Servicenavigation

Detailseite

Zurück

Projekt Druckansicht

Bayesian Methods in Geodetic Earth System Research

Fachliche Zuordnung Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
Förderung Förderung von 2012 bis 2015
Projektkennung Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 226407636
 
Erstellungsjahr 2016

Zusammenfassung der Projektergebnisse

Ausgangsfrage zu Beginn des Projektes war es, numerisch effiziente und statistisch fundierte Methoden zu entwickeln, die eine Integration von geodätischen Daten und geophysikalischer Prozessmodelle erlauben. Mit der rapide zunehmenden Nutzung von genauen geodätischen Daten für Fragen der Klimaforschung, der hydrologischen und Wasserressourcenmodellierung, und in vergleichbaren Feldern, ist die Entwicklung von solchen Datenintegrationsverfahren eine imminente Aufgabe. Im Rahmen des Projektes haben wir uns auf drei Themen konzentriert: Neuartige Verfahren zur Identifikation und Separation von geophysikalischen Signalen in geodätischen Daten (Signal-Signal und Signal-Noise Separation). Dies kann als eine Vorstufe zur Datenintegration in komplexen Anwendungen betrachtetet werden. Hier stand wiederum die Erschließung und Weiterentwicklung derjenigen Verfahren im Vordergrund, die die Wahrscheinlichkeitsdichte von Daten und Modellen mit Hilfe höherer Momente beschreiben. Während in Forootan und Kusche (2012) die Theorie der Independent Component Analysis erstmalig im Hinblick auf geodätischen Anwendungen aufbereitet und mit anderen Verfahren vergleicht, wurde in Forootan (2014) erstmals eine komplexwertige Erweiterung der Methode entwickelt. Forootan et al. (2012) und Forootan et al. (2014) demonstrieren die Anwendung der entwickelten Algorithmen erfolgreich in der Integration von GRACE- und radaraltimetrischen Daten mit Modellergebnissen. In Eicker et al. (2016) wurde erstmals, auf der Basis einer komplexwertigen Weiterentwicklung der ICA-Methode, ein globaler ENSO Mode in GRACE Daten identifiziert und abgespalten. In Forootan et al. (2014) wurde die o.g. Methode zusammen mit Verfahren der multivariaten Prädiktion kombiniert, um auf der Basis geodätischer, ozeanographischer, und hydrometeorlogischer Messdaten exemplarisch zu einem Vorhersagemodell für die Wasserressourcen Westafrikas (auf eine vergleichsweise großen Skala) zu gelangen. Es konnte gezeigt werden, das dieser datenbasierte Ansatz, der über die Identifikation von ARX-Parametern zur empirischen Beschreibung von Relationen zwischen Signalen in Sea Surface Temperature (SST), Niederschlag und Wasserspeicherung (TWS) verläuft, für bis zu 2 Jahren Vorhersage zu ebenso guten Ergebnissen wie eine konventionelle hydrologische Modellierung mit dem Modell WGHM führt. Potential für Weiterentwicklung ist hier bei Berücksichtigung weiterer Faktoren wie Bodenfeuchte-Satellitenmessungen und eine Erweiterung des Prozeßmodells gegeben. Schließlich wurden ensemblebasierte Ansätze zur (optimalen) Assimilierung und Kalibrierung von hydrologischen Modellen entwickelt. Der Fokus lag hier auf EnKF-Verfahren, ihre Anpassung an die speziellen räumlichen Fehlerkovarianzstrukturen geodätischer Messungen wie GRACE, und die Entwicklung von Metriken zur Bewertung der Ergebnisse. Hier wurden auch alternative Verfahren wie SEIK und SQRT getestet. In laufenden, noch nicht publizierten Arbeiten, haben wir erste Validierungsexperimente mit Realdaten ausgeführt. Anders als bei allen bislang publizierten Arbeiten zu diesem Thema, erlauben die hier entwickelten Verfahren auch grundsätzlich eine Parameterkalibrierung der Modelle, also ein „Lernen“ von geodätischen Daten.

Projektbezogene Publikationen (Auswahl)

 
 

Zusatzinformationen

© 2024 DFG Kontakt / Impressum / Datenschutz

Textvergrößerung und Kontrastanpassung