22455 research outputs found
Sort by
Eine externe Validierungsstudie zur diagnostischen Genauigkeit eines auf künstlicher Intelligenz basierenden Modells zur Erkennung von Karies auf Fotografien
Get PDFIdentification of thunderstorm occurrence in convection-permitting ensemble forecasts using deep neural networks
Get PDFThunderstorms have potentially hazardous impacts on society and the economy due to accompanying phenomena, such as lightning, strong winds, and intense precipitation, creating a demand for accurate and timely thunderstorm forecasts. Thunderstorm forecasts several hours in advance are based on simulations of the future atmosphere via numerical weather prediction (NWP). However, as none of the NWP state variables, such as temperature, pressure, or specific humidity, directly indicates thunderstorm occurrence, surrogate variables like convective available potential energy or synthetic radar reflectivity are used as proxies instead.
Surrogate variables of thunderstorm occurrence are typically derived from NWP state variables through the consideration of physical principles and empirical knowledge. In this thesis, however, we present a machine learning (ML) model based on deep learning which bypasses the use of such surrogate variables; instead, the model directly processes the vertical variation of the NWP state variables with height to infer the corresponding probability of thunderstorm occurrence. In addition, this thesis makes use of a convection-permitting ensemble NWP model, i.e., an NWP model which (1) allows for resolving atmospheric convection without parameterizations, and (2) generates multiple possible forecasts consistent with forecast uncertainty. While these two properties have individually shown promise for improving thunderstorm forecasts, their combined potential for this task has so far been less explored. Specifically, we train our model on forecasts of ICON-D2-EPS, a limited-area model for Central Europe run operationally by the German Meteorological Service (DWD), with observations from the lightning detection network LINET serving as the ground truth. With regard to model architecture, we employ considerations based on physics and symmetries to keep model size and inference times computationally efficient. For instance, a sparse layer encourages interactions at similar height levels, whereas a shuffling mechanism forces the model to learn pressure coordinates instead of non-physical patterns tied to the vertical NWP grid.
Evaluating our model for lead times up to 11 hours, we find that it outperforms a baseline model relying on traditional thunderstorm surrogate variables, which shows the capability of deep learning methods to discover—on their own—skillful representations of thunderstorm occurrence in NWP data. A linear sensitivity analysis (saliency map) suggests that these patterns found in the data are to a considerable extent physically interpretable: our model has learned the climatological propagation direction of thunderstorms in the study region and relies on fine-grained structures, such as ice-particle content near the tropopause and cloud cover, as well as mesoscale structures related to atmospheric instability and moisture. As additional results, we quantitatively explain skill gains resulting from our use of ensemble data. Finally, we demonstrate how neural network models like ours help keeping thunderstorm occurrence predictable for longer lead times compared to models which do not rely on ML.
This thesis primarily contributes to improving the skill of thunderstorm forecasts by combining high-resolution NWP and ensemble systems with deep learning. On the other hand, many concepts and methods derived here apply to general binary classification problems, especially when high class imbalance is involved. More generally, our results exemplify the usefulness of incorporating physical considerations and symmetry principles into ML architectures to achieve lightweight models
Erfahrungen, Erwartungen und Vorstellungen von Fachkräften, die Familien betreuen, die sich trotz einer lebenslimitierenden Diagnose ihres Ungeborenen für das Fortführen der Schwangerschaft entscheiden
Get PDF
Die Untersuchung von frontal-extrazephallischer transkranieller Gleichstromstimulation auf die funktionelle Magnetresonanztomographie Konnektivität (fcMRT) bei gesunden Probanden
Get PDF
Bedeutung von ADAM10 und Cortactin für die Zelladhäsion von Keratinozyten und die Pathogenese von Pemphigus Vulgaris
Get PDFZwischen Täterschaft und Anpassung
Get PDFHomosexuelle Männer waren unter dem nationalsozialistischen Regime erheblichen Repressionen und staatlicher Verfolgung ausgesetzt. Eine umfassende Aufarbeitung der Thematik wurde lange Zeit verschleppt, und erst jüngere Arbeiten beginnen, den um-fangreichen Themenkomplex zu bearbeiten. Die vorliegende Arbeit beschäftigt sich ein-gehend mit der privilegierten Berufsgruppe der Ärzte, die an essenziellen Prozessen staatlicher und gesellschaftlicher Repressionen beteiligt war. In dem Spannungsfeld zwischen NS-Ideologie, ärztlicher Wissenschaft und dem Leben von Homosexuellen wird die verfügbare Quellenlage anhand medizinischer Publikationen und ungedruckter Archivalien umfassend analysiert, um die Frage zu beantworten, inwiefern eine Partizipation von Ärzten an der Diskriminierung homosexueller Männer nachweisbar ist und ob Mediziner intrinsisch motiviert – also autark – handelten oder „lediglich“ als Handlanger eines übermächtigen faschistischen Regimes verstanden werden müssen. Dabei spielen neben archivalischen insbesondere psychiatrische, kriminalbiologische und ideologische Quellen eine entscheidende Rolle.
Die Arbeit illustriert die vielfältigen und bedeutenden Funktionen, in denen die Ärzte während des Nationalsozialismus bei der Diskriminierung homosexueller Männer eingebunden waren. Keineswegs waren Ärzte nur Instrumente oder Verführte des NS-Staates; stattdessen entwickelten sie wesentliche Inhalte der Diskriminierung selbstständig mit und waren auch an der konkreten Ausführung der Verfolgungspolitik maßgeblich beteiligt
