Login
- Originaltitel:
- Prediction of extreme precipitation events: combining process-based with machine learning models
- Übersetzter Titel:
- Vorhersage von extremen Niederschlagsereignissen durch Kombination von prozess-basierten Modellen und Maschinellem Lernen
- Autor:
- Heß, Jan Philipp
- Jahr:
- 2023
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Boers, Niklas (Prof. Dr.)
- Gutachter:
- Boers, Niklas (Prof. Dr.); Körner, Marco (Prof. Dr.); Vercauteren, Nikki (Assoc. Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- BAU Bauingenieurwesen, Vermessungswesen
- TU-Systematik:
- BAU 900
- Kurzfassung:
- This thesis explores deep learning methods for post-processing numerical weather and climate simulations of precipitation, including extreme events. Techniques for improving spatial patterns and temporal distributions of precipitation simulations are investigated. Improved forecast skill of extreme precipitation events is shown in the weather prediction context. Challenges arising from the chaotic nature and non-stationarity of the Earth system on climate time scales are further addressed.
- Übersetzte Kurzfassung:
- In dieser Arbeit werden Deep Learning Methoden für das Post-Processing von numerischen Wetter- und Klimasimulationen von Niederschlägen, einschließlich Extremereignissen, untersucht, wie z.B. Techniken zur Verbesserung räumlicher Muster und zeitlicher Verteilungen. Im Kontext der Wettervorhersage wird eine verbesserte Vorhersagefähigkeit von extremen Niederschlagsereignissen gezeigt. Auf Klimazeitskalen werden die chaotischen Eigenschaften und die Nicht-Stationarität des Erdsystems addressiert.
- WWW:
- https://mediatum.ub.tum.de/?id=1695721
- Eingereicht am:
- 06.02.2023
- Mündliche Prüfung:
- 25.09.2023
- Dateigröße:
- 44531093 bytes
- Seiten:
- 163
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20230925-1695721-1-7
- Letzte Änderung:
- 13.10.2023
BibTeX