Wie Deep Learning den Jahrtausendwinter im 18. Jahrhundert rekonstruiert

Im frühen 18. Jahrhundert erlebte Europa eine Mini-Eiszeit, die sich als die kälteste Periode der letzten 1000 Jahre erwiesen hat [1]. Unser Autor untersucht, wie Methoden aus dem Bereich des Deep Learning zu einem besseren Verständnis des Verlaufs dieser Kälteperiode, die als Jahrtausendwinter bekannt ist, beitragen können.

Zu Beginn des 18. Jahrhunderts, von Ende 1708 bis Anfang 1709, erlebte Europa eine Kälteperiode, die als Jahrtausendwinter in die Geschichtsbücher eingehen sollte [1]. Der so genannte Jahrtausendwinter hatte erhebliche Folgen für Mensch und Natur. In diesem Winter fror zum Beispiel der Gardasee vollständig und der größte Teil des Bodensees zu. In Frankreich, das besonders stark von schnellen und heftigen Kälteeinbrüchen betroffen war, sollen ganze Flüsse zugefroren und Häfen vom Eis eingeschlossen gewesen sein. Die anschliessende Hungersnot infolge der Missernten forderte in Frankreich schätzungsweise 600.000 Hungertote [2]. Die ungewöhnliche Härte dieses Winters gab den Wissenschaftler*innen damals Anlass zu einer Vielzahl von Veröffentlichungen, doch im Vergleich zu heute liegen nur wenige und unvollständige Messungen vor [3]. Insgesamt sind Zeitreihen von 15 Orten aus diesem Winter bekannt, die Variablen wie Temperatur, Wind, Luftdruck und Niederschlag beschreiben [4].

Abbildung 1: Räumliche Standorte, an denen metrologische Zeitreihen des Jahrtausendwinters bekannt sind.

Was wäre, wenn…?

Für die heutige Forschung ist es von grossem Interesse zu wissen, wie «hart» dieser Winter tatsächlich war. Das heisst, wo und wann die Temperaturen tatsächlich gefallen sind und wie drastisch. Wären diese Informationen vollständig bekannt, könnten mit Hilfe von Auswirkungsmodellen wichtige Fragen für die zukünftige Risikobewertung beantwortet werden [3]:

  • Was wären die schlimmsten Szenarien, wenn sich solch drastische Kälteeinbrüche in der heutigen Zeit wiederholen würden?
  • Wäre unsere Infrastruktur in der Lage, diesem Wetter standzuhalten?
  • Könnte die Energieversorgung noch gewährleistet werden oder würden ganze Stromnetze zusammenbrechen?
  • Könnten die Handelshäfen ihre Logistik noch betreiben oder würden eisbedeckte Häfen jeglichen Schiffsverkehr verhindern?
  • Welche Folgen hätte dies für das Ökosystem?

Wiederaufbau des Wetters

Die wenigen und zeitlich unvollständigen Beobachtungen, die zur Verfügung stehen, reichen nicht aus, um die oben genannten Fragen zu beantworten. Um dieses Problem zu lösen, kommt die Wetterrekonstruktion ins Spiel. Unter Wetterrekonstruktion versteht man in diesem Zusammenhang die Schätzung von nicht beobachteten Messungen. Dies ist sowohl in zeitlicher als auch in räumlicher Hinsicht erforderlich. Einerseits sollen die zeitlichen Lücken der vorhandenen Beobachtungen so geschlossen werden, dass Tageswerte von Oktober 1708 bis April 1709 zur Verfügung stehen. Andererseits soll eine räumliche Darstellung der meteorologischen Variablen für ganz Europa zur Verfügung stehen.

Abbildung 2: Veranschaulichung der Wetterrekonstruktion von einigen wenigen Messungen bis hin zu einem feinkörnigen Gitter.

Wetterrekonstruktion als Computer-Vision-Problem

In jüngster Zeit wurde das Potenzial von tiefen neuronalen Netzen zur Erstellung von Wettervorhersagen in mehreren wissenschaftlichen Studien untersucht [7]. Die untersuchten Ansätze basieren zumeist auf Modellen zur Vorhersage von Videobildern aus dem Bereich der Computer Vision, die bereits große Erfolge erzielt haben [5]. In solchen Studien wurden sowohl zeitlich als auch räumlich vollständige Datensätze verwendet. Dabei kann man sich einen Ausschnitt des Datensatzes als Bild (z.B. eine Europakarte) vorstellen, das anstelle der RGB-Werte im Kanal meterologische Grössen enthält. Jedes Pixel eines Videobildes repräsentiert somit die Wetterwerte einer bestimmten Region zu einer bestimmten Zeit [6]. Unser Problem weist viele Parallelen zur Vorhersage von Wetterdaten auf. Allerdings mit dem wesentlichen Unterschied, dass unsere Pixelwerte nur sporadisch bekannt sind. In der Hoffnung, dieses Hindernis zu überwinden, untersuchen wir die Verwendung einer Methode, die ebenfalls aus dem Bereich der Computer Vision stammt, nämlich Video Inpainting. Beim Video Inpainting geht es darum, beschädigte oder fehlende Teile von Einzelbildern eines Videostroms mit glaubwürdigen Inhalten zu füllen, meist mit Hilfe von Deep-Learning-Algorithmen [8].

Abbildung 3: Ein Beispiel dafür, wie ein Video-Inpainting-Modell ein stark maskiertes Bild rekonstruiert [10]

Die Leistung aktueller Inpainting-Algorithmen für Bilder und Frames nimmt im Allgemeinen ab, wenn der Prozentsatz der fehlenden Teile steigt [9]. Dies stellt uns vor eine möglicherweise große Herausforderung, da im Fall des Jahrtausendwinters über 99 % der Daten auf dem räumlichen Gitter fehlen. Aus diesem Grund beginnen wir unsere Untersuchungen auf der Basis von meteorologischen Daten der letzten 60 Jahre, die für Europa sowohl zeitlich als auch räumlich feinkörnig und vollständig vorliegen. Dies ermöglicht es uns, den Anteil der fehlenden Flächen künstlich zu definieren und, zunächst bei niedrigeren Prozentwerten, die Leistung verschiedener moderner Video-Inpainting-Ansätze für die Wetterrekonstruktion zu vergleichen.


Referenzen

  1. Jürg Luterbacher et al. «European Seasonal and Annual Temperature Variability, Trends, and Extremes Since 1500». In: Science (). URL: https://www.science.org/doi/abs/10.1126/ science.1093877.
  2. W. Gregory Monahan Eastern Oregon University W. Gregory Monahan. Year of Sorrows: Die grosse Hungersnot von 1709 in Lyon. American Journal of Ophthalmology, 1995.
  3. Interviews mit Lucas Pfister und Stefan Brönnimann, Klimaforscher des Geographischen Instituts der Universität Bern (GIUB). persönliche Mitteilung.
  4. Lenke Walter. «Untersuchung der ältesten Temperaturmessungen mit Hilfe des strengen Winters 1708-1709». In: Selbstverlag des Deutschen Wetterdienstes (1964).
  5. Schultz et al. (2021). Kann Deep Learning die numerische Wettervorhersage übertreffen? Philosophical Transactions of The Royal Society A Mathematical Physical and Engineering Sciences. 379. 10.1098/rsta.2020.0097.
  6. Ren et al. (2020). Deep Learning-Based Weather Prediction: A Survey. Big Data Research. 23. 100178. 10.1016/j.bdr.2020.100178.
  7. Gong et al. (2022). Temperaturvorhersage durch Deep-Learning-Methoden. 10.5194/gmd-2021-430.
  8. Siddavatam et al. (2021). A Novel Approach for Video Inpainting Using Autoencoders. International Journal of Information Engineering and Electronic Business. 13. 48-61. 10.5815/ijieeb.2021.06.05.
  9. Sun et al. (2022). A Review of Image Inpainting Automation Based on Deep Learning. Journal of Physics: Conference Series. 2203. 012037. 10.1088/1742-6596/2203/1/012037.
  10. Chang, Y. L., Liu, Z. Y., Lee, K. Y., & Hsu, W. (2019). Learnable gated temporal shift module for deep video inpainting. arXiv preprint arXiv:1907.01131.

AUTOR/AUTORIN: Yannis Schmutz

Yannis Valentin Schmutz ist Research Fellow am Institut für Datenanwendungen und Sicherheit (IDAS) der BFH Technik & Informatik. Derzeit absolviert er einen Master of Science in Engineering | Profile Data Science.

PDF erstellen

Ähnliche Beiträge

0 Kommentare

Dein Kommentar

An Diskussion beteiligen?
Hinterlasse uns Deinen Kommentar!

Schreiben Sie einen Kommentar

Ihre E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert