Forschung weitergeführt werden kann, werden die Karte sowie der Source Code öffentlich zugänglich sein. Erste Interessenten haben sich bereits gemeldet: Walter Jetz, Professor an der Yale Universität, möchte die Global Canopy Height Map zur Biodiversitätsmodellierung nutzen. Doch auch für Regierungen, Verwaltungen und NGOs könnte die Karte interessant sein. «Dank Sentinel-​2 könnte man alle fünf Tage die Vegetationshöhen neu berechnen und hätte so ein Monitoring, um die Regenwaldabholzung zu beobachten», meint Nico Lang.

Darüber hinaus sei es nun auch möglich, regionale Erkenntnisse wie die Eigenschaft von tropischen Blätterdächern als klimatischer Puffer zu wirken, global zu validieren. Gekoppelt mit dem High Carbon Stock Approach, der wertvolle Wälder für Kohlenstoffspeicherung und Biodiversität klassifiziert, ist die Vegetationshöhen-​Karte eine wichtige Grundlage für die Erhaltung und Stärkung der Ökosysteme. Gemäß Langs Berechnungen befindet sich bloß auf 5 Prozent der Landmasse Vegetation von mehr als 30 Metern Höhe und nur 34 Prozent davon stehen in geschützten Gebieten.

Da die GEDI-​Mission im Jahr 2023 beendet werden soll, bietet Langs neu entwickelter Ansatz die Möglichkeit auch zukünftig Vegetationshöhen zu kartieren. Allerdings wäre eine Verlängerung der GEDI-​Mission, über die zurzeit auch international in Mediencall_made diskutiert wird, wichtig, um die Daten mit zukünftigen Satellitenmissionen wie der ESA Biomass Mission abzugleichen und das Modell auf Veränderungen zu kalibrieren.

Originalpublikation:
ETH: https://ethz.ch/de/news-und-veranstaltungen/eth-news/news/2022/04/neuronales-netzwerk-kann-baumhoehen-von-satellitenbildern-ablesen.html
arXiv: https://arxiv.org/abs/2204.08322

Diskutieren Sie mit im Raumcon-Forum:

• Planet Erde

Der Beitrag Neuronales Netzwerk kann Baumhöhen von Satellitenbildern ablesen erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/neuronales-netz-analysiert-gravitationswellen-in-echtzeit/ Wed, 08 Dec 2021 20:27:00 +0000 https://www.raumfahrer.net/?p=104551 Forschende trainieren ein neuronales Netz darauf, in nur wenigen Sekunden die Eigenschaften verschmelzender schwarzen Löcher anhand der abgestrahlten Gravitationswellen präzise abzuschätzen. Das Netzwerk bestimmt die Massen und Eigendrehimpulse der schwarzen Löcher, sowie wo am Himmel, in welchem Winkel und wie weit von der Erde entfernt die Verschmelzung stattgefunden hat. Eine Pressemitteilung des Max-Planck-Instituts für Intelligente […]

Der Beitrag Neuronales Netz analysiert Gravitationswellen in Echtzeit erschien zuerst auf Raumfahrer.net.

]]> Forschende trainieren ein neuronales Netz darauf, in nur wenigen Sekunden die Eigenschaften verschmelzender schwarzen Löcher anhand der abgestrahlten Gravitationswellen präzise abzuschätzen. Das Netzwerk bestimmt die Massen und Eigendrehimpulse der schwarzen Löcher, sowie wo am Himmel, in welchem Winkel und wie weit von der Erde entfernt die Verschmelzung stattgefunden hat. Eine Pressemitteilung des Max-Planck-Instituts für Intelligente Systeme.

Quelle: Max-Planck-Institut für Intelligente Systeme (MPI-IS).



Tübingen/Potsdam/Maryland 8. Dezember 2021 – Schwarze Löcher sind eines der größten Rätsel des Universums. Mit einer Masse Milliarden mal so groß wie die unserer Sonne erzeugen zwei ineinander verschmelzende schwarze Löcher in einer gewaltigen Explosion eine Gravitationswelle, die sich mit Lichtgeschwindigkeit im Universum ausbreitet. Gigantische Detektoren in den USA (LIGO) und Italien (Virgo) messen diesen Beleg für das von Albert Einstein 1916 vorhergesagte Phänomen: die Veränderung der Raumzeit. Ein Beben des Universums. 100 Jahre später wurde die erste Gravitationswelle tatsächlich gemessen. Kurz darauf, im Jahr 2017 folgte dafür der Physik-Nobelpreis.

Seit der ersten Entdeckung von Gravitationswellen vergleichen die LIGO- und Virgo-Wissenschaftler*innen die von den Observatorien gesammelten Daten mit theoretischen Vorhersagen, um so die Eigenschaften der Quelle abzuschätzen, z. B. wie groß die schwarzen Löcher sind und wie schnell sie sich drehen. Derzeit dauert dieses Verfahren mehrere Stunden, oft sogar Monate.

Ein interdisziplinäres Forscherteam des Max-Planck-Instituts für Intelligente Systeme (MPI-IS) in Tübingen und des Max-Planck-Instituts für Gravitationsphysik (Albert-Einstein-Institut/AEI) in Potsdam nutzt modernste Methoden des maschinellen Lernens, um diesen Prozess zu beschleunigen. Die Wissenschaftler*innen entwickelten einen Algorithmus, der ein tiefes neuronales Netz verwendet, das ähnlich wie ein menschliches Gehirn auf mehreren Ebenen große Datensätze analysiert. Sekundenschnell schließt das System auf alle Eigenschaften der beiden miteinander verschmelzenden schwarzen Löcher. Die Forschungsergebnisse wurden heute in der bedeutendsten Fachzeitschrift für Physik, den Physical Review Letters, veröffentlicht.

„Unsere Methode kann in wenigen Sekunden sehr genaue Aussagen darüber treffen, wie groß und schwer die zwei schwarzen Löcher waren, die bei ihrer Verschmelzung die Gravitationswellen erzeugt haben. Wie schnell rotieren die schwarzen Löcher, wie weit sind sie von der Erde entfernt und aus welcher Richtung kommt die Gravitationswelle? All diese Informationen können wir aus den Beobachtungsdaten ableiten und darüber hinaus Aussagen über die Genauigkeit dieser Berechnung treffen“, erklärt Maximilian Dax, Erstautor der Publikation Real-Time Gravitational Wave Science with Neural Posterior Estimation. Der Doktorand der Abteilung für Empirische Inferenz am MPI-IS ist Mitglied der LIGO Scientific Collaboration.

Das Forscherteam trainierte das neuronale Netz mit vielen Simulationen — vorausberechnete Gravitationswellen für hypothetische Doppelsysteme von schwarzen Löchern kombiniert mit dem Rauschen der Detektoren. Auf diese Weise lernt das Netzwerk die Zusammenhänge zwischen den gemessenen Gravitationswellendaten und den Parametern, die das zugrunde liegende System schwarzer Löcher charakterisieren. Es dauert zehn Tage, bis der Algorithmus namens DINGO (die Abkürzung steht für Deep INference for Gravitational-wave Observations) ausgelernt hat. Dann ist er einsatzbereit: in nur wenigen Sekunden leitet das Netzwerk aus den Daten neu beobachteter Gravitationswellen die Größe, die Eigendrehimpulse und alle anderen Parameter ab, die die schwarzen Löcher beschreiben. Die hochgenaue Analyse entschlüsselt fast in Echtzeit die Kräuselungen der Raumzeit – das hat es in dieser Geschwindigkeit und Präzision noch nie gegeben.

