Login
- Original title:
- Deep learning and hybrid modeling of global vegetation and hydrology
- Translated title:
- Deep Learning und hybride Modellierung globaler Landoberflächenprozesse
- Author:
- Kraft, Basil
- Year:
- 2022
- Document type:
- Dissertation
- Faculty/School:
- TUM School of Engineering and Design
- Advisor:
- Körner, Marco (Prof. Dr. habil.)
- Referee:
- Körner, Marco (Prof. Dr. habil.); Reichstein, Markus (Prof. Dr.)
- Language:
- en
- Subject group:
- GEO Geowissenschaften
- Keywords:
- deep learning, hybrid modeling, RNNs, LSTMs, land surface modeling, hydrology, ecology, dynamic memory effects
- Translated keywords:
- Deep Learning, Hybride Modellierung, RNNs, LSTMs, Landoberflächenmodellierung, Hydrologie, Ökologie, Dynamische Memoryeffekte
- TUM classification:
- BAU 967; GEO 007
- Abstract:
- While physically-based models struggle to represent land surface processes due to the complex temporal interactions, recurrent neural networks (RNNs) are able to learn them from data. This thesis explores the applicability of RNNs to global-scale land surface modeling and investigates and demonstrates the potential of combining RNNs and physically-based modeling in a so-called hybrid model. Hybrid models are partially interpretable and physically consistent and yet data-driven.
- Translated abstract:
- Während physikalische Modelle aufgrund komplexer zeitlichen Interaktionen Mühe haben, Landoberflächenprozesse darzustellen, können rekurrente neuronale Netze (RNNs) diese aus Daten erlernen. In dieser Arbeit wird die Anwendbarkeit von RNNs für das Modellieren solcher Prozesse untersucht und das Potenzial der Kombination von RNNs und physikalischer Modellierung in einem Hybridmodell demonstriert. Hybride Modelle sind teilweise interpretierbar, physikalisch konsistent, und dennoch datengetrieben.
- WWW:
- https://mediatum.ub.tum.de/?id=1638184
- Date of submission:
- 24.01.2022
- Oral examination:
- 04.07.2022
- File size:
- 40743009 bytes
- Pages:
- 152
- Urn (citeable URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220704-1638184-1-1
- Last change:
- 05.10.2022
BibTeX
Occurrences: