Komplexe prozessbasierte numerische Sedimenttransportmodelle leiden unter rechenintensiven Vorwärtsläufen, die verschiedene quantitative Erkenntnisse über die zu untersuchende Umwelt erschweren. So erfordert beispielsweise die Ableitung physikalischer Parameter aus Feldmessungen, insbesondere solcher, die nicht direkt vor Ort gemessen werden können, viele Vorwärtsläufe. Dieses Projekt konzentriert sich auf die Konstruktion von Ersatzmodellen, die durch aktives Lernen unter Verwendung informationstheoretischer Metriken während des Trainingsprozesses unterstützt werden, um das vollständige Sedimenttransportmodell zu emulieren, indem der Vorwärtslauf beschleunigt wird, während die quantitativen Beziehungen zwischen den Modelleingaben, den zugrundeliegenden physikalischen Prozessen und den Ergebnissen beibehalten werden, wodurch 1) die posterioren Schätzungen der physikalischen Parameter, 2) die Realisierung der Ergebnisse des Modellensembles, 3) und die Identifizierung/Auswahl der Modellprozesse erleichtert werden. Das trainierte Surrogatmodell bzw. die trainierten Surrogatmodelle können mit anderen Inferenzmethoden wie der simulationsbasierten Inferenz gekoppelt werden, um noch schnellere und likelihood-freie Posteriorschätzungen zu erhalten.
