In unserem Projekt versuchen wir Hochwasser mithilfe von Machine-Learning Methoden aus atmosphärischen ERA5 Reanalysen zu modellieren. Das Ergebnis vergleichen wir dann mit operationellen Global Flood Awareness System (GloFAS) Prognosen.

Wir haben uns für dieses Projekt beworben, da es eine gute Gelegenheit ist,  Erfahrungen in Projektausschreibungen und internationaler Kollaboration zu sammeln und wir bereits Kenntnisse in den relevanten Bereichen Machine-Learning und atmosphärische Reanalysen mitbringen. Ein weiteres Argument war die Ausrichtung als open-source Entwicklung, sodass unsere Arbeit nicht umsonst ist und möglichst viele Interessenten profitieren.

Bis zum Projektende, ist es unser Ziel, eine interessante Vergleichsstudie verschiedener Machine-Learning Methoden zu erstellen und unsere Erkenntnisse und Erfahrungen in Form von Jupyter-Notebooks bereitzustellen.

Weitere Informationen:

https://www.ecmwf.int/en/learning/workshops/ecmwf-summer-weather-code-2019