7 Künstliche Intelligenz in der Hydrogeologie

Leitung: Stefan Broda, Tanja Liesch

Mittwoch, 10:30-12:15, HS 2

Methoden der künstlichen Intelligenz (KI), insbesondere das maschinelle Lernen (ML), gewinnen in vielen Disziplinen zunehmend an Bedeutung. Auch in der Hydrogeologie sind sie in den letzten Jahren vermehrt anzutreffen. Die Anwendungen umfassen dabei räumliche Klassifikations- und Regressionsaufgaben, Zeitreihenvorhersagen, Signalverarbeitung, Ausreißertests, Ereignisklassifikation, Bias-Korrektur und viele andere. Die zur Anwendung kommenden Methoden sind beispielsweise künstliche neuronale Netze, Support-Vektor-Machines, Self-Organizing Maps, Entscheidungsbäume, Random Forest oder genetische Algorithmen. Die Session spricht insbesondere, aber nicht ausschließlich folgende Themen an:

1) Neuartige Anwendungsbeispiele von KI-Modellen in der Hydrogeologie, z.B. intelligente Aquifer-Charakterisierung, Fernerkundungsdatenverarbeitung, Niederschlags-Abfluss-Modellierung, Zeitreihenvorhersage,
2) Entwicklung und/oder Anwendung fortgeschrittener Modelltypen für hydrogeologische Fragestellungen, einschließlich der Integration physikalischer Randbedingungen (physics-guided AI),
3) vergleichende Anwendungen von ML-Algorithmen und physikalischen oder statistischen Modellen,
4) erklärbare KI (explainable AI)
5) ML-unterstützte Datenanalytik.

 Mittwoch:
23.03.2022
10:30V 7.1: Zhao Chen et al.: Der neue FH-DGGV-Arbeitskreis „Digitalisierung im Grundwassersektor“
10:45V 7.2: Lukas Knoll et al.: Landesweite Abschätzung der Nitratkonzentration im Grundwasser mit Hilfe von Machine Learning
11:00V 7.3: Marc Ohmer et al.: Datengetriebene Compressed-Sensing-Algorithmen zur intelligenten Optimierung von Grundwassermessnetzen und deren Anwendung auf Grundwasserstände und Nitrat
11:15V 7.4: Andreas Wunsch et al.: Deep Learning basierte Abschätzung der Grundwasserstandsentwicklung in Deutschland bis 2100 im Kontext des Klimawandels
11:30Kaffeepause
12:00V 7.6: Olaf Cirpka et al.: Gaußsche Prozessemulation (GPE) zur Unterstützung der Ensemble-basierten Grundwassermodellierung
12:15

Export as iCal: Export iCal

Poster

P 7.1 Holger Kaiser, Lina Grötzinger
IoT in der Grundwassersanierung
P 7.2 Maximilian Nölscher, Stefa Broda, Michael Mutz
Multiorder Hydrologic Position for Europe (EU-MOHP) – ein neuer Grundlagendatensatz für machine learning Anwendungen in der Hydrogeologie

<< Zurück zur Liste