Mit KI die Umwelt retten

Ein Tornado in Tschechien, Flutkatastrophen in Deutschland und Österreich, Waldbrände in Griechenland und Italien! Der Sommer 2021 hat uns die Folgen des Klimawandels auch in Europa einmal mehr vor Augen geführt. Rasches Handeln ist notwendig und der Einsatz von Künstlicher Intelligenz kann dabei ein möglicher Gamechanger im Kampf gegen die Klimakrise sein.

Wissenschaftler*innen und Klimaaktivist*innen weisen schon viele Jahre auf die Folgen der globalen Erderwärmung hin. Nicht zuletzt durch Greta Thunberg und die Fridays for Future Bewegung hat das Thema weltweit enorm an Bedeutung gewonnen. Beim Pariser UN-Klimaabkommen wurden schon im Jahr 2016 Ziele für die Eindämmung des weltweiten Klimawandels beschlossen. Um diese Ziele zu erreichen, sind innovative und nachhaltige Lösungen notwendig. Der Einsatz Künstlicher Intelligenz kann in unterschiedlichsten Anwendungsfeldern helfen den Klimawandel einzudämmen.

Optimierter Einsatz erneuerbarer Energie

Der Ausbau erneuerbarer Energien schreitet sowohl im privaten als auch im kommerziellen Umfeld voran. Mit der Umstellung ergeben sich aber neue Herausforderungen: Da Sonne und Wind nicht immer in gleicher Intensität vorhanden sind, schwankt die Stromerzeugung je nach Jahres- und Tageszeit sowie aktueller Wetterlage. Solaranlagen können den Strom nur tagsüber erzeugen, während der Großteil der Energie von Privathaushalten abends verbraucht wird.

Um derartige Herausforderungen zu bewältigen, brauchen Stromversorger bessere Möglichkeiten, die Energieerzeugung sowie den -bedarf in Echtzeit und auch langfristig vorherzusagen. Bestehende Algorithmen können durch Berücksichtigung lokaler Wetter- und Klimamuster verbessert werden.

Google's DeepMind hat beispielsweise Turbinendaten von Windkraftwerken sowie historische Wetterdaten analysiert. Mit Hilfe eines Deep Learning Modells war man danach in der Lage, die Windenergieleistung 36 Stunden im Voraus zu berechnen.

Langfristige Vorhersagen bringen einen Mehrwert für das Stromnetz - laut eigenen Aussagen hat Deepmind den Wert ihrer Windenergie um rund 20 Prozent steigern können, verglichen mit dem Ausgangsszenario ohne konkrete Produktionszusagen an den Netzbetreiber.

Precision Farming ermöglichen

Die moderne konventionelle Landwirtschaft wird von Monokulturen dominiert. Große Felder gleicher Kulturen können leichter und schneller bearbeitet werden. Diese intensive Bewirtschaftung führt dazu, dass dem Boden wertvolle Nährstoffe entzogen werden, die mit stickstoffbasierten Düngemitteln wieder aufgefüllt werden. Der Stickstoff im Dünger kann sich allerdings in Lachgas umwandeln, ein 300-mal stärkeres Treibhausgas als Kohlendioxid.

Satellitenbilder, Bodenproben, Sensor- und Wetterdaten können den Landwirt*innen Aufschluss über die Bodeneigenschaften geben. Durch intelligente Pflanz- und Düngeempfehlungen können Felder teilflächenspezifisch bewirtschaftet werden. Dies führt zu einem gezielteren Einsatz von Wasser, Dünge- und Pflanzenschutzmitteln und schont die Umwelt.

Deepfield Robotics, ein Bosch-Start-up, hat den Einsatz von intelligenten Maschinen zum Unkrautjäten als Alternative zu Pflanzenschutzmitteln getestet. Ein auf mehr als zwölf Millionen Pflanzenbildern trainiertes Deep Learning Modell unterscheidet zuverlässig zwischen Nutzpflanzen und Unkräutern. Die autonomen Roboter entfernen die unerwünschten Pflanzen ohne Einsatz von Chemie.

Transportwege und Verkehr revolutionieren

Einer der größten Verursacher von Treibhausgasemissionen ist der Verkehrssektor. Laut einer Statistik des Österreichischen Umweltbundesamts beliefen sich rund 30 Prozent der Gesamtemissionen Österreichs im Jahr 2019 auf diesen Sektor. Selbstfahrende Autos und intelligente Transportsysteme sind nur zwei Bereiche, die ohne dem Einsatz Künstlicher Intelligenz undenkbar wären, die aber zu einer wesentlichen Reduktion der Emissionen beitragen können.

Beim autonomen Fahren werden unzählige Daten in Echtzeit verarbeitet, es ergeben sich daher viele technische Voraussetzungen, die gleichzeitig erfüllt sein müssen. Durch Kameras, Radar- und Lidarsensoren wird die unmittelbare Umgebung des Fahrzeugs in Echtzeit gescannt. Ortungssysteme wie GPS und digitale Karten liefern zusätzliche Informationen zur aktuellen Umgebung des Fahrzeugs. Durch die Vernetzung von Verkehrsteilnehmer*innen kommunizieren die Fahrzeuge auch untereinander und erhalten Informationen zum geplanten Fahrverhalten des jeweiligen Gegenübers. All diese Daten müssen zusammengeführt und ausgewertet werden. Ein von der KI berechnetes 3D-Modell der Umgebung wird für die Vorhersage der nächsten Situationen und Planung der nächsten Handlungen verwendet.

Der Großteil der verkehrsbedingten Treibhausgasemissionen wird vom LKW-Verkehr verursacht. Autonome Lastkraftwagen können durch eine optimale Anpassung des Fahrstils maximale Spriteffizienz erreichen. Darüber hinaus stellt das LKW-Platooning eine Möglichkeit der Treibstoffreduzierung dar. Dabei fahren mehrere Lastkraftwagen automatisiert hinter einem Führungsfahrzeug in einer Kolonne. Das erste Fahrzeug gibt Tempo und Richtung vor, alle weiteren Fahrzeuge reagieren dahinter ohne Zeitverzögerung. Laut einer Studie des North American Council for Freight Efficiency können sich dadurch Kraftstoffeinsparungen von 4,5 Prozent für das Führungsfahrzeug und bis zu 10 Prozent für die weiteren Kolonnenfahrzeuge ergeben.

Autonome PKWs können in Form von "Roboter-Taxis" im öffentlichen Nahverkehr eine echte Alternative zum privaten PKW darstellen. Der Gesamtbedarf an Fahrzeugen würde sich dadurch erheblich reduzieren. Durch die bessere Auslastung der Fahrzeuge sind weniger Parkflächen notwendig, die in weiterer Folge durch Grünflächen, Rad- oder Fußwege ersetzt werden können.

Fazit

Die drei genannten Anwendungsfelder zeigen wie Künstliche Intelligenz den Kampf gegen den Klimawandel unterstützen kann. Durch innovative Lösungen kann sie auf unterschiedliche Weisen in diversen Bereichen helfen, die Treibhausgasemissionen zu reduzieren und die Ziele des Pariser Abkommens zu erreichen.

Manuel Buxbaum studiert Data Science an der FH St. Pölten.