Monsunabhängigkeit induzierter Magnetfelder im Bereich des Indischen Ozeans

Betreuer: J. Saynisch-Wagner, C. Irrgang, M. Thomas

Beschreibung: Die Bewegungen großer leitfähiger Wassermassen durch das Erdmagnetfeld induzieren ozeanische Magnetfelder. Diese elektromagnetischen Signale sind zudem abhängig von Transport, Salzgehalt und Temperatur und ermöglichen damit eine interessante zusätzliche Beobachtungsquelle. Die kleine Amplitude der ozeanischen Signale und die Superposition mit anderen Magnetfeldern erschweren jedoch die Beobachtung. Für eine mögliche Separation ist eine gute Kenntnis des zeitlichen Verhaltens der ozeanisch induzierten Magnetfelder notwendig. Ziel dieser Arbeit ist daher eine Analyse zum besseren Verständnis der Zusammenhänge ozeanischer Magnetfelder im Bereich des Indischen Ozeans. Anhand verschiedenartiger Modelldaten können diese Magnetfelder simuliert und untersucht werden und anschließend im Hinblick auf zeitliche Oszillationen im Zusammenhang mit dem Monsun oder Sensitivitäten gegenüber der Temperatur und Salzgehalt weiter analysiert werden. 

Das Projekt ermöglicht Einblicke in unterschiedliche wissenschaftliche Bereiche durch das Arbeiten mit Daten aus der Ozeanmodellierung, das Simulieren elektrodynamischer Prozesse, und das Auswerten mittels statistischer Methoden. 

Voraussetzung: Interesse an Grundlagen sowie interdisziplinären und offenen Fragestellungen 

Von Vorteil: Gute Kenntnisse in Programmiersprachen wie Python und/oder R 

Generatives maschinelles Lernen in der Erdsystem-Modellierung

Betreuer: C. Irrgang, J. Saynisch-Wagner, M. Thomas

Beschreibung: Generative neuronale Netzwerke, wie z.B. GANs (Generative Adversarial Networks [1]), bieten spannende neue Möglichkeiten zur Datenerzeugung. So können etwa GANs gelernte Muster und Strukturen dynamisch miteinander kombinieren und beispielsweise detaillierte Bilder von Gesichtern erzeugen, ohne diese vorher „gesehen" zu haben [2]. Für die Erdsystem-Modellierung bietet diese Technologie ebenfalls hohes Anwendungspotential zur Erweiterung und Ergänzung klassischer numerischer Modelle von geophysikalischen und klima-relevanten Prozessen [3]. In dieser Masterarbeit soll die Nutzung von GANs im Hinblick auf (geo)physikalische Konsistenz untersucht werden. Zwei zentralen Fragen sind: (1) Wie können wir die bekannten Konzepte aus der KI-basierten Bildverarbeitung und -erzeugung in den Kontext der Erdsystem-Modellierung übertragen? (2) Wie könnten wir generative Netzwerke für die Analyse und Vorhersage geophysikalischer Prozesse verwenden und dabei sicherstellen, dass sie physikalische Rahmenbedingungen wie Erhaltungsgrößen nicht verletzen? Zur Beantwortung dieser Fragen sollen in der Masterarbeit einfache GANs konstruiert, mit vorhandenen Modelldaten trainiert und analysiert werden.

Voraussetzung: Interesse und Spaß an der Entwicklung kreativer Ideen im Hinblick auf die Integration von künstlicher Intelligenz in die Erdsystem-Modellierung

Von Vorteil: Kenntnisse in statistischen Skript- und Programmiersprachen (R, Python, o.ä.) sind notwendig. Grundkenntnisse über künstliche neuronale Netzwerke, typische Datenformate in der numerischen Modellierung (NetCDF, etc.) und Linux sind von Vorteil.

Literatur:

• Goodfellow et al. (2014), Generative Adversarial Networks (https://arxiv.org/abs/1406.2661)
• https://thispersondoesnotexist.com
• Irrgang et al. (2021), Will Artificial Intelligence supersede Earth System and Climate Models? (https://arxiv.org/abs/2101.09126)

Exploring the sensitivity of a stochastic weather generator to simulate extreme precipitation events

Supervision: Dr. Sergiy Vorogushyn (Email: sergiy.vorogushyn@gfz.de, Phone: 0331-288-1338), Dr. Dung Viet Nguyen

GFZ Helmholtz Centre for Geosciences, Section Hydrology

Prof. Dr. Henning Rust, Institute of Meteorology, FU Berlin

Host location: GFZ Helmholtz Centre for Geosciences, Hydrology Section, Telegrafenberg, 14473 Potsdam, Germany, www.gfz.de

Description: A weather generator (WG) is a stochastic model capable of generating long-term synthetic meteorological fields, e.g., precipitation and/or temperature, that have the temporal (e.g., autocorrelation) and spatial (e.g., spatial covariance) statistical properties of the fields on which the weather generator was conditioned. These fields can be provided by historical meteorological observations or physically based climate models.

In Section Hydrology at GFZ, we develop and run the non-stationary Regional Weather Generator (nsRWG) which is based on the multi-variate autoregressive model (Ngyuen et al., 2024, 2021). Precipitation intensity is simulated using extended Generalized Pareto (extGP) distribution. The weather generator is condition on various climate datasets such as HYRAS (5x5 km) or E-OBS (0.5° x 0.5°) and run at various spatial scales (e.g., areas in West Germany or whole of Central Europe). The long-term synthetic precipitation fields (several 1000 years of daily precipitation) are used to drive a hydrological model to estimate flood risk.

The aim of the Master Thesis project is to explore the sensitivity of nsRWG to input precipitation data and to analyse its ability to generate extreme precipitation events. nsRWG will be setup by the candidate (with the help of the supervisors) for the area around the Ahr basin hit by the extreme flood in July 2021. nsRWG will be conditioned on (1) observed precipitation series prior to 2021 event; (2) observed precipitation series including the Ahr precipitation event; (3) several precipitation scenarios with Ahr event shifted in space; (4) several scenarios with smaller and larger domain. The comparison of these model runs will reveal how nsRWG is capable to generate extreme precipitation events, which were not observed in the past. Further, we explore how nsRWG is capable “to learn from a distance”, i.e., if an extreme precipitation occurs in a neighbouring area what is the likelihood that nsRWG generates a similar event over the basin of interest and how this affects the frequency of such events.

Material: Observation and reanalysis products, e.g. HYRAS or E-OBS

Requirements: The master thesis project requires basic knowledge of meteorology/climatology as well as strong interest in statistical analyses. Programming skills in R/Python are instrumental for data processing and visualisation of the results. We encourage a master thesis written in English with potential further publication of results in a scientific journal (not part of the master project).

References: Nguyen, V. D., Vorogushyn, S., Nissen, K., Brunner, L., & Merz, B. (2024). A non-stationary climate-informed weather generator for assessing future flood risks. Advances in Statistical Climatology, Meteorology and Oceanography, 10(2), 195-216. https://doi.org/10.5194/ascmo-10-195-2024

Nguyen, V. D., Merz, B., Hundecha, Y., Haberlandt, U., & Vorogushyn, S. (2021). Comprehensive evaluation of an improved large-scale multi-site weather generator for Germany. International Journal of Climatology, 41(10), 4933-4956. https://doi.org/10.1002/joc.7107

Thema auf Anfrage im gemeinsamen Gespräch

Bei Interesse an einem Masterarbeitsthema am GFZ wendens Sie sich bitte an Herrn Prof. Maik Thomas (mthomas@gfz-potsdam.de)