impulse homepage
start projekte methoden/ modelle lehre publikationen über uns links
Methoden & Modelle Methoden
methoden
modelle
Mathematische Modelle sind das Herzstück eines Entscheidungshilfesystems; das Problem mit dem alle Modellierer zu kämpfen haben: Je vollständiger ein Modell die Wirklichkeit abbildet, desto unübersichtlicher wird es - zum Nachteil für den Anwender. In der Forschung hängt die Akzeptanz eines Modelles dagegen davon ab, wie genau das Modell der Wirklichkeit entspricht. IMPULSE will diesem Konflikt mit innovativen Methoden zu Leibe rücken:

» Modellaggregation
» Datenassimilation

Modellaggregation - Wie kann viel durch wenig erklärt werden?

Es macht kaum Sinn, ein komplexes Modell zu vereinfachen, indem man scheinbar unwichtige Teile weglässt: Wichtige Mechanismen oder Ko-Wirkungen können auf diese Weise leicht übersehen werden. Vielmehr ist für die Vereinfachung ein völliges Umdenken erforderlich: Wie kann viel durch wenig erklärt werden?

Bei der Modellaggregation werden v.a. zwei Leitideen verfolgt:
» Modelle mit Strukturkomplexität (z.B. ein großes Ökosystemmodell) werden durch die Einführung Effektiver Variablen auf Modelle reduziert, die zwar wesentlich einfacher sind, aber dennoch den beschriebenen Phänomenen entsprechen;
» Modelle mit komplizierten Randbedingungen können ohne Präzisionsverluste auch mit einfachen Randbedingungen rechnen, wenn sie zusätzlich an geeignete nichtlineare Datenmodelle gekoppelt werden, z.B. Neuronale Netze: Ein hydrodynamisches Modell der Nordsee bräuchte dann keine Auflösung von 500m mehr sondern nur noch von 20km.

Datenassimilation - Wie können vage Vorhersagen sicherer werden?

Die Prognosen eines Modelles sind alles andere als zuverlässig: Zu viele Ungenauigkeiten können die Vorhersagen verzerren. Es ist daher wichtig, die Modell-Ergebnisse immer wieder auf den Prüfstand zu stellen: Bei Bedarf müssen die Parameter und Zustandsgrößen des Modelles geändert werden, um dadurch die Genauigkeit der nächsten Vorhersage zu steigern. Diese Verbesserung kann man erreichen, indem man die vorhandenen Daten mit den Ergebnissen des Modelles vergleicht.

Datenassimilation macht ein Modell nicht nur "schärfer", sie hilft auch die grundlegenden Schwächen des Modelles besser zu verstehen.