Innovation Scout · Quellenprofil
Eine Umweltkarte kann überall Werte anzeigen, obwohl ein KI-Modell manche Standortbedingungen kaum kennt. Hanna Meyer und Edzer Pebesma zeigen auf einer zweiten Karte, wo die Umweltmerkmale neuer Orte den Lerndaten ausreichend ähneln.
Eine KI kann aus Bodenmessungen an einzelnen Orten eine Karte für eine ganze Region berechnen. Dafür lernt sie, wie die Messwerte mit anderen flächendeckend verfügbaren Merkmalen zusammenhängen, etwa mit Temperatur oder Niederschlag. Diese Beispiele bilden ihre Trainingsdaten. An einem neuen Standort kann die Kombination der Merkmale so anders sein, dass sie in diesen Daten kaum vorkommt. Das Modell gibt trotzdem einen Prognosewert aus.
Anschaulich wird das beim Wechsel vom Flachland ins Hochgebirge: Ein mit Flachlanddaten entwickeltes Modell trifft dort möglicherweise auf Bedingungen, für die ihm vergleichbare Beispiele fehlen. Meyer und Pebesma vergleichen deshalb die Umweltmerkmale neuer Orte mit den Trainingsdaten. Für die Prognose besonders wichtige Merkmale zählen stärker. Entscheidend ist die Ähnlichkeit dieser Merkmale: Ein naher Ort kann dem Modell ungewohnt sein, ein weit entfernter gut zu seinen Lernbeispielen passen. Die zweite Karte markiert die Gebiete mit ausreichend ähnlichen Bedingungen. Sie bilden den räumlichen Anwendungsbereich des Modells, im Artikel „Area of Applicability“ genannt.
Die Forschenden erprobten das Verfahren an künstlich erzeugten Umweltkarten auf Grundlage europäischer Klimadaten. Da die gesuchten Werte überall bekannt waren, konnten sie die Prognosen auch fern der Trainingsorte überprüfen. Zum Vergleich diente eine vorherige Modellprüfung mit Messwerten, die nicht zum Lernen verwendet worden waren. Innerhalb des ermittelten Anwendungsbereichs waren die Vorhersagefehler im Durchschnitt etwa so groß wie bei dieser Prüfung; außerhalb fielen sie deutlich größer aus. Die übliche Fehlerangabe beschreibt also nicht ohne Weiteres die gesamte Fläche, für die ein Modell Werte berechnen kann.
Wenn ein Planungsteam ein KI-Modell für Bodeneigenschaften in einer weiteren Region einsetzen möchte, könnte es beide Karten nebeneinander betrachten: Die Prognosekarte zeigt die geschätzten Werte. Die zweite Karte zeigt, welche Standorte den Trainingsorten in ihren Umweltmerkmalen ausreichend ähneln. So ließen sich Gebiete erkennen, deren Prognosen vor der Flächenbewertung genauer zu prüfen sind.
Die ausgewiesene Genauigkeit gilt dabei im Durchschnitt; einzelne Prognosen können auch innerhalb des markierten Bereichs deutlich abweichen. Für Gebiete mit ungewohnten Bedingungen ließen sich zusätzliche Messungen gezielt planen. Die gewonnenen Daten könnten fehlende Lernbeispiele ergänzen und für ein erneutes Training genutzt werden.
