Machine Learning für raum-zeitliche und multimodale Daten zu Land und im Meer

Machine Learning für raum-zeitliche und multimodale Daten zu Land und im Meer. Professor Dr. Stefan Oehmcke forscht an Machine-Learning-Methoden zur Analyse und Modellierung raum-zeitlicher Daten aus der Fernerkundung und multimodalen Sensorik. Sein Forschungsschwerpunkt liegt auf der Erkennung und Bewertung umweltrelevanter Faktoren aus verschiedenen Quellen, wie Satelliten und anderen Fernerkundungstechnologien. Neben seiner Arbeit zur Meeresforschung hat er umfassende Erfahrung im Umweltmonitoring an Land, wo er an Projekten zu Wäldern, Agrarlandschaften und Mooren mitgewirkt hat.

Lösungen für die Nutzung und Modellierung großer, unstrukturierter Datensätze. In seiner Forschung entwickelt Professor Oehmcke selbstüberwachte Lernmethoden und Repräsentationslernen, um große Mengen unstrukturierter, multimodaler Daten (z. B. Bilder, Punktwolken, Zeitreihen) effektiv nutzbar zu machen. Ein weiterer Fokus liegt auf hybriden Modellierungsansätzen, die datengetriebene und hypothesengetriebene Methoden kombinieren, um Modelle für dynamische Systeme und Simulationen zu verbessern. Zudem fördert er ressourcenlimitiertes Lernen durch Wissensdistillation, und dynamische Datenselektion, insbesondere für datenintensive Anwendungen.

Kompetenzen im Bereich der künstlichen Intelligenz und Data Science

• Temporal-Spatial und Multi-Modal ML: Entwicklung und Anwendung von Maschine-Learning-Methoden zur Analyse raum-zeitlicher Daten und multimodaler Informationen, z. B. für Klassifizierung, Segmentierung, Regression Drift- und Anomalie-Erkennung.
• Hybride Modellierung: Kombination daten- und hypothesengetriebener Ansätze zur Verbesserung der Vorhersagegenauigkeit und Effizienz in dynamischen Systemen und Simulationen.
• Ressourcenlimitiertes Lernen: Optimierung von Modell- und Datenselektion sowie Wissensdistillation für effiziente Modellierungen in datenintensiven Anwendungen.
• Self-Supervised und Representation Learning: Entwicklung von Modellen, die auf unlabeled Daten beruhen und durch gelabelte Daten verfeinert werden, um präzisere Analysen zu ermöglichen.