Modellierung, Vorhersage und Erkennung von Anomalien in Dynamiken des Erdsystems

Ein Projekt der TUM-ICL Joint Academy of Doctoral Studies (JADS)

Die geophysikalischen Prozesse auf der Erde werden in erster Linie von komplexen, miteinander verflochtenen und oft nicht stationären dynamischen Systemen auf verschiedenen räumlichen und zeitlichen Skalen bestimmt. Während es möglich ist, einige isolierte Teilprozesse zu identifizieren, interagieren viele von ihnen miteinander und folgen dabei undurchschaubaren und undurchsichtigen kausalen Mustern. Die Untersuchung solcher Prozesse durch die Entwicklung prozessbasierter Modelle erfordert Expertenwissen, ist aber durch die Verfügbarkeit großer und zuverlässiger Datenbestände begrenzt, die in der Regel in-situ in unregelmäßigen räumlichen und zeitlichen Abständen erfasst werden. Mit dem Start und dem zuverlässigen Betrieb moderner Erdbeobachtungssatellitenmissionen ist es nun möglich, die Erde in verschiedenen räumlichen und zeitlichen Maßstäben mit unterschiedlichen Sensormodalitäten zu überwachen. Dies fällt zusammen mit dem Aufkommen leistungsfähiger datengesteuerter Modellierungstechniken, die von der Gemeinschaft des maschinellen Lernens bereitgestellt werden, und mit Fortschritten bei der stochastischen Modellierung zur effizienten Analyse sequenzieller Messungen. Wenn dieses Fachwissen mit modernen Lösungen zur Verwaltung großer Geodatenmengen kombiniert werden kann, scheint es möglich, tiefere und detailliertere Einblicke in das Erdsystem zu gewinnen.

Wir haben zwei Teilprozesse identifiziert, die wir in dieser Hinsicht untersuchen wollen, nämlich das saisonale Wachstum von Kulturpflanzen an der Erdoberfläche und die Strömungen in den Ozeanen. Obwohl sie auf unterschiedlichen räumlichen und zeitlichen Skalen stattfinden, glauben wir, dass sie auf eine generische datengesteuerte Weise modelliert werden können. Um die Verallgemeinerbarkeit unserer erwarteten Ergebnisse zu demonstrieren, werden wir sie auf die Modellierung atmosphärischer Prozesse anwenden, von denen angenommen wird, dass sie die beiden ursprünglich betrachteten Systeme antreiben.

Allgemeines Ziel

Das Gesamtziel des Projekts ist die Modellierung dynamischer Prozesse, die auf der Erdoberfläche und innerhalb des Erdsystems in verschiedenen Sphären ablaufen. Hierfür ist die Entwicklung neuer Methoden und Software für deren Vorhersage, Szenariengenerierung, Anomalieerkennung und Quantifizierung von Unsicherheiten notwendig. Diese Modellierung wird durch dichte (zeitliche, räumliche und spektrale) Sequenzen von Erdbeobachtungssatellitendaten unterstützt. Das Projekt kombiniert Expertise aus dem Bereich des maschinellen Lernens und der Fernerkundung (TUM) mit stochastischer Analyse, Statistik und Datenassimilation (ICL).

Die Dynamik des Erdsystems ist sehr vielfältig und wir werden neue Methoden entwickeln, die auf drei Anwendungsbereichen basieren:

Lithosphäre (Landoberfläche): Ziel ist die Modellierung und Entwicklung von Modellen zur Beschreibung des Wachstums von Kulturpflanzen und zur Ableitung von Ertragsvorhersagen auf der Grundlage von Phänologie und Klimavariablen.
Hydrosphäre (Ozeane): Ziel ist die Modellierung und Vorhersage des Transports von Säure, chemischer Konzentration, Wärme und Salzgehalt im oberen Ozean.
Atmosphäre: Wir werden uns auf die Modellierung und Vorhersage atmosphärischer Windfelder konzentrieren.

Methodik

Das Projekt wird seine Hauptziele mit einer kombinierten Bottom-up- und Top-down-Strategie angehen: Einerseits werden wir datengetriebene Techniken der Fernerkundung und des maschinellen Lernens einsetzen, um hochauflösende Erdbeobachtungssatellitendaten auszuwerten, zu klassifizieren und zu erklären (TUM). Die Ergebnisse dieser Analyse werden in die Entwicklung eines groben stochastischen Modells für dynamische Systeme einfließen, die typischerweise auf hochdimensionalen Zustandsvektoren beruhen. Diese stochastischen Modelle werden auf Erkenntnissen aus physikalischen und biologischen Modellen und jüngsten Fortschritten in der räumlich-zeitlichen Statistik und Datenassimilation basieren (ICL).

Die Modelle des maschinellen Lernens, die zur Beantwortung der Fragen im Zusammenhang mit der Fernerkundung und der Erdbeobachtung verwendet werden, umfassen

tiefe vorwärtsgerichtete neuronale Netze,
rekurrente neuronale Netze,
hybride Modellierungsverfahren und
räumlich-zeitliche aufmerksamkeitsbasierte Architekturen.

Durch die explizite Modellierung der Unsicherheit innerhalb des Modells und der Daten werden wir auch Werkzeuge zur Erkennung von Anomalien entwickeln.

Daten

Für unser Projekt werden wir eine Vielzahl von Datenquellen kombinieren, darunter die Satellitenfernerkundung und In-situ-Beobachtungen. Für die Überwachung von Nutzpflanzen stehen beispielsweise optische und Radardaten der Sentinel-Satelliten des Copernicus-Programms zur Verfügung. Die Atmosphäre wird durh Aeolus (Windfeldströmungen und -richtungen) und MetOp (atmosphärische Parameter, z. B. Temperatur, Spurengase usw.) beobachtet. Die Dynamik des oberen Ozeans wird gemessen durch Drifter (NOAA) sowie weiterer Satelliten (Suomi NPP und die kommende SWOT-Mission).

Die TUM und das Imperial College London (ICL) haben kürzlich ihre Stärken in Forschung, Innovation und Lehre in einer strategischen Partnerschaft gebündelt. Im Rahmen dieses bilateralen, fächerübergreifenden Programms wird eine Kohorte von sechs gemeinsamen Projekten in einem Bereich der interdisziplinären Spitzenforschung gefördert, in dem beide Universitäten einen hervorragenden Ruf genießen. Die Projekte werden über ihre jeweiligen Einrichtungen auf der Grundlage von Doktorandenstipendien und entsprechenden Mitteln für Mobilitäts- und Verbrauchsgüter für insgesamt vier Jahre gefördert.

Weitere Informationen finden Sie auf der JADS-Website.