Geowissenschaftler nutzen Daten von Sensoren, Geoarchiven (wie Bohrkerne) und Simulationen. Die Daten beschreiben Prozesse auf unterschiedlichen Skalen in Raum und Zeit mit verschiedenen Variablen. Die von uns entwickelten Methoden erleichtern  die integrierte Analyse von heterogenen Daten und den Vergleich von Daten aus verschiedenen Quellen.

Forschung & Technologien:

• Vergleich von Ergebnissen aus Ozeanmodellen mit Referenzdaten
• SLIVisu – Visuelle Analysemethoden zur Validierung von Simulationsmodellen
• Visuelle Exploration von kategorialen Daten aus Seesedimentkernen
• ENAP - Verbesserung geowissenschaftlicher Daten durch die Auswertung Nutzergenerierter Bilder in sozialen Medien
• Digital Earth - Scientific Workflows für die interdisziplinäre Datenanalyse

Simulationsmodelle und Beobachtungssysteme generieren umfangreiche Datensätze. Unsere Methoden unterstützen Wisschenschaftler dabei relevante Informationen aus großen Datenmengen zu extrahieren.

Forschung & Technologien:

• Schnelle Recurrence Quantification Analysis für lange Zeitreihen
• Surrogate Modelle für Reactive Transport Simulationen
• GeoMultiSens - Skalierbare multisensorale Analyse von Geofernerkundungsdaten
• SEVA - Skalierbare Explorative Veränderungsanalyse für große Sentinel-2 Daten

Wichtiger Bestandteil geowissenschaftlicher Forschung ist das Verständnis von mehrdimensionalen Daten. Wir entwickeln Lösungen für die räumliche und zeitliche Datenexploration um relevante Informationen in diesen mehrdimensionalen Daten erkennen zu können.

Forschung & Technologien:

• Interaktive visuelle Zusammenfassungen
• Multiskalen-Exploration von geowissenschaftlichen Zeitreihen
• Exploration von Massenvariationen im Erdsystem
• Korrelationsbasierter Vergleich von Zeitreihen-Ensembles

Unser Fokus liegt darauf, die inneren Arbeitsweisen von maschinellen Lernmodellen durch modellagnostische Methoden zu erklären. Indem wir uns auf modellagnostische XAI-Techniken konzentrieren, streben wir danach, Einblicke in Black-Box-Modelle zu ermöglichen, unabhängig von ihrer zugrunde liegenden Architektur.

Forschung & Technologien:

• HSExplorer ermöglicht es Geowissenschaftlern, Änderungen an den Eingabedaten zu testen und zu beobachten, wie sich diese Veränderungen auf die Modellantworten auswirken, um Einblicke in das Verhalten des Modells unter verschiedenen Szenarien zu gewinnen.

Fortgeschrittene ML-Modelle wie Transformers, Autoencoder und Reservoir-Computing-Modelle sind wichtig für die Analyse komplexer räumlicher, zeitlicher und dynamischer Systeme in den Geowissenschaften. Diese ML-Modelle weisen einzigartige architekturale Merkmale und Lernprozesse auf. Die Entwicklung von modellorientierten XAI-Techniken, die auf diese spezifischen Eigenschaften zugeschnitten sind, kann relevantere und aufschlussreichere Erklärungen liefern.

Forschung & Technologien:

• Wir entwickeln den Multi-Level Visual Attention Explorer (MVisAE), eine XAI-Methode, die Attention-Visualisierung nutzt, um Einblicke in größere Transformer-basierte Modelle wie das 3D-ABC Foundational Model zu bieten. Diese Methode ist speziell für das Swin Transformer-Modell entwickelt, eine weit verbreitete Methode, die als Grundlage für viele visuelle und multimodale Foundational Models dient.

Um ML-Modelle in geowissenschaftlicher Forschung einzusetzen, müssen Wissenschaftler mehrere Schritte unternehmen: Daten bereinigen und vorbereiten, relevante Merkmale und Architekturen auswählen, das Modell trainieren, um optimale Hyperparameter-Konfigurationen zu finden, und das resultierende Modell testen und evaluieren. Die Komplexität dieser Phasen macht den ML-Pipeline oft undurchsichtig und erfordert ein hohes Maß an ML-Expertise, das vielen Wissenschaftlern möglicherweise fehlt. Unser Ziel ist es, diesen Prozess transparenter zu gestalten, um Geowissenschaftlern zu ermöglichen, das Vertrauen in die Anwendung von ML-Methoden in ihrer Forschung zu gewinnen.

Forschung & Technologien:

• HPExplorer unterstützt Geowissenschaftler dabei, den Hyperparameter-Raum zu erkunden, indem stabile Regionen identifiziert werden, in denen ML-Modelle eine konsistente Leistung zeigen. Dies wird durch eine Analyse der Hyperparameter-Importanz ergänzt, um das Verständnis für die Auswirkungen jedes Parameters zu verbessern.

Konventionelle ML-Modelle sind oft gut darin, Muster und Assoziationen in Daten zu finden, haben jedoch Schwierigkeiten, die zugrunde liegenden kausalen Beziehungen zu erfassen. Die Erforschung von Kausalität in XAI ist besonders wichtig für Geowissenschaftler, da sie ihnen ermöglicht, die zugrunde liegenden Ursache-Wirkungs-Beziehungen innerhalb ihrer Daten zu verstehen.

ClarifAI integriert die XAI-Methoden unserer Forschungsgruppe in eine zusammenhängende Plattform. Seine benutzerzentrierte Designphilosophie verbessert die Benutzerfreundlichkeit und vereinfacht die Anwendung von XAI-Methoden für Geowissenschaftler ohne höhe Expertise in ML. Das strategische Ziel von ClarifAI ist es, eine umfassende XAI-Pipeline zu entwickeln, die eine detaillierte, schrittweise Anleitung durch die Transparenzherausforderungen des gesamten ML-Modell-Lebenszyklus bietet. Diese Pipeline soll Geowissenschaftler mit den wesentlichen Werkzeugen ausstatten, um ML-Methoden in ihrer Forschung mit größerem Selbstvertrauen einzusetzen.