Referenten: Prof. Dr. Alexander Brenning (Friedrich-Schiller-Universität Jena)
Ob Grundwasserbelastung, Bodeneigenschaften oder Naturgefahren in einem sich wandelnden Klima: Geostatistik und räumliches maschinelles Lernen ermöglichen heute hochauflösende, datengetriebene Vorhersagen. Doch wie gut generalisieren solche Modelle auf neue Räume und auf Umweltbedingungen, die in den Trainingsdaten kaum vertreten sind? Anhand der Modellierung von Nitratbelastung, des Digital Soil Mapping von Wüstenpflastern und der Abschätzung von Rutschungsgefährdung beleuchtet der Vortrag Herausforderungen der Extraplation, Nichtstationarität und Modellvalidierung. Es wird gezeigt, wie Prozesswissen und datengetriebene Ansätze in prozessinformierter KI verbunden werden können, um robustere Vorhersagen unter sich wandelnden Umweltbedingungen zu ermöglichen