Betreuung: Prof. Dr. Henning Rust, Dr. Sergiy Vorogushyn (GFZ Potsdam) 

Beschreibung: The aim of the Master Thesis project is to carry out the attribution analysis of past changes in flood flows in the Rhine basin. The work will build upon the previous works of Murawski et al. (2016), who developed an optimal weather pattern classification with focus on the Rhine basin. They additionally compiled a set of General Circulation Models (GCM) representing the state of the atmosphere with and without anthropogenic greenhouse gas emission. Further, Murawski et al. (2018) investigated to which degree the changes between weather patterns (between-type variability) and within weather patterns (within-type variability) can explain observed trends in climate variables at weather stations in the Rhine basin. This analysis is the prerequisite of using the proposed weather pattern classification for conditioning of a multi-site, multi-variable weather generator (Hundecha et al., 2009). 

Grundlagen: Two sets of daily output discharge series (resulting from the anthropogenically influenced and natural climate) will be analysed for their statistical properties. Finally, the uncertainty associated with attribution statement regarding the anthropogenic impact on flood flows will be assessed.

Vorraussetzungen: Basic knowledge of meteorology/climatology as well as understanding of principal hydrological flood processes and of hydrological modelling. Strong statistical and programming skills (FORTRAN, R/MATLAB) are expected. We encourage a master thesis written in English with potential further publication of results in a scientific journal (not part of the master project).

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 

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)

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