Methoden
Wir nutzen Methoden aus dem Bereich Deep Learning und Datenfusion mit großen Datensätzen aus der Fernerkundung und von opportunistischen Sensoren. Zusätzlich führen wir Experimente im Labor und im Feld durch.
Deep Learning
Wir nutzen modernste Verfahren aus dem Bereich Deep Learning. Unser aktueller Fokus liegt auf der Entwicklung von generativen KI-Verfahren zur Verbesserung von Niederschlagsinformation. Hier eine Auswahl von Ergebnissen:
- SpateGAN-ERA5: Globales downscaling von Niederschlagsfeldern mittels generativer KI (Glawion et al., 2025)
- ResRadNet: Verbesserung des 5-Minuten Radarniederschlagsprodukt des DWD mit ein residual 3D-CNN (Polz et al., 2024)
- AFNOCast: Verbesserung von saisonalen Niederschlagsvorhersagen im Einzugsgebiet des blauen Nils (Wiegels et al., 2026)
Datenfusion
Jeder Sensor hat Stärken und Schwächen. Daher entwickeln wir Methoden die mittels Datenfusion die jeweilgen Vorteile kombinieren. Hier eine Auswahl an Ergebnissen und aktuellen Arbeiten:
- Verbesserte Niederschlagsmessung mit Richtfunkstrecken durch Kombination mit Daten von geostationären Satelliten (Graf et al., 2025)
- Deutschlandweite Radaraneichung mit Richtfunkdaten in Echtzeit (Graf et al., 2024)
- Kombination von Daten geostationärer Satelliten und Bodenmessungen von Stationen und Richtfunkdaten mittels generativer KI (aktuelle Arbeit im Projekt MERGOSAT)
Fernerkundung
Um flächendeckend oder aus großer Entfernung Messungen vorzunehmen werden Fernerkundungsverfahren eingesetzt. Wir nutzen Daten von meteorologischen Satelliten, von Wetterradaren und Richtfunkstrecken (siehe Details unter opportunistische Sensoren). Hier eine Auswahl an Ergebnissen und aktuellen Arbeiten:
- Verbesserte Echtzeit-Niederschlagsschätzung aus Daten von geostationären Satelliten (aktuelle Arbeit im Projekt MERGOSAT)
- Europaweite verbesserte Prozessierung von Wetterradar-Daten (aktuelle Arbeit im Projekt EuRadCA)
