Umwelt-Risiken mit KI analysieren

Bisherige Methoden zur Vorhersage von Umweltrisiken beruhen auf rechenintensiven und zum Teil langwierigen Simulationen. Mit den im Projekt entwickelten KI-Methoden werden lokal präzise Vorhersagemodelle für Städte möglich, die sowohl die komplexe städtische Bebauung als auch lokale Umweltdaten integrieren. Darüber hinaus können die Auswirkungen verschiedener Klimaszenarien “vor der Haustüre” dargestellt werden. 

Mittels Simulationen wurden die Daten für die Umweltvorhersage generiert. Zunächst wurden abstrakte Simulationsdaten zu Hitze, Wasser und Wind für ausgewählte Trainingsgebiete als Zeitreihen auf verschiedenen räumlichen Skalen erzeugt. Die Ergebnisse dienten in der Folge als Trainingsdaten für die Entwicklung eines effizienten, feinmaschigen Vorhersagemodells für das gesamte Stadtgebiet Freiburgs auf Basis eines Künstlichen Neuronalen Netzwerks (KNN). 

Methoden der Künstlichen Intelligenz nutzen für die Identifikation von…

…Hitzehotspots in Städten

Auf Basis der Vorhersage durch das KNN und einem 3D-Stadtmodell wurden räumlich hochaufgelöste Daten der Häufigkeit zur Bestimmung der Hitzebelastung (universeller thermischer Klimaindex, UTCI) unter den aktuellen klimatischen Bedingungen in der Stadt erstellt. Um dieselben feinmaschigen Ergebnisse mit physikalischen Modellsimulationen für die ganze Stadt Freiburg zu berechnen bräuchte es viele Hochleistungsrechnerstunden. Das Netzwerk wurde anschließend so weiterentwickelt, dass die Hitze-Belastung nicht nur auf die lokale Ebene, sondern auch für zukünftige Dekaden in Bezug zu den verschiedenen Klimaprojektionen vorhergesagt werden.

Die KI wurde umgekehrt genutzt, um wichtige kontextspezifische Einflussgrößen, wie z. B. die urbane Morphologie zu identifizieren, welche die Belastungssituation in einem Bereich herabsetzen könnten. So wurde etwa eine neuartige Methode entwickelt, die automatisch Positionen von Bäumen bestimmt, so dass die Hitzebelastung (gemessen anhand der mittleren Strahlungstemperatur) maximal reduziert wird. Hierbei wird ein klassischer Algorithmus des maschinellen Lernens verwendet, welcher die Position der Bäume optimiert. Dabei werden die Eingangsdaten dementsprechend verändert und ein zuvor trainiertes KI-Modell wird zur Vorhersage der Hitzebelastung verwendet. Durch iterative Optimierung werden die besten Positionen der Bäume identifiziert. Mittels des Ansatzes können mehrere dutzende Bäume in einem Stadtteil (1km x 1.5km) mit Einbezug von langen Zeitrahmen (bis zu Dekaden) möglichst optimal platziert werden.

…Überschwemmungsgebieten und kritischen Bauwerken

Im Bereich Wasser wurden mögliche Folgen (maximale lokale Überflutungstiefen sowie die maximale lokale Fließgeschwindigkeit) von Starkregenereignissen für unterschiedliche Intensitäten, Vorfeuchten und bestimmte Jährlichkeiten in ausgewählten Trainingsgebieten mittels Simulation aufgezeigt. Um kritische Stellen besser zu erkennen bzw. Abwehrmaßnahmen sinnvoll zu platzieren, wurden zeitliche Verläufe erstellt. Diese bestimmen, wo im Umfeld Überflutungen zuerst auftreten, welche dann z.B. als Warnzeichen in der Kommune oder auch für umliegende Kommunen genutzt werden können. Damit können kritische Bauwerke und Gebiete für die Gefahrenabwehr identifiziert werden. 

…kritischer Infrastruktur gegenüber Starkwindereignissen

Für den Bereich Wind wurden Strömungssimulationen in gebäude- und vegetationsauflösenden physikalischen Modellen für ausgewählte, typische Stadtstrukturen bei unterschiedlichen Anströmungssituationen durchgeführt (sogenannte Large Eddy Simulationen, LES). Mit dem Ziel der Analyse und Systematisierung von Interaktionen zwischen Strömung und Rauigkeitselementen (Häuser, Bäume) in den ausgewählten, typischen Stadtstrukturen konnte die gebäudeauflösende Strömungsberechnung verbessert werden. Die Simulationsdaten dienten als Trainingsdaten für die Entwicklung neuer KI-Verfahren. Stadtgebietweite Wind-Simulationen sind mit physikalischen Modellen aufgrund der benötigten Rechenleistung kaum möglich. Mit den entwickelten KI-Prädiktionsalgorithmen können approximative Ergebnisse in Echtzeit realisiert und Simulationsdaten auf verschiedenen räumlichen Skalen integriert werden. Das dynamische Windmodell liefert die Grundlage für eine Gefahrenanalyse hinsichtlich starker Winde für das gesamte Gebiet der Stadt Freiburg.

Veröffentlichungen

Modelling long-term thermal comfort conditions in urban environments using a deep convolutional encoder-decoder as a computational shortcut

Simulation, Analysis & Prediction: Using AI to predict the urban climate

Modelling Tmrt in a complex urban environment using a convolutional encoder-decoder network

Simulation and Multiscaling Wind

High-resolution multi-scaling of outdoor human thermal comfort and its intra-urban variability based on machine learning

Modelling mean radiant temperature in complex urban areas using a convolutional network approach

* Bildquelle Abb. 1: Briegel F, Wehrle J, Schindler D, Christen A, 2024: High-resolution multi-scaling of outdoor human thermal comfort and its intra-urban variability based on machine learning. Geoscientific Model Development, 17, 1667-1688.

** Bildquelle Abb. 3: Originalarbeit in der Fachzeitschrift Urban Climate (Wehrle et al., Introducing new morphometric parameters to improve urban canopy air flow modeling: A CFD to Machine-Learning study in real urban environments. In Begutachtung).