Daten-getriebene Analyse und Lernen der zeitlichen Entwicklung von Ensemble Vorhersagen (B05)

• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Rechnerarchitektur, eingebettete und massiv parallele Systeme
• Förderung: Förderung von 2015 bis 2023
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 257899354

Ein Ziel ist die Entwicklung von Visualisierungstechniken für nD multivariate 3D Wolken-Ensembles, um die Dynamik der Wolkenentwicklung sowie Abhängigkeiten zwischen Modelparametern und simulierten physikalischen Größen zu analysieren. Zur Analyse des Einfluß von Wolken auf lokale Wetterphänomene werden datengetriebene Ansätze zur effizienten Simulation des Lichttransports in Wolken-Ensembles entwickelt. Ein weiteres Ziel ist die Entwicklung einer Testumgebung für das maschinelle Lernen von Wolkenformationsprozessen mit Deep Convolutional Networks. Durch das Trainieren von Netzen mit gemessenen Daten und simulierten Vorhersage-Ensembles aus der Vergangenheit sollen nicht-lineare Zusammenhänge zwischen Vorhersagen und dem aktuellen Wetter gelernt und zur Verbesserung der Vorhersage verwendet werden.

• DFG-Verfahren: Transregios
• Teilprojekt zu: TRR 165: Wellen, Wolken, Wetter
• Antragstellende Institution: Ludwig-Maximilians-Universität München
• Teilprojektleiter: Professor Dr. Rüdiger Westermann