Wie künstliche Intelligenz den Klimawandel stoppen soll

Künstliche Intelligenz ist längst in unserem Alltag angekommen: Die Beispiele hierfür sind zahlreich. KI-gesteuerte Assistenten schützen als smarte Spamfilter unsere E-Mail-Postfächer, führen bei Geschäftsmeetings das Protokoll und schreiben E-Mails für uns. Wir nutzen KI zudem fast täglich bei der Navigation – und können uns, dank KI-gestützter Übersetzungsprogramme, inzwischen im Handumdrehen fremdsprachige Texte erschließen. Dass KI künftig aber nicht nur die Lebensqualität vieler Menschen erhöhen, sondern auch bei der Bewältigung weltweiter Herausforderungen wie dem Klimawandel helfen kann, davon sind Wissenschaftler:innen überzeugt.

Wie KI beispielsweise beim Energiesparen unterstützt, erfahren Sie in unserem großen Ratgeber.

Die KI-Leuchtturmförderung zielt vor allem auf die Entwicklung von konkreten KI-Anwendungen ab und fokussiert damit den Transfer von Forschungsergebnissen in die Praxis. Dabei soll mindestens eines der Themenfelder des nationalen „Aktionsprogramms Natürlicher Klimaschutz“ (ANK) adressiert werden. Das Ziel des Programms ist es, Ökosysteme zu schützen, zu stärken und wiederherzustellen, damit sie natürliche Klimaschützer bleiben können – etwa indem sie Hochwasser aufnehmen und bei Hitze für Abkühlung sorgen. Neben Wäldern und Auen, Böden und Mooren, Meeren und Gewässern zählen hierzu auch Grünflächen in der Stadt und auf dem Land.

Förderberechtigt sind Verbände und Vereinigungen, Forschungseinrichtungen, Kommunen, Unternehmen und Bildungseinrichtungen. Dass sich die private Wirtschaft bei der Entwicklung einer KI-Anwendung mit Forschungseinrichtungen, Kommunen oder Verbänden zusammenschließt, ist dabei ausdrücklich erwünscht.

Zuletzt im Juni 2024 wurden 13 erfolgreich abgeschlossene KI-Leuchtturmprojekte im Rahmen eines Vernetzungstreffens der Förderinitiative „KI-Leuchttürme“ ausgezeichnet. Drei besonders spannende Projekte: „AI4Grids“, eine Anwendung, die bei der Planung und Betriebsführung von Verteil- und Inselnetzen zur optimalen Integration regenerativ erzeugten Stroms dienen soll; „I4C – Intelligence for Cities“, eine Anwendung, die die Anpassung von Städten an den Klimawandel unterstützt; und „NiMo 4.0“, eine Anwendung, die zur nachhaltigen Reduzierung von Nitrat im Grundwasser beitragen soll.

Das von Projektpartnern aus der Forschung und der Energiebranche umgesetzte Leuchtturmprojekt AI4Grids setzt KI ein, um den Zustand der Energienetze effizienter vorherzusagen und zu regeln – und gibt damit eine mögliche Antwort auf eine drängende Frage der Energiewende: Wie kann das Energiesystem von morgen, in dem die Energieerzeugung nahezu vollständig durch Erneuerbare erfolgt, so gesteuert werden, dass sich die Energieerzeugung und der Energieverbrauch im Tagesverlauf die Waage halten? AI4Grids hat hier intelligente Lösungen für den Betrieb der Netze entwickelt, die es Betreibern ermöglicht, auf unterschiedlichste Situationen noch flexibler reagieren zu können als bislang. Dafür wurde ein Gesamtalgorithmus entwickelt, der Vorhersagealgorithmen, Zustandsschätzungen sowie Betriebsführungsalgorithmen miteinander vereint und so beispielsweise die Wahrscheinlichkeitsverteilung von Strombedarf und -erzeugung im Energienetz in Echtzeit vorhersagen kann. Dadurch wird es dem Betriebsführungsalgorithmus ermöglicht, ein Stromnetz besonders effizient zu regeln.

