Unsicherheit bei Big Data-Anwendungen: Lehren aus Klimasimulationen

In diesem Projekt wurden Simulationen, die auf physikalischen Theorien basieren, mit statistischen Analysen von grossen Mengen unstrukturierter Daten kombiniert, um Trendprognosen von Unwettern und ihren Folgen zu erstellen. Weiter wurden auch die Unsicherheiten dieser Prognosen untersucht. Zudem wurde zusammen mit MeteoSchweiz ein Prototyp eines Wetterauswirkungsmodells entwickelt.

  • Porträt / Projektbeschrieb (abgeschlossenes Forschungsprojekt)

    Dropdown Icon

    Der naturwissenschaftliche Teil erforschte den Einsatz von Big Data zur Validierung und Kalibrierung von Wetter- und Klimamodellen und prüfte, ob damit die Unsicherheit der Voraussagen reduziert werden kann. In Kooperation mit MeteoSchweiz untersuchte das Projekt Hürden, die sich beim praktischen Einsatz solcher Modelle stellen. Der philosophische Teil analysierte die Argumente, auf welche sich die Voraussagen im naturwissenschaftlichen Teil stützten, entwickelte eine Typologie der Unsicherheiten dieser Voraussagen und erarbeitete eine systematische Klassifikation der Auswirkungen von Unwetterrisiken. In diesem Projekt wurden Tools entwickelt, um kostengünstige Sensordaten in Studien über die Auswirkungen des Klimawandels zu nutzen. Der Syntheseteil untersuchte Bedingungen für die Übertragung der methodischen Resultate auf andere Anwendungsbereiche von Big-Data-Ansätzen sowie Folgen für die Weiterentwicklung der wissenschaftlichen Methodik.

  • Hintergrund

    Dropdown Icon

    Big Data ist als ein neuer wissenschaftlicher Ansatz propagiert worden, der ohne theoretisches Wissen auskommt. Doch bei der Analyse der Daten werden implizit Theorien verwendet, ohne dass ihre Funktionen für die Organisation und Auswertung der Datensätze bisher philosophisch analysiert worden wären. Die Wetter- und Klimaforschung ist dafür ein geeignetes Forschungsfeld. In Bezug auf die soziökonomischen Auswirkungen von Wetter- und Klima gibt es noch keinen abschliessenden Vergleich der Vor- und Nachteile prozessbasierter Modelle gegenüber statistischen Methoden. Big Data wurde noch nicht eingesetzt, um Modelle zu prüfen, die Wetter, Klima und gesellschaftliche Entscheidungen zusammen betrachten.

  • Ziele

    Dropdown Icon

    Ziele des Projekts waren:

    1. ein Prototyp eines Wetter- und Klima-Auswirkungsmodells, das mit Big-Data-Ansätzen das Potential, die Grenzen und die Unsicherheit gegenwärtiger Ereignisse und zukünftiger Trends von Unwettern und deren Folgen untersucht;
    2. eine Typologie der dabei auftretenden Unsicherheiten und eine Analyse der Argumente, mit denen Aussagen über Trends in Unwetterrisiken gerechtfertigt werden;
    3. Kriterien für die Übertragbarkeit der Resultate für Unwetterrisiken auf andere Anwendungsbereiche von Big-Data-Ansätzen, insbesondere in Problemstellungen anderer Projekte im NFP 75.
  • Bedeutung / Anwendung

    Dropdown Icon

    Die Quantifizierung von Wetter- und Klimarisiken ist von hohem ökonomischem und gesellschaftlichem Wert. Meist werden Schäden erst im Nachhinein abgeschätzt. Zur Vorausschätzung fehlen noch die Instrumente, obwohl sie wahrscheinlich technisch machbar wären. Das Projekt lieferte ein besseres Verständnis der Hürden, die einer praktischen Anwendung eines Voraussagemodells im Wege stehen. Mit MeteoSchweiz wurden regelmässig Ideen und Ergebnisse zur Entwicklung der operativen Seite ausgetauscht.

  • Resultate

    Dropdown Icon

    Mehrere Pionierstudien im Rahmen dieses Projekts haben sowohl die konzeptionellen als auch die praktischen Möglichkeiten und Herausforderungen bei der Verwendung von Big-Data-Tools und Daten unbekannter Qualität in der Klimamodellierung und in Studien zu den Auswirkungen des Klimawandels untersucht und den Weg für künftige Anwendungen geebnet. Mit der Verfügbarkeit von viel mehr Daten und Rechnerkapazitäten wächst dieser Bereich schnell, aber es bleiben wichtige Fragen offen, wie Big Data mit dem Verständnis von Prozessen kombiniert werden kann und wie Fortschritte bei interpretierbaren maschinellen Lernmethoden erzielt werden können. In Fällen, in denen eine wiederholte Überprüfung nicht möglich ist, ist der Prozess der Vertrauensbildung eine Herausforderung und hängt oft vom Verständnis der relevanten Prozesse und Einflussfaktoren ab. Methoden des maschinellen Lernens sind in dieser Hinsicht von Natur aus begrenzt, können jedoch Informationsmuster extrahieren, die sonst unzugänglich wären. Der Schlüssel wird darin liegen, das Beste aus beiden Welten zu kombinieren, und dieses Projekt hat dafür eine wichtige Grundlage geschaffen.

  • Originaltitel

    Dropdown Icon

    Combining theory with Big Data? The case of uncertainty in prediction of trends in extreme weather and impacts