Michael Engel
Biographie
Michael Engel schloss 2018 den Bachelor Ingenieurswissenschaften und 2020 seinen Master Materials Science and Engineering an der TUM ab. Seinen Schwerpunkt legte er hierbei auf Unsicherheitsquanitifizierung und mathematische Modellierung mit speziellem Fokus auf Bayes'sche inverse Probleme. Neben und nach seinem Studium war er in Projekten der Lehrstühle für Numerische Mathematik, Hydrologie und Flussgebietsmanagement und der Engineering Risk Analysis Group an der TUM tätig. Seit März 2021 arbeitet er an seiner Promotion am Lehrstuhl für Methodik der Fernerkundung. Einen großen Teil seiner fachlichen Motivation zieht er aus seiner Faszination für Outdoor-Aktivitäten.
Forschung
Schwerpunkte
Der Fokus liegt auf Methoden, welche das Ergebnis der Optimierung einer Zielfunktion eines (Bayes'schen) inversen Problems verbessern sollen. Stichworte sind Curriculum Learning oder Multi-Task-Systems durch Multiresolution Analysis.
Beide Ansätze splitten die ursprüngliche Funktion in Unterfunktionen auf: ein mal durch die Gewichtung der Training-Samples gemäß ihres Informationsgehalts bei gleichbleibender Fehlernorm und andermal durch das Splitten der ursprünglichen Fehlernorm in Unter-Normen bei gleichbleibenden Daten. Letzeres hat zum Ziel durch die Transformation der ursprünglichen Zielfunktion in eine Darstellung durch neue Basisfunktionen charakteristische Eigenschaften dieser Basisfunktionen mit in die Optimierung der Ursprungsfunktion mit einfließen zu lassen. Diese Charakterisiken können bzw. sollen physikalisch motiviert sein und somit das Lernen entsprechend verbessern. Des Weiteren sollen Methoden der klassischen Numerik und des maschinellen Lernens kombiniert werden. Langfristig könnten diese Ansätze für die Bayes'sche Herangehensweise bei Problemen des maschinellen Lernens oder Regressionsproblemen im Allgemeinen verwendet werden.
Projekte
Global Earth Monitor (H2020)
Das Projekt Global Earth Monitor stellt sich der Herausforderung der kontinuierlichen Überwachung großer Gebiete auf nachhaltige und kostengünstige Weise. Das Ziel des Projekts ist die Etablierung eines neuen disruptiven Verwertungsmodells für Erdbeobachtungsdaten, welches die Nutzung der Copernicus-Daten drastisch verbessern wird.
KIMoDIs: Intelligente Monitoringalgorithmen zur automatisierten Datenauswertung und -plausibilisierung (BMBF)
Ziel des Teilprojekts ist es, innovative daten-getriebene sowie hybride Modellierungsansätze zu entwickeln, mit derer Hilfe Grundwasserstände und Versalzungsgrade aus Erdbeobachtungsdaten abgeleitet oder in Form von Prognosen prädiziert werden können. Hierzu sollen ebenso Kreislaufmodelle erstellt werden, um Transportprozesse zu identifizieren und zu quantifizieren.