Komplexe, prozessbasierte numerische Sedimenttransportmodelle sind mit hohem Rechenaufwand verbunden, da sie zahlreiche Simulationen erfordern. Dies erschwert die Gewinnung quantitativer Erkenntnisse über die zu untersuchende Umwelt erheblich. Insbesondere die Ableitung physikalischer Parameter aus Feldmessungen, vor allem solcher, die nicht direkt vor Ort gemessen werden können, setzt eine große Anzahl von Simulationen voraus.
Dieses Projekt konzentriert sich auf die Entwicklung von Ersatzmodellen (Surrogatmodellen), die mittels aktivem Lernen und informationstheoretischer Metriken während des Trainingsprozesses konstruiert werden. Ziel ist es, das vollständige Sedimenttransportmodell effizient zu emulieren, indem die Simulationen deutlich beschleunigt werden, ohne dabei die quantitativen Beziehungen zwischen Modelleingaben, den zugrunde liegenden physikalischen Prozessen und den Modellresultaten zu verlieren.
Dadurch werden 1) die posterioren Schätzungen physikalischer Parameter, 2) die Generierung von Modellensemble-Ergebnissen sowie 3) die Identifikation und Auswahl relevanter Modellprozesse maßgeblich erleichtert. Die trainierten Surrogatmodelle können zudem mit weiteren Inferenzmethoden, beispielsweise der simulationsbasierten Inferenz, kombiniert werden, um noch schnellere und likelihood-freie Posteriorschätzungen zu ermöglichen.
