Det overordnede mål med dette kursus er at lære at arbejde med spatiale data og sensor-observationer, og at bruge dem til at konstruere modeller af miljøprocesser. Dette er et avanceret modelleringskursus, der kombinerer koncepter fra f.eks. 12104, 12320, 02450 med det formål at udnytte store datasæt i prognoser og analyser af miljøprocesser.

Vi fokuserer på afstrømnings- og forureningsprocesser, men de metoder og udfordringer, der opstår i datahåndtering og modeludvikling, er bredt anvendelige til modellering og prognoser i miljøområdet (f.eks. grundvandsmodellering, forudsigelser af oversvømmelser, forudsigelser af forureningsbelastninger i vandløb osv.) Du vil lære at:
• Indhente spatiale (f.eks. højdekort) og tidsseriedata (f.eks. vandstande i vandløb) fra offentlige kilder og analysere dem ved hjælp af Python og GIS,
• Genkende og håndtere fejl og usikkerheder i datakilderne,
• Konceptualisere, implementere og validere modelbeskrivelser for afstrømningsprocesser, og
• Integrere klassiske procesbeskrivelser med maskinlæringsteknikker for at generere robuste forudsigelser.

Kurset henvender sig til studerende, der er interesserede i avancerede modelleringskoncepter for miljøprocesser og ønsker at forfølge en videnskabelig eller industriel karriere inden for environmental datascience. Det antages, at du har en grundlæggende forståelse af programmering i skriptsprog, GIS og hydrologiske processer. En studerende, der fuldt ud har opfyldt kursets mål, vil kunne:

• Administrere og analysere store datasæt der beskriver miljøprocesser ved hjælp af scripting og GIS-værktøjer
• Forstå og analysere begrænsninger af miljøobservationer
• Konstruere, implementere og forbedre afstrømningsmodeller ved hjælp af scriptsprog
• Implementere numeriske kalibreringsprocedurer på selvskrevne modeller
• Anvende systematiske fejlfindingsprocedurer for at opdage programmeringsfejl i datastyring og modelleringskode
• Formulere maskinlæringsarkitekturer, der er anvendelige til forskellige typer af miljødata
• Forstå og validere de antagelser, der ligger til grund for modelkalibreringsprocedurer
• Konceptualisere og implementere modelarkitekturer der kombinerer fysisk procesforståelse og datadrevne lag til modellering af miljøprocesser
• Argumentere for modelleringsvalg baseret på procesforståelse
• Vurdere modellens nøjagtighed med fokus på modelleringsformålet
• Kommunikere modelleringsresultater og begrænsninger i forskellige formater

Indhentning af data fra offentlige kilder. Matematisk beskrivelse af processer. (Fysisk-baseret) maskinlæring for miljøprocesser. 1. Beven, K (2012). Rainfall runoff modelling: The primer, 2nd ed. Wiley
2. McKinney, W. (2022). Python for Data Analysis, 3rd ed., https:/​/​wesmckinney.com/​book/​
3. Shen, Chaopeng, Alison P Appling, Pierre Gentine, Toshiyuki Bandai, Hoshin Gupta, Alexandre Tartakovsky, Marco Baity-Jesi, et al. “Differentiable Modelling to Unify Machine Learning and Physical Models for Geosciences.” Nature Reviews Earth & Environment 4, no. 8 (2023): 552–67. 02. maj, 2025