Best ML Innovation Award für "Deep Learning for Climate Model Output Statistics“

Für das Paper "Deep Learning for Climate Model Output Statistics" wurden Michael Steininger, Daniel Abel, Katrin Ziegler, Anna Krause, Heiko Paeth und Andreas Hotho mit dem Best ML Innovation Award auf dem Tackling Climate Change with Machine Learning Workshop auf der NeurIPS 2020 ausgezeichnet. Tackling Climate Change with Machine Learning ist ein interdisziplinärer Workshop, der die Lücke zwischen Maschinellem Lernen und anderen Bereichen, die mit dem Klimawandel zu tun haben, überbrückt. Von 74 akzeptierten Arbeiten hat der Workshop 3 Arbeiten ausgezeichnet, unter anderem auch unsere.

In unserer gemeinsamen Arbeit mit der Arbeitsgruppe von Heiko Paeth schlagen wir einen neuartigen, auf Deep Learning basierenden Ansatz für Model Output Statistics (MOS) bei Klimamodellen vor, der darauf abzielt, die Abweichung zwischen dem simulierten Niederschlag des Klimamodells REMO und dem beobachteten Niederschlag zu reduzieren. Wir stellen fest, dass unsere Architektur ConvMOS im Vergleich zu bestehenden Ansätzen meist bessere Ergebnisse erzielt.

Wir haben diese Architektur in unserem Projekt BigData@Geo entwickelt, um die Genauigkeit der Ausgaben von Klimamodellen zu verbessern.