Die Dynamik von Ökosystemen und Erdsystemen ist oft schwer zu modellieren und vorherzusagen, und auch heute noch scheitern viele Ansätze des maschinellen Lernens bei der Codierung zeitlicher Abhängigkeiten, die dynamische natürliche Systeme typischerweise kennzeichnen. Deep-Learning-Ansätze im Zeitbereich (z. B. rekurrente neuronale Netze) sind jedoch konzeptionell in der Lage, solche Probleme zu lösen. Allerdings sind solche Modelle nicht oder nur schwer physikalisch interpretierbar, was die aus ihnen gewonnenen wissenschaftlichen Erkenntnisse einschränkt.
Die Kombination von maschinellem Lernen und physikalisch basierter Modellierung, die hybride Modellierung, soll mögliche Wege erforschen und weiterentwickeln, trotz des Black-Box-Charakters der verwendeten Modelle wissenschaftliche Erkenntnisse über die beobachteten Phänomene zu gewinnen und somit das Potenzial zeitlicher Deep-Learning-Ansätze für die Modellierung von Ökosystemprozessen nutzen zu können.
