Digital verfügbare Datensätze in der terrestrischen Wasser- und Umweltforschung werden immer zahlreicher und umfangreicher, sind allerdings oft nicht ohne Weiteres zugänglich und wissenschaftlich verwendbar. Häufig sind sie unzureichend mit Metadaten beschrieben und in unterschiedlichsten Datenformaten abgelegt, dazu oftmals nicht in Datenportalen/-repositorien, sondern auf lokalen Speichermedien vorgehalten. Basierend auf der in einem Vorgängerprojekt entwickelten virtuellen Forschungsumgebung V-FOR-WaTer ist es das Ziel von ISABEL, dieses Datenangebot in einem Webportal verfügbar zu machen. Hier sollen Umweltwissenschaftler auf Daten aus unterschiedlichen Quellen wie z.B. Landesämtern oder Hochschulprojekten einfach und schnell zugreifen, aber auch eigene Daten teilen können. Zusätzlich sind Schnittstellen zu bestehenden Datenportalen geplant, damit bereits veröffentlichte Datensätze mit einbezogen werden können. Mithilfe integrierter Werkzeuge sollen diese Daten leicht skaliert werden und in einem einheitlichen Format verfügbar sein. Außerdem stehen Analysewerkzeuge für weitere Auswertungen zur Verfügung. Diese werden vom Entwicklerteam beständig für den Bedarf der Community erweitert, können aber auch direkt von Nutzern beigetragen werden. Ein leichtes Abspeichern der Analyseschritte und verwendeten Werkzeuge macht die Berechnungen reproduzierbar, zudem wird durch die Anbindung an vorhandene Datenrepositorien die Publikation eigener Daten vereinfacht. Damit adressiert ISABEL den Bedarf von Forschenden aus den Wasser- und Umweltwissenschaften, Daten nicht nur aufzufinden und darauf zugreifen zu können, sondern mit standardisierten Werkzeugen für reproduzierbare Datenanalyseschritte effizient datengetrieben zu lernen.
C4.1 Prozess-basierte Modelsimulationen. Wir entwickeln prozessbasierte Modellsimulationen und Deep-Learning-Tools für die Datenanalyse, um mit dem Sensornetzwerk zu interagieren und die Messungen zu optimieren. Dies ermöglicht ein vertieftest Verständnis der Auswirkungen der räumlich-zeitlichen Heterogenität und Dynamik auf den gesamten Wasser- und Kohlenstoffaustausch im Ökosystem. Wir werden ein bestehendes prozessbasiertes 2D-Modell erweiterten, kalibrierten und in einem 3D Gegenwarts- und Vorhersagemodus betreiben, der die räumlich-zeitliche Heterogenität kleinräumiger Prozesse abdeckt und neue Skalierungsgesetze für nichtlineare Wechselwirkungen integriert.C4.2 Deep-LearningMit Hilfe von Deep-Learning-Algorithmen soll die Fülle an Daten effizient ausgewertet werden, um zwischen wichtigen und redundanten Daten zu unterscheiden. Ziel ist es, eine ausreichende räumlich-zeitliche Auflösung zu erreichen, Energie für die Sensorknoten zu sparen und die Anhäufung redundanter Daten zu reduzieren. Dabei interagieren Deep-Learning und Prozesssimulationen mit dem Sensornetz durch i) Datenassimilation aus dem Sensornetz und ii) Anpassung und Optimierung des Messdesigns auf Basis der simulierten Ergebnisse und Vorhersagen