Geoinformatik (W3) Prof. Dr. Alexander Brenning Forschungsschwerpunkte Geographische Datenwissenschaften und maschinelles Lernen Methoden der Umweltmodellierung und des Umweltdatenmanagements Wasserressourcen und Naturgefahren unter dem Einfluss von Klima- und Landnutzungswandel Wie können wir aus heterogenen, räumlich verteilten Zeitreihen belastbare Aussagen über globale Umweltveränderungen machen? In welchem Zusammenhang stehen Hangrutsche mit Landnutzungs- und Klimawandel? Wie groß sind dabei die Unsicherheiten? Dies sind einige der umweltwissenschaftlichen Fragestellungen, denen sich der Lehrstuhl für Geoinformatik mit innovativen Ansätzen des maschinellen Lernens und der rechnergestützten Statistik nähert. Eingebunden ist diese Forschung seit 2021 in das europäische Exzellenznetzwerk für maschinelles Lernen, ELLIS (European Laboratory for Learning and Intelligent Systems; siehe auch S. 182) sowie in Kooperationen mit dem MaxPlanck-Institut für Biogeochemie und dem DLRInstitut für Datenwissenschaften in Jena. Um ein besseres Verständnis für globale Umweltveränderungen und deren Zusammenhänge zu erlangen, spielen datengetriebene Verfahren Analyse von Erdoberflächenprozessen mit maschinellem Lernen eine zunehmende Rolle. Die innovativen Methoden des Doktoranden José Cortés für die stringente raumzeitliche Trenderkennung lassen hierbei einen hohen Impakt erwarten. Neue Maßstäbe setzt auch die Kombination von Klimaszenarien mit Naturgefahrenmodellen und die Abschätzung der dabei entstehenden Unsicherheiten. Zunehmend in den Mittelpunkt des Interesses rückt dabei die Interpretierbarkeit und physikalische Plausibilität von komplexen Modellen des maschinellen Lernens im räumlichen Kontext. [1] Cortés, J., Mahecha, M.D., Reichstein, M., Myneni, R.B., Chen, C., Brenning, A. (2021): Where are global greening and browning trends significant? Geophysical Research Letters, 48(6): e2020GL091496. [2] Wang, Z., Brenning, A. (2021): Active-learning approaches for landslide mapping using support vector machines. Remote Sensing, 13(13), 2588. [3] Knevels, R., Petschko, H., Proske, H., Leopold, P., Maraun, D., Brenning, A. (2020): Event-based landslide modeling in the Styrian Basin, Austria: accounting for time-varying rainfall and land cover. Geosciences, 10, 217. DOI: 10.3390/geosciences10060217. Abb. 1. Signifikante Trends im Leaf Area Index nach Korrektur für multiples Testen (BU AVHRR Daten, 1981-2018). Grüne: Zunahme, braun: Abnahme des LAI. Signifikante Trends sind weniger weit verbreitet als in früheren Studien ohne die Korrektur (15 % gegenüber bisher 35 % der Landfläche). Quelle: Cortés et al. (2021). 118 — FORSCHUNG
RkJQdWJsaXNoZXIy OTI3Njg=