Laut den Entwickler:innen sind einige der Algorithmen schon so weit entwickelt, dass sie sehr bald in der Praxis eingesetzt werden können. Der Bedarf sei groß, weshalb das Projekt bundesweit Wellen geschlagen habe. Die Projektbeteiligten rechnen damit, dass erste kommunale Netzbetreiber AI4Grids bereits in zwei oder drei Jahren implementiert haben könnten.

Weitere Informationen zu AI4Grids gibt es auf der Projekt-Website der Hochschule für Technik, Wirtschaft und Gestaltung Konstanz (HTWG).

Das Leuchtturmprojekt I4C nutzt künstliche Intelligenz, um wetterbedingte Ereignisse wie Hitze und Regen vorherzusagen – für Städte angesichts des Klimawandels hochrelevant, denn urbane Räume sind besonders anfällig für Extremwetterereignisse wie Hitzewellen, Starkniederschläge, Hochwasser und Stürme. Das vorrangige Ziel bei der Entwicklung von I4C war es, rechenaufwendige, physikalische Simulationen mit KI-Methoden durch schneller aussagekräftige 3-D-Stadtmodelle zu ersetzen und so die Bevölkerung besser schützen zu können. Aber auch gesellschaftswissenschaftliche Fragestellungen, wie beispielsweise KI-Methoden Eingang in stadtplanerische Prozesse finden können, wurden im Rahmen des Projektes mitgedacht.

Derzeit wird geprüft, wie I4C für die Stadt Freiburg nutzbar gemacht werden kann. Weitere Informationen zu I4C gibt es auf der Projekt-Website der Universität Freiburg.

In vielen Regionen Deutschlands ist das Grundwasser mit Nitrat belastet. Grund hierfür sind überwiegend Einträge durch intensive Landwirtschaft. Das KI-Leuchtturmprojekt NiMo 4.0 hat Methoden für eine bessere Überwachung dieser Belastung entwickelt. Die bisher zur Überprüfung der Werte bundesweit genutzten Nitratkarten werden nämlich mit einem recht einfachen geostatistischen Verfahren erstellt. Andere „traditionelle“ Modellierungsansätze benötigen häufig sehr viele Eingangsdaten, im Idealfall in hoher räumlicher Auflösung. Ziel des Projektes war es daher, eine auf maschinellem Lernen beruhende, datengetriebene Alternative oder Ergänzung zu gängigen Modellierungsansätzen zu entwickeln. Dabei wurden KI-Verfahren mit Methoden der Geo- und Umweltinformatik kombiniert, speziell im Anwendungsgebiet Wasser.

Mittels der Machine-Learning-Ansätze, die nicht nur mit Messdaten, sondern darüber hinaus auch mit Hintergrunddaten gespeist wurden – etwa zur Beschaffenheit des Geländes, zur Landnutzung und zu den Grundwasserleitern –, konnten räumlich feinmaschigere Überlegungen darüber angestellt werden, wie das Nitrat im Grundwasser verteilt ist. Zudem wurde eine intelligente Messwertüberwachung entwickelt, um die Datenqualität der Messwerte zu erhöhen und ihre Beobachtung teilweise zu automatisieren. Ein weiteres Plus von NiMo 4.0: Das System kann insbesondere auf Anomalien in den Messwerten hinweisen. Ein drittes Handlungsfeld war die Messnetzoptimierung. Mithilfe der KI wurde untersucht, ob durch eine andere Platzierung einzelner Messstationen ein größerer Nutzen für ein zuverlässiges Gesamtbild erzielt werden kann.

Insgesamt sind mit Unterstützung der Umweltlandesämter mehrerer deutscher Bundesländer nitratrelevante Daten aus vielen Teilen Deutschlands von über 7000 Messstellen mit ca. 6,5 Millionen Messwerten von 1981 bis heute in die KI-Anwendung eingeflossen. So ließen sich mit dem Machine-Learning-Ansatz die regionalen Nitratwerte deutlich feiner berechnen und Unterschiede zwischen kritischen und unkritischen Werten besser erkennen als zuvor.

Weitere Informationen zu NiMo 4.0 gibt es auf der Projekt-Website.