„Je weiter wir mit immer empfindlicheren Detektoren ins Weltall blicken, desto mehr Gravitationswellen werden gemessen. Schnelle Methoden wie die unsere sind daher unerlässlich, um all diese Daten in angemessener Zeit zu analysieren“, sagt Stephen Green, Wissenschaftler in der Abteilung Astrophysikalische und Kosmologische Relativitätstheorie am AEI. „DINGO hat den Vorteil, dass es – einmal trainiert – neue Ereignisse sehr schnell analysieren kann. Wichtig ist dabei auch, dass es detaillierte Schätzungen der Ungenauigkeit von Parametern liefert, die in der Vergangenheit mit Methoden des maschinellen Lernens nur schwer zu ermitteln waren.“

Bislang verwenden die Forscher*innen der LIGO- und Virgo-Kollaborationen sehr rechenintensive Algorithmen zur Analyse der Daten. Sie benötigen für die Interpretation jeder Messung Millionen neuer Simulationen von Gravitationswellen. Das dauert mehrere Stunden bis Monate – DINGO jedoch ist weitaus schneller, da das trainierte Netzwerk keine weiteren Simulationen für die Analyse neuer Beobachtungsdaten benötigt; ein Verfahren, das als „amortisierte Inferenz“ bekannt ist.

Diskutieren Sie mit im Raumcon-Forum:

• Gravitationswellen

Der Beitrag Neuronales Netz analysiert Gravitationswellen in Echtzeit erschien zuerst auf Raumfahrer.net.

]]> https://www.raumfahrer.net/chancen-und-grenzen-von-ki-in-der-klimamodellierung/ Wed, 08 Sep 2021 17:41:00 +0000 https://www.raumfahrer.net/?p=93253 Erdsystemmodelle sind die wichtigsten Werkzeuge, um den physikalischen Zustand der Erde quantitativ zu beschreiben und – beispielsweise im Rahmen von Klimamodellen – vorherzusagen, wie er sich in Zukunft unter dem Einfluss der menschlichen Aktivitäten verändern könnte. Eine Pressemitteilung des Helmholtz-Zentrum Potsdam – Deutsches GeoForschungsZentrum GFZ. Quelle: GFZ. 8. September 2021 – Wie die vermehrt eingesetzten […]

Der Beitrag Chancen und Grenzen von KI in der Klimamodellierung erschien zuerst auf Raumfahrer.net.

]]> Erdsystemmodelle sind die wichtigsten Werkzeuge, um den physikalischen Zustand der Erde quantitativ zu beschreiben und – beispielsweise im Rahmen von Klimamodellen – vorherzusagen, wie er sich in Zukunft unter dem Einfluss der menschlichen Aktivitäten verändern könnte. Eine Pressemitteilung des Helmholtz-Zentrum Potsdam – Deutsches GeoForschungsZentrum GFZ.

Quelle: GFZ.



8. September 2021 – Wie die vermehrt eingesetzten Methoden der Künstlichen Intelligenz (KI) helfen können, Prognosen zu verbessern, und wo die Grenzen zweier Ansätze liegen, hat ein internationales Team um Christopher Irrgang vom Deutschen GeoForschungsZentrum Potsdam (GFZ) jetzt in einem Perspektiven-Artikel für das Journal Nature Machine Intelligence ausgeführt. Ein wesentlicher Vorschlag: beide Ansätze zu einer selbstlernenden „Neuronalen Erdsystemmodellierung“ zu verschmelzen.

Die Erde als System – eine Herausforderung

Die Entwicklung der Erde ist ein komplexes Zusammenspiel aus vielen Faktoren, darunter die Landoberfläche mit Flora und Fauna, die Ozeane mit ihrem Ökosystem, die Polargebiete, die Atmosphäre, der Kohlenstoffzyklus und andere biogeochemische Zyklen, sowie Strahlungsprozesse. Forschende sprechen deshalb auch vom System Erde.

Bei derartig vielen miteinander gekoppelten Einflusssphären und -faktoren ist es eine große Herausforderung, künftige Entwicklungen vorherzusagen, wie es etwa im Rahmen der Forschungen zum Klimawandel erforderlich ist. „Hier wurden in den letzten Jahren enorme Fortschritte erzielt“, sagt Christopher Irrgang, Hauptautor der Studie und am GFZ Postdoktorand in der Sektion Erdsystemmodellierung. So fasst der kürzlich veröffentlichte sechste Sachstandsbericht des IPCC unser derzeitiges Wissen über die künftigen Auswirkungen verschiedener Szenarien für Treibhausgasemissionen so detailliert zusammen wie nie zuvor.

