MIDS Logo

Herzlich Willkommen auf der Seite
der Professur für Datenassimilation

Um Unwetterereignisse oder das Abschmelzen des Eises in der Arktis vorhersagen zu können, müssen Informationen in Form von heterogenen Daten mit numerischen Modellen dynamischer Systeme verbunden werden. Dies geschieht durch die Datenassimilation, die es ermöglicht, Prozesse besser zu untersuchen und ihre weitere Entwicklung vorherzusagen.  Im Bereich der Datenassimilation beschäftigt sich die Professur mit der Fortentwicklung von Data Science Algorithmen durch die Einbeziehung von physikalischen Erhaltungsgesetzen und der Lösung entsprechend großer  Optimierungsprobleme in den Umweltwissenschaften.  Die Quantifizierung der Unsicherheiten von Vorhersagen, numerischen Modellen und Beobachtungen spielt hier ebenfalls eine zentrale Rolle. 

Über uns

Prof. Janjic stellt sich und den Lehrstuhl vor

Vorschaubild Tijana Janjic

Bitte beachten Sie: Durch Klicken auf die Bildfläche geben Sie Ihre Einwilligung, dass Videoinhalte von YouTube nachgeladen, Cookies von YouTube/Google auf Ihrem IT-System gespeichert und personenbezogene Daten wie Ihre IP-Adresse an Google weitergegeben werden. Klicken Sie nach Beendigung des Videoinhaltes auf ein anderes Video, öffnet sich in einem neuen Tab Ihres Browsers YouTube und erfasst weitere Daten von Ihnen. Weitere Informationen finden Sie in unseren Datenschutzhinweisen und unter Google Privacy .

Neuigkeiten aus der Mathematik

Hidde Schönberger gewinnt GSNS Masterarbeitspreis 2021-2022

Herzlichen Glückwunsch an Hidde Schönberger, Doktorand am Lehrstuhl für Analysis, der für seine Arbeit "Characterization of Lower Semicontinuity and Relaxation of Fractional Integral and Supremal Functionals" mit dem Masterarbeitspreis der Graduate School of Natural Sciences der Universität Utrecht ausgezeichnet wurde. Dieser Preis wird jährlich für die beste Masterarbeit an der naturwissenschaftlichen Fakultät verliehen.

Mit seiner Arbeit liefert Hidde Schönberger einen zentralen Beitrag zur Existenztheorie für eine Klasse von Variationsproblemen mit fraktionellen Ableitungen, die neben ihrer mathematischen Bedeutung auch verschiedene Anwendungen in den Materialwissenschaften und der Bildverarbeitung haben. Die Hauptresultate, die in der Zeitschrift Nonlinear Analysis veröffentlicht wurde, schließen eine Lücke in der Literatur. In den Augen des Preiskomitees handelt es sich dabei um "eine Leistung, auf die jeder erfahrene Forscher stolz sein kann, ganz zu schweigen ein Masterstudent."

Angeleitet wurde die Arbeit von Prof. Dr. Carolin Kreisbeck, die nun auch seine Promotion an der KU betreut. Hierbei beschäftigt sich Hidde Schönberger weiter mit offenen Fragen im Bezug auf Nichtlokalität in der Variationsrechnung.

Zum Journalartikel geht es hier und die Masterarbeit finden Sie hier.
 

Mathematisches Institut für Maschinelles Lernen und Data Science

Logo MIDS

Die Heisenberg Professur ist Teil des Mathematischen Instituts für Maschinelles Lernen und Data Science, kurz MIDS.
Finden Sie alle Informationen rund um das MIDS hier.