Hybride Modellierung

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.

Projekte

Publikationen

  • Kraft, Basil; Jung, Martin; Körner, Marco; Koirala, Sujan; Reichstein, Markus: Towards Hybrid Modeling of the Global Hydrological Cycle. Hydrology and Earth System Sciences 36 (6), 2022 mehr… Volltext ( DOI )
  • Kraft, Basil; Jung, Martin; Körner, Marco; Reichstein, Markus: HYBRID MODELING: FUSION OF A DEEP LEARNING APPROACH AND A PHYSICS-BASED MODEL FOR GLOBAL HYDROLOGICAL MODELING. ISPRS - International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences XLIII-B2-2020, 2020, 1537-1544 mehr… Volltext ( DOI )
  • Kraft, Basil; Jung, Martin; Körner, Marco; Reichstein, Markus: Towards global hybrid hydrological modeling by fusing deep learning and a conceptual model. EGU General Assembly, 2020 mehr… Volltext ( DOI )
  • Kraft, Basil; Jung, Martin; Körner, Marco; Requena Mesa, Christian; Cortés, José; Reichstein, Markus: Identifying Dynamic Memory Effects on Vegetation State Using Recurrent Neural Networks. Frontiers in Big Data 2, 2019 mehr… Volltext ( DOI )