- Künstliche neuronale Netze

M.Sc. Andreas Wunsch
- Raum: 030
- Tel.: +49 721 608-41969
- Fax: +49 721 608-47603
- andreas wunsch ∂does-not-exist.kit edu
Veröffentlichungen
2022
Deep learning shows declining groundwater levels in Germany until 2100 due to climate change
Wunsch, A.; Liesch, T.; Broda, S.
2022. Nature Communications, 13 (1), Artikel-Nr.: 1221. doi:10.1038/s41467-022-28770-2
Wunsch, A.; Liesch, T.; Broda, S.
2022. Nature Communications, 13 (1), Artikel-Nr.: 1221. doi:10.1038/s41467-022-28770-2
2021
Using Convolutional Neural Networks To Evaluate Long‐Term Groundwater Trends In Germany
Wunsch, A.; Broda, S.; Liesch, T.
2021, September 9. 48th IAH Congress (2021), Brüssel, Belgien, 6.–10. September 2021
Wunsch, A.; Broda, S.; Liesch, T.
2021, September 9. 48th IAH Congress (2021), Brüssel, Belgien, 6.–10. September 2021
Deep Learning based assessment of groundwater level development in Germany until 2100
Wunsch, A.; Liesch, T.; Broda, S.
2021, April 30. vEGU21 (2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-9590
Wunsch, A.; Liesch, T.; Broda, S.
2021, April 30. vEGU21 (2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-9590
Modeling the discharge behavior of an alpine karst spring influenced by seasonal snow accumulation and melting based on a deep-learning approach
Liesch, T.; Wunsch, A.; Chen, Z.; Golscheider, N.
2021, April 29. vEGU21 (2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-12181
Liesch, T.; Wunsch, A.; Chen, Z.; Golscheider, N.
2021, April 29. vEGU21 (2021), Online, 19.–30. April 2021. doi:10.5194/egusphere-egu21-12181
Groundwater level forecasting with artificial neural networks: A comparison of long short-term memory (LSTM), convolutional neural networks (CNNs), and non-linear autoregressive networks with exogenous input (NARX)
Wunsch, A.; Liesch, T.; Broda, S.
2021. Hydrology and Earth System Sciences, 25 (3), 1671–1687. doi:10.5194/hess-25-1671-2021
Wunsch, A.; Liesch, T.; Broda, S.
2021. Hydrology and Earth System Sciences, 25 (3), 1671–1687. doi:10.5194/hess-25-1671-2021
Feature-based Groundwater Hydrograph Clustering Using Unsupervised Self-Organizing Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2021. Water Resources Management, 36, 39–54. doi:10.1007/s11269-021-03006-y
Wunsch, A.; Liesch, T.; Broda, S.
2021. Water Resources Management, 36, 39–54. doi:10.1007/s11269-021-03006-y
Karst modelling challenge 1: Results of hydrological modelling
Jeannin, P.-Y.; Artigue, G.; Butscher, C.; Chang, Y.; Charlier, J.-B.; Duran, L.; Gill, L.; Hartmann, A.; Johannet, A.; Jourde, H.; Kavousi, A.; Liesch, T.; Liu, Y.; Lüthi, M.; Malard, A.; Mazzilli, N.; Pardo-Igúzquiza, E.; Thiéry, D.; Reimann, T.; Schuler, P.; Wöhling, T.; Wunsch, A.
2021. Journal of hydrology, 600, 126508. doi:10.1016/j.jhydrol.2021.126508
Jeannin, P.-Y.; Artigue, G.; Butscher, C.; Chang, Y.; Charlier, J.-B.; Duran, L.; Gill, L.; Hartmann, A.; Johannet, A.; Jourde, H.; Kavousi, A.; Liesch, T.; Liu, Y.; Lüthi, M.; Malard, A.; Mazzilli, N.; Pardo-Igúzquiza, E.; Thiéry, D.; Reimann, T.; Schuler, P.; Wöhling, T.; Wunsch, A.
2021. Journal of hydrology, 600, 126508. doi:10.1016/j.jhydrol.2021.126508
Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R. H. Reussner, 1035–1041, Gesellschaft für Informatik e.V. (GI). doi:10.18420/inf2020_98
Wunsch, A.; Liesch, T.; Broda, S.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R. H. Reussner, 1035–1041, Gesellschaft für Informatik e.V. (GI). doi:10.18420/inf2020_98
Nitrat-Monitoring 4.0 – Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser
Liesch, T.; Bruns, J.; Abecker, A.; Hilbring, D.; Karimanzira, D.; Martin, T.; Wagner, M.; Wunsch, A.; Fischer, T.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R.H. Reussner, 1069–1079, Gesellschaft für Informatik e.V. (GI). doi:10.18420/inf2020_101
Liesch, T.; Bruns, J.; Abecker, A.; Hilbring, D.; Karimanzira, D.; Martin, T.; Wagner, M.; Wunsch, A.; Fischer, T.
2021. INFORMATIK 2020 - Back to the future. Hrsg.: R.H. Reussner, 1069–1079, Gesellschaft für Informatik e.V. (GI). doi:10.18420/inf2020_101
2020
Groundwater Level Forecasting with Artificial Neural Networks: A Comparison of LSTM, CNN and NARX
Wunsch, A.; Liesch, T.; Broda, S.
2020, Dezember 15. 101. AGU Fall Meeting (2020), Online, 1.–17. Dezember 2020
Wunsch, A.; Liesch, T.; Broda, S.
2020, Dezember 15. 101. AGU Fall Meeting (2020), Online, 1.–17. Dezember 2020
Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
Wunsch, A.; Liesch, T.; Broda, S.
2020, Oktober 2. 50. Back to the future. 50. Jahrestagung der Gesellschaft für Informatik (Informatik 2020), Online, 28. September–2. Oktober 2020
Wunsch, A.; Liesch, T.; Broda, S.
2020, Oktober 2. 50. Back to the future. 50. Jahrestagung der Gesellschaft für Informatik (Informatik 2020), Online, 28. September–2. Oktober 2020
Entwicklung und Anwendung von Algorithmen zur Berechnung von Grundwasserständen an Referenzmessstellen auf Basis der Methode Künstlicher Neuronaler Netze : Abschlussbericht
Wunsch, A.; Liesch, T.
2020. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000136522
Wunsch, A.; Liesch, T.
2020. Karlsruher Institut für Technologie (KIT). doi:10.5445/IR/1000136522
2019
Uncover Similarities of Groundwater Dynamics with Machine Learning based Hydrograph Clustering (Oral Talk IN43A-07)
Wunsch, A.; Liesch, T.; Broda, S.
2019, Dezember 12. Fall Meeting (AGU 100 2019), San Francisco, CA, USA, 9.–13. Dezember 2019
Wunsch, A.; Liesch, T.; Broda, S.
2019, Dezember 12. Fall Meeting (AGU 100 2019), San Francisco, CA, USA, 9.–13. Dezember 2019
Aquifer responses to long-term climatic periodicities
Liesch, T.; Wunsch, A.
2019. Journal of hydrology, 572, 226–242. doi:10.1016/j.jhydrol.2019.02.060
Liesch, T.; Wunsch, A.
2019. Journal of hydrology, 572, 226–242. doi:10.1016/j.jhydrol.2019.02.060
2018
Forecasting groundwater levels using nonlinear autoregressive networks with exogenous input (NARX)
Wunsch, A.; Liesch, T.; Broda, S.
2018. Journal of hydrology, 567, 743–758. doi:10.1016/J.JHYDROL.2018.01.045
Wunsch, A.; Liesch, T.; Broda, S.
2018. Journal of hydrology, 567, 743–758. doi:10.1016/J.JHYDROL.2018.01.045
Wochen-, Monats- und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen
Broda, S.; Wunsch, A.; Liesch, T.; Reichling, J.
2018, März 22. 26. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen - Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e.V. (2018), Bochum, Deutschland, 21.–24. März 2018
Broda, S.; Wunsch, A.; Liesch, T.; Reichling, J.
2018, März 22. 26. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen - Tagung der Fachsektion Hydrogeologie e. V. in der DGGV e.V. (2018), Bochum, Deutschland, 21.–24. März 2018
Wochen-, Monats-und Jahreszeitenvorhersage von Grundwasserständen mit künstlichen neuronalen Netzen
Broda, S.; Wunsch, A.; Liesch, T.
2018. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen, Herausgeber: Banning, A. W.; Frank, S.; Kaufmann-Knoke, R.; Niedermayr, A.; Wisotzky, F.; Wohnlich, S., Institut für Geologie
Broda, S.; Wunsch, A.; Liesch, T.
2018. Grundwasser im Umfeld von Bergbau, Energie und urbanen Räumen, Herausgeber: Banning, A. W.; Frank, S.; Kaufmann-Knoke, R.; Niedermayr, A.; Wisotzky, F.; Wohnlich, S., Institut für Geologie