von Greta Reintjes ; Halina Elisabeth Tegetmeyer ; Miriam Bürgisser ; Sandi Orlic ; Ivo Tews ; Mikhail Zubkov ; Daniela Voß ; Oliver Zielinski ; Christian Quast ; Frank Oliver Glöckner ; Rudolf Amann ; Timothy G. Ferdelman ; Bernhard M. Fuchs
The long-term goal of this research is the development of a distributed autonomous low-cost platform for marine exploration. One application of such a platform could be the search for Submarine Groundwater Discharges (SGD) in a coastal environment. In order to design and to test new search strategies for such a platform, a simulation that effectively models the diffusion of groundwater discharge in shallow coastal waters is required. The simulation allows the evaluation of new search strategies without running the risk of losing expensive hardware during the field testing. In this paper a simulation based on cellular automata was adapted in order to resemble the behaviour of an existing physical model of a SGD. To speed up the optimization process, a novel adaptation of the Parallel Asynchronous Particle Swarm Optimisation (PAPSO) algorithm was proposed. Experiments showed that the novel PAPSO was able to reduce the time needed for optimisation by 69.1 %. Furthermore, the results found by PAPSO are 2.1 % better than the results of the Parallel Synchronous Particle Swarm Optimisation (PSPSO) algorithm.
International ECMS Conference on Modelling and Simulation (33. : 2019 : Caserta) Proceedings of the 33rd International ECMS Conference on Modelling and Simulation, ECMS 2019 [Europe] : European Council for Modelling and Simulation, 2019 (2019), Seite 30-36 1 Online-Ressource (XXII, 482 Seiten)
von Miriam Seifert ; Jan M. Hoppema ; Claudia Burau ; Cassandra Elmer ; Anna Friedrichs ; Jana K. Geuer ; Uwe John ; Torsten Kanzow ; Boris P. Koch ; Christian Konrad ; Helga van der Jagt ; Oliver Zielinski ; Morten Hvitfeldt Iversen
von Emil V. Stanev ; Thomas H. Badewien ; Holger Freund ; Sebastian Grayek ; Florian Hahner ; Jens Meyerjürgens ; Marcel Ricker ; Rosanna Schöneich-Argent ; Jörg-Olaf Wolff ; Oliver Zielinski
International Long Term Ecological Research Network. Open Science Meeting ((2 : : 2019 : Leipzig)) Book of abstracts Leipzig : ILTER, 2019 (2019), 2 Seiten 1 Online-Ressource (El. zbornik, 1 online resource)
Diese Arbeit stellt einen Ansatz vor, wie virtuelle Sensoren basierend auf maschinellem Lernen erstellt werden können, um nicht funktionierende physikalische Sensoren zu ersetzen. Diese virtuellen Sensoren werden mit Daten von der Time Series Station Spiekeroog (TSS) und dem BEFmate-Projekt im Wattenmeer trainiert. Im ersten Teil meiner Arbeit erkläre ich die Daten und deren Vorverarbeitung. Als nächstes wird eine unüberwachte Extremereigniserkennungsaufgabe auf den TSS-Daten präsentiert. Dann schlage ich eine Imputationsmethode für fortlaufend fehlende Werte vor, welche zuvor interpolierte Werte basierend auf der Lückenlänge und einem k-nächste-Nachbarn-Verfahren bestraft. Im zweiten Teil entwickle ich eine neuronale Netzwerkarchitektur, um ausgefallene Sensoren zu modellieren. Die Grundlage ist ein bidirektionales rekurrentes Netzwerk mit Langzeit-Kurzzeitgedächtnis (bLSTM), welches meine zeitliche Dimensionalitätsreduktionsmethode exPAA verwendet. Ich führe Schichten mit Faltungen, Unsicherheitsvorhersagen und meine auf Eingangsqualität basierendes Dropout hinzu, welche sich als besser als das bLSTM-Netz erweist. <dt.>
This thesis proposes an approach to build virtual sensors based on machine learning to replace broken physical sensors. These virtual sensors are trained with sensor data from the Time Series Station Spiekeroog (TSS) and the Biodiversity-Ecosystem Functioning across marine and terrestrial ecosystems (BEFmate) project in the Wadden Sea. In the first part of my work, I begin by explaining the data and its preprocessing. Next, an unsupervised extreme event detection task on the TSS data with a subsequent expert evaluation is presented. I propose an imputation method for longer consecutively missing values, which penalizes previously interpolated values based on the length of the gaps with a k-nearest neighbors approach. In the second part, I design a neural network architecture to model broken sensors. The foundation is a bidirectional recurrent neural network with long short-term memory (bLSTM) that utilizes my time dimensionality reduction method exPAA. Then, I introduce convolutional layers, uncertainty predictions, and my input quality based dropout layer to the architecture, which proves to outperform the architecture with only bLSTM layers. <engl.>
Diese Arbeit untersucht die bio-optischen Bedingungen in fünf arktischen Küstensystemen in Grönland und Island. Diese Systeme unterscheiden sich in ihrer hydrographischen Struktur, welche sowohl die bio-optische Gegebenheiten als auch die biologischen Aktivitäten. Alle Systeme weisen nur geringe nicht organische SPM (SPMi) Konzentrationen auf. Ausnahmen bilden nur Stationen nahe Frischwasserzuflüsse und Schmelzwasser von Gletschern. Die CDOM Absorptionswerte waren in allen Systemen niedrig. Höhere Chl a Konzentrationen waren in der Vaigat und an zwei Stationen im Breiðafjörður zu beobachten. Die 1 % PAR Tiefe wird vom Chl a und SPMi Konzentrationen dominiert. Ein einfaches Modell wurde verwendet, um PAR in Abhängigkeit von unterschiedlichen Konzentrationen zu bestimmen. Bei den hyperspektralen Lichtfelddaten wird der Einfluss von CDOM bei niedrigen Wellenlängen deutlich. Bei der Modellierung mit Hydrolight haben sich größere Unterschiede zwischen Messung und Modell gezeigt. <dt.>
This work analyses the bio-optical conditions in five arctic coastal systems in Greenland and Iceland. These systems differ in their hydrographic structure which influences the bio-optical conditions and biological activity. All systems show only low inorganic SPM (SPMi) concentrations. Exceptions are stations near freshwater runoff and glacial melt water. CDOM absorption was low in all systems. Higher Chl a concentrations were observed in the Vaigat and at two stations in Breiðafjörður. 1 % PAR depth was dominated by Chl a and SPMi concentrations. A simple model was used to derive PAR in dependence of different concentrations. For hyperspectral light field data, CDOM shows its influence at low wavelength. Modelling with Hydrolight has shown greater differences between measurement and model. <engl.>