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.
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.
SEVA is a scalable exploration tool that supports users to conduct change detection based on optical Sentinel-2 satellite observations.
It supports the following essential steps of change detection:
a) exploration and selection of optical satellite images to recognize proper data for the current application scenario,
b) automated extraction of changes from the optical satellite images,
c) analysis of errors and
d) assessment and interpretation of the extracted changes.
GeoMultiSens developed an integrated processing pipeline to support the analysis of homogenized data from various remote sensing archives. The processing pipeline has five main components: (1) visual assessment of remote sensing Earth observations, (2) homogenization of selected Earth observation, (3) efficient data management with XtreemFS, (4) Python-based parallel processing and analysis algorithms implemented in a Flink cloud environment, and (5) visual exploration of the results. GeoMultiSens currently supports the classification of land-cover for Europe.
Das Projekt MCH-DWH ist wesentlicher Eckpfeiler fuer die Neu- und Weiterentwicklung sowie Erneuerung der Infrastruktur und Werkzeuge fuer folgende Geschaeftsziele von MeteoSchweiz: - Datenerfassung, -archivierung, -austausch und -auswertung; - Bereitstellung von klimatologischen Informationen. Projektziele: Eine Infrastruktur aufbauen, mit der meteorologische und klimatologische Grunddaten und die dazu gehoerenden Metadaten gesammelt, gespeichert, aufbereitet, bearbeitet und archiviert werden koennen. Diese Infrastruktur soll aus einer Datensammlungs- und -aufbereitungsschicht' (Data Warehouses) und einer Datenverwertungsschicht' (Data Marts) bestehen. Den internen und externen Datenbenutzern die Grundlagen schaffen fuer einen massgeschneiderten Zugriff auf die Grund- und Metadaten (Data Marts nach Benutzerbeduerfnissen). Werkzeuge fuer die Datenaufbereitung und -bearbeitung (Berechnung, Aggregierung, Qualitaetskontrolle, Korrektur) bereitstellen. Umsetzung und Anwendungen: Hauptdatenarchiv der MeteoSchweiz fuer klimatologische und meteorologische Daten.