Maschinelles Lernen und der Klimawandel

Da die Erzeugung erneuerbarer Energien je nach Windverhältnissen und Sonneneinstrahlung variiert, lassen Energieversorger emittierende Anlagen auf Standby laufen, die bei unerwarteten Produktionsengpässen Strom in das Netz einspeisen können. Durch den Einsatz von Machine Learning zur besseren Vorhersage, wie viel Strom aus erneuerbaren Quellen erzeugt wird und auch wie viel Strombedarf es gibt, kann die Abhängigkeit von emittierenden Standby-Anlagen reduziert werden. Darüber hinaus helfen langfristige Prognosen den Energieversorgern zu verstehen, wo und wie viele neue erneuerbare Anlagen gebaut werden sollten.

Bei der Solarenergie können Energieversorger bessere Vorhersagen treffen, wenn sie wissen, wie viel Solarmodulkapazität in ihrer Region vorhanden ist. Anhand von Satellitendaten kann Maschinelles Lernen Solarmodule erkennen und Versorger über die geschätzte Solarkapazität informieren. Darüber hinaus kann Maschinelles Lernen mit Hilfe historischer Daten über die Stromerzeugung von Solarmodulen Fehler bemerken, wie z. B. den Defekt eines Solarmoduls. Betroffene Kunden können so umgehend über Ereignisse informiert werden.

Die Erkennung von unbeabsichtigten Methanausstößen

Ein Teil von fossilen Brennstoffen gehen beim Transport verloren, zum Beispiel durch Undichtigkeiten in Rohrleitungen. Da die erderwärmende Wirkung von Methan im Vergleich zu CO2 ungefähr 30-fach so hoch ist, sollte deren Freisetzung in die Atmosphäre vermieden werden. Auf der Grundlage von Daten von Vor-Ort-Sensoren und Satellitensensoren können Methanleckagen in Erdgasleitungen erkannt und darüber hinaus die Wartung der Pipeline prognostiziert werden. Maschinelles Lernen kann die Daten dieser Sensoren nutzen, um die spektrale Signatur von Methan im Sonnenlicht zu erkennen, welches von der Erdoberfläche reflektiert wird.

Eine schnellere Erforschung neuer Materialien

Der Prozess der Entdeckung neuer Materialien kann langsam vonstatten gehen, da nicht alle Kombinationen zahlreicher Parameter getestet werden können, so dass Experten häufig Heuristiken anwenden müssen. Maschinelles Lernen kann die Entdeckung von Materialien beschleunigen, indem es Teile des Prozesses automatisiert. Als Beispiel kann die Erforschung besserer Batterietechnologien beschleunigt werden, indem die Leitfähigkeit verschiedener Zusammensetzungen auf der Grundlage experimenteller Daten vorhergesagt wird.

Verkehrswesen

Der Verkehr ist für rund ein Viertel der weltweiten energiebedingten CO2-Emissionen verantwortlich. Der Personen- und Güterverkehr ist jeweils für etwa die Hälfte der Treibhausgasemissionen des Verkehrs verantwortlich. Zwei Drittel der Emissionen werden durch den Straßenverkehr verursacht, aber auch die Emissionen des Luftverkehrs nehmen zu. Maschinelles Lernen kann auf einige Weisen Treibhausgase reduzieren. Schauen wir uns im Folgenden 5 Lösungsansätze an: eine bessere Einschätzung der Verkehrsmittelnachfrage, die Evaluierung von Sharing-Mobilitätslösungen hinsichtlich Wechselverhalten, eine ausgeglichenere Verteilung von Leihfahrrädern, autonomes Fahren und Elektrofahrzeuge.

Eine bessere Einschätzung der Verkehrsmittelnachfrage

Durch das Verständnis der Verkehrsmuster und die Modellierung der Verkehrsnachfrage können Stadtplaner intelligentere Entscheidungen treffen, wie sie kohlenstoffarme Verkehrsmittel fördern können. Im Falle des öffentlichen Verkehrs kann ML auf Smartcard-Daten oder Online-Buchungsdaten zurückgreifen, um Verhaltensmuster zu entdecken und die Nachfrage zu ermitteln.

