DLR Portal
Home|Impressum|Sitemap|Kontakt Impressum Datenschutz |English
Sie sind hier: Home:Abteilungen:Datenmanagement und –analyse:Klimainformatik
Erweiterte Suche
Institut
Abteilungen
Datenmanagement und –analyse
Datenmanagement Technologien
Klimainformatik
Visuelle Analyse
Maschinelles Lernen
Sichere Digitale Systeme
Bürgerwissenschaften
Bürgerwissenschaftliches Labor
HPDA
Stellenangebote
Veröffentlichungen
Drucken

Klimainformatik



Die Arbeitsgruppe Klimainformatik entwickelt innovative Data Science Methoden für ein besseres Verständnis des Klimasystems und des Klimawandels.

Die Erde ist eines der am meisten beobachteten komplexen dynamischen Systeme. Satelliten und Wetterstationen stellen seit Jahrzehnten und teilweise bis ins vorletzte Jahrhundert Messreihen für fast alle Teile der Erde bereit. Diese Beobachtungsdatensätze werden ergänzt durch globale Klimamodelle, die die physikalischen Gesetze der Atmosphäre und Ozeane simulieren und uns damit Projektionen für zukünftige Klimaentwicklungen geben können - abhängig von verschiedenen Szenarien des menschlichen Einflusses.

Dennoch stecken die Datenanalysemethoden der Klimaforschung noch in den Kinderschuhen. Dies liegt an mehreren Herausforderungen. Zum einen ist das Klimasystem hochgradig nichtlinear und Prozesse interagieren auf verschiedenen Zeitskalen miteinander. Weiterhin repräsentieren die gemessenen Daten nie alle relevanten Prozesse und Datensätze enthalten  Lücken sowie Messunsicherheiten. Zuletzt sind Klimadaten meist sehr hochdimensional und Datensätze bewegen sich leicht im Tera- und Petabyte-Bereich

Das Ziel der Arbeitsgruppe Klimainformatik ist die Entwicklung von neuen Methoden, die diesen Herausforderungen gewachsen sind, basierend auf Ansätzen aus dem Bereich der kausalen Inferenz, des Maschinellen Lernens und insbesondere Deep Learning, sowie der nichtlinearen Zeitreihenanalyse.


Kontakt
Dr. Jakob Runge
Gruppenleitung

Institut für Datenwissenschaften
, Datenmanagement und -analyse
Jena

Tel.: +49 3641 30960 112

Laufende Projekte
Time series causal discovery
Mixed-type conditional independence tests and causal discovery
Emergent constraints
SupernoVAE
Deep Graphical Models and Domain Knowledge Integration
Understanding Deep Learning
Deep Learning for forecasting over complex stochastic spatio-temporal Earth Systems
Causal anomaly detection
Verwandte Themen im DLR
Meteorologie und Klimatologie
Copyright © 2021 Deutsches Zentrum für Luft- und Raumfahrt e.V. (DLR). Alle Rechte vorbehalten.