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.
This repository offers a straightforward implementation of hierarchical clustering coupled with interactive visualizations. The visualization depicts the clusters on a map and an interactive dendrogram to users. The interactive visualization allows users to explore the hierarchical cluster structure and navigate different levels of granularity of the dendrogram.
Geochemical models are used to seek answers about composition and evolution of groundwater, spill remediation, viability of geothermal resources and other important geoscientific applications. To understand these processes, it is useful to evaluate geochemical model response to different input parameter combinations. Running the model with varying input parameters creates a large amount of output data. It is a challenge to screen this data from the model to identify the significant relationships between input parameters and output variables. For addressing this problem we developed a Visual Analytics approach in an ongoing collaboration between Geoinformatics and Hydrogeology sections of GFZ German Research Centre for Geosciences. We implement our approach as an interactive data exploration tool called the GCex.GCex is a Visual Analytics approach and prototype that supports interactive exploration of geochemical models. It encodes many-to-many input/output relationships by the simple yet effective approach called Stacked Parameter Relation (SPR). GCex assists in the setup of simulations, model runs, data collection and result exploration, greatly enhancing the user experience in tasks such uncertainty and sensitivity analysis, inverse modeling and risk assessment.While in principle model-agnostic, the prototype currently supports and is tied to the popular geochemical code PHREEQC. Modification to support other models would not be complicated. GCex prototype was originally written by Janis Jatnieks at GFZ-Potsdam. It relies on Rphree (R-PHREEQC geochemical simulation model interface) written by Marco De Lucia at GFZ-Potsdam. A compatible version of Rphee is bundled with this installation.
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.
| Origin | Count |
|---|---|
| Bund | 3 |
| Wissenschaft | 4 |
| Type | Count |
|---|---|
| Förderprogramm | 3 |
| unbekannt | 4 |
| License | Count |
|---|---|
| offen | 7 |
| Language | Count |
|---|---|
| Deutsch | 3 |
| Englisch | 6 |
| Resource type | Count |
|---|---|
| Keine | 5 |
| Webseite | 2 |
| Topic | Count |
|---|---|
| Boden | 3 |
| Lebewesen und Lebensräume | 2 |
| Luft | 1 |
| Mensch und Umwelt | 7 |
| Weitere | 7 |