ESDE besteht jetzt aus drei Teams

Seit Anfang des Jahres wurde die Earth System Data Exploration (ESDE)-Gruppe in drei spezialisierte Teams umstrukturiert: Data Infrastructure and Workflows (DIW), WeatherAI und ClimateAI. Diese Änderung spiegelt die wachsende Anzahl von Forschern in unserer Gruppe wider und unterstreicht die zunehmende Bedeutung unserer Arbeit im Bereich Deep Learning und Hochleistungsrechnen für Wetter-, Klima- und Luftqualitätsstudien. Insbesondere wurde das bisherige Team "Deep Learning for Weather and Air Quality" in WeatherAI und ClimateAI aufgeteilt, wobei beide weiterhin Aspekte der Luftqualität in ihre Forschung integrieren.

Die Teams werden geleitet von:

• Data Infrastructure and Workflows: Sabine Schröder
• WeatherAI: Michael Langguth
• ClimateAI: Savvas Melidonis

Die ESDE-Gruppe erforscht hochmoderne Deep-Learning-Methoden und groß angelegte Daten-Workflows zur Analyse und Vorhersage atmosphärischer Phänomene mit einem besonderen Fokus auf Luftqualität und Wetter. Unsere Arbeit verbessert die Fähigkeit, extreme Wetterereignisse vorherzusagen und deren Auswirkungen abzumildern, Ökosysteme zu schützen und wissenschaftlich fundierte Entscheidungen zu unterstützen. Durch die Zusammenarbeit mit zahlreichen internationalen Partnern treiben wir den Fortschritt im Bereich Machine Learning und Erdsystemwissenschaften voran und leisten einen wichtigen Beitrag zu großen europäischen Initiativen wie AtmoRep und WeatherGenerator.

Data Infrastructure and Workflows (DIW)

Das DIW team entwickelt modernste Dateninfrastrukturen und Analysetools für Luftqualitäts- und meteorologische Daten. Ihre Arbeit stellt sicher, dass harmonisierte, qualitätskontrollierte Datensätze offen zugänglich sind und den FAIR-Prinzipien entsprechen. Das Team spielt eine zentrale Rolle in Projekten wie:

• TOAR Database Infrastructure (toar-data.fz-juelich.de, toar-data.org): Eine groß angelegte Datenbank für Luftqualitäts- und meteorologische Messungen.
• WarmWorld (https://www.warmworld.de): Verbesserung von Erdsystemsimulationen und Erleichterung des Zugangs zu Klimadaten durch föderierte Systeme.

WeatherAI

WeatherAI konzentriert sich auf Deep-Learning-gestützte Wettervorhersagen und entwickelt Foundation Models, die die Vorhersagbarkeit insbesondere extremer Wetterereignisse verbessern. Durch die Integration von Machine Learning mit umfangreichen Umwelt-Datensätzen erweitert das Team die Grenzen der atmosphärischen Modellierung. Es trägt aktiv zu folgenden Projekten bei:

• WeatherGenerator (https://weathergenerator.eu): Ein vierjähriges EU-Projekt, das auf der AtmoRep-Initiative aufbaut, um Machine Learning in der Wettervorhersage voranzutreiben.
• RAINA (https://raina-project.de): Konzentriert sich auf extreme Wetterereignisse wie Starkniederschläge und Überschwemmungen und leistet einen Beitrag zum WeatherGenerator.

ClimateAI

ClimateAI erforscht den Einsatz von Deep Learning in der Klimamodellierung, insbesondere die Entwicklung KI-basierter Foundation Models für langfristige Klimasimulationen. Die Forschung zielt darauf ab, die Kopplung von Atmosphäre, Ozean und Meereis zu ermöglichen und saisonale bis dekadische Vorhersagen zu verbessern. Wichtige Projekte sind:

• HClimRep (https://hclimrep-project.de): Erweiterung von Machine-Learning-Methoden auf Klimamodellierung im Rahmen des EU-WeatherGenerator-Projekts.

Die Umstrukturierung der ESDE-Gruppe in diese spezialisierten Teams stärkt unsere Fähigkeit, drängende wissenschaftliche Herausforderungen in der Erdsystemforschung zu bewältigen. Durch enge Zusammenarbeit und interdisziplinäre Expertise gestalten wir weiterhin die Zukunft der Wetter- und Klimamodellierung.