Die Evaluierung von Sharing-Mobilitätslösungen hinsichtlich Wechselverhalten

Sharing-Mobilitätslösungen wie Car-Sharing, Bike-Sharing oder E-Scooter-Sharing sind auf dem Vormarsch, aber wir wissen noch nicht, ob diese langfristig zu niedrigeren Treibhausgasemissionen führen werden. Wenn beispielsweise jemand anfängt, Car-Sharing anstelle von öffentlichen Verkehrsmitteln zu nutzen, entstehen durch den Wechsel in diesem Beispiel mehr Treibhausgase. Maschinelles Lernen kann helfen, das Wechselverhalten von Kunden zwischen verschiedenen Mobilitätslösungen vorherzusagen. Somit kann ein Einblick gewonnen werden, wann ein Sharing-Angebot Treibhausgase reduzieren würde und wann dies vermutlich nicht der Fall sein wird.

Eine ausgeglichenere Verteilung von Leihfahrrädern

Sharing-Angebote wie die gemeinsame Nutzung von Fahrrädern leiden oft unter dem Problem der Ungleichverteilung. Dies geschieht, wenn sich im Laufe eines Zeitraums Fahrräder in bestimmten Gebieten ansammeln und in anderen Gebieten völlig fehlen, was diese Angebote weniger attraktiv macht. Maschinelles Lernen kann die Nachfrage an Orten vorhersagen und dadurch intelligente Preismechanismen ermöglichen. Durch günstigere Preise an Orten mit Überangebot können Anreize gesetzt werden, diese in andere Regionen mit Angebotsmangel zu fahren, wodurch Fahrräder ausgewogener verteilt werden können.

Autonomes Fahren

Autonome Fahrzeuge sind derzeit ein beliebtes Thema, obwohl noch unklar ist, ob sie zu weniger oder mehr Verkehr führen werden. Es gibt Szenarien, in denen eine Einsparung von Treibhausgasen sehr wahrscheinlich ist. Maschinelles Lernen könnte zum Beispiel das LKW-"Platooning" verbessern, bei welchem mehrere LKW sehr nahe beieinander fahren können, da sie aufgrund autonomer Systeme quasi gleichzeitig bremsen und beschleunigen können. Ein geringerer Abstand zwischen den LKWs würde zu einem geringeren Luftwiderstand und damit einhergehend zu einem geringeren Kraftstoffverbrauch führen.

Elektrofahrzeug-Technologien

Elektrofahrzeug-Technologien gelten als die Hauptlösung zur Dekarbonisierung des Verkehrs. Batterien, Wasserstoff-Brennstoffzellen und elektrifizierte Eisenbahnen und Straßen werden alle als Elektrofahrzeug-Technologien betrachtet. Diese Technologien können sehr geringe Treibhausgasemissionen aufweisen, wenn der von ihnen verbrauchte Strom überwiegend aus erneuerbaren Energien stammt. Maschinelles Lernen kann zum Beispiel dabei helfen, die verbleibende Lebensdauer einer Batterie vorherzusagen. Es kann allerdings auch genutzt werden, um die Ladeinfrastruktur zu verbessern. So kann zum Beispiel vorhergesagt werden, wann Elektroautos geladen werden. Diese Information können Netzbetreiber nutzen, um das Stromangebot der zu erwartenden Stromlast anzupassen.

Gebäude & Städte

Gebäude sind für etwa ein Viertel der weltweiten energiebedingten Treibhausgasemissionen verantwortlich und es besteht ein enormes Potenzial zur Emissionsreduzierung in bestehenden und neuen Gebäuden. Werfen wir nun einen Blick auf 3 Lösungen in Bezug auf Heizungen & Klimaanlagen, den CO2-Abdruck von Städten und Smart-City-Projekte.

