Twin Earth Methodologies for Biodiversity, Natural Hazards, and Urbanization

Die vom Menschen verursachten Klimaveränderungen stellen eine ernsthafte Bedrohung für das Erdsystem, seine Ökosysteme und die menschliche Gesellschaft dar. Es müssen wirksame Strategien entwickelt werden, um weitere nachteilige Veränderungen entgegenzuwirken und sich an die unvermeidlichen Auswirkungen anzupassen, insbesondere an die Risiken, die sich aus einer Zunahme von Extremereignissen ergeben. Dabei müssen dringend Transformationspfade hin zu einer nachhaltigen Bewirtschaftung der Erde von der globalen bis zur lokalen Ebene gefunden werden.
Das TUM Innovation Network EarthCare hat sich zum Ziel gesetzt, die Wissenslücke zwischen der Nutzung von Künstlicher Intelligenz und Erdbeobachtungsdaten zugunsten der Nachhaltigkeit unseres Planeten durch einen interdisziplinären Ansatz zu schließen.

Mit diesem Ziel verfolgt EarthCare drei Hauptrichtungen:

- Methoden zum Abrufen Geoinformationen aus großen Mengen von Erdbeobachtungsdaten;

- Methoden zur Erstellung hybrider Erdsystemmodelle von Erdkompartimenten durch die Kombination von maschinellem Lernen und Erdbeobachtungsdaten;

- Methoden und Anwendungsfälle von Wirkungsmodellen zur Entscheidung von Nachhaltigkeitsmaßnahmen.

Die Vision von EarthCare ist, Schlüsselmethoden für die Wissenschaft und die Politikgestaltung für eine nachhaltige Zukunft bereitzustellen.

Das Forschungsteam besteht aus hochkarätigen Experten aus vier Disziplinen: Erdbeobachtung, Künstliche Intelligenz und Datenwissenschaft, Erdsystemmodellierung und Nachhaltigkeit. Dadurch können hochinnovativen Methoden der Erdbeobachtung, der Künstlichen Intelligenz und der Erdsystemmodellierung mit Anwendungen in den Bereichen Biodiversität und Forstwirtschaft, dem städtischen Bereich und klimabedingten Naturgefahren zusammengeführt werden.

Der bereichsübergreifende Rahmen von EarthCare fördert den Austausch zwischen Schlüsseldisziplinen der Klimawissenschaft und der Nachhaltigkeit und trägt zur Bündelung des vereinzelten Fachwissens im Münchner Raum bei.

Unser Team

Promotionen

  • Deep learning for quantifying the impacts of extreme weather events (Michael Aich)
  • Uncertainty Quantification of Sea Level Rise (Nils Lehmann)
  • Analyzing and Modelling Forest Responses to Drought Stress (Yixuan Wang)

Publikationen

  1. Li, Q., Mou, L., Hua, Y., Shi, Y., Chen, S., Sun, Y., & Zhu, X. X. (2023). 3DCentripetalNet: Building height retrieval from monocular remote sensing imagery. International Journal of Applied Earth Observation and Geoinformation, 120, 103311. 
  2. Li, Q., Krapf, S., Shi, Y., & Zhu, X. X. (2023). SolarNet: A convolutional neural network-based framework for rooftop solar potential estimation from aerial imagery. International Journal of Applied Earth Observation and Geoinformation, 116, 103098. 
  3. Li, Q., Krapf, S., Mou, L., Shi, Y., & Zhu, X. X. (2023). Roof superstructure detection from aerial imagery. In IGARSS 2023-2023 IEEE International Geoscience and Remote Sensing Symposium. IEEE.
  4. Li, Q., Sun, Y., Mou, L., Shi, Y., & Zhu, X. X. (2023). Semi-supervised segmentation of individual buildings from SAR imagery. In 2023 Joint Urban Remote Sensing Event (JURSE). IEEE.
  5. Chen, H., Tuo, Y., Xu, C.Y. and Disse, M., 2023. Compound events of wet and dry extremes: Identification, variations, and risky patterns. Science of The Total Environment, 905, p.167088.
  6. Ho, S., Buras, A., & Tuo, Y. 2023. Comparing agriculture-related characteristics of flash and normal drought reveals heterogeneous crop response. Water Resources Research, 59, e2023WR034994. https://doi.org/10.1029/2023WR034994
  7. Tuo, Y., Wirthensohn M., and Disse, M. Spatio-Temporal Graph Neural Networks for Soil Moisture Drought Forecasting: Adaptability, Predictability, and Interpretability. 11-15 Dec 2023. AGU23.
  8. Tuo, Y., Zhu, X., and Disse, M.: An innovative data driven approach improves drought impact analysis using earth observation data, EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-15389.
  9. Hu, X., Tuo, Y., and Disse, M.: Deep learning based coordinates transformations for improving process understanding in hydrological modeling system, EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-14631
  10. Ho, S., Buras, A., and Tuo, Y.: A Comparison of Agriculture-related Characteristics of Flash and Traditional Drought, EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-1474.
  11. Chen, H., Tuo, Y., and Disse, M.: Intensifying Hydrometeorological Extreme Events and Compound Anomalies in a Temperate Region, Germany , EGU General Assembly 2023, Vienna, Austria, 24–28 Apr 2023, EGU23-15352.
  12. Wang, Y., Wang, Y., Zhu, X., Rammig, A., Buras, A., Quantifying Tree-species Specific Responses to the Extreme 2022 Drought in Germany, EGU General Assembly 2023, Vienna, Austria, EGU23-6144.
  13. Lehmann, N., Gottschling, N., Depeweg, S., Nalisnick, E., A Comparison of Uncertainty Quantification Methods for Earth Observation Image Regression Data, ICCV Uncertainty in Computer Vision Workshop, 2023.
  14. Zhao, S., Saha, S., Xiong, Z., Boers, N., & Zhu, X. X., Exploring Geometric Deep Learning for Precipitation Nowcasting, IGARSS 2023-2023 IEEE International Geoscience and Remote Sensing Symposium, pp. 3760-3763. IEEE, 2023.
  15. Zhao, S., Xiong, Z., & Zhu, X. X., A Coarse-to-Fine Deep Learning Framework for High-Resolution Future Precipitation Map Generation, EGU General Assembly 2023, Vienna, Austria, EGU23-7751.