- Towards hybrid modeling of the global hydrological cycle. Hydrology and Earth System Sciences 26 (6), 2022, 1579-1614 mehr… Volltext ( DOI )
DUKE
Deep-learning-basierte, hybride, unsicherheitsbewusste Modellierung des gekoppelten Wasser- und Kohlenstoffkreislaufs mit Erdbeobachtungsdaten
Ziel des Projekts DUKE ist es, die Forschungspfade der hybriden Modellierung und der Unsicherheitsabschätzung weiterzuentwickeln und zu kombinieren. Hierfür kollaboriert der Lehrstuhl für Methodik der Fernerkundung mit dem Max-Planck-Institut für Biogeochemie in Jena.
Dabei soll ein besonderer Fokus darauf liegen, eine optimale Skalierbarkeit in Bezug auf die beobachteten Regionen – von der Feldebene bis hin zum globalen Maßstab – sowie der zu verarbeitenden Datenvolumina zu gewährleisten. Hierbei fokussiert sich DUKE auf das Realwelt-Problem der Modellierung globaler Stofftransportkreisläufe, konkret die derzeit noch offene Frage der gekoppelten Wasser- und Kohlenstoffkreisläufe. Hier bietet eine datengetriebene Perspektive enormes Potenzial, da die meist starren Randbedingungen und Parametrisierungen in Prozessmodellen zu systematischen Abweichungen der Simulationen führen. Zudem ist das Quantifizieren von Unsicherheiten essenziell, sowie zur Modellentwicklung wie auch zum Testen alternativen Hypothesen.
Forschungsthemen
Im Rahmen dieses Projekts werden am TUM-Lehrstuhl für Methodik der Fernerkundung und am Max-PLanck-Institut für Biogeochemie (MPI-BGC) in enger Kooperation komplementäre Fragestellungen bearbeitet werden.
TUM: Unsicherheitsabschätzung
Der TUM-LMF möchte insbesondere die folgenden Fragen beantworten:
- Wie können derzeit bekannte Verfahren zur Abschätzung der Unsicherheit von Modellausgaben auf den beschriebenen Problemkreis abgebildet werden? Inwieweit schränken die dem Kontext der Erdbeobachtung und Erdsystemforschung inhärenten Eigenschaften diese Anwendbarkeit ein und bedingen somit den Einsatz spezialisierter Ansätze?
- Wie kann formalisiertes Experten- und Domänenwissen gewinnbringend in diese Methoden integriert werden?
- Wie können die Ursachen dieser Unsicherheiten attribuiert, lokalisiert und somit umgangen werden?
MPI: Hybride Modellierung
Das MPI-BGC beschäftigt sich mit der Anwendbarkeit und den Implikationen der vorgenannten Themen auf den Bereich der Erdwissenschaften. Insbesondere ergeben sich die folgenden zentralen Fragestellungen:
- Wie können diese Verfahren genutzt werden, um hybride Deep-Learning-Modelle zu entwickeln, welche ein höheres Maß an Performanz, Deskriptivität, Robustheit und Interpretierbarkeit aufweisen?
- Auf welcher konzeptionellen Ebene sollten solche hybriden Designs im Idealfall zum Tragen kommen?
- Wie können die erworbenen Erkenntnisse zur Modellierung eines komplexen Beispielszenarien, einem globalen kombinierten C-/H2O-Kreislauf, eingesetzt werden?