Maschinelles Lernen für hydrologische Systeme und Erdsysteme
Dr. Shijie Jiang
Mission
Angesichts zunehmender Umwelt- und Klimabelastungen ist das Verständnis der Steuerungsmechanismen und Reaktionen gekoppelter Prozesse im Erdsystem von zentraler Bedeutung. Die Arbeitsgruppe Machine Learning for Hydrological and Earth Systems (ML4HES), ebenfalls Teil der ELLIS Unit Jena, verbindet datenbasierte Methoden mit physikalischem und ökologischem Fachwissen, um Wasser-, Energie- und Kohlenstoffdynamiken in hydrologischen, ökologischen und klimatischen Teilsystemen zu untersuchen. Ziel unserer Arbeit ist es, zentrale Einflussfaktoren zu identifizieren, Systeminteraktionen und Rückkopplungen zu analysieren und die Abbildung gekoppelter Dynamiken zur Unterstützung des Prozessverständnisses unter Umweltveränderungen zu verbessern.
Unser Ansatz
Zur Analyse gekoppelter Prozesse auf Systemebene integrieren wir Fernerkundungsdaten und In-situ-Beobachtungen über verschiedene räumliche und zeitliche Skalen hinweg, um relevante Signale zu extrahieren. Aufbauend auf aktuellen Entwicklungen im Bereich des maschinellen Lernens nutzen wir wissensgestützte datenbasierte Modelle – insbesondere hybride und erklärbare Ansätze –, um Beobachtungen mit zugrunde liegenden Prozessen zu verknüpfen, Einflussfaktoren zu identifizieren, Reaktionen zu interpretieren und prozessbasierte Modellierung zu unterstützen.
Forschungsbereiche
Land–Atmosphäre-Interaktionen
Wir untersuchen, wie Vegetation die Verteilung von Wasser und Energie über Landschaften hinweg und in die Atmosphäre beeinflusst. Unser Fokus liegt auf biophysikalischen Prozessen, die die Kopplung zwischen Landoberfläche und Atmosphäre vermitteln – sowohl auf lokaler als auch auf nicht-lokaler Ebene –, um ein besseres Verständnis hydroklimatischer Variabilität über verschiedene Skalen hinweg zu ermöglichen.
Boden–Pflanze–Atmosphäre-Kontinuum
Wir erforschen, wie Vegetation mit Boden- und Atmosphärenbedingungen interagiert, um den Wassertransport vom Wurzelraum bis zur Blattoberfläche zu regulieren. Ziel unserer Arbeit ist es, Wasserflüsse und -zustände zu charakterisieren und pflanzliche Wassernutzungsstrategien unter Umweltstress zu verstehen.
Hydro-Biogeochemie in Einzugsgebieten
Wir analysieren hydrologische Extreme und Fließgewässer-Kohlenstoffdynamiken im Kontext von Klima- und Landschaftsvariabilität – einschließlich der Entstehung extremer Ereignisse sowie der Frage, wie Abflussregime und Prozesse an der Landoberfläche Kohlenstoffflüsse und biogeochemische Bedingungen in Fließgewässern beeinflussen. Unsere Arbeit untersucht Muster auf regionaler und globaler Ebene, um potenzielle Wirkmechanismen besser zu verstehen.
Aktuelles
November 2025
[Personen] Wir freuen uns, Xiaoze Chen zu einem 1,5-jährigen Forschungsaufenthalt in unserer Arbeitsgruppe zu begrüßen. Sein Schwerpunkt liegt auf hybriden Hochwassermodellen. [Veranstaltung] Shijie Jiang und Georgios Blougouras hielten eine Keynote beim GIS Day 2025 an der Friedrich-Schiller-Universität Jena zum Thema GeoAI for environment.
Oktober 2025
[Publikation] Wir freuen uns, dass unsere neue, von Shengyue Chen geleitete Studie in Geophysical Research Letters veröffentlicht wurde. Mithilfe eines interpretierbaren Machine-Learning-Ansatzes untersuchen wir übergeordnete Muster in der Variabilität von terrestrischer und flussgebundener Produktivität unter unterschiedlichen Umweltbedingungen. Diverse Environmental Factors Shape Patterns of Terrestrial and Riverine Productivity Decoupling
September 2025
[Veranstaltung] Unsere Arbeitsgruppe war an der Organisation der ELLIS Summer School „AI for Earth and Climate Sciences“ beteiligt, die vom 1. bis 5. September 2025 in Jena stattfand. Die Summer School brachte Doktorandinnen und Doktoranden, Masterstudierende sowie Postdocs zusammen, die an der Schnittstelle zwischen Machine Learning und Geowissenschaften arbeiten.
Juli 2025
[Veranstaltung] Shijie Jiang nahm am ISMC–GEWEX SoilWat Meeting an der University of Reading teil. Er hielt einen Vortrag und leitete die Session The Soil–Plant–Hydraulic–Energetic Continuum.
Das Projekt GENAI-X forscht an der Generalisierbarkeit von KI-Modellen in sich ständig ändernden Umweltbedingungen. Ziel ist, das Verständnis und die Prognose von Umweltphänomenen zu verbessern.
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
Wang, Lijun, L.; Shi, L.; Reimers, C.; Wang, Y.; He, L.; Wang, Y.; Reichstein, M.; Jiang, S.: A self-supervised deep learning model for enhanced generalization in soil moisture prediction. Journal of Hydrology 662 (Part B), 133974 (2025)
Slater, L.; Blougouras, G.; Deng, L.; Deng, Q.; Ford, E.; Hoek van Dijke, A. J.; Huang, F.; Jiang, S.; Liu, Y.; Moulds, S.et al.; Schepen, A.; Yin, J.; Zhang, B.: Challenges and opportunities of ML and explainable AI in large-sample hydrology. Philosophical Transactions of the Royal Society of London - Series A: Mathematical Physical and Engineering Sciences (383), 20240287 (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. Environmental Research Letters 21 (2), 024011 (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)
