Wie reagieren die Ökosysteme auf sich ändernde Wetterverhältnisse, steigende Temperaturen und zunehmende Kohlendioxidkonzentrationen? Ist der Einfluss des Niederschlags wichtiger als der der Temperatur? Oder wird die Dynamik von Ökosystemen stärker durch die Verfügbarkeit von Nährstoffen beeinflusst? Welche Rolle spielen Extremereignisse bei der Entwicklung der biogeochemischen Kreisläufe? Um Antworten zu finden, müssen wir die Wechselwirkungen zwischen drei komplexen Systemen verstehen: Klima, Vegetation und Boden. Daher kombinieren wir Experimente und Langzeitbeobachtungen vor Ort mit Erdbeobachtungen, die von Flugzeugen und Satelliten in verschiedenen räumlichen Maßstäben gesammelt werden, und setzen datengestütztes maschinelles Lernen und theoriegestützte mechanistische Modellierung ein. Mit unserer Forschung versuchen wir zu verstehen, wie die terrestrische Biosphäre auf laufende Umweltveränderungen und Schwankungen der atmosphärischen Bedingungen reagiert und Rückkopplungen auf sie ausübt.
Neuste Publikationen
Die Publikationen sind nur in englischer Sprache verfügbar.
Poehls, J., Alonso, L., Koirala, S., Carvalhais, N., & Reichstein, M. (2025). Downscaling soil moisture to sub-km resolutions with simple machine learning ensembles. Journal of Hydrology,652: 132624. doi:10.1016/j.jhydrol.2024.132624. // Figure 4: Prediction regime for the Dense, Prob, and WDL ensembles. Each ensemble member (cube) is trained on samples weighted against imbalances in a static variable. These predictions are then averaged to provide an ensemble prediction.
Poehls, J., Alonso, L., Koirala, S., Carvalhais, N., & Reichstein, M. (2025). Downscaling soil moisture to sub-km resolutions with simple machine learning ensembles. Journal of Hydrology,652: 132624. doi:10.1016/j.jhydrol.2024.132624. // Figure 4: Prediction regime for the Dense, Prob, and WDL ensembles. Each ensemble member (cube) is trained on samples weighted against imbalances in a static variable. These predictions are then averaged to provide an ensemble prediction.
Benson, V.; Bastos, A.; Reimers, C.; Winkler, A.; Yang, F.; Reichstein, M.: Atmospheric transport modeling of CO2 with neural networks. Journal of Advances in Modeling Earth Systems 17 (2), e2024MS004655 (2025)
Cattry, M.; Zhao, W.; Nathaniel, J.; Qiu, J.; Zhang, Y.; Gentine, P.: EcoPro-LSTMv0: A memory-based machine learning approach to predicting ecosystem dynamics across time scales in mediterranean environments. EGUsphere (2025)
Metz, E.-M.; Vardag, S. N.; Basu, S.; Jung, M.; Butz, A.: Seasonal and interannual variability in CO2 fluxes in southern Africa seen by GOSAT. Biogeosciences 22 (2), S. 555 - 584 (2025)
