Wichtige Forschungsfragen
Wie können Techniken aus der Komplexitätsforschung und dem maschinellen Lernen physikalische prozessbasierte Ansätze ergänzen, um
- die Wahrscheinlichkeit abrupter Übergänge und Extremereignisse in einem sich erwärmenden Erdsystem zu quantifizieren?
- die Vorhersagen von Extremwetterereignissen auf Zeitskalen von Tagen bis Wochen zu verbessern?
- die ökologischen Auswirkungen eines sich erwärmenden Klimas und sich verändernder Merkmale von Extremereignissen zu bewerten?
Methoden
Wir arbeiten hauptsächlich mit Methoden aus der Komplexitätsforschung und dem maschinellen Lernen, wie zum Beispiel
- Komplexe Netzwerke/Graphen, um Abhängigkeiten in großen Datensätzen von klimatischen und ökosystembezogenen Beobachterdaten zu untersuchen, erste Hypothesen zu zugrunde liegenden Kopplungsmechanismen zu entwickeln und die Daten zu verfeinern, um die relevantesten Informationen zu extrahieren
- Bayesianische Inferenz zur systematischen Kalibrierung physikalisch basierter Low-Order-Modelle, die die wichtigsten Dynamiken der untersuchten natürlichen Systeme erfassen
- Künstliche neuronale Netze zur Modellierung (emergenter) Prozesse, die mit traditionelleren, primitiven, auf Differentialgleichungen basierenden Ansätzen nur schwer zu bewältigen sind
Anwendungen
Derzeit konzentrieren wir uns auf die folgenden Anwendungsbereiche innerhalb des Erdsystems:
- Abrupte Klimaveränderungen, die in der langfristigen Vergangenheit der Erde stattgefunden haben, wie sie in paläoklimatischen Proxy-Aufzeichnungen belegt sind.
- Extremereignisse wie Hitzewellen, Dürren und Überschwemmungen.
- Auswirkungen der Klimaerwärmung und der sich verändernden Eigenschaften von Extremereignissen auf Ökosysteme, derzeit mit Schwerpunkt auf borealen Wäldern.