Der Bericht stützt sich einerseits auf immer umfangreichere und detailliertere Erkenntnisse aus Beobachtungen und Messungen des Erdsystems, um die vergangene Erwärmung und ihre Auswirkungen, etwa in Form von zunehmenden Extremereignissen, zu bewerten, und andererseits auf eine Vielzahl von Simulationen, die mit modernsten Erdsystemmodellen (ESMs) durchgeführt wurden.

Klassische Erdsystemmodellierung stark verbessert

Die klassischen Erdsystemmodelle basieren auf mehr oder weniger gut bekannten physikalischen Gesetzmäßigkeiten. Mithilfe mathematischer und numerischer Methoden wird aus dem Zustand eines Systems zu einem gegenwärtigen oder vergangenen Zeitpunkt der Zustand des Systems zu einem zukünftigen Zeitpunkt berechnet.

Erdsystemmodelle haben sich in den letzten Jahrzehnten kontinuierlich verbessert: Es kann eine noch nie dagewesene Anzahl von Teilsystemen und Prozessen der Erde berücksichtigt werden, inklusive – in Ansätzen – so komplexer Schlüsselprozesse wie die Effekte von Wolken. Ihre Leistungsfähigkeit zeigt sich zum Beispiel darin, dass sie die Entwicklung der mittleren globalen Temperatur seit Beginn der Datennahme sehr gut nachzeichnen können. Und mittlerweile sind auch Aussagen über Auswirkungen des Klimawandels auf regionaler Ebene möglich.

Limitierungen

Der Preis ist allerdings, dass die immer komplexeren ESMs auch zunehmend größere Rechenkapazitäten benötigen. Trotz dieser Entwicklung sind auch die Vorhersagen der neuesten Modelle mit Unsicherheiten behaftet. So neigen sie beispielsweise dazu, die Stärke und Häufigkeit von Extremereignissen zu unterschätzen. Forschende befürchten, dass in bestimmten Teilsystemen der Erde abrupte Veränderungen auftreten könnten, sogenannte Kippelemente im Klimasystem, welche die klassischen Modellierungsansätze bisher nur schlecht vorhersagen. Und viele Schlüsselprozesse wie die Art der Landnutzung oder die Verfügbarkeit von Wasser und Nährstoffen können (noch) nicht gut in heutigen Modellen repräsentiert werden.

Ansätze des Maschinellen Lernens halten Einzug

Die Herausforderungen der klassischen ESM-Ansätze, aber auch die immer größeren verfügbaren Mengen gesammelter Erdbeobachtungen öffnen das Feld für den Einsatz Künstlicher Intelligenz. Dahinter verbergen sich zum Beispiel Methoden des Maschinellen Lernens (ML) wie Neuronale Netze, Zufallswälder oder Support-Vektor-Maschinen. Ihr Vorteil: Sie sind selbstlernende Systeme, die keine Kenntnis über die – womöglich sehr komplexen oder gar nicht vollständig bekannten – physikalischen Gesetze und Beziehungen benötigen. Stattdessen werden sie an großen Datensätzen für bestimmte Aufgaben trainiert und lernen die dahinter liegenden Systematiken selbst. Dieses flexible und leistungsfähige Konzept kann auf nahezu jede gewünschte Komplexität erweitert werden.

Ein neuronales Netz lässt sich beispielsweise darauf trainieren, Muster in Satellitenbildern zu erkennen und zu klassifizieren, wie Wolkenstrukturen, Ozeanwirbel oder die Qualität von Ernten. Oder es lernt, eine Wettervorhersage auf der Grundlage früherer Aufzeichnungen, Modelle und physikalischer Bilanzgleichungen zu erstellen.

„Obwohl erste Studien bereits in den 1990er Jahren gezeigt haben, dass Konzepte des Maschinellen Lernens besonders in der Bildanalyse gewinnbringend eingesetzt werden können, findet die ‚Kambrische Explosion‘ der KI in den Erd- und Klimawissenschaften erst seit etwa fünf Jahren statt“, stellt Irrgang fest. Nicht zuletzt, weil die Pools an Mess- und Modell-Daten täglich wachsen und mehr und mehr gebrauchsfertige ML-Bibliotheken zur Verfügung stehen.

