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

Chair: Jan Bumberger, Miguel D. Mahecha

Friday, 09:45-12:45, Weißer Saal

Please refer to the German version of this webpage for the session abstract.

 
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
10:45Coffee break
11:15

 

Poster session

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

<< Back to list