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.
Ziel dieses Projektes ist die Bestimmung von Landnutzung und -bedeckung aus optischen Satellitendaten für spezifische Zeitpunkte (als Momentaufnahme) oder für längere Zeiträume (z.B. eine Saison). Dafür werden tiefe neuronale Netze entwickelt, welche die spezifischen biogeografischen Eigenschaften der betrachteten Regionen berücksichtigen um eine hohe Generalisierungsfähigkeit zu gewährleisten. Des Weiteren werden raumzeitliche Datenlücken geschlossen, um die Datengrundlage für die entwickelten Methoden zu verbessern, und Daten- und Modellunsicherheiten für die berechneten Karten bestimmt.
SemDaTe untersucht semantische Technologien um strukturierte experimentelle Daten und ursprünglich unstrukturierte textuelle Daten in einem Informationssystem ontologiegestützt nahtlos zu integrieren. Diese auf BExIS2 aufgesetzte Plattform ist nicht nur ein sicherer Hafen für die Daten von AquaDiva, sondern versetzt darüber hinaus die AquaDiva-Forscher in die Lage Daten semantisch gestützt zu finden, zu modellieren und zu aggregieren (etwa beim Testen von Hypothesen) und ferner ihre Glaubwürdigkeit, Konsistenz und Vollständigkeit einzuschätzen. Damit wird diese Plattform nicht nur für AquaDiva von Nutzen sein, sondern generell den state-of-the-art in den Datenwissenschaften neu definieren.