Beginn: Ab sofort
Erstbetreuer: Prof. Dr. Heisenberg
Zweitbetreuer: Sven Wöhrle, MSc.
Niveau: Bachelor- oder Masterarbeit
Problemstellung:
Jährlich sehen sich zahlreiche Länder mit den Herausforderungen von Dürren und Überflutungen konfrontiert. Diese extremen Wetterereignisse intensivieren den Wettbewerb um Wasserressourcen, führen zu Ernährungsunsicherheit und können Massenmigrationen auslösen. Am Institut für Informationswissenschaften (IWS) werden derzeit Projekte durchgeführt, die sich insbesondere auf Afrika konzentrieren. Ziel ist es, durch den Einsatz maschineller Lernverfahren integrierte Daten zu erzeugen, die eine hohe räumliche und zeitliche Auflösung aufweisen. Diese Daten sollen dazu beitragen, Maßnahmen zur Bekämpfung von Ernährungsunsicherheit proaktiv zu planen und umzusetzen. Hierzu werden Daten der Integrated Food Security Phase Classification (IPC) von Fews.net (https://fews.net) herangezogen, die drei bis vier Mal jährlich aktualisiert werden.
Jährlich sehen sich zahlreiche Länder mit den Herausforderungen von Dürren und Überflutungen konfrontiert. Diese extremen Wetterereignisse intensivieren den Wettbewerb um Wasserressourcen, führen zu Ernährungsunsicherheit und können Massenmigrationen auslösen. Am Institut für Informationswissenschaften (IWS) werden derzeit Projekte durchgeführt, die sich insbesondere auf Afrika konzentrieren. Ziel ist es, durch den Einsatz maschineller Lernverfahren integrierte Daten zu erzeugen, die eine hohe räumliche und zeitliche Auflösung aufweisen. Diese Daten sollen dazu beitragen, Maßnahmen zur Bekämpfung von Ernährungsunsicherheit proaktiv zu planen und umzusetzen. Hierzu werden Daten der Integrated Food Security Phase Classification (IPC) von Fews.net (https://fews.net) herangezogen, die drei bis vier Mal jährlich aktualisiert werden.
Aufgabenstellung und Ziel der Arbeit:
Im Rahmen dieser Abschlußarbeit sollen zwei verschiedene Datentypen innerhalb eines neuronalen Netzes fusioniert werden: räumliche und tabellarische Daten.
Die räumlichen Daten umfassen hauptsächlich abgeleitete oder modellierte Fernerkundungsdaten (remote sensing), wie Vegetationsindices und Bevölkerungsdichte. Die tabellarischen Daten stammen aus Statistiken oder Befragungen und sind größtenteils bereits vorverarbeitet.
Die Herausforderung dieser Arbeit besteht darin, diese heterogenen Datentypen miteinander zu verknüpfen und in kontinuierliche Vorhersagen umzuwandeln, wobei auch eine Optimierung der Hyperparameter vorgenommen werden muss. Vor Beginn der Arbeit sind die Forschungsfragen und die Methodik in einem Exposé zu entwickeln und zu formulieren.
Im Rahmen dieser Abschlußarbeit sollen zwei verschiedene Datentypen innerhalb eines neuronalen Netzes fusioniert werden: räumliche und tabellarische Daten.
Die räumlichen Daten umfassen hauptsächlich abgeleitete oder modellierte Fernerkundungsdaten (remote sensing), wie Vegetationsindices und Bevölkerungsdichte. Die tabellarischen Daten stammen aus Statistiken oder Befragungen und sind größtenteils bereits vorverarbeitet.
Die Herausforderung dieser Arbeit besteht darin, diese heterogenen Datentypen miteinander zu verknüpfen und in kontinuierliche Vorhersagen umzuwandeln, wobei auch eine Optimierung der Hyperparameter vorgenommen werden muss. Vor Beginn der Arbeit sind die Forschungsfragen und die Methodik in einem Exposé zu entwickeln und zu formulieren.
Interessiert?
Wenn Sie sich für die Entwicklung von neuronalen Netzen mit Tensorflow/Keras und Python interessieren und an der Lösung dieser bedeutenden gesellschaftlichen Herausforderung mitwirken möchten, freuen wir uns auf Ihre Kontaktaufnahme per E-Mail für ein vertiefendes Gespräch zum Thema.
Wenn Sie sich für die Entwicklung von neuronalen Netzen mit Tensorflow/Keras und Python interessieren und an der Lösung dieser bedeutenden gesellschaftlichen Herausforderung mitwirken möchten, freuen wir uns auf Ihre Kontaktaufnahme per E-Mail für ein vertiefendes Gespräch zum Thema.
