Abteilung Systemanalyse, Integrated Assessment und Modellierung

Systemanalyse und Modellierung

In SIAM entwickeln und verwenden wir Modelle und formale Techniken für natürliche, technische, soziale und ökonomische Systeme, die Wasser und andere natürliche Ressourcen betreffen. Unser Ziel ist es, das Verhalten dieser Systeme zu demonstrieren, es zu verstehen und vorherzusagen. Erfahren Sie mehr

Neue Publikationen

Chaparro Pedraza, P. C., Matthews, B., de Meester, L., & Dakos, V. (2021). Adaptive evolution can both prevent ecosystem collapse and delay ecosystem recovery. American Naturalist, 198(6) (13 pp.). doi:10.1086/716929, Institutional Repository
Qi, W., Feng, L., Yang, H., & Liu, J. (2021). Spring and summer potential flood risk in Northeast China. Journal of Hydrology: Regional Studies, 38, 100951 (11 pp.). doi:10.1016/j.ejrh.2021.100951, Institutional Repository
Ashraf Vaghefi, S., Muccione, V., van Ginkel, K. C. H., & Haasnoot, M. (2021). Using decision making under deep uncertainty (DMDU) approaches to support climate change adaptation of Swiss Ski Resorts. Environmental Science and Policy, 126, 65-78. doi:10.1016/j.envsci.2021.09.005, Institutional Repository
Adelisardou, F., Zhao, W., Chow, R., Mederly, P., Minkina, T., & Schou, J. S. (2021). Spatiotemporal change detection of carbon storage and sequestration in an arid ecosystem by integrating Google Earth Engine and InVEST (the Jiroft plain, Iran). International Journal of Environmental Science and Technology. doi:10.1007/s13762-021-03676-6, Institutional Repository
Qi, W., Feng, L., Yang, H., Zhu, X., Liu, Y., & Liu, J. (2021). Weakening flood, intensifying hydrological drought severity and decreasing drought probability in Northeast China. Journal of Hydrology: Regional Studies, 38, 100941 (12 pp.). doi:10.1016/j.ejrh.2021.100941, Institutional Repository

News

Forschende der Eawag nutzen Deep-learning-Methoden mit künstlichen neuronalen Netzen, um Plankton automatisch zu klassifizieren. Hintergrund: Aquascope-Aufnahme des Wasserflohs Bosmina. (Foto und Grafik: Eawag)
25. November 2021 –

Die Eawag will Methoden der künstlichen Intelligenz weiterentwickeln, um sie vermehrt in der Wasserforschung einzusetzen. Eine aktuelle Anwendung ist das Monitoring von Planktongesellschaften in Seen. Mit Methoden des maschinellen...

Die Eawag will Methoden der künstlichen Intelligenz weiterentwickeln, um sie vermehrt in der Wasserforschung einzusetzen. Eine aktuelle Anwendung ist das Monitoring von Planktongesellschaften in Seen. Mit Methoden des maschinellen Lernens ist es gelungen, eine automatische Klassifizierung der Kleinstlebewesen zu implementieren.    

Weiterlesen

Events

15.09.​2022,
9:00 Uhr
Swiss Tech Convention Center Lausanne

Forschungsprojekte

Überbrückung der Kluft zwischen Data Science und mechanistischer Modellierung für ein besseres Verständnis der Zusammensetzung von Lebensgemeinschaften.
Heterogene Datenplattform für die operative Modellierung und Vorhersage von Schweizer Seen
Deep Neural Networks, (DNNs) haben beeindruckende empirische Leistungen gezeigt, bedeuten aber immer noch eine Blackbox-Funktion zur Modellierung von Daten
Skalierbarer Bayes'scher Inferenzrahmen für die Quantifizierung von Unsicherheiten in stochastischen Modellen mit Tausenden von parallelen Prozessoren am Swiss National Supercomputing Center und der ETH Zürich
Modellierung der Lebensgemeinschaften von Makroinvertebraten in Fliessgewässern.
Wir vergleichen Invasionen in aquatischen und terrestrischen Ökosystemen vor allem auf großen (nationalen) räumlichen Skalen und zwischen verschiedenen Taxa auf höherer Ebene
Wir verwenden Methoden des maschinellen Lernens um die Auswirkungen von Chemikalien auf aquatische Arten vorherzusagen
Entwicklung eines halb-verteilten hydrologischen Modells mit einem "flexiblen" Ansatz