Forschungs- und Projektgruppen

Angesichts des zunehmenden Drucks auf die Umwelt und das Klima ist ein besseres Verständnis der Variabilität und Kausalität biogeochemischer Kreisläufe auf
verschiedenen räumlichen und zeitlichen Skalen von entscheidender Bedeutung. Die Forschungsgruppe Maschinelles Lernen für hydrologische Systeme und Erdsysteme
(ML4HES), die auch Teil der ELLIS Unit Jena ist, untersucht, wie die Umwelt- und Klimawissenschaften von Fortschritten im Bereich des maschinellen Lernens und der
künstlichen Intelligenz profitieren können.

Die Gruppe Ecosystem Function from Earth Observation (Ökosystemfunktionen aus
der Erdbeobachtung) zielt darauf ab, neu zu überdenken, wie wir die funktionalen
Eigenschaften von Ökosystemen aus dem Weltraum quantifizieren und kartieren können.

Die Gruppe für cross-scale terrestrische Ökophysiologie (XTE) konzentriert sich darauf,
das durch Messungen vor Ort gewonnene Verständnis in den Kontext der großräumigen Kohlenstoff-,
Wasser- und Energiekreisläufe zu übertragen, und zwar durch wissensgestützte, datengesteuerte Methoden.

Die Projektgruppe Modelling Interactions in Soil Systems (MISS) konzentriert sich auf das Verständnis der Dynamik
und der Rückkopplungen bei der Bildung und Zersetzung von organischem Kohlenstoff (SOC) im Boden. Die Gruppe legt
den Schwerpunkt auf die Rolle des mineralassoziierten organischen Kohlenstoffs (MOC) und des partikulären organischen
Kohlenstoffs (POC) unter wechselnden Umweltbedingungen.

Satellitenbeobachtungen liefern indirekte Informationen über den Zustand und die Gesundheit von Landökosystemen auf regionaler Skala, auch in unzugänglichen Gebiete.
Aus Messungen in verschiedenen Wellenlängenbereichen lassen sich komplementäre Informationen, zum Beispiel über die Grünheit oder die Feuchtigkeit der Vegetation,
ableiten. Die Flora widerum beeinflusst entscheidend den Austausch von CO2, Wasser und Energie zwischen der Landoberfläche und der Atmosphäre, und damit kompensieren
Landökosysteme auch einen großen Anteil der menschgemachten Emissionen.
Unser Ziel ist es daher, diese Austauschprozesse besser zu verstehen und zu quantifizieren. Dafür kombinieren wir Satellitenbeobachtungen mit in-situ Messungen von
Landoberflächenflüssen an Eddykovarianzstationen mittels machinellem Lernen in datengetriebenen Modellierungsansätzen.

Die Gruppe "Anpassen von Maschinellen Lernverfahren für das Erdsystem" passt maschinelle Lernmethoden an, um das Erdsystem besser zu verstehen.
Sie konzentriert sich insbesondere auf die Beziehungen zwischen Wetter, Klima und terrestrischer Vegetation.
Unser Ziel ist es, die komplexen Wechselwirkungen zwischen diesen Variablen zu analysieren und zu unserem Verständnis der Biogeochemie beizutragen.

The research of the Scalable Spatiotemporal Data Structures and Analytics focuses on finding
strategies to handle these diverse and very large datasets in an efficient way to build
data analysis pipelines that fulfill the needs of our scientific questions.