Wir entwickeln Computermodelle, um die Entwicklung und Veränderung der Erdoberfläche zu simulieren. Dabei stehen Erosionsprozesse durch Flüsse oder Gletscher in Hochgebirgen sowie die langsame Verwitterung von Festgestein in kontinentinneren Flachlachbereichen im Fokus. Vor diesem Hintergrund bieten wir die Infrastruktur und einen konzeptionellen wie computergestützen Rahmen, um Befunde aus Geländebeobachtungen und Labormessungen zu integrieren, und daraus Vorhersagen an Orten zu machen, an denen keine Messwerte vorliegen, oder um Vorhersagen für die zukünftige Entwicklung der Erdoberfläche machen zu können.
Forschungsthemen der Sektion
Forschungsgruppen in unserer Sektion
Unsere Forschungsgruppe besteht aus einer Reihe von Wissenschaftlerinnen und Wissenschaftlern, die alle ein gemeinsames Interesse an Computermodellen haben, jedoch Kenntnisse aus sehr unterschiedlichen Fachbereichen einbringen. Diese Fachbereiche umfassen Geologie, Geophysik und Mathematik. Wir arbeiten eng zusammen mit unseren Kollegen aus anderen Sektionen des GFZ Potsdam sowie mit Kollegen aus anderen deutschen und internationalen Forschungseinrichtungen und Universitäten.
Modellierung von Erdoberflächenprozessen und deren Wechselwirkung mit Tektonik, Klima und der Evolution des Lebens.
Teamleitung:
Team:
Projekte:
Projekte:
- EROVOL - Auswirkungen extremer Klimaereignisse auf die Erosion tropischer Vulkaninseln
- CASCADES - Kaskadierende Georisiken auf Vulkanen
- RELICT - Relief, Sediment und Tektonik: Welche Rolle spielen Sedimentzufuhr und ererbtes Relief bei der Modulation der vorübergehenden Anpassung an die Tektonik?
- Plum-BeatR - Der Reunion Plume Puls und die Rheologie des Mantels
Projekte:
- D-TWINS - Digitale Zwillinge für kritische Zonen im Klimawandel
- INITIATE - Wechselwirkungen zwischen Klima und Tektonik unter Verwendung von Modellen, die auf Big Data basieren
- CAUSAL - Erforschung von Kausalität und Mechanismen für multiskalige und raum-zeitliche Daten in den Geowissenschaften
- PCDL-QuaSPA - Physik-beschränkter Deep-Learning-Rahmen für die Quantifizierung von Oberflächenprozessen in der gesamten Arktis
- MHCC - Gebirgsgefahren im Klimawandel
Zusammen arbeiten
Gruppenseminare
Seminare und Vorträge:
Unsere Sektion veranstaltet regelmäßig Seminare mit Referentinnen und Referenten aus der ganzen Welt. 2020 und 2021 mussten aufgrund der weltweiten Situation geplante Besuche in unserer Sektion und geplante Seminare größtenteils abgesagt werden. Das Program für 2023 ist erarbeitet.
Bitte besuchen Sie auch Landscapes Live, eine wöchentliche Online-Seminarreihe, die für die internationale wissenschaftliche Gemeinschaft, die an verschiedenen Aspekten der Geomorphologie interessiert ist, frei zugänglich ist. Auf dem YouTube-Channel finden sich Vorträge der letzten Zeit.
Liste vergangener Seminare
Dec. 2021: Workshop series: Sino-German Mobility project “Mountain Hazards under Climate Change" (MHCC)
As part of the Sino-German Mobility project “Mountain Hazards under Climate Change (MHCC)” between GFZ and IMHE (funded by DFG and NSFC), Dr. Hui Tang, Dr. Michael Dietze from section 4.6, Dr. Jens Turowski from section 4.6, and Dr. Gordon Zhou from IMHE organized the first hands-on workshop series from Wednesday 1st Dec to Friday 3rd Dec, from 9:00 am to 12:00 pm (Berlin time; 4:00-7:00 pm Beijing Time). The topic of the first workshop was “Environmental seismology for mountain hazards”.
For the first part of the workshop, we invited Dr. Fabian Walter from the Swiss Federal Institute for Forest, Snow and Landscape Research (WSL) to a public lecture on Wednesday, 1st Dec. About 40 scientists from different institutes worldwide joined the public lecture. For the second part of the workshop, Dr. Tang and Dr. Zhou gave two talks about the physics of debris flow and environmental seismology on day two.
About 15 students and postdocs joined the hands-on section of the workshop to learn about seismic methods for mountain hazards. Dr. Dietze and Dr. Turowski taught students how to install equipment, design sensor networks, process data, and locate events in hands-on sections. Ms. Sophie Lagarde and Dr. Ci-jian Yang supported us with setting up the workshop. During the final part of the workshop, students presented their research projects. We are looking forward to seeing them apply these methods in their research.
Praktika für Studierende
Innerhalb der Sektion 4.7 haben wir die Möglichkeit, Praktika für Studierende (gegen Ende des Bachelorstudiums) und / oder Kurzprojekte für Master-Studenten anzubieten. Wir sind auf die Entwicklung und den Einsatz fortschrittlicher Technologien zur Untersuchung der Erdoberfläche unter der Wirkung von tektonischen Kräften und Klima spezialisiert. Wir heißen Praktikanten und Masterstudierende aus den Geowissenschaften, der Angewandten Mathematik, Physik oder Biologie willkommen, die daran interessiert sind, Erfahrungen in der Computermodellierung von Oberflächenprozessen zu sammeln.
Mögliche Projekte sind:
- Untersuchung des Einflusses der Niederschlagsvariabilität (in Raum und Zeit) auf die Landschaftsentwicklung
- Der Zusammenhang zwischen Landschaft und Evolution des Lebens
- Entwicklung hocheffizienter Algorithmen zur Lösung von Gleichungen in der Landschaftsentwicklung
- Invertierung der Landschaftsmorphologie, um die tektonische Aktivität und / oder das Klima der Vergangenheit zu belegen
- Invertierung der sedimentären Abfolge
- Untersuchung der Interrelation zwischen Modell und Morphometrie
- usw.
Sehen Sie sich alle laufenden Forschungsprojekte auf unserer Website an und / oder kontaktieren Sie uns über unser Sekretariat, wenn Sie an einem Praktikum oder Projekt bei uns interessiert sind. Senden Sie uns Ihr Anschreiben und Ihren Lebenslauf am besten gleich in englischer Sprache.
Praktikumsthema für Studierende
“Wenn Geomorphologie auf Quantenphysik trifft: ein QSVM-Modell zur Klassifizierung von Oberflächenströmungen”
Erdrutsche, Muren, hyperkonzentrierte Strömungen und Überschwemmungen gehören zu den gefährlichsten Naturgefahren weltweit. Eine der grundlegenden Aufgaben von Geomorphologen besteht darin, die Arten von Prozessen, die sie im Feld beobachten, zu klassifizieren und zu identifizieren. Diese Aufgabe ist schwieriger als sie klingt, insbesondere wenn man Prozesse mit hohen Schäden wie Muren und Erdrutsche berücksichtigt. Mittlerweile werden zur Beschreibung dieser natürlichen Strömungen mehrere dimensionslose Zahlen (z. B. Reynolds-Zahl und Einstein-Zahl) verwendet, die auf den Grundprinzipien der Physik basieren. Wenn wir diese dimensionslosen Zahlen und Datensätze zur Klassifizierung der Strömung verwenden, stehen wir automatisch vor einer seit langem bestehenden Herausforderung im maschinellen Lernen (vielleicht eine der größten Herausforderungen in der Datenwissenschaft): dem Fluch der Dimensionalität. Eine der Kompetenzen für Quanten-Machine-Learning-Methoden (z. B. QSVM) ist der Umgang mit einem solchen hochdimensionalen Datensatz. Daher stellen wir die zentrale Forschungsfrage in der Geomorphologie und im maschinellen Lernen: Können wir die Art der natürlichen Flüsse mithilfe der dimensionslosen Zahl und der Quanten-Machine-Learning-Methoden objektiv definieren?
Der/die Bewerber:in wird an einem hochdimensionalen Datensatz für verschiedene Oberflächenflüsse arbeiten. Diese sind in der Regel im physikalischen Sinne dimensionslos, basierend auf der theoretischen Ableitung, und mit Unsicherheiten gut definiert. Weitere Informationen finden Sie in der folgenden Referenz: Du, J., Zhou, G. G., Tang, H., Turowski, J. M., & Cui, K. F. E. (2023). Klassifizierung von Strom, Hyperkonzentration und Geröllfluss mittels Dimensionsanalyse und maschinellem Lernen. Water Resources Research, 59, e2022WR033242. https://doi.org/10.1029/2022W
Der/die Bewerber:in wird ein hochdimensionales Quanten-Support-Vector-Machine-Modell (z. B. QSVM) entwickeln, um die Art des natürlichen Flusses im Datensatz zu klassifizieren. Basierend auf unserer vorherigen Studie muss der Bewerber einen einfachen, überwachten Quanten-Machine-Learning-Algorithmus entwerfen. Wenn es die Zeit erlaubt, werden wir die Möglichkeit untersuchen, einen unüberwachten Quanten-Machine-Learning-Algorithmus wie das Quantum-K-Means-Modell zu entwerfen und zu trainieren. Für weitere Informationen können Bewerber die folgenden Artikel lesen:
- Rebentrost, P., Mohseni, M., & Lloyd, S. (2014). Quantum support vector machine for big data classification. Physical review letters, 113(13), 130503.
- Wu, Z., Song, T., & Zhang, Y. (2022). Quantum k-means algorithm based on Manhattan distance. Quantum Information Processing, 21(1), 19.
Verantwortlicher Forscher: Dr. Hui Tang