Deep-Learning und prozessbasierte Modelle für skalenübergreifenden Simulation von Kohlenstoff- und Wasserflüssen (C04)

• Fachliche Zuordnung: Ökologie und Biodiversität der Pflanzen und Ökosysteme ; Bodenwissenschaften ; Datenmanagement, datenintensive Systeme, Informatik-Methoden in der Wirtschaftsinformatik ; Forstwissenschaften ; Pflanzenphysiologie
• Förderung: Förderung seit 2022
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 459819582

C4.1 Prozess-basierte ModelsimulationenWir entwickeln prozessbasierte Modellsimulationen und Deep-Learning-Tools für die Datenanalyse, um mit dem Sensornetzwerk zu interagieren und die Messungen zu optimieren. Dies ermöglicht ein vertieftest Verständnis der Auswirkungen der räumlich-zeitlichen Heterogenität und Dynamik auf den gesamten Wasser- und Kohlenstoffaustausch im Ökosystem. Wir werden ein bestehendes prozessbasiertes 2D-Modell erweiterten, kalibrierten und in einem 3D Gegenwarts- und Vorhersage¬modus betreiben, der die räumlich-zeitliche Heterogenität kleinräumiger Prozesse abdeckt und neue Skalierungsgesetze für nichtlineare Wechsel¬wirkungen integriert.C4.2 Deep-LearningMit Hilfe von Deep-Learning-Algorithmen soll die Fülle an Daten effizient ausgewertet werden, um zwischen wichtigen und redundanten Daten zu unterscheiden. Ziel ist es, eine ausreichende räumlich-zeitliche Auflösung zu erreichen, Energie für die Sensorknoten zu sparen und die Anhäufung redundanter Daten zu reduzieren. Dabei interagieren Deep-Learning und Prozesssimulationen mit dem Sensornetz durch i) Datenassimilation aus dem Sensornetz und ii) Anpassung und Optimierung des Messdesigns auf Basis der simulierten Ergebnisse und Vorhersagen

• DFG-Verfahren: Sonderforschungsbereiche
• Teilprojekt zu: SFB 1537: ECOSENSE - Skalenübergreifende Quantifizierung von Ökosystemprozessen in ihrer räumlich-zeitlichen Dynamik mittels smarter autonomer Sensornetzwerke
• Antragstellende Institution: Albert-Ludwigs-Universität Freiburg
• Teilprojektleiter: Professor Dr. Carsten Dormann; Dr. Rüdiger Grote; Privatdozent Dr. Ralf Kiese