Physics-Constrained Deep Learning framework for Quantifying Surface Processes across the Arctic region | PCDL-QuaSPA
The permafrost-laden landscape of the Arctic is highly susceptible to degradations in the warming climate, and harbours the potential to exacerbate climate change due to its huge store of soil organic carbon. Large-scale monitoring and fast predictive simulations of permafrost-related features and natural systems are thus urgent and important. The project aims to develop both a deep-learning model capable of detecting and quantifying permafrost-landscape changes, and a physics-informed deep-learning framework to enable rapid modelling of complex Arctic surface-processes systems.
Section researchers involved: Dr. Erik Chan, Lucas Von Chamier, Dr. Hui Tang and Prof. Jean Braun
Physik-beschränkter Deep-Learning-Rahmen für die Quantifizierung von Oberflächenprozessen in der gesamten Arktis | PCDL-QuaSPA
Die permafrostreiche Landschaft der Arktis ist sehr anfällig für Degradationen in einem sich erwärmenden Klima und birgt das Potenzial, den Klimawandel aufgrund seines enormen Vorrats an organischem Kohlenstoff im Boden zu verschärfen. Eine großmaßstäbliche Überwachung und schnelle Vorhersagesimulationen der mit dem Permafrost zusammenhängenden Merkmale und natürlichen Systeme sind daher dringend erforderlich und wichtig. Das Projekt zielt darauf ab, sowohl ein Deep-Learning-Modell zu entwickeln, das in der Lage ist, Veränderungen in der Permafrostlandschaft zu erkennen und zu quantifizieren, als auch einen physikalisch informierten Deep-Learning-Rahmen zu entwickeln, der eine schnelle Modellierung komplexer arktischer Oberflächenprozesssysteme ermöglicht.
Beteiligte Forscher der Sektion: Dr. Erik Chan, Lucas Von Chamier, Dr. Hui Tang und Prof. Jean Braun