Allgemeine Herausforderungen bei der räumlichen und raum-zeitlichen Prognose

Umweltkartierung und raumzeitliche Modellierung

Unser Ziel ist die großräumige, hochauflösende Kartierung von Umweltprozessen, wie z. B. Luftverschmutzung, Wasserqualität oder Infektionsausbreitung, anhand geowissenschaftlicher Daten aus verschiedenen Quellen (z. B. Earth Observation, Luftbilder, mobile Sensoren, Citizen Science). Dabei analysieren wir auch die zugrundeliegenden Einflussfaktoren.

Zentrale methodische Herausforderungen, die wir behandeln

• Datenassimilation und Informationsintegration

​Durch die Integration von Geodaten aus verschiedenen Quellen können Hindernisse überwunden werden, die bei der Verwendung von Daten aus einer einzigen Quelle auftreten. Dafür müssen wir Daten mit unterschiedlichen räumlich-zeitlichen Auflösungen und Messgrundlagen angleichen.

• Räumliche und räumlich-zeitliche Heterogenität

Beziehungen zwischen Prädiktoren und Reaktionen variieren über Raum und Zeit. So kann beispielsweise der Zusammenhang zwischen Verkehrsbelastung und Luftverschmutzung nicht nur von der geografischen Entfernung abhängig sein, sondern auch von anderen Faktoren wie den verschiedenen Kraftstoffen und Motortypen. Wir fragen uns: Wo und wann verändern sich diese Beziehungen und wie erkennen wir solche Gebiete?

• Optimierung von Prognoseverfahren

Die Bandbreite an raumzeitlichen Modellierungsverfahren ist groß, es stellt sich jedoch die Frage welches am besten geeignet ist? Wie unterscheiden sich Modellstrategien je nach Zielsetzung (z. B. Gesundheitsstudien, Risikobewertung, Planung)?

• Modellvalidierung und Unsicherheitsquantifizierung