WeatherAI

Unser WeatherAI-Team ist führend in der Anwendung fortschrittlicher Deep-Learning-Methoden für die Modellierung des Erdsystems, mit besonderem Fokus auf Wettervorhersagen.

In den letzten Jahren haben maschinenlernbasierte (ML) Wettervorhersagemodelle die atmosphärische Modellierung revolutioniert. Diese Modelle übertreffen nun klassische physikbasierte numerische Wettervorhersagesysteme in verschiedenen Aspekten, erweitern die Grenzen der Vorhersagbarkeit und zeigen vielversprechende Ansätze zur Vorhersage seltener, aber hochwirksamer extrem wetterbedingter Ereignisse im Kontext des sich verändernden Klimas. Durch die Nutzung großer Mengen an Umweltmonitoring-Daten geht unsere Forschung über rein ML-gesteuerte Vorhersagemodelle hinaus. In diesem Bereich ist das WeatherAI-Team führend in der Entwicklung von Foundation Models—umfassende KI-Systeme, die eine reichhaltige Darstellung des Erdsystems erlernen und flexibel auf verschiedene Anwendungen angewendet werden können.

Neben Wettervorhersagen konzentrieren wir uns auch auf die Vorhersage der Luftqualität, um die negativen Auswirkungen der Luftverschmutzung auf Gesellschaft und Natur zu mindern. Durch enge Zusammenarbeit mit nationalen und internationalen Partnern setzen wir uns dafür ein, die nächste Generation der Erdsystemmodellierung mit modernsten Deep-Learning-Ansätzen voranzutreiben.

Aufbauend auf dem Erfolg der AtmoRep-Initiative und unseren Beiträgen zum EuroHPC-Projekt MAELSTROM sowie zum Destination Earth-Anwendungsfall zur Luftqualität sind wir ein stolzer Partner des EU-Horizon-Projekts WeatherGenerator und leiten das vom Bundesministerium für Bildung und Forschung (BMBF) geförderte RAINA-Projekt.

Ziele

  • Entwicklung von WeatherGenerator, einem fortschrittlichen Grundmodell für das Erdsystem
  • Nahtlose Integration von Beobachtungs-, Geodaten- und numerischen Simulationsdaten
  • Verbesserung der hochauflösenden Wettervorhersage, mit besonderem Fokus auf extreme Ereignisse
  • Erkundung innovativer Methoden zur Luftqualitätsvorhersage
  • Optimierung der Skalierbarkeit von Deep Learning auf Hochleistungsrechnersystemen (HPC)

Projekte

Mitglieder

Keine Ergebnisse gefunden.
Loading

Letzte Änderung: 15.04.2025