Login
- Originaltitel:
- Deep learning and hybrid modeling of global vegetation and hydrology
- Übersetzter Titel:
- Deep Learning und hybride Modellierung globaler Landoberflächenprozesse
- Autor:
- Kraft, Basil
- Jahr:
- 2022
- Dokumenttyp:
- Dissertation
- Fakultät/School:
- TUM School of Engineering and Design
- Betreuer:
- Körner, Marco (Prof. Dr. habil.)
- Gutachter:
- Körner, Marco (Prof. Dr. habil.); Reichstein, Markus (Prof. Dr.)
- Sprache:
- en
- Fachgebiet:
- GEO Geowissenschaften
- Stichworte:
- deep learning, hybrid modeling, RNNs, LSTMs, land surface modeling, hydrology, ecology, dynamic memory effects
- Übersetzte Stichworte:
- Deep Learning, Hybride Modellierung, RNNs, LSTMs, Landoberflächenmodellierung, Hydrologie, Ökologie, Dynamische Memoryeffekte
- TU-Systematik:
- BAU 967; GEO 007
- Kurzfassung:
- 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.
- Übersetzte Kurzfassung:
- 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
- Eingereicht am:
- 24.01.2022
- Mündliche Prüfung:
- 04.07.2022
- Dateigröße:
- 40743009 bytes
- Seiten:
- 152
- Urn (Zitierfähige URL):
- https://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:91-diss-20220704-1638184-1-1
- Letzte Änderung:
- 05.10.2022
BibTeX
Vorkommen: