Webrelaunch 2020
Foto von Benedikt Schulz

Dr. Benedikt Schulz

  • 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 IMKTRO zur Unterscheidung von Starkwindbereichen in Winterstürmen mit KI (08/08/22)

Statistisch nachbearbeitete Echtzeit-Vorhersagen

Das IMKTRO (Institut für Meteorologie und Klimaforschung, 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.

Aktuelles Lehrangebot
Semester Titel Typ
Sommersemester 2023 Vorlesung
Sommersemester 2022 Vorlesung

Preprints

  • Arnold, S., Gavrilopoulos, G., Schulz, B. und Ziegel, J. (2024): Sequential model confidence sets. Preprint, verfügbar auf arXiv:2404.18678.
  • Primo, C., Schulz, B., Lerch, S. und Hess, R. (2024): Comparison of Model Output Statistics and Neural Networks to Postprocess Wind Gusts. Preprint, verfügbar auf arXiv:2401.11896.
  • Schulz, B. und Lerch, S. (2022): Aggregating distribution forecasts from deep ensembles. Preprint, verfügbar auf arXiv:2204.02291.

Publikationen

  • Höhlein, K., Schulz, B., Westermann, R. und Lerch, S. (2024): Postprocessing of Ensemble Weather Forecasts Using Permutation-invariant Neural Networks, Artificial Intelligence for the Earth Systems, 3, e230070. doi.org/10.1175/AIES-D-23-0070.1.
  • Eisenstein, L., Schulz, B., Pinto, J. G., und Knippertz, P. (2023): Identification of high-wind features within extratropical cyclones using a probabilistic random forest - Part 2: Climatology over Europe, Weather and Climate Dynamics, 4, 981-999. doi.org/10.5194/wcd-4-981-2023.
  • Ageet, S., Fink, A., Maranan, M. und Schulz, B. (2023): Predictability of Rainfall over Equatorial East Africa in the ECMWF Ensemble Reforecasts on short to medium-range time scales. Weather and Forecasting, 38, 2613-2630. doi:10.1175/WAF-D-23-0093.1.
  • 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.

Dissertation


Konferenzen und Workshops

  • VALPRED 4 (2023), Aussois (FR), Mini-Kurs: Statistical and Machine Learning Methods for Postprocessing Ensemble Weather Forecasts.
  • 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.
  • ICCARUS 2021, online, Vortrag: Statistical and machine learning methods for postprocessing ensemble forecasts of wind gusts.
  • VALPRED 2 (2020), Aussois (FR), Vortrag: Calibrating and combining probability forecasts.