Description: Ziel des Projektes ist es, extreme Ereignisse in simulierten Wasserkreislaufkomponenten zu identifizieren, indem neuartige tiefe generative Netzwerke entwickelt werden, die anomale Ereignisse in simulierten Daten erkennen. Da die Erkennung von anomalen Ereignissen datengetrieben ist, werden sie nicht immer mit Extremen wie Dürren zusammen auftreten. Wir werden daher neuartige Methoden auf Basis von Deep Learning entwickeln, die die Auswirkungen von anomalen Ereignissen, wie landwirtschaftliche Dürren, vorhersagen. Darüber hinaus werden wir die entwickelten Ansätze nutzen, um die Auswirkungen anthropogener Treiber auf anomale Ereignisse zu untersuchen.
Types:
SupportProgram
Origins:
/Bund/UBA/UFORDAT
Tags:
Bildverarbeitung
?
Dürre
?
Atmosphärische Wissenschaften
?
Künstliche Intelligenz
?
Wasserkreislauf
?
Chemie der Atmosphäre
?
Computer Graphics
?
Computergraphik
?
Human Computer Interaction
?
Language Processing
?
Physik der Atmosphäre
?
Sprachverarbeitung
?
Ubiquitous
?
Visualisation
?
Visualisierung
?
Wearable Computing
?
Region:
Nordrhein-Westfalen
Bounding boxes:
6.76339° .. 6.76339° x 51.21895° .. 51.21895°
License: cc-by-nc-nd/4.0
Language: Deutsch
Organisations
-
Rheinische Friedrich-Wilhelms-Universität Bonn, Fachbereich Informationssysteme und Künstliche Intelligenz, Arbeitsgruppe Computer Vision Group (Projektverantwortung)
-
Rheinische Friedrich-Wilhelms-Universität Bonn, Institut für Geowissenschaften, Abteilung Meteorologie (Projektverantwortung)
-
Umweltbundesamt (Bereitstellung)
Time ranges:
2022-01-01 - 2025-08-17
Alternatives
-
Language: Englisch/English
Title: Sub project D05: Deep Generative Networks for Detecting Anomalous Events in the Water Cycle
Description: This project aims to identify extreme events in simulated water cycle components by developing novel deep generative networks that detect anomalous events in simulated data. Since the detected anomalous events will be data-driven, they will not always co-occur with extremes like droughts. We will therefore develop novel methods based on deep learning that predict the impact of anomalous events like agricultural droughts. Furthermore, we will use the developed approaches to investigate the impact of anthropogenic drivers on anomalous events.
https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1138855
Resources
Status
Quality score
- Overall: 0.44
-
Findability: 0.44
- Title: 0.16
- Description: 0.18
- Identifier: false
- Keywords: 0.31
- Spatial: RegionIdentified (1.00)
- Temporal: true
-
Accessibility: 0.67
- Landing page: Specific (1.00)
- Direct access: false
- Publicly accessible: true
-
Interoperability: 0.00
- Open file format: false
- Media type: false
- Machine-readable metadata: false
- Machine-readable data: false
-
Reusability: 0.67
- License: ClearlySpecifiedAndFree (1.00)
- Contact info: false
- Publisher info: true
Accessed 1 times.