Erd- und Umweltwissenschaften

Der Schwerpunktbereich Erd- und Umweltwissenschaften bei ScaDS.AI Dresden/Leipzig erforscht das Erdsystem und seine Dynamik mithilfe von Künstlicher Intelligenz (KI) und großskaliger Datenanalyse. Unsere Forschung befasst sich mit einer breiten Palette natürlicher Phänomene und gesellschaftlicher Herausforderungen, darunter der Klimawandel und Extremereignisse, Naturgefahren, die Dynamik von Ökosystemen sowie der Verlust der Biodiversität.

Die moderne Erdsystemforschung ist von Natur aus datenintensiv. Die meisten Bestandteile des Planeten, also Atmosphäre, Ozeane, Landoberfläche, Kryosphäre und fester Erdkörper, werden kontinuierlich durch Satelliten, stationäre Sensornetzwerke und zunehmend auch durch Citizen-Science-Initiativen erfasst. KI-Methoden sind entscheidend, um mit dem Umfang, der Geschwindigkeit und der Heterogenität dieser Daten umzugehen und daraus aussagekräftige, handlungsrelevante Erkenntnisse zu gewinnen.

Unsere Arbeit reicht von lokalen bis zu globalen Skalen und integriert Beobachtungen von Luft, Wasser, Boden, Eis, Gestein und lebenden Systemen. Durch die Verbindung von Fachwissen mit fortgeschrittenen KI-Methoden wollen wir das Verständnis, die Vorhersage und das Management von Prozessen des Erdsystems unter raschem Umweltwandel verbessern.

Wir sind ein interdisziplinäres Team aus Geowissenschaftler:innen, zum Beispiel aus Geophysik, Seismologie, Geomorphologie und Physik, sowie Informatiker:innen und fördern die enge Zusammenarbeit über Disziplingrenzen hinweg, um drängende Fragen zur dynamischen Erde zu bearbeiten.

Klimawandel und Dynamik des Erdsystems

Die Vorhersage zukünftiger Klimaentwicklungen und der damit verbundenen Risiken gehört zu den dringendsten wissenschaftlichen Herausforderungen unserer Zeit. Wir untersuchen KI-gestützte Ansätze, insbesondere Deep Learning und probabilistische Methoden, um Klimaprojektionen und die Quantifizierung von Unsicherheiten zu verbessern.

Ein wichtiger Schwerpunkt ist die Integration physikalischen Wissens in Machine-Learning-Modelle, zum Beispiel in Form von physics-informed neural networks. Solche hybriden Ansätze ermöglichen realistischere Darstellungen von schlecht bekannten Prozessen wie der Wolkenbildung und den Wechselwirkungen zwischen Wolken und Strahlung, die weiterhin eine wesentliche Ursache für Unsicherheiten in Klimamodellen darstellen. Unsere Arbeit trägt zu internationalen Bemühungen um Digital Twins of the Earth bei und unterstützt Szenarioanalysen sowie die Bewertung von Klimarisiken.

Über den langfristigen Klimawandel hinaus untersuchen wir Extrem- und Kombinationsereignisse, bei denen mehrere Gefahren räumlich und zeitlich zusammenwirken, zum Beispiel Wind und Regen, die Sturmfluten auslösen, oder Hitzewellen, auf die Frost folgt und dadurch Ernteausfälle verursacht. Mithilfe generativer und probabilistischer KI-Methoden entwickeln wir fortgeschrittene „Weather Generatoren“, die realistische, multivariate Wetterszenarien simulieren und damit Studien zu Auswirkungen in Landwirtschaft, Forstwirtschaft, Hydrologie und darüber hinaus unterstützen.

Terrestrische Ökosysteme und Umweltwandel

Wir setzen erklärbare KI ein, um Veränderungen in terrestrischen Ökosystemen zu verstehen und vorherzusagen, darunter Wälder, Grasland, Ackerflächen, alpine Umgebungen und Gletscher. Unser Fokus geht über die reine Vorhersage hinaus: Jedes KI-basierte Ergebnis wird von einer Attribution oder Erklärung begleitet, um die wahrscheinlichen Treiber beobachteter oder prognostizierter Veränderungen zu identifizieren.

Zu den Anwendungsbereichen gehören die Bewertung von Ernteausfällen, Waldsterben, Waldbrandrisiken, Überschwemmungen, Erdrutschen, Murgängen und Gletscherdynamiken. Durch die Kombination prozessbasierter Modelle mit moderner KI und Big-Data-Analytik wollen wir Managementstrategien für Ökosysteme verbessern und die Klimaanpassung auf regionaler bis lokaler Ebene unterstützen.

Umweltseismologie

Viele physikalische, chemische und biologische Prozesse, die die Erdoberfläche beeinflussen, hinterlassen erkennbare seismische Signaturen, entweder als einzelne Ereignisse oder als kontinuierliche Hintergrundsignale. Die Umweltseismologie nutzt diese Signale, um Dynamiken im oberflächennahen Bereich mit bislang unerreichter Auflösung zu untersuchen.

Unsere Forschung treibt KI-gestützte seismische Analysen voran, um Naturgefahren und Massenbewegungen zu untersuchen, insbesondere in Gebirgs- und Kryosphärenumgebungen. Mithilfe dichter seismischer Arrays und hochaufgelöster Zeitreihen kombinieren wir Signalverarbeitung, Quellenlokalisierung, physikalische Modellierung und maschinelles Lernen, um Prozesse an der Erdoberfläche besser zu verstehen, sowohl auf Explorations- als auch auf Monitoring-Ebene. Wir tragen aktiv zur wachsenden interdisziplinären Community bei, die dieses entstehende Feld prägt.

Earth System Data Cubes

Die Erdsystemwissenschaft ist auf hochgradige Datenquellen angewiesen, die sich grundlegend in räumlicher Auflösung, zeitlicher Abtastung, Abdeckung und Messprinzipien unterscheiden, von globalen Satellitenbildern bis hin zu dichten seismischen Netzwerken, die Tausende von Messwerten pro Sekunde erfassen. Diese Unterschiede erschweren Interoperabilität und domänenübergreifende Analysen.

Wir begegnen dieser Herausforderung mit dem Konzept des Earth System Data Cube (ESDC), das heterogene räumlich-zeitliche Daten in einem gemeinsamen Rahmen harmonisiert, der durch Längengrad, Breitengrad und Zeit definiert ist. Data Cubes ermöglichen skalierbaren Datenzugriff, Visualisierung und Analyse über Fachgrenzen hinweg und bewahren zugleich die Verbindung zu den ursprünglichen Beobachtungen.

Eine zentrale Herausforderung besteht darin, Data Cubes mit Machine Learning auf physikalisch sinnvolle Weise zu verbinden. Erdsystemdaten sind ungleichmäßig erfasst, enthalten Lücken und zeigen starke räumlich-zeitliche Autokorrelation, Eigenschaften, die den Annahmen gängiger ML-Workflows widersprechen. Deshalb entwickeln wir:

• Fortschrittliche Sampling-Strategien für großskalige Data Cubes.
• ML-Methoden, die geospatiale Strukturen und physikalische Randbedingungen berücksichtigen.
• Skalierbare Werkzeuge für cloud-gehostete Erdsystemdaten.

Unser Ziel ist es, interoperable, robuste und vertrauenswürdige KI für die Erdsystemwissenschaft zu ermöglichen und methodische Innovation mit praktischen Umweltanwendungen zu verbinden.