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 Umwelt- und Klimawissenschaften von Fortschritten im Bereich maschinelles Lernen profitieren können, wenn diese mit domänenspezifischem Wissen kombiniert werden. Unsere Forschung verbindet datengetriebene Ansätze mit domänenspezifischem Wissen, um Rückkopplungen, Interaktionen und Reaktionen innerhalb von Erdsystemen zu untersuchen, wobei ein besonderer Schwerpunkt auf dem Verständnis der gekoppelten hydrologischen, ökologischen und klimatischen Systeme liegt.
Forschungsbereiche
Ökohydrologische und klimatische Systeme
Wir untersuchen die Interaktionen zwischen ökohydrologischen und klimatischen Prozessen, die Wasser- und Energieflüsse über Regionen und Skalen hinweg steuern. Unsere Forschung konzentriert sich auf das Verständnis der Rolle der Vegetation und ihrer Rückkopplungsmechanismen bei der Gestaltung hydroklimatischer Dynamiken, einschließlich extremer Ereignisse.
Boden-Pflanzen-Hydraulik
Wir erforschen den Wassertransport und die Regulation innerhalb des Boden-Pflanzen-Atmosphären-Kontinuums, mit einem Schwerpunkt darauf, wie Vegetation auf Umweltveränderungen reagiert und diese beeinflusst. Unsere Arbeit legt besonderes Augenmerk auf Prozesse in der Wurzelzone und nutzt vielfältige Datensätze, um Wechselwirkungen zwischen Pflanzen und Wasser, insbesondere unter Dürrebedingungen, zu untersuchen.
Hydro-Biogeochemie von Einzugsgebieten
Unsere Forschung untersucht, wie hydrologische und biogeochemische Prozesse auf der Ebene von Einzugsgebieten funktionieren und interagieren. Wir analysieren die Kreisläufe von Wasser, Energie, Kohlenstoff und Nährstoffen und legen besonderen Wert auf die Reaktionen von Einzugsgebieten auf natürliche und anthropogene Variabilität.
Hybrides und erklärbares maschinelles Lernen
Methodisch kombiniert unsere Gruppe fortschrittliche datengetriebene Ansätze mit klassischer Erdsystemanalyse, um die Modellierung und das Verständnis komplexer Dynamiken innerhalb miteinander verbundener Erdsysteme zu verbessern. Wir legen Wert auf die Integration von maschinellem Lernen mit domänenspezifischem Wissen, um robuste Methoden zur Identifizierung von Abhängigkeiten, Interaktionen, Kopplungen, Rückkopplungsmechanismen und kausalen Beziehungen innerhalb biogeochemischer Prozesse zu entwickeln und zentrale wissenschaftliche Fragen zu adressieren.
Aktuelles
November 2024
Der Winter naht, aber der November ist voller Aufregung! Diesen Monat begrüßen wir zwei Neuzugänge, Chao Wang und Yao Li. Bleiben Sie dran für ihre spannende Arbeit! Unser Team nahm auch an der 9. „Langen Nacht der Wissenschaften“ in Jena mit dem Stand der ELLIS Unit Jena teil und zeigte, wie KI eingesetzt wird, um den Klimawandel zu verstehen und Lösungen zu entwickeln.
September 2024
Wir freuen uns sehr, Jialiang Zhou in unserer Gruppe für seine Promotionsreise begrüßen zu dürfen! Jialiang wird eine neue Methode zur Untersuchung physiologischer Reaktionen von Pflanzen erforschen. Ebenso freuen wir uns, Shengyue Chen für einen einjährigen Forschungsaufenthalt in unserer Gruppe begrüßen zu dürfen.
Georgios Blougouras, Feini Huang und Shijie Jiang haben an der EGU24 in Wien teilgenommen und ihre Arbeiten präsentiert. Auf der Konferenz leitete und moderierte Shijie auch eine erfolgreiche und gut besuchte Session zum Thema „Erklärbares und Hybrides Maschinelles Lernen in der Hydrologie“.
Das von der Carl Zeiss Stiftung geförderte Projekt zielt auf exzellente Forschung in KI und wird sich an der Schnittstelle zwischen KI und Umweltforschung ansiedeln. Ziel ist es, Fachwissen in KI-Ansätze zu integrieren und daraus neue Erkenntnisse zu ziehen, z. B. für Klimaextreme und ihre Auswirkungen Ökosystemfunktionen bzw. -dienstleistungen.
Publikationen
2025
Shi, Z.; Zhao, W.; Xiong, Y.; Lian, X.; Fang, J.; Jiang, S.; Yan, C.; Winkler, A.; Qiu, G. Y.: A theoretical framework for critical canopy temperature and its potential to improve remote-sensing-based estimation of evapotranspiration. SSRN Conference Paper Series (2025)
Agathangelidis, I.; Blougouras, G.; Cartalis, C.; Polydoros, A.; Tzanis, C. G.; Philippopoulos, K.: Global climatology of the daytime surface cooling of urban parks using satellite observations. Geophysical Research Letters 52 (2), e2024GL112887 (2025)
Wang, C.; Jiang, S.; Zheng, Y.; Han, F.; Kumar, R.; Rakovec, O.; Li, S.: Distributed hydrological modeling with physics‐encoded deep learning: A general framework and its application in the Amazon. Water Resources Research 60 (4), e2023WR036170 (2024)
