Auf dem Weg zu einem hybriden Vegetationsmodell

Die Vegetation spielt durch eine Reihe von Schlüsselprozessen eine entscheidende Rolle im Klimasystem der Erde und beeinflusst den Austausch von Kohlenstoff, Wasser und Energie zwischen Oberfläche und Atmosphäre. Die komplexe Beziehung zwischen Klimawandel und Vegetation macht deutlich, wie wichtig genaue und zuverlässige Vegetationsmodelle sind, die diese Wechselwirkungen vollständig erfassen.

Herkömmliche Vegetationsmodelle sind in erster Linie für den Betrieb auf CPU-Architekturen ausgelegt, was ihre Fähigkeit einschränkt, die Fortschritte bei modernen parallelen Rechenarchitekturen wie GPUs zu nutzen. Darüber hinaus behindern begrenzte Prozesskenntnisse und das Fehlen direkter Beobachtungen und/oder quantitativer Theorien für bestimmte Prozesse eine genaue Darstellung dieser Prozesse, was zu Unsicherheiten in den Modellergebnissen und damit zu Diskrepanzen im Vergleich zu Beobachtungen führt. Die starre Struktur dieser traditionellen Modelle erschwert auch die Integration neuer Prozesse und behindert die Anwendung fortschrittlicher Optimierungsverfahren zur automatischen Parameterabstimmung und objektiven Kalibrierung unter Verwendung umfangreicher Beobachtungsdaten, da sie nicht differenzierbar sind.

Diese Arbeit folgt einem neuen Paradigma in der Vegetationsmodellierung, das die Robustheit traditioneller Modelle mit der Anpassungsfähigkeit von maschinellen Lernverfahren verbindet. Das Ziel besteht darin, zuverlässige physikalische Komponenten mit Komponenten des maschinellen Lernens zu kombinieren. Im Gegensatz zu klassischen Vegetationsmodellen ist das resultierende Hybridmodell differenzierbar und die Parameter der physikalischen und der neuronalen Netzkomponenten können gemeinsam und effizient anhand von Beobachtungsdaten optimiert werden.

In dem vorgeschlagenen hybriden Vegetationsmodell kann maschinelles Lernen eingesetzt werden, um die Berechnungseffizienz des Modells zu verbessern, indem rechenintensive Routinen emuliert werden. Wir haben die wichtigsten Prozesse im Zusammenhang mit der Photosynthese in LPJ in Julia implementiert. Dieser minimale Modellaufbau wird verwendet, um das Potenzial des maschinellen Lernens zu erforschen, um den rechenaufwändigen Wurzelfindungsalgorithmus zu ersetzen, der bei der Berechnung des optimalen Verhältnisses zwischen interzellulärer und umgebender CO₂-Konzentration und damit der stomatären Leitfähigkeit verwendet wird.

Maschinelles Lernen kann auch zur besseren Prozessdarstellung eingesetzt werden. Die kürzlich entwickelten neuronalen oder universellen Differentialgleichungen bieten einen besonders vielversprechenden methodischen Rahmen für das Erlernen der Dynamik der Kohlenstoffverteilung auf verschiedene Vegetationspools anhand von Beobachtungen. Die Dynamik der Kohlenstoffzuteilung zu verschiedenen Pflanzenkomponenten kann mit einem neuronalen ODE-Ansatz effektiv modelliert werden, der Messungen beobachtbarer Variablen (z. B. oberirdische Biomasse (AGB), Blattflächenindex (LAI)) nutzt, um die Dynamik unbeobachtbarer Variablen wie der Kohlenstoffpools der Vegetation zu lernen.