000253476 001__ 253476
000253476 005__ 20240713173127.0
000253476 0247_ $$aG:(GEPRIS)280675332$$d280675332
000253476 035__ $$aG:(GEPRIS)280675332
000253476 040__ $$aGEPRIS$$chttp://gepris.its.kfa-juelich.de
000253476 150__ $$aMaschinelles Lernen von repräsentativen Merkmalen in meteorologischen Feldern (A07)$$y2015 - 2024
000253476 371__ $$aProfessor Dr. Filip Sadlo
000253476 371__ $$aProfessor Dr. Rüdiger Westermann
000253476 450__ $$aDFG project 280675332$$wd$$y2015 - 2024
000253476 5101_ $$0I:(DE-588b)2007744-0$$aDeutsche Forschungsgemeinschaft$$bDFG
000253476 550__ $$0G:(GEPRIS)257899354$$aTRR 165: Wellen, Wolken, Wetter$$wt
000253476 680__ $$aDer Fokus liegt auf der Entwicklung von Techniken des maschinellen Lernens, mit dem Ziel einer verbesserten Unsicherheits-Analyse und Merkmals-Detektion in meteorologischen Feldern. Neuronale Netzwerke werden verwendet, um Abbildungen von räumlichen Koordinaten auf Verteilungen der prognostischen Variablen sowie Korrelations-Strukturen zu lernen, um somit regionale Vorhersageunsicherheiten darzustellen. Durch die Verwendung von selbstüberwachtem Lernen und Merkmals-Identifikation sollen Merkmals-Deskriptoren entwickelt werden, die auf der Existenz von wiederkehrenden Mustern in den Daten basieren und zu einer verbesserten vergleichenden Analyse und zeitlichen Verfolgung von Merkmalen führen.
000253476 909CO $$ooai:juser.fz-juelich.de:920078$$pauthority$$pauthority:GRANT
000253476 909CO $$ooai:juser.fz-juelich.de:920078
000253476 980__ $$aG
000253476 980__ $$aAUTHORITY