Environmental Sensing and Modeling (Vorlesung/Übung und Projektstudie)

Vortragende:

Prof. Jia Chen

Tutor:

M.Sc. Florian Dietrich, Dr. Friedrich Klappenbach, M.Sc. Adrian Wenzel, M.Sc. Xinxu Zhao

Link zu TUM Online:

https://campus.tum.de/tumonline/ee/ui/ca2/app/desktop/#/slc.tm.cp/student/courses/950570280?$ctx=design=ca;lang=de

Angeboten im:

Sommer- und Wintersemester

Umfang:

4 Semesterwochenstunden (Vorlesung, Übung und Projektstudie)

Anmeldung:

siehe TUMonline "Teilnahmekriterien & Anmeldung"

Ziel (erwartete Lernergebnisse und erworbene Kompetenzen)

  1. Diverse Sensorkonzepte verstehen und bewerten
  2. Diverse atmosphärische Modellierungsmethoden verstehen und bewerten
  3. Anwenden statistischer Datenauswertungsmethoden zu neuartigen atmosphärischen Daten
  4. Untersuchung von Umweltdaten im Zeit und Frequenz Bereich
  5. Präsentation selbständig recherchierter atmosphärischer Daten für eine beliebige Region

Inhalt

  1. Grundlage: Eigenschaften der Atmosphäre, der Erde, Sonne und anderen Planeten
  2. Sensing Methoden und Instrumente:
    1. Solar-Tracking/Open Path Fourier Transform Spektrometer
    2. Tunable Diode Laser Spectroskopie
    3. Gitterspektrometer
    4. LiDAR
    5. Ceilometer
    6. Wellenlängen-Modulations-Spektroskopie
    7. Cavity-Ring-Down-Spektroskopie
    8. Laser Photoakustische Spektroskopie
    9. Traushausgas-Satelliten
  3. Datenanalyse:
    1. Lineare Regressions-Methoden: OLS, MA, SMA, York Linear Fit, Hauptkomponentenanalyse (PCA), etc.
    2. Statistische Auswertungen: Bootstrapping, Student's t-Test, Chi-Quadrat-Test, etc.
    3. Interpolation: z.B. Semantic Kriging
    4. Datenfusion
  4. Modellierung:
    1. Box Model,
    2. Markov Kett
    3. Eulersches und Lagrange Model
    4. Inverse Modellierung
  5. Machine Learning für Umweltanwendungen

Unterrichts-/Lehrsprache

Englisch

Inhaltliche Voraussetzungen

Mathematik, Grundlage Physik
Kenntnisse in einer Programmiersprache wie z. B. Matlab, R, C++, Python