
Benedikt Schulz M.Sc.
-
nach Vereinbarung
-
Kollegiengebäude Mathematik (20.30)
2.012
0721 608 45261
-
benedikt.schulz2@kit.edu
-
Karlsruher Institut für Technologie (KIT)
Institut für Stochastik
Englerstraße 2
76131 Karlsruhe
Im Rahmen des Sonderforschungsbereichs/Transregio Waves to Weather arbeite ich in Projekt C5 („Dynamical feature-based ensemble postprocessing of wind gusts within European winter storms“) an Methoden zur statistischen Nachbearbeitung von Wettervorhersagen. Wir beschäftigen uns speziell mit Ensemblevorhersagen von Windböen und wenden dabei Methoden des modernen maschinellen Lernens wie neuronale Netze an.
Weitere Informationen zu unserer Forschung finden Sie auf den folgenden Seiten:
- Presseinformation des KIT zur Vorhersage von Windböen mit KI (15/03/22)
- Interview in der Serie "Campus-Report" zur Vorhersage von Windböen mit KI (05/07/22)
- Beitrag auf der Homepage des IMK-TRO zur Unterscheidung von Starkwindbereichen in Winterstürmen mit KI (08/08/22)
Statistisch nachbearbeitete Echtzeit-Vorhersagen
Das IMK-TRO (Institut für Meteorologie und Klimaforschung, Department Troposphärenforschung) bietet auf dem Portal KIT-Weather unterschiedliche meteorologische Vorhersagen an, darunter operationelle Echtzeit-Vorhersagen für diverse Wettervariablen in mehreren europäischen Städten, bspw. Karlsruhe. In Zusammenarbeit mit der Arbeitsgruppe “Atmosphärische Dynamik“ bearbeiten wir die Echtzeit-Vorhersagen für ausgewählte deutsche Städte statistisch nach. Die statistisch nachbearbeiteten Vorhersagen finden Sie hier.
Semester | Titel | Typ |
---|---|---|
Wintersemester 2022/23 | Forecasting: Theory and Praxis | Vorlesung |
Sommersemester 2022 | Time Series Analysis | Vorlesung |
Wintersemester 2021/22 | Einführung in die Stochastik | Vorlesung |
Sommersemester 2021 | Nichtparametrische Statistik | Vorlesung |
Einblicke in die Stochastik | Proseminar |
Preprints
- Schulz, B. und Lerch, S. (2022): Aggregating distribution forecasts from deep ensembles. Preprint, available at arXiv:2204.02291.
Publikationen
- Gneiting, T., Lerch, S. und Schulz, B. (2023): Probabilistic solar forecasting: Benchmarks, post-processing, verification. Solar Energy, 252, 72-80. doi:10.1016/j.solener.2022.12.054.
- Eisenstein, L., Schulz, B., Qadir, G. A., Pinto, J. G., und Knippertz, P. (2022): Identification of high-wind features within extratropical cyclones using a probabilistic random forest - Part 1: Method and case studies, Weather and Climate Dynamics, 3, 1157-1182. doi.org/10.5194/wcd-3-1157-2022.
- Schulz, B. und Lerch, S. (2022): Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison. Monthly Weather Review, 150 (1), 235-257. doi:10.1175/MWR-D-21-0150.1.
- Maier-Gerber, M., Fink, A., Riemer, M., Schoemer, E., Fischer, C. und Schulz, B. (2021): Statistical-Dynamical Forecasting of Sub-Seasonal North Atlantic Tropical Cyclone Occurrence. Weather and Forecasting, 36 (6), 2127-2142. doi:10.1175/WAF-D-21-0020.1.
- Schulz, B., El Ayari, M., Lerch, S. und Baran, S. (2021): Post-processing numerical weather prediction ensembles for probabilistic solar irradiance forecasting. Solar Energy, 220, 1016-1031. doi:10.1016/j.solener.2021.03.023.
Konferenzen und Workshops
- EMS Annual Meeting 2022, Bonn, Vortrag: Machine learning for postprocessing ensemble forecasts of wind gusts with a focus on European winter storms. doi.org/10.5194/ems2022-271.
- 42nd International Symposium on Forecasting (ISF 2022), Oxford (UK), Vortrag: Aggregating distribution forecasts from deep ensembles. Youtube (Session Aufzeichnung).
- EGU General Assembly 2022, Wien (AT), Vortrag: Machine learning for postprocessing ensemble forecasts of wind gusts with a focus on European winter storms. doi.org/10.5194/egusphere-egu22-869.
- 9th HKMetrics Workshop (2022), Mannheim, Vortrag: Aggregating distribution forecasts from deep ensembles.
- ESA-ECMWF workshop 2021, online, Poster: Machine Learning Methods for Postprocessing Ensemble Forecasts of Wind Gusts: A Systematic Comparison.
- VALPRED 3 (2021), Aussois (FR), Vortrag: Machine learning methods for postprocessing ensemble forecasts of wind gusts.
- 3rd NOAA Workshop on Leveraging AI in Environmental Sciences (2021), online, Vortrag: Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison. Youtube (Session Aufzeichnung).
- 41st International Symposium on Forecasting (ISF 2021), online, Vortrag: Calibrating and combining probability forecasts.
- EGU General Assembly 2021, online, vPICO: Statistical and machine learning methods for postprocessing ensemble forecasts of wind gusts. doi.org/10.5194/egusphere-egu21-1326.
- ICCARUS 2021, online, Vortrag: Statistical and machine learning methods for postprocessing ensemble forecasts of wind gusts.
- Practical Operational implementation of Statistical Post-Processing for ensemble forecasts (2020), online, Poster: Statistical post-processing of near-real-time ICON ensemble forecasts.
- VALPRED 2 (2020), Aussois (FR), Vortrag: Calibrating and combining probability forecasts.