Artificial Intelligence for Climate Adaptation: Reinforcement Learning for Climate Change-Resilient Transport

Diese Studie stellt ein neues Entscheidungsunterstützungssystem vor, das Reinforcement Learning nutzt, um langfristige Anpassungsstrategien für klimaresiliente Verkehrssysteme in Kopenhagen zu entwickeln und dabei die Unsicherheiten des Klimawandels sowie komplexe Wechselwirkungen zwischen Überschwemmungen und Mobilität effektiv berücksichtigt.

Das Wesentliche

Das große Problem: Der Stadt-Regenmantel ist zu klein

Stellen Sie sich vor, Kopenhagen ist ein riesiges, altes Haus. In den letzten Jahren hat es immer öfter und heftiger geregnet. Früher war das kein Problem, aber durch den Klimawandel werden diese Regenfälle zu gewaltigen Überschwemmungen (Starkregen).

Das Problem? Unsere Straßen, U-Bahnen und Radwege sind wie ein alter Sockel im Keller. Wenn das Wasser kommt, stehen sie unter Wasser, werden beschädigt, und niemand kann mehr zur Arbeit oder zum Einkaufen kommen. Das kostet Milliarden und macht die Stadt unbrauchbar.

Die Stadt muss etwas tun: Sie muss den Keller abdichten und neue Abflüsse bauen. Aber hier liegt das Dilemma:

1. Es kostet viel Geld: Man kann nicht überall sofort teure Dämme bauen.
2. Wir wissen nicht genau, wie schlimm es wird: Wird es in 50 Jahren noch mehr regnen als heute? Oder weniger?
3. Es ist ein langer Marathon: Man muss Entscheidungen für die nächsten 75 Jahre treffen, ohne die Zukunft zu kennen.

Früher haben Planer versucht, alles auf einmal zu berechnen – wie ein Schachspieler, der 100 Züge im Voraus plant. Das ist aber unmöglich, weil es zu viele Möglichkeiten gibt (zu viele Straßen, zu viele Regenfälle, zu viele Jahre).

Die Lösung: Ein KI-Trainer, der „dazulernt"

Die Autoren dieser Studie haben eine neue Methode entwickelt, die auf Reinforcement Learning (Bestärkendes Lernen) basiert.

Die Analogie:
Stellen Sie sich einen jungen Fußballtrainer vor, der eine Mannschaft für eine Saison vorbereitet.

• Der alte Weg (Traditionelle Planung): Der Trainer versucht, den perfekten Spielplan für die ganze Saison auf einem Blatt Papier zu entwerfen, ohne jemals ein Spiel gesehen zu haben. Wenn der Gegner dann anders spielt, ist der Plan wertlos.
• Der neue Weg (KI/Reinforcement Learning): Der Trainer lässt seine Mannschaft tausende Male gegen einen Computer spielen. Der Computer simuliert Regen, Stau und Überschwemmungen.
  • Wenn die Mannschaft eine schlechte Entscheidung trifft (z. B. zu viel Geld für unnötige Dämme ausgibt), bekommt sie einen „Strafpunkt" (negative Belohnung).
  • Wenn sie klug entscheidet (z. B. genau dort einen Abfluss baut, wo es gerade regnet), bekommt sie einen „Punkt" (positive Belohnung).

Nach Millionen von Simulationen hat die KI gelernt, nicht nur was sie tun soll, sondern wann und wo. Sie hat eine Strategie entwickelt, die sich ständig anpasst.

Was hat die KI in Kopenhagen gelernt?

Die KI hat für die Innenstadt von Kopenhagen (29 Stadtteile) eine Strategie entwickelt, die über 75 Jahre (2024 bis 2100) reicht. Hier sind die wichtigsten Erkenntnisse:

1. Nicht alles auf einmal: Die KI hat nicht sofort überall teure Bauwerke errichtet. Stattdessen hat sie gewartet, bis es nötig war, und dann gezielt eingegriffen. Das spart Geld.
2. Die richtigen Werkzeuge: Sie hat verschiedene Maßnahmen gemischt:
   • Regenwasser-Beete (Bioretention): Wie kleine Gärten, die Wasser schlucken.
   • Versickerungsmulden (Soakaways): Löcher im Boden, die das Wasser in den Erdreich leiten.
   • Speichertanks: Große Zisternen, die Wasser sammeln.
   • Durchlässiger Asphalt: Straßenbelag, durch den Wasser hindurchläuft.
     Die KI hat gelernt, dass man in manchen Vierteln eher Tanks braucht, in anderen eher Beete. Es gibt keine „Einheitslösung".
3. Die Balance: Die KI hat gelernt, das perfekte Gleichgewicht zu finden zwischen den Kosten für den Bau und den Kosten, die entstehen, wenn eine Straße überflutet wird. Sie investiert genau so viel, wie nötig ist, um den größten Schaden zu vermeiden.

Das Ergebnis: Ein flexibler Schutzschild

Wenn man die KI-Strategie mit alten Methoden vergleicht, gewinnt die KI deutlich.

• Die alten Methoden waren zu starr. Sie haben entweder zu viel Geld ausgegeben oder waren nicht schnell genug, um auf neue Regenmuster zu reagieren.
• Die KI hat eine „dynamische Route" gefunden. Sie weiß: „Wenn es in 10 Jahren so regnet, bauen wir hier einen Tank. Wenn es aber noch stärker regnet, bauen wir dort zuerst eine Versickerungsfläche."

Der wichtigste Punkt: Die KI ist robust. Selbst wenn die Klimaprognosen falsch liegen (z. B. es regnet viel stärker als gedacht), funktioniert die Strategie der KI immer noch gut. Sie ist wie ein Regenmantel, der nicht nur bei leichtem Nieselregen, sondern auch bei einem Platzregen schützt, ohne dass man ihn vorher genau auf die Wettervorhersage zuschneiden musste.

Fazit

Diese Studie zeigt, dass wir nicht mehr raten müssen, wie wir unsere Städte vor dem Klimawandel schützen. Wir können KI nutzen, die wie ein erfahrener, geduldiger Trainer Millionen von Szenarien durchspielt, um uns den besten Weg zu zeigen.

Es ist nicht mehr die Frage: „Was bauen wir?"
Sondern: „Wann, wo und wie bauen wir es, damit unsere Stadt auch in 50 Jahren noch sicher und lebenswert ist?"

Die KI ist also nicht der Baumeister, sondern der kluge Navigator, der uns durch den stürmischen Klimawandel lotst.

Technische Zusammenfassung

1. Problemstellung

Der Klimawandel führt zu einer Intensivierung von Starkregenereignissen und damit zu einer Zunahme von pluvialen Überschwemmungen (Starkregenüberschwemmungen). Dies bedroht städtische Verkehrssysteme erheblich, indem es zu direkten physischen Schäden an der Infrastruktur, Reiseverzögerungen, Umleitungen und sogar zu Sperrungen von Straßen führt.

Die Herausforderung bei der Planung von Anpassungsstrategien liegt in mehreren Faktoren:

• Langfristigkeit: Infrastrukturinvestitionen erstrecken sich über Zeiträume von 50 bis 100 Jahren.
• Tiefe Unsicherheit: Zukünftige Klimaszenarien sind unsicher und nicht deterministisch.
• Komplexität: Es gibt komplexe Wechselwirkungen zwischen Überflutungen, Infrastruktur und Mobilitätsauswirkungen.
• Dimensionalitätsfluch: Der Suchraum für optimale Anpassungsmaßnahmen über Zeit und Raum ist so groß, dass traditionelle Optimierungsmethoden (wie dynamische Programmierung oder statische Optimierung) rechnerisch nicht mehr lösbar sind.

Bisherige Forschungsansätze konzentrierten sich oft auf kurzfristige Reaktionen oder reaktive Strategien, während langfristige, sequenzielle Planungsansätze unter Unsicherheit weitgehend unerforscht blieben.

2. Methodik

Die Autoren schlagen einen neuartigen Entscheidungsunterstützungsrahmen vor, der Reinforcement Learning (RL) mit einem Integrated Assessment Model (IAM) kombiniert. Das Ziel ist es, eine adaptive Politik zu lernen, die die Auswirkungen von Überschwemmungen auf den Verkehr minimiert.

A. Das Integrated Assessment Model (IAM)

Das IAM simuliert die Umgebung für den RL-Agenten und besteht aus vier modularen Komponenten:

1. Niederschlagsprojektionsmodell: Simuliert tägliche Regenereignisse für den Zeitraum 2024–2100 basierend auf drei Klimaszenarien (RCP2.6, RCP4.5, RCP8.5) unter Verwendung von Daten des dänischen Meteorologischen Instituts.
2. Überflutungsmodell: Nutzt das Tool SCALGO Live, um basierend auf Geländedaten und Niederschlagsintensität die Überflutungstiefen in Kopenhagen zu modellieren.
3. Verkehrssimulationsmodell: Simuliert 84.000 Fahrten (Auto, Fahrrad, Fuß) innerhalb von Kopenhagens Innenstadt (29 Verkehrszone-TAZs). Es berechnet die kürzesten Wege und wendet „Depth-Disruption-Funktionen" an, um Geschwindigkeitsverluste durch Wasserstände zu modellieren.
4. Auswirkungsmodul: Quantifiziert drei Arten von Kosten:
   • Direkte Infrastrukturschäden (Reparaturkosten).
   • Indirekte Reiseverzögerungen (Zeitkosten).
   • Indirekte Fahrtenstreichungen (Verlust des Reisewerts).

B. Reinforcement Learning (RL) Formulierung

Das Problem wird als Markov-Entscheidungsprozess (MDP) formuliert:

• Zustandsraum ($S$): Ein Graph, der die Stadt als Knoten (TAZs) und Kanten darstellt. Der Zustand umfasst Infrastrukturschäden, Reiseverzögerungen, abgesagte Fahrten und den Status bereits implementierter Maßnahmen.
• Aktionsraum ($A$): Der Agent wählt für jede Zone in jedem Zeitschritt eine von acht Anpassungsmaßnahmen (z. B. „Nichts tun", „Bioretention-Beete", „Versickerungsanlagen", „Speichertanks", „Durchlässiger Asphalt"). Maßnahmen haben Lebensdauern und Kosten.
• Belohnung ($R$): Definiert als negativer Gesamtwert aller Kosten (Schäden + Reisekosten + Investitions- und Wartungskosten). Das Ziel ist die Maximierung der kumulierten Belohnung.
• Algorithmus: Es wird ein Graph-Neuronales Netzwerk (GNN) verwendet, um die Politik $\pi$ zu parametrisieren. Dies ermöglicht es, räumliche Abhängigkeiten zu erfassen und die Politik auf Graphen unterschiedlicher Topologien zu skalieren. Als Lernalgorithmus kommt PPO (Proximal Policy Optimization) zum Einsatz.

3. Wichtige Beiträge

1. Erster umfassender Rahmen: Dies ist laut Autoren der erste umfassende Rahmen, der RL nutzt, um langfristige Anpassungsstrategien für städtische Überschwemmungen im Verkehrssektor zu identifizieren.
2. Integration von Unsicherheit: Der Ansatz adressiert explizit das Problem der tiefen Unsicherheit durch sequenzielle, zustandsabhängige Entscheidungen, anstatt statische Pläne zu erstellen.
3. Skalierbarkeit durch GNNs: Durch die Verwendung von Graph-Neuronale Netzen wird die „Dimensionalitätsfluch" umgangen, was es ermöglicht, komplexe städtische Netzwerke mit vielen Zonen und Maßnahmen zu optimieren, wo klassische Methoden scheitern.
4. Abwägung von Kosten und Nutzen: Das Framework lernt automatisch die optimale Balance zwischen Investitionskosten (Anpassung) und vermiedenen Schäden (Risikominimierung).

4. Ergebnisse

Die Studie wurde am Fallbeispiel der Innenstadt von Kopenhagen (2024–2100) durchgeführt.

• Vergleich mit Baselines:
  • Im Vergleich zu Bayesian Optimization (BO) auf reduzierten Problemstellungen (weniger Zonen/Jahre) übertraf der RL-Ansatz BO konsistent (Verbesserung von ca. 0,6 % bis 3,1 %). Der Vorteil von RL wuchs mit der Komplexität des Problems.
  • Im Vergleich zu No-Control (NC) und Random-Control (RND) Strategien erzielte RL die höchsten kumulierten Belohnungen (+22 % gegenüber NC, +408 % gegenüber RND).
• Lernverhalten:
  • RL entwickelt koordinierte räumliche und zeitliche Anpassungspfade. Im Gegensatz zur RND-Strategie, die hohe Kosten bei unkoordinierten Maßnahmen verursacht, investiert RL gezielt und zeitlich abgestuft.
  • Die häufigste gewählte Maßnahme waren Versickerungsanlagen (Soakaways) (57 %), gefolgt von Bioretention-Beeten (28 %).
• Robustheit unter Klimaszenarien:
  • Strategien, die für das mittlere Szenario (RCP4.5) trainiert wurden, erwiesen sich als am robustesten und kosteneffizientesten über alle drei Szenarien (RCP2.6, 4.5, 8.5).
  • Strategien, die für mildere Szenarien trainiert wurden, führten bei extremen Realisierungen (RCP8.5) zu Unteranpassung und höheren Gesamtkosten.
  • Es zeigt sich ein Trade-off: Pessimistische Annahmen führen zu robusteren, aber teureren Strategien; optimistische Annahmen sind bei mildem Klima profitabler, aber riskant.

5. Bedeutung und Fazit

Die Studie demonstriert, dass Reinforcement Learning ein leistungsfähiges Werkzeug für die langfristige Infrastrukturplanung unter Klimawandel ist.

• Entscheidungsunterstützung: Der Rahmen dient nicht als starre Vorschrift, sondern als exploratives System, das Entscheidungsträgern hilft, robuste Pfade zu identifizieren, die dynamisch auf sich ändernde Klimabedingungen reagieren können.
• Vermeidung von Fehlanpassung: Durch die sequenzielle Anpassung vermeidet das System das „Lock-in" von suboptimalen oder zu teuren frühen Investitionen.
• Zukunftsausblick: Die Autoren sehen Potenzial darin, das Framework um probabilistische Klimainformationen, adaptive Glaubensupdates (Bayesian Updating) und soziale Verteilungseffekte (Gerechtigkeit, Wohlbefinden) zu erweitern.

Zusammenfassend bietet der vorgestellte RL-Ansatz einen skalierbaren Weg, um komplexe, langfristige Anpassungsstrategien zu entwickeln, die sowohl wirtschaftlich effizient als auch resilient gegenüber verschiedenen Klimazukunftsszenarien sind.