Wettermodelierung mittels Graph Neural Networks
05.06.2023In vielen Bereichen haben datengetriebene Modelierungsansätze, wie zum Beispiel Deep Learning, bewiesen, dass sie äußerst effizient und präzise sind. Im Bereich der Wettervorhersage zeigen sich hingegen die numerischen Ansätze weiterhin den Deep Learning Modellen überlegen. Insbesondere durch die unstrukturierte Positionierung der Messstationen ist die Nutzung von typischen Neuronalen Netzen (wie z.B. CNN) erschwert.
Doch es gibt vielversprechende neue Ansätze, wie zum Beispiel Graph Neural Networks, die bereits erfolgreich für das Modelieren von anderen physikalischen Systemen (z. B. Fluiden) angewendet. Diese können beliebige Positionen der Messungen berücksichtigen und wurden bisher noch nicht für die Wettervorhersage genutzt.
Ziel dieser Arbeit ist es existierende Ansätze zur Modelierung physikalischer Systeme (insb. Graphbasierte ansätze) für datengetriebene Wettervorhersage anzuwenden.
Betreuer: Andrzej Dulny