Wie vertrauenswürdig sind die Ergebnisse der Künstlichen Intelligenz?

Inwieweit dieser selbstlernende Ansatz allerdings tatsächlich die klassischen Modellierungsansätze erweitern oder sogar ersetzen kann, bleibe abzuwarten. Denn auch das Maschinelle Lernen hat – noch – seine Tücken: „Viele der heutigen ML-Anwendungen für die Klimawissenschaften sind Proof-of-Concept-Studien, die in einer vereinfachten Umgebung funktionieren. Es wird sich erst zeigen, wie gut sich das für den operationellen und zuverlässigen Einsatz eignet“, resümiert Irrgang.

Ein weiterer entscheidender Aspekt: Wie bei einer Black Box sind zwar Input und Output bekannt, aber die dahinterstehenden Prozesse zur Erkenntnisgewinnung nicht. Das bereitet Probleme, die Ergebnisse auf physikalische Konsistenz zu prüfen, auch wenn sie plausibel erscheinen. „Interpretierbarkeit und Erklärbarkeit sind wichtige Themen im Zusammenhang mit maschinellem Lernen, die künftig verbessert werden müssen, um die Transparenz und das Vertrauen in die Methode zu stärken. Insbesondere wenn die Ergebnisse der Vorhersagen eine wichtige Grundlage für politische Entscheidungen bilden, wie das im Rahmen der Klimaforschung der Fall ist“, betonen die Autoren der Studie.

Ein dritter Weg: Hybride aus ESM und KI als neuer Forschungszweig

In der vorliegenden Veröffentlichung schlägt das Team um den studierten Mathematiker einen dritten Weg vor: die Vernetzung der beiden zuvor besprochenen Ansätze zu einer „Neuronalen Erdsystemmodellierung“. Auf diese Weise könnten die jeweiligen Stärken kombiniert und ihre Grenzen ausgedehnt werden. Erste vielversprechende Schritte auf diesem Weg gibt es bereits. So wird ML nicht mehr nur in der puren Datenanalyse eingesetzt, sondern auch, um in klassischen ESMs bestimmte Prozessschritte zu übernehmen oder zu beschleunigen. Dadurch würden dann wiederum Rechenkapazitäten frei, die in weitere Modellverfeinerungen fließen könnten.

In Zukunft können neue Schnittstellen für einen dynamischen Austausch an Informationen zwischen den beiden Ansätzen sorgen, sodass sie sich gegenseitig kontinuierlich verbessern. Diese tiefgreifende Erweiterung der klassischen Prozess-basierten Erd- und Klimaforschung hebt neuronale Erdsystemmodellierung zu einem eigenständigen und sich schnell entwickelnden Forschungszweig. Im Zentrum stehen dabei hybride Systeme, die selbst ihre physikalische Konsistenz überprüfen, korrigieren, und verbessern können und damit auch genauere Vorhersagen über geophysikalische und klimarelevante Prozesse liefern.

Aktuell, so resümieren die Forschenden um Irrgang, seien KI und der hybride Ansatz noch mit vielen Limitierungen und Fallstricken behaftet und es sei bei weitem nicht klar, dass der aktuelle Hype um den Einsatz der Künstlichen Intelligenz – zumindest allein – die offenen Probleme der Erd- und Klimaforschung lösen wird. In jedem Fall aber lohne es sich, diesen Weg zu beschreiten. Dafür müsse es allerdings eine enge Zusammenarbeit zwischen der Klima- und Geoforschung auf der einen und den Expert*innen der KI auf der anderen Seite geben.

Originalstudie: Christopher Irrgang, Niklas Boers, Maike Sonnewald, Elizabeth A. Barnes, Christopher Kadow, Joanna Staneva & Jan Saynisch-Wagner, Towards neural Earth system modelling by integrating artificial intelligence in Earth system science. Nat Mach Intell 3, 667–674 (2021). DOI: 10.1038/s42256-021-00374-3

Diskutieren Sie mit im Raumcon-Forum:

• Klimawandel

Der Beitrag Chancen und Grenzen von KI in der Klimamodellierung erschien zuerst auf Raumfahrer.net.

]]>