Deep State-Space Models zum Verständnis von Veränderungen in Ökosystemen

• Antragstellerin: Dr.-Ing. Maha Shadaydeh, Ph.D.
• Fachliche Zuordnung: Bild- und Sprachverarbeitung, Computergraphik und Visualisierung, Human Computer Interaction, Ubiquitous und Wearable Computing
• Förderung: Förderung seit 2021
• Projektkennung: Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 455121326

Daten sind in den Klima- und Ökosystemwissenschaften allgegenwärtig. Trotz der Fülle der zu verarbeitenden Daten hatten die Datenwissenschaft bisher keinen nennenswerten Einfluss auf die Forschung zum besseren Verständnis der komplexen Dynamiken des Austauschs zwischen Klima und Ökosystemen (engl.: climate-ecosystem exchange system (CEES)). Eine genaue Modellierung dieser Dynamiken ist für die Erklärung des Klimawandels, für Vorhersagen sowie für die Planung zukünftiger Handlungen notwendig. Ökologische Prozesse weisen Variationen über verschiedene räumliche und zeitliche Skalen auf. Zumindest auf einigen Skalen sind diese Prozesse nichtlinear mit möglichen unbeobachteten Ursachen/Confoundern. Um all dieser Herausforderungen Herr zu werden, müssen wir datengetriebene Methoden entwickeln, die sich an Expertenwissen orientieren, um die potentiell verantwortlichen Prozesse einzuschränken und genauere Modelle zu erstellen.Probabilistische graphische Zustandsraummodelle (engl.: „state space models“, SSMs) sind ein theoretisch wohlfundierter Rahmen für Lernverfahren, da sie mit unserem unvollkommenen Wissen über die Welt umgehen und die Unsicherheit in den Beobachtungen explizit berücksichtigen können. Die Verwendung von SSMs zur Modellierung nichtlinearer, hochdimensionaler Prozesse bringt jedoch zahlreiche Herausforderungen mit sich, und die effiziente Parametrisierung dieser Modelle bleibt eine entscheidende Herausforderung für deren Anwendung. Deep-Learning-Ansätze sind flexibler und verfügen über bessere Möglichkeiten, nichtlineare Abbildungen zu lernen und komplexe langfristige Abhängigkeiten in den Daten zu erfassen, aber es mangelt ihnen an Interpretierbarkeit und Darstellung der Unsicherheit.Das Ziel dieses Antrags ist es, die Bereiche probabilistischer graphischer SSM und Deep Learning zur Modellierung der nichtlinearen Dynamik des CEES zu kombinieren. Wir wollen auf ermittelten dynamischen System aufbauen, um die Ursache-Effekt Interaktionsmuster zwischen den Subsystemen des Systems (verschiedene Paare der Systemvariablen) auf mehreren Zeitskalen zu untersuchen. Anschließend möchten wir untersuchen, ob die Verwendung von Wissen über kausale Inferenzen auf mehreren Zeitskalen im Vergleich zu statistischen Assoziationsmethoden zu einem besseren Verständnis der Auswirkungen von Extremereignissen auf die Funktionsweise von Ökosystemen führen kann. Die Arbeitsgruppe Digitale Bildverarbeitung an der FSU Jena will an diesen Zielen in enger Zusammenarbeit mit dem MPI-BGC Jena arbeiten. Als Beispielanwendung wollen wir mit der Modellformulierung des Netto-Ökosystemaustausches der CO2-Flussverteilung beginnen, die ein Hauptproblem für das Verständnis des Klimaeinflusses auf die Funktionsweise von Ökosystemen darstellt. Als Datenquelle planen wir, die Eddy-Kovarianz-Messreihen zu verwenden.

• DFG-Verfahren: Sachbeihilfen