Personenprofil

Default Avatar

Dr. Karin Mora

Wiss. Mitarbeiterin

Umweltdatenwissenschaften und Fernerkundung
Institutsgebäude
Talstraße 35, Raum 2-09
04103 Leipzig

E-Mail Schreiben
Webseite

Kurzprofil

Mein Ziel ist es, raumzeitliche Dynamiken, insbesondere in ökologischen Systemen, aufzudecken, zu erklären und vorherzusagen. Ich wende eine Reihe von Modellierungsansätzen an, die von Differentialgleichungen bis hin zu maschinellem Lernen reichen, um tiefgreifende Einblicke in diese komplexen Systeme zu gewinnen. Mein oberstes Ziel ist es, die Entstehung komplexer Verhaltensweisen in solchen Systemen nicht nur zu charakterisieren und zu quantifizieren, sondern auch zu erklären. Derzeit konzentriert sich mein Hauptprojekt auf die Kombination von Datenwissenschaft und die Theorie von dynamischen Systemen, um komplexe Wechselwirkungen zwischen Biodiversität und Klimawandel aufzudecken. Es wird durch den vorgeschlagenen Exzellenzcluster Breathing Nature (https://www.uni-leipzig.de/en/research/excellence-in-research/breathing-nature) gefördert.


Projekte

* Co-PI DeepFeatures, ESA AI4Science, 2024-2026

* Co-PI DeepExtremes, ESA AI4Science, 2022-2024


https://rsc4earth.de/authors/kmora/

Berufliche Laufbahn

  • seit 12/2020
    Postdoctoral Researcher, AG Modellierungsverfahren in der Fernerkundung beim Fernerkundungszentrum (RSC4Earth) und German Centre for Integrative Biodiversity Research (iDiv, Leipzig)
  • 05/2015 - 03/2019
    Postdoctoral Researcher, Universität Paderborn
  • 05/2014 - 04/2015
    Postdoctoral Research Fellow, Technion - Israel Institute of Technology (Israel)

Ausbildung

  • 01/2010 - 04/2014
    Doctor of Philosophy (Applied Mathematics), University of Bath (Vereinigtes Königreich)
  • 10/2008 - 12/2009
    Graduate School, University of Bath (Vereinigtes Königreich)
  • 09/2004 - 07/2008
    Master of Mathematics, University of Reading (Vereinigtes Königreich)

  • nonlinear dynamics
  • complexity
  • time series analysis
  • data science, machine learning
  • mathematical ecology, biodiversity, phenology
  • land-atmosphere interactions


  • Extraktion raum-zeitlicher makroökologischer Muster unter Verwendung von Pflanzenvorkommensdaten, die über Flora Incognita gesammelt wurden (Flexpool)
    Mahecha, Miguel
    Laufzeit: 10.2020 – 09.2022
    Mittelgeber: DFG Deutsche Forschungsgemeinschaft
    Beteiligte Organisationseinheiten der UL: Umweltdatenwissenschaften und Fernerkundung
    Details ansehen

weitere Forschungsprojekte

  • Mahecha, M.; Bastos, A.; Bohn, F. J. et al.
    Biodiversity and climate extremes: known interactions and research gaps
    Earth's Future. 2024. 12 (6).
    DOI: https://doi.org/10.1029/2023EF003963
    Details ansehen
  • Gaidai, R.; Goelz, C.; Mora, K.; Rudisch, J.; Reuter, E.-M.; Godde, B.; Reinsberger, C.; Voelcker-Rehage, C.; Vieluf, S.
    Classification characteristics of fine motor experts based on electroencephalographic and force tracking data
    Brain research. 2022.
    DOI: 10.1016/j.brainres.2022.148001
    Details ansehen
  • Wolf, S.; Mahecha, M.; Sabatini, F. M.; Wirth, C.; Bruelheide, H.; Kattge, J.; Moreno-Martínez, Á.; Mora, K.; Kattenborn, T. J.
    Citizen science plant observations encode global trait patterns
    Nature Ecology & Evolution. 2022.
    DOI: 10.1038/s41559-022-01904-x
    Details ansehen
  • Martinuzzi, F.; Rackauckas, C.; Abdelrehim, A.; Mahecha, M.; Mora, K.
    ReservoirComputing. jl: An Efficient and Modular Library for Reservoir Computing Models
    Journal of Machine Learning Research. 2022.
    Details ansehen
  • Goelz, C.; Mora, K.; Rudisch, J.; Gaidai, R.; Reuter, E.-M.; Godde, B.; Reinsberger, C.; Voelcker-Rehage, C.; Vieluf, S.
    Classification of visuomotor tasks based on electroencephalographic data depends on age-related differences in brain activity patterns
    Neural networks. 2021. S. 363–374.
    DOI: 10.1016/j.neunet.2021.04.029
    Details ansehen

weitere Publikationen

  • 12-GEO-M-AG01 Introduction to Data Science

    • Modul im Masterstudiengang: Earth System Data Science and Remote Sensing
    • mathematische Grundlagen in Data Science