Universität Manchester nutzt NVIDIA Earth‑2 für UK‑weite Luftverschmutzungsvorhersagen

Hintergrund und Motivation

Die Luftverschmutzung in Großbritannien bleibt ein drängendes Problem, das nicht nur die öffentliche Gesundheit, sondern auch die Wirtschaft stark belastet. Laut einer Analyse des Royal College of Physicians führt die Belastung durch Feinstaub, Stickstoffdioxid und Ozon jährlich zu etwa 30 000 vorzeitigen Todesfällen. Darüber hinaus werden Kosten in Höhe von über 27 Milliarden Pfund für das Gesundheitssystem, Produktivitätsausfälle und Umweltschäden veranschlagt. Diese Zahlen verdeutlichen, dass herkömmliche Messnetze und statische Modellansätze nicht ausreichen, um die Dynamik von Emissionen und deren räumliche Verteilung präzise abzubilden. Die Notwendigkeit, kurzfristige Schwankungen, lokale Hotspots und saisonale Trends zuverlässig vorherzusagen, ist daher von zentraler Bedeutung, um gezielte Gegenmaßnahmen zu ermöglichen und die Belastung für besonders vulnerable Bevölkerungsgruppen zu reduzieren.

Technische Basis

Ein Forschungsteam der Universität Manchester, angeführt von David Topping und Hao Zhang, hat die Open‑Source‑Modelle CorrDiff und StormCast aus der NVIDIA Earth‑2 Plattform übernommen und für die Vorhersage von Luftqualität in Großbritannien angepasst. Die Modelle basieren auf umfangreichen chemisch‑klimatologischen Simulationen, die über ein ganzes Jahr hinweg stündlich erfasst wurden. Die Daten besitzen eine räumliche Auflösung von 2‑3 km, was im Vergleich zu traditionellen Netzen eine deutliche Verfeinerung darstellt. Das Training von CorrDiff wurde auf einem einzelnen Knoten des Isambard‑AI‑Supercomputers in Bristol durchgeführt, wobei acht leistungsstarke GPU‑Karten zum Einsatz kamen und das komplette Training innerhalb von zwei Tagen abgeschlossen war.

Isambard‑AI selbst ist mit 5 448 GH200‑Superchips ausgestattet und liefert rund 21 Exaflops an KI‑Rechenleistung. Diese Infrastruktur ermöglicht nicht nur das schnelle Training großer Modelle, sondern auch die Durchführung von Inferenz‑Aufgaben in Echtzeit. Für die Feinabstimmung kleinerer Datensätze und für die tägliche Vorhersage wird zusätzlich ein DGX Spark‑System verwendet, das mit einer GB10 Grace Blackwell GPU ausgestattet ist. Die Kombination aus Hochleistungs‑Supercomputer und spezialisierter Inferenz‑Hardware sorgt dafür, dass sowohl das Training als auch die Bereitstellung der Vorhersagen effizient und skalierbar erfolgen können.

• Warnungen für Asthmapatienten bei erwarteten Spitzenwerten
• Simulation von politischen Maßnahmen zur Emissionsreduktion
• Integration von Daten aus dezentralen Sensoren am Stadtrand
• Unterstützung bei der Vorhersage von Wald‑ und Industriebränden

Offene Daten und zukünftige Ziele

Ein zentrales Anliegen des Teams ist die Transparenz. Alle Trainingsdaten, das Pre‑Processing‑Pipeline und die angepassten Modellgewichte sollen öffentlich zugänglich gemacht werden, sodass andere Forschungseinrichtungen und Unternehmen die Arbeit reproduzieren oder weiterentwickeln können. Langfristig wird angestrebt, die räumliche Auflösung von 2‑3 km auf das Straßenniveau zu erhöhen. Dies würde eine noch präzisere Vorhersage ermöglichen, beispielsweise für einzelne Wohnquartiere oder Industriegebiete. Der Übergang zu einer solch feinkörnigen Auflösung hängt jedoch stark von der Verfügbarkeit zusätzlicher offener Datensätze ab, etwa von lokalen Messstationen, mobilen Sensoren oder Satellitenbildern, die derzeit noch nicht flächendeckend bereitstehen.

Bewertung und kritische Punkte

Bei der Bewertung des Projekts muss klar zwischen einem rein wissenschaftlichen Prototyp und einem betriebsbereiten Service unterschieden werden. Wesentliche Kriterien umfassen die unabhängige Validierung der Vorhersagen gegenüber Messdaten, die Verfügbarkeit lokaler Beobachtungsdaten zur Kalibrierung, mögliche Modell‑Drift über die Zeit sowie die Kostenstruktur für den laufenden Betrieb. Darüber hinaus spielen Governance‑Fragen eine Rolle: Wer hat Zugriff auf die Modelle, unter welchen Lizenzbedingungen und wie wird die Einhaltung datenschutzrechtlicher Vorgaben sichergestellt? Ohne eine gründliche Prüfung dieser Aspekte könnte ein vorzeitiger Einsatz zu Fehlinterpretationen und falschen politischen Entscheidungen führen.

Ausblick für Unternehmen und Institutionen

Deutsche Unternehmen, Kommunen und Forschungseinrichtungen, die ein Interesse am Luftqualitätsmanagement haben, können von den offenen Modellen und den geplanten Datenressourcen profitieren. Die Möglichkeit, die vortrainierten Modelle mit eigenen lokalen Messdaten zu verfeinern, eröffnet Potenziale für maßgeschneiderte Frühwarnsysteme, die rechtzeitig vor gefährlichen Schadstoffspitzen alarmieren. Für Industrieparks bedeutet dies, dass Emissionsquellen besser überwacht und betriebliche Abläufe optimiert werden können, etwa durch die Anpassung von Produktionsplänen an günstige Wetterbedingungen. Gleichzeitig sollten Institutionen die genannten Bewertungskriterien berücksichtigen, um sicherzustellen, dass die Modelle robust, transparent und rechtlich konform eingesetzt werden.

Fazit

Die Zusammenarbeit zwischen der Universität Manchester und NVIDIA zeigt, wie leistungsfähige KI‑Infrastruktur dazu beitragen kann, drängende Umweltprobleme zu adressieren. Durch die offene Bereitstellung von Modellen, die transparente Dokumentation des Daten‑Workflows und die Definition klarer Evaluationsrichtlinien entsteht ein Fundament, das sowohl die wissenschaftliche Gemeinschaft als auch die Praxis unterstützt. Wenn die geplanten Schritte zur Erhöhung der Auflösung und zur Öffnung weiterer Datensätze erfolgreich umgesetzt werden, könnte das Projekt einen bedeutenden Beitrag zur Verbesserung der Luftqualität im Vereinigten Königreich leisten.

Organisationen in Deutschland, die die Modelle einsetzen wollen, sollten vor der Implementierung prüfen, ob sie über ausreichende lokale Beobachtungsdaten verfügen, um das Modell zu validieren und gegebenenfalls anzupassen. Ebenso ist es wichtig, die Kosten für die erforderliche Recheninfrastruktur zu kalkulieren und sicherzustellen, dass alle datenschutzrechtlichen Vorgaben eingehalten werden. Nur durch eine sorgfältige Vorab‑Prüfung lässt sich gewährleisten, dass die Technologie tatsächlich zu verlässlichen, rechtlich sicheren und wirtschaftlich tragfähigen Lösungen im Bereich Luftqualitätsmanagement führt.