Heizungen & Klimaanlagen

Der größte Teil des Energieverbrauchs von Gebäuden wird durch Heizungen, Lüftungssysteme und Klimaanlagen verursacht. Mit Maschinellem Lernen könnte der Energieverbrauch von Heizungen und Klimaanlagen reduziert werden. Darüber hinaus könnte man Maschinelles Lernen dazu nutzen, einen Austritt von Kältemitteln aus Geräten wie Klimaanlagen zu erkennen. Kältemittel enthalten häufig Fluorkohlenwasserstoffe (FKW), welche im Vergleich zu CO2 die Atmosphäre bis zu 9000-mal stärker erwärmen. FKWs sind nicht zu verwechseln mit FCKWs (Fluorchlorkohlenwasserstoffe), welche bereits seit mehr als 25 Jahren verboten sind. Obwohl die meisten Länder planen, FKWs innerhalb des nächsten Jahrzehnts zu verbieten (Kigali Amendment [2]) und den Einsatz weniger schädlicher Gase fordern, könnten Geräte, die FKWs zur Kühlung verwenden, noch deutlich länger im Umlauf sein. Auf Basis von Sensordaten könnte Maschinelles Lernen Ausstöße von FKW frühzeitig erkennen.

Den CO2-Fußabdruck von Städten verstehen

Kommunalpolitiker und Bürgermeister, welche Städte gestalten und emissionsmindernde Vorschriften erlassen können, müssen häufig Entscheidungen treffen, ohne ausreichend Daten über ihre Stadt zu besitzen. Sie könnten von emissionsbezogenen Daten über ihre Stadt und Gebäude profitieren, um klimafreundlichere Entscheidungen zu treffen. Zum Beispiel können mit Hilfe von Satellitenbildern alle Gebäude hinsichtlich ihres geschätzten Energieverbrauchs klassifiziert werden. Ein Projekt, welches Gebäude in Städten Frankreichs klassifiziert, ist das Projekt MApUCE [3].

Smart-City-Projekte

Smart-City-Projekte, welche klimafreundliche Lösungen in Bereichen wie Renovierung, Heizung, Abfallwirtschaft und Mobilität demonstrieren, werden hauptsächlich im globalen Norden durchgeführt. Das größte Potenzial zur Bremsung des Klimawandels liegt jedoch im globalen Süden. Maschinelles Lernen kann Städte hinsichtlich verschiedener Faktoren clustern, wie z. B. auf Ähnlichkeiten der Benzinpreise und Bevölkerungsdichte zweier Länder. Das Clustering erleichtert die Identifizierung von Städten im globalen Süden, die ähnliche Eigenschaften wie Städte mit bewährten Klimalösungen aufweisen und daher ideale Kandidaten für die Nachbildung dieser Lösung sein könnten.

Land- & Forstwirtschaft

Insgesamt wird geschätzt, dass die weltweite Landnutzung für etwa ein Viertel der Treibhausgasemissionen verantwortlich ist. Es wird erwartet, dass der schmelzende Permafrost in der Arktis in den nächsten Jahrzehnten 12-17 Prozent der globalen Emissionen verursachen wird. Darüber hinaus setzt eine Zunahme von Waldbränden auch gebundenes CO2 frei. Laut Project Drawdown – einer Forschungsorganisation, welche die tragfähigsten globalen Klimalösungen überprüft, analysiert und identifiziert – könnte ein Drittel aller potenziellen Treibhausgaseinsparungen durch ein besseres Landmanagement und eine effizientere Landwirtschaft erzielt werden [4]. In der Land- & Forstwirtschaft gibt es drei wesentliche Emissionsursachen: Abholzungen, Pflügen des Bodens und Düngemittel. Düngemittel zum Beispiel setzen Lachgas frei, welches die Atmosphäre im Vergleich zu CO2 300-fach stärker erwärmt. Schauen wir uns einmal drei Lösungsansätze für die Landwirtschaft, Wälder und Moore an.

Landwirtschaft

Allein die Landwirtschaft ist für rund 14 Prozent der Treibhausgasemissionen verantwortlich. Maschinelles Lernen kann den Ernteertrag vorhersagen und Pflanzenkrankheiten erkennen und so die Landwirtschaft effizienter machen. Als Beispiel sei ein Projekt eines australischen Professors genannt, bei dem ein Roboter auf Rädern mit einer Kamera automatisch Salatköpfe überprüft und Schätzungen über den aktuellen Ernteertrag und Pflanzenkrankheiten ausgibt. Der Roboter kann ebenfalls dazu verwendet werden, die Menge an Düngemitteln zu reduzieren, indem er diese nur an notwendigen Stellen hinzugibt, anstatt sie auf dem gesamten Feld zu verteilen. Somit kann die Freisetzung von Lachgas reduziert werden.

Forstwirtschaft

Abholzung und Waldbrände sind die Hauptursachen für das Verschwinden von Wäldern. Waldbrände setzen offensichtlich Kohlenstoff in die Atmosphäre frei und reduzieren die Anzahl der Bäume, die in Zukunft Kohlenstoff speichern können. Maschinelles Lernen kann bei der Vorhersage von Dürren helfen, gefährdete Wälder lokalisieren und darüber hinaus auch vorhersagen, in welche Richtung und Geschwindigkeit sich die aktuellen Brände ausbreiten. Illegale Abholzung kann ebenfalls mit Maschinellem Lernen gebremst werden. Die Analyse von Satellitenbildern ist eine Möglichkeit, Abholzungen zu erkennen. Eine weitere Möglichkeit demonstriert das Rainforest-Connection-Projekt [5]. Die Begründer des Projekts befestigen alte Telefone mit kleinen Solarzellen an Baumkronen in gefährdeten Regionen in einem Regenwald. Einmal angebracht, lauschen sie durchgehend nach Motorsägengeräuschen. Wenn Motorsägen erkannt werden, werden Push-Benachrichtigungen an lokale Behörden gesendet. Maschinelles Lernen kann die Erkennung von Motorsägengeräuschen verbessern und somit die Chancen erhöhen, illegale Holzfäller zu fangen.

Moore

Wenn man an Klimaschutz denkt, denkt man wahrscheinlich nicht an Moore, die nur 3 Prozent der Landfläche der Erde bedecken. Aber Moore enthalten doppelt so viel Kohlenstoff wie alle Wälder der Welt zusammen. Ein einziger Moorbrand in Indonesien im Jahr 1997 verursachte zwischen 20 und 50 Prozent aller Emissionen desselben Jahres. Maschinelles Lernen kann zum Einen Torfdicken abschätzen und daraus ableiten, wie viel Kohlenstoff bestimmte Moore enthalten. Zum Anderen kann auch das Brandrisiko in Moorgebieten mit Maschinellem Lernen besser vorhergesagt werden.

Industrie

Die von der Industrie verursachten Treibhausgasemissionen sind oft schwer zu beseitigen. Allerdings sammeln verschiedenste Branchen mehr Daten denn je und Cloud-Speicher und Rechenleistung werden immer erschwinglicher. Es wird geschätzt, dass 60 bis 70 Prozent der industriellen Daten nicht verwendet werden. Schauen wir uns einmal Lösungsansätze für die Reduzierung von Emissionen bei der Zement- & Stahlproduktion und bei Rechenzentren an.

Zement- und Stahlproduktion

Die Zement- und Stahlproduktion verursacht neun Prozent aller globalen Treibhausgasemissionen. Wäre die Zementindustrie ein Land, würde sie mehr Treibhausgase ausstoßen als jedes andere Land, mit Ausnahme von China und den USA.

Der 3D-Druck ermöglicht ungewöhnliche Formen, die weniger Material verbrauchen und häufig nicht durch Beton- oder Metallguss hergestellt werden können. Maschinelles Lernen kann Generative-Design-Algorithmen verbessern [6]. Diese Algorithmen können in geeigneten Fällen den Zement und Stahl, der für die Herstellung eines Produkts benötigt wird, reduzieren, wobei Stabilitätseinbußen nicht zwingend einhergehen müssen.

Rechenzentren

Die Anzahl an Rechenzentren nimmt global zu und somit steigt auch der Energie-Fußabdruck. Die Kühlung eines Servers stellt einen hohen Energieverbrauch dar. Das Unternehmen Deepmind konnte mit Maschinellem Lernen den Energieverbrauch in den Rechenzentren von Google um bis zu 40 Prozent senken.

Fazit

Ich hoffe, dass dir diese Zusammenfassung Lust gemacht hat, dich mit dem Thema auseinanderzusetzen. Falls das der Fall ist, findest du im Paper "Tackling Climate Change with Machine Learning" die entsprechenden Literaturhinweise, mit welchen du mehr über die Details der Lösungsansätze lernen kannst [1]. In jedem Fall freue ich mich, wenn du diesen Beitrag mit jemandem teilst, der an diesem Thema Interesse haben oder sogar von einem Lösungsansatz profitieren könnte.

Kurzzusammenfassung als Video