Basierend auf neuen Verfahren der Computer-Vision eröffnen sich neue Methoden zur 3-dimensionalen Rekonstruktion von Objekten aus Bildern. Structure-from-Motion und anschließendes Multi-View-Stereo Matching sind maßstäbliche Rekonstruktionsverfahren. Diese sind in der Vermessung zum Erstellen von Punktwolken etabliert. Im Gegensatz zu diesen Verfahren steht die Novel-View-Synthesis.Deren primäres Ziel ist Ansichten des Objekts aus neuen Blickwinkeln zu erzeugen. Eine aktuelle Methode der Novel-View-Synthesis ist das Gaussian Splatting. Dabei werden viele kleine, farbige Ellipsoide im 3-dimensionalen Raum erzeugt und auf die Blickrichtung zurückprojiziert. Die Ellipsoide werden über Machine Learning Methoden optimiert. Die Ellipsoide und die Kamerablickrichtungen werden durch ein Structure-from-Motion Verfahren initialisiert. Um zu prüfen, ob sich daraus eine maßstäbliche Rekonstruktion ergibt, werden dichte Punktwolken aus Mehrbildverbänden und Laserscannern mit den Ellipsoiden des Gaussian Splatting verglichen. Eine Methode zum Vergleich der Ellipsoiden zu Punktwolken gibt es derzeit noch nicht. In dieser Arbeit wird ein Abstandsmaß zur Berechnung des Punktabstands zwischen den Punktwolken und den Ellipsoiden eingeführt. Zusätzlich werden innere geometrische Eigenschaften über die Eigenwerte der Ellipsoiden und den zugehörigen Punkten betrachtet. Die Vergleichsmethoden werden an einem Testobjekt entwickelt und anschließend auf eine Brücke übertragen.

Schon über die letzten Jahr(zehnte) gibt es eine Zunahme räumlichen Daten von geogetaggten Fotos, über Fernerkundungsdaten oder auch Texten, wie Wikipedia Artikel. Gleichzeitig gewinnt maschinelles Lernen im Alltag aber auch in der Geoinformatik an Bedeutung. Dies wirft die Frage auf, wie und ob diese heterogenen Daten samt des unterschiedlichen Informationsgehalts für maschinelle Lernverfahren verwendet werden können. Ein existierender Ansatz ist die Idee des Location Encodings. Nachdem die Relevanz der Thematik verdeutlicht wurde, wird der Pitch Möglichkeiten aufzeigen, um verschiedener Datenquellen innerhalb eines Location Encoders durch selbstüberwachte Lernverfahren zu kombinieren und ob diese Ansätze für die Zukunft vielversprechend sind.

Satellitengravimetrische Beobachtungen, wie sie von den Missionen GRACE und GRACE-FO geliefert werden, haben unser Verständnis des globalen Wasserkreislaufs unter dem Einfluss des Klimawandels revolutioniert. Allerdings ist der verfügbare Zeitraum von etwas mehr als 20 Jahren noch relativ kurz, um langfristige klimabezogene Signale wie Trends oder Veränderungen in der Häufigkeit extremer Ereignisse zu isolieren, da die Zeitreihen der Wasserspeicherung möglicherweise noch durch dominante interannuelle (natürliche) Schwankungen überlagert werden. Daher wurden in den letzten Jahren mehrere Ansätze eingeführt, um die GRACE/-FO-Datenaufzeichnungen in die Vergangenheit zu erweitern, indem zusätzliche Datensätze und innovative Methoden, z. B. auf der Grundlage von Machine-Learning-Ansätzen, genutzt wurden. In dieser Studie präsentieren wir eine Rekonstruktion der terrestrischen Wasserspeicherung, die von GRACE (TWS) beobachtet wurde, unter Verwendung eines modifizierten räumlich-zeitlichen graphischen neuronalen Netzwerks, das speziell für multivariate Zeitreihen entwickelt wurde (Wu et. al 2020). Zu den Eingabemerkmalen gehören mehrere Klima- und hydrologische Variablen aus der ERA5-Reanalyse, wie Niederschlag, Evapotranspiration und Abfluss. Die Modellarchitektur kombiniert Graph-Faltungsmodule zur Erfassung räumlicher Abhängigkeiten und zeitliche Faltungsmodule zum Erlernen zeitlicher Muster. Eine speziell entwickelte Adjazenzmatrix kodiert die Beziehungen zwischen Regionen auf der Grundlage sowohl der geografischen Entfernung als auch der Ähnlichkeit in den historischen Zeitreihen. Im Gegensatz zu herkömmlichen Deep-Learning-Ansätzen, die auf großen Eingabematrizen basieren, nutzt unsere Methode die inhärente Effizienz graphbasierter Datenstrukturen, indem sie Zeitreihendaten für jedes Merkmal innerhalb einzelner Knoten explizit kodiert.