Maschinelles Lernen für hydrologische Systeme und Erdsysteme
Dr. Shijie Jiang
Mission
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. Unsere Forschung konzentriert sich auf die Integration von Daten und Fachwissen mit hybriden und erklärbaren Methoden des maschinellen Lernens, um das grundlegende Verständnis der Wechselwirkungen zwischen Klima, Wasser und Ökosystemen zu verbessern.
Forschungsfokus
Hybride und erklärbare KI in der Erdsystemwissenschaft
Der methodische Fokus der Gruppe liegt auf der Integration von Wissen und der Interpretierbarkeit von maschinellem Lernen. Wir legen besonderen Wert auf die Kombination von fortgeschrittenen datenbasierten Techniken mit der klassischen Erdsystemanalyse, um die Modellierung und das Verständnis der komplexen Dynamik zwischen den miteinander verbundenen Erdsystemen zu verbessern. Wir betrachten maschinelles Lernen sowohl als Brücke als auch als Linse, um umfangreiche Erdbeobachtungsdaten mit der zugrundeliegenden Systemdynamik zu verknüpfen. Insbesondere sind wir an effektiven und robusten Methoden interessiert, um Abhängigkeiten, Interaktionen, Kopplungen, Rückkopplungsmechanismen und kausale Zusammenhänge innerhalb verschiedener biogeochemischer Prozesse zu identifizieren.
Wichtige Publikationen
- Jiang et al. (2024). How interpretable machine learning can benefit process understanding in the geosciences. Earth's Future, 12(7), e2024EF004540.
- Song et al. (2024). Towards data-driven discovery of governing equations in geosciences. Communications Earth & Environment, 5(1), 589.
- Jiang et al. (2020). Improving AI system awareness of geoscience knowledge: Symbiotic integration of physical approaches and deep learning. Geophysical Research Letters, 47(13), e2020GL088229.
Terrestrische ökohydrologische Prozesse und Rückkopplungen
Eines der Hauptziele unserer Forschungsgruppe ist es, die komplexen Wechselwirkungen zwischen Vegetation und Hydroklima auf verschiedenen Skalen zu verstehen. Mit Hilfe von modernen datenbasierten Techniken und mechanistischen ökohydrologischen und Ökosystemmodellen wollen wir die komplexen Rückkopplungen und Reaktionen zwischen Wasser, Pflanzenphysiologie und Klimavariablen entschlüsseln. Unser Ziel ist es zu verstehen, wie Veränderungen in hydrologischen Mustern die Reaktionen von Ökosystemen auf Umweltveränderungen regulieren und wie Veränderungen in terrestrischen Ökosystemen auf hydroklimatische Systeme zurückwirken und Extremereignisse beeinflussen können.
Wichtige Publikationen
Blougouras et al.; Huang et al. (erscheint bald)
Wasser- und Kohlenstoffkreisläufe in Einzugsgebieten
Ein weiterer Schwerpunkt unserer Gruppe ist das Verständnis der Prozesse, die den Wasser- und Kohlenstofffluss und die Funktionsweise von Ökosystemen in Wassereinzugsgebieten steuern. Wir betonen die Rolle von Wassereinzugsgebieten als grundlegende natürliche Landschaftseinheiten für die Kreisläufe von Wasser, Energie, Kohlenstoff und Nährstoffen. Mit Hilfe fortgeschrittener Modellierungstechniken und datengestützter Analysen wollen wir kritische Schwellenwerte und Wechselwirkungen identifizieren, die die Widerstandsfähigkeit von Einzugsgebieten gegenüber Umweltveränderungen beeinflussen. Unser übergeordnetes Ziel ist es, hydrologische und biogeochemische Prozesse als Reaktion auf natürliche und anthropogene Variabilität zu identifizieren, zu quantifizieren und vorherzusagen.
Wichtige Publikationen
- Jiang et al. (2024). Compounding effects in flood drivers challenge estimates of extreme river floods. Science Advances, 10(13), eadl4005.
- Wang et al. (2024). Distributed hydrological modeling with physics‐encoded deep learning: A general framework and its application in the Amazon. Water Resources Research, 60(4), e2023WR036170.
- Jiang et al. (2022). River flooding mechanisms and their changes in Europe revealed by explainable machine learning. Hydrology and Earth System Sciences, 26(24), 6339-6359.
Aktuelles
Team
Assoziierte Gruppenmitglieder
Projekte
Projekte sind nur auf Englisch verfügbar
