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.
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.
Hier klicken, um direkt zu den statistisch nachbearbeiteten Vorhersagen zu gelangen.
| Semester | Titel | Typ |
|---|---|---|
| Wintersemester 2021/22 | Einführung in die Stochastik | Vorlesung |
| Sommersemester 2021 | Nichtparametrische Statistik | Vorlesung |
| Einblicke in die Stochastik | Proseminar |
Publikationen
- Schulz, B. und Lerch, S. (2021): Machine learning methods for postprocessing ensemble forecasts of wind gusts: A systematic comparison. Monthly Weather Review, in press. 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
- ESA-ECMWF workshop 2021, online, Poster: Machine Learning Methods for Postprocessing Ensemble Forecasts of Wind Gusts: A Systematic Comparison.
- VALPRED 3 (2021), Aussois, 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.
- 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, Vortrag: Calibrating and combining probability forecasts.