KI-gestützte Lernmethoden verbessern Klimaanpassung im Verkehr

Der Klimawandel wird in den kommenden Jahrzehnten zu stärkeren Regenfällen und damit zu vermehrten Hochwasserereignissen führen. Diese Veränderungen stellen die städtischen Verkehrssysteme vor enorme Herausforderungen, da sie zu häufigeren Ausfällen und Unterbrechungen führen. Um diesen Risiken entgegenzuwirken, ist es entscheidend, langfristige und adaptive Investitionsstrategien zu entwickeln, die gleichzeitig die Unsicherheit der zukünftigen Klimabedingungen berücksichtigen.

In einer neuen Studie wird ein innovatives Entscheidungsunterstützungssystem vorgestellt, das auf Reinforcement Learning (RL) basiert. Das System integriert Klimaprognosen, Hochwassermodelle, Verkehrssimulationen sowie die Bewertung direkter und indirekter Auswirkungen auf Infrastruktur und Mobilität. Durch das Lernen adaptiver Strategien kann RL die Balance zwischen Investitions- und Wartungskosten und den vermiedenen Schäden optimieren.

Die Anwendung des Modells in einer Fallstudie für das Zentrum Kopenhagens im Zeitraum 2024‑2100 demonstriert, dass die RL‑Ansatz über herkömmliche Optimierungsmethoden hinausgeht. Das System entdeckt koordinierte räumliche und zeitliche Anpassungswege, lernt die Kompromisse zwischen Schadensreduktion und Investitionsaufwand und liefert dadurch widerstandsfähigere Strategien. Die Ergebnisse unterstreichen das enorme Potenzial von Reinforcement Learning als flexibles Werkzeug für die Planung klimaanpassungsfähiger Infrastrukturen in Zeiten großer Unsicherheit.