english  | Home | Impressum | Sitemap | KIT

Wissenschaftliche Ziele in der Wasser- und Umweltforschung

Das Management sowie insbesondere die Transformation und Aufbereitung von heterogenen Datenbeständen für wissenschaftliche Analysen stellt nach wie vor eine große Herausforderung dar. Die Vorbereitung einer hydrologischen Modellierung erfordert typischer Weise die Umformatierung unterschiedlichster Daten verschiedenster Quellen, umfangreiche Arbeiten in Geoinformationssystemen (GIS) (z.B. Ausweisen von Hängen, Gewässernetzen, usw.), die Generierung von Berechnungsgittern und die Aufbereitung von Rand- und Anfangsbedingungen. Ein einheitliches standardisiertes und skalierbares Datenmanagementsystem mit passenden Analysewerkzeugen wird maßgeblich dazu beitragen, diesen immensen Zeitaufwand zu reduzieren und ein schnelleres umfassendes Lernen zu ermöglichen.

Der Oberrheingraben ist durch seine lange Geschichte in der Umweltbeobachtung, den bis heute anhaltenden Technikfolgen und der großen Diversität der Landschaftsräume und Landnutzungen prädestiniert für den Aufbau eines Langzeitobservatoriums mit einer gemeinsamen VFU. Die Kernidee besteht in dem zielgerichteten und abgestimmten Ausbau bestehender Forschungseinzugsgebiete der Universitäten als Forschungskeimzellen zu den Dachthemen des Netzwerks Wasserforschung unter der Integration des Umweltmessnetzes der LUBW als langfristiges und umfassendes „Basis-Monitoring“. Zentral ist dabei die Verwaltung der Forschungsdaten in einer gemeinsamen und nachhaltigen Dateninfrastruktur und Forschungsumgebung, welche einen schnellen Zugriff auf die Daten ermöglicht.


Die zentrale Herausforderung ist eine Verbesserung der schnellen wissenschaftlichen Nutzbarkeit dieser heterogenen und z.T. inkohärenten Datenmengen

  1.  im Rahmen synoptischer Analysen z.B. mittels Methoden der Geo- und multivariaten Statistik oder des „machine learning“ und
  2.  für die Parametrisierung, die Verifikation und den Betrieb von Prozessmodellen zur Prognose des terrestrischen Wasser- und (Schad-) Stoffhaushalts.

 

Dies erfordert zum einen eine schnelle Skalierbarkeit der Datenfelder in Raum und Zeit zur Erzeugung kohärenter Datenmatrizen, eine Anbindung an geographische Informationssysteme zur Verwaltung georeferenzierter Daten und Schnittstellen zu Analysesoftware wie R oder Matlab, um deren Funktionalitäten direkt für die Dateninterpolation nutzbar zu machen. Zum anderen erfordert dies die Entwicklung von Prä- und Postprozessoren für die Modellparametrisierung und deren „multi-response“ Verifikation mittels gängiger Gütemaße, Schnittstellen zu gängigen Optimierungsalgorithmen und Tools zur Diagnose von Modellfehlern sowie die geschickte Speicherung von Modellparametersierungen und Ergebnissen als essentieller Teil eines umfassenden Wissensmanagements.