Erprobung und Implementierung von Machine Learning Methoden in Fachverfahren des UBA

Description: Sowohl Maschinelles Lernen (ML) als auch das sogenannte Deep Learning (DL) eröffnen neue Möglichkeiten in der automatischen Datenverarbeitung, der Bildanalyse, der Prozessoptimierung und dem Datenmanagement. Die Anwendungsmöglichkeiten von ML & DL steigen mit fortschreitendem Digitalisierungsgrad weiter an, was auch durch die Umsetzungsstrategie Digitalisierung des Bundes aktiv unterstützt wird. Ziel dieses Projektes ist es, Prozessabläufe im UBA in Bezug auf die Anwendung von ML- und DL-Algorithmen hin zu untersuchen, um unterstützend zu wirken und neue Datenprodukte für die Aufgabenbewältigung im UBA zu generieren. Konkret soll untersucht und erprobt werden, wie ML/DL: a) Informationsplattformen (User Interfaces) zielgenauer und nutzungsspezifischer durchsucht werden können (z. B. flexible Suchalgorithmen, Chat Bots), b) entscheidungsbasierte Prozesse, durch intelligente Klassifizierung bzw. Clustering, unterstützt werden können (z. B. Text Mining, Tagging/automatische Keyword Vergabe) c) die Datenqualität verbessert werden kann (z. B. Data Cleaning mit Deep Learning Verfahren) d) die Datenbasis des UBA erweitert werden und konkrete Informationen (zeitnaher/Up-to-Date) automatisiert aus Satellitenfernerkundungsdiensten (z. B. Bildanalysen) ableitbar sind. Ein bereits identifizierter konkreter Anwendungsfall für ML-/DL-Methoden ist die Umweltforschungsdatenbank. Hier soll untersucht werden ob Text Mining Methoden in der Lage sind neu einzupflegende Projektbeschreibungen semantisch zu klassifizieren und selbständig zu entscheiden ob neue Projekte umweltrelevante Themen beinhalten. Für umweltrelevante Projekte werden automatisch Schlüsselwörter generiert. Des Weiteren soll für die Weiterentwicklung des Semantischer Netzwerk Service untersucht werden inwieweit Deep Learning Verfahren in der Lage sind das Umweltwortgut des Umweltthesaurus zu verstehen, Begriffe untereinander zu vernetzen bzw. Beziehungen herzustellen.

SupportProgram

Origins: /Bund/UBA/UFORDAT

Tags: Bildverarