Abteilung Systemanalyse, Integrated Assessment und Modellierung

La creciente frecuencia de eventos de inundación en entornos urbanos, asociada al cambio climático y a la urbanización, ha incrementado la demanda de herramientas de predicción que sean tanto precisas como computacionalmente eficientes. Los modelos físicos basados en las ecuaciones de aguas someras bidimensionales (2D-SWE) ofrecen resultados fiables, pero requieren elevados tiempos de simulación, lo que limita su uso en contextos operativos.
Para superar esta barrera, han surgido enfoques basados en modelos subrogados con técnicas de aprendizaje profundo (DL), que reducen drásticamente los tiempos de cálculo (Guo et al., 2021; Löwe et al., 2021). Sin embargo, la mayoría de estos modelos se entrenan utilizando lluvia bruta como única entrada, ignorando procesos hidrológicos como la infiltración o las condiciones de humedad antecedente (AMC), que influyen directamente en la generación de escorrentía (Cea y Fraga, 2018).
Esta omisión puede afectar la capacidad de generalización del modelo subrogado y requiere, además, grandes volúmenes de datos para cubrir una mayor variabilidad, lo que implica costes computacionales elevados (Pouyanfar et al., 2018). En este trabajo se propone un enfoque híbrido que incorpora el cálculo de la lluvia neta en el flujo de trabajo del modelo subrogado basado en DL. Este marco se estructura en dos objetivos:
1. Incluir de forma explícita el cálculo de la lluvia neta durante el entrenamiento y la predicción.
2. Evaluar la capacidad de generalización del modelo ante eventos con diferente extensión de inundación y condiciones de AMC.
El estudio se aplica a la localidad de Sada (noroeste de España) y compara los resultados del modelo propuesto con un modelo subrogado convencional, evaluando precisión y eficiencia computacional.

La creciente frecuencia de eventos de inundación en entornos urbanos, asociada al cambio climático y a la urbanización, ha incrementado la demanda de herramientas de predicción que sean tanto precisas como computacionalmente eficientes. Los modelos físicos basados en las ecuaciones de aguas someras bidimensionales (2D-SWE) ofrecen resultados fiables, pero requieren elevados tiempos de simulación, lo que limita su uso en contextos operativos.
Para superar esta barrera, han surgido enfoques basados en modelos subrogados con técnicas de aprendizaje profundo (DL), que reducen drásticamente los tiempos de cálculo (Guo et al., 2021; Löwe et al., 2021). Sin embargo, la mayoría de estos modelos se entrenan utilizando lluvia bruta como única entrada, ignorando procesos hidrológicos como la infiltración o las condiciones de humedad antecedente (AMC), que influyen directamente en la generación de escorrentía (Cea y Fraga, 2018).
Esta omisión puede afectar la capacidad de generalización del modelo subrogado y requiere, además, grandes volúmenes de datos para cubrir una mayor variabilidad, lo que implica costes computacionales elevados (Pouyanfar et al., 2018). En este trabajo se propone un enfoque híbrido que incorpora el cálculo de la lluvia neta en el flujo de trabajo del modelo subrogado basado en DL. Este marco se estructura en dos objetivos:
1. Incluir de forma explícita el cálculo de la lluvia neta durante el entrenamiento y la predicción.
2. Evaluar la capacidad de generalización del modelo ante eventos con diferente extensión de inundación y condiciones de AMC.
El estudio se aplica a la localidad de Sada (noroeste de España) y compara los resultados del modelo propuesto con un modelo subrogado convencional, evaluando precisión y eficiencia computacional.

The combination of various nitrogen (N) transformation pathways (mineralization, nitrification, denitrification, DNRA, anammox) modulates the fixed-N availability in aquatic systems, with important environmental consequences. Several models have been developed to investigate specific processes and estimate their rates, especially in benthic habitats, known hotspots for N-transformation reactions. Constraints on the N cycle are often based on the isotopic composition of N species, which integrates signals from various reactions. However, a comprehensive benthic N-isotope model, encompassing all canonical pathways in a stepwise manner, and including nitrous oxide, was still lacking. Here, we introduce a new diagenetic N-isotope model to analyse benthic N processes and their N-isotopic signatures, validated using field data from the porewaters of the oligotrophic Lake Lucerne (Switzerland). As parameters in such a complex model cannot all uniquely be identified from sparse data alone, we employed Bayesian inference to integrate prior parameter knowledge with data-derived information. For parameters where marginal posterior distributions considerably deviated from prior expectations, we performed sensitivity analyses to assess the robustness of these findings. Alongside developing the model, we established a methodology for its effective application in scientific analysis. For Lake Lucerne, the model accurately replicated observed porewater N-isotope and concentration patterns. We identified aerobic mineralization, denitrification, and nitrification as dominant processes, whereas anammox and DNRA played a less important role in surface sediments. Among the estimated N isotope effects, the value for nitrate reduction during denitrification was unexpectedly low (2.8 ± 1.1 ‰). We identified the spatial overlap of multiple reactions to be influential for this result.

1. Animal geolocation is the core of movement ecology. In aquatic ecosystems, electronic tagging and tracking technologies, such as passive acoustic telemetry systems and biologging sensors, are widely deployed. However, statistical estimation of individual locations from these datasets can be challenging and computationally expensive.
2. Here, we introduce Wahoo.jl, a Julia package that fits state-space models to animal-tracking data via convolution algorithms. Wahoo.jl supports passive acoustic telemetry (detection/non-detection) and biologging (i.e. depth) datasets; implements grid-based filtering, smoothing and sampling of trajectories; and exploits GPU acceleration.
3. Using simulations, we illustrate how to use Wahoo.jl from Julia and R to reconstruct movements for an example individual tagged with an acoustic transmitter and an archival depth tag. We also provide validation and sensitivity analyses.
4. Wahoo.jl fills a key gap in the animal-tracking toolbox. The package provides an accessible, flexible and performant interface for an inference methodology that reliably handles multimodal inference problems that challenge other approaches. We discuss the approach's pros and cons and provide guidance to readers on when to reach for Wahoo.jl.