Analyse von global verfügbaren EO Daten zur Quantifizierung und Vorhersage des Einflusses des Klimawandels auf Dynamiken der Schneebedeckung und Schneeschmelze

• Antragstellerin: Professorin Dr. Claudia Künzer
• Fachliche Zuordnung: Physische Geographie ; Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing ; Künstliche Intelligenz und Maschinelle Lernverfahren
• Förderung: Förderung seit 2024
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 522760169

Die terrestrische Schneebedeckung ist ein großräumiger Indikator für den Klimawandel, der die Wechselwirkungen des Erdsystems auf globaler Ebene beeinflusst. Gebirgs- und Polarregionen spielen im Zusammenhang mit dem Klimawandel eine entscheidende Rolle, da sie als Schlüsselindikatoren für Umweltveränderungen dienen, wesentlich zu den globalen Wettermustern beitragen und lebenswichtige Ökosysteme beherbergen, deren Widerstandsfähigkeit für unseren Planeten unerlässlich ist. Groß angelegte Studien auf der Grundlage von Erdbeobachtungsdaten mit niedriger und mittlerer Auflösung deuten darauf hin, dass der Klimawandel das Schneeregime in kalten und polaren Regionen stark beeinflusst, insbesondere als Reaktion auf einen verzögerten Schneebeginn und eine frühere Schneeschmelze, die hauptsächlich durch die Temperatur gesteuert wird. Für die Überwachung der Schneebedeckungsdynamik in Regionen mit komplexem Gelände (z.B. Gebirge) hat die Weltorganisation für Meteorologie jedoch die Anforderung definiert, dass ein tägliches Schneeprodukt mit einer Auflösung von 100 m nötig ist. Außerdem verursachen starke Bewölkung und Polarnacht Lücken in den Schneedecken-Zeitreihen, die ein tägliches Datenprodukt nicht zulassen. In diesem Projekt (eingebettet in die SOS-Forschungseinheit) zielen wir darauf ab, großvolumige EO-Datenarchive aus Multisensor-Fernerkundungsdaten zu nutzen und sie auf der Grundlage neuartiger KI-Entwicklungen zu fusionieren, um die Einschränkungen der zeitlichen und räumlichen Auflösung zu überwinden. Die Nutzung von multimodalen EO-Daten (EO-Daten in verschiedenen Formaten, von verschiedenen Sensoren und Bildgebungsverfahren) mit KI-basierten Methoden erfordert tiefgreifende Fachkenntnisse sowie umfassende Fähigkeiten in den Bereichen Datenwissenschaft und IT-Systeme, was hohe Einstiegshürden für geowissenschaftliche Forscher schafft. Daher werden wir Konzepte und Bausteine (d.h. modellgesteuerte Algorithmen, Plattformkomponenten und Architekturen) entwickeln, die es erlauben einfach auf multimodale EO-Daten zuzugreifen zu können und die Dynamik der Landbedeckung daraus zu extrahieren. Dafür werden wir ein KI-basiertes Klassifizierungsmodell für die Landbedeckung trainieren und Werkzeuge für die Trenderkennung und Vorhersage bereitstellen. Diese Komponenten steigern die Produktivität und unterstützen die interdisziplinäre Forschung, indem sie die Grundlagen für die Zusammenstellung komplexer Arbeitsabläufe mit Erdbeobachtungsdaten bieten. In diesem Projekt werden die Komponenten zu einer domänenspezifischen Verarbeitungspipeline kombiniert, um aus multimodalen EO-Daten hochauflösende Schneeparameter abzuleiten und vorherzusagen. So können genauere Rückschlüsse gezogen werden was die Auswirkungen des Klimawandels auf die Schnee- und Schneeschmelzdynamik in kalten und polaren Regionen angeht.

• DFG-Verfahren: Forschungsgruppen
• Teilprojekt zu: FOR 5696: SOS: Serverless-Scientific-Computing und -Engineering für Erdbeobachtungs- und Nachhaltigkeitsforschung
• Mitverantwortlich(e): Dr. Celia Baumhoer