5 Data-Science in der Hydrogeologie: Potenziale, Limitationen und Herausforderungen

Leitung: Jan Bumberger, Miguel D. Mahecha

Freitag, 09:45-12:45, Weißer Saal

Data Science und Künstliche Intelligenz (KI) entwickeln sich rasant und ermöglichen neue Lösungsansätze für komplexe Probleme in vielen Bereichen der Wissenschaft. Auch in der Hydrologie ist die Exploration großer heterogener Datensätze essentiell für die Analyse komplexer raumzeitlicher Prozesse. In dieser Session möchten wir verstehen, welche Methoden besonders erfolgversprechend sind, um aktuelle Probleme in der hydrologischen Forschung und Anwendung besser als mit herkömmlichen Ansätze lösen zu können. Beispiele können z.B. die Vorhersage von Extremereignissen wie Dürre und Hochwasser sein oder Prognosen über den zukünftigen Wasserbedarf in wasserarmen Regionen. Die Fortschritte in den Informations- und Kommunikationstechnologien (IKT) bilden eine solide technologische Grundlage für die Realisierung derartiger Ansätze. Eine Herausforderung besteht darin, heterogene Datenflüsse von lokalen Sensoren bis hin zu Satellitendaten und unterschiedlichen Modellen gemeinsam zu integrieren. Aus diesem Grund sind v.a. hochskalierbare Methoden und entsprechende IKT-Infrastrukturen von entscheidender Bedeutung. Wir laden Beiträge ein, in denen Herausforderungen, Lösungen, Fallstudien, Best Practices und Limitationen zum Thema Data Science, KI und Big Data in der Hydrologie vorgestellt werden, um neue Ideen zur datengetriebenen Extraktion von Informationen sowie deren Integration in Modelle und Verwendung unterschiedlicher Datenquellen darzustellen.

 
09:455.1: Maximilian Nölscher et al.: Nutzung von Convolutional Neural Networks zur Vorhersage von Grundwasserständen
10:005.2: Gunnar Lischeid: Data Science in der Hydrogeologie: Zeit für einen Paradigmenwechsel?
10:155.3: Lennart Schmidt et al.: Räumlich verteiltes Deep Learning zur Niederschlag-Abfluss Modellierung und Systemanalyse
10:305.4: Stefan Broda et al.: Deep learning in der Hydrogeologie – Konzepte und Anwendungen
10:45Kaffeepause
11:15

 

Postersession

11:455.5: Johannes C. Haas et al.: Tiny steps towards Big Data – Freud und Leid in der Arbeit mit großen Grundwasserdatensätzen
12:005.6: Björn Kaiser et al.: Kopplung von Sensordaten mit numerischen Grundwassersimulationen für webbasierte Visulisierungen in Echtzeit
12:155.7: Maximilian Nölscher et al.: Was die Hydrogeologie von Data Science im Hinblick auf reproduzierbare Forschung lernen kann
12:305.8: Andreas Wunsch et al.: Machine-Learning basiertes Clustering von Grundwasserganglinien
12:45

Export as iCal: Export iCal

Poster

5.1 Tanja Liesch, Andreas Wunsch
Einfluss langperiodischer Klimaschwankungen auf Grundwasserstände – Warum lange, kontinuierliche Grundwasserstandsaufzeichnungen für die Zukunft von großem Wert sind
5.2 Johannes Münch, Sinikka Paulus, Phillip Grimm, Lennart Schmidt, Benjamin Huber
Abstract Digital Water Institute e.V.
5.3 Sandhya Birla, Vedaanti Baliga, Prabhas Kumar Yadav, Rudolf Liedl, B. R. Chahar
A Browser-Based User Interface for the Pre-Assessment of Potentially Contaminated Sites

<< Zurück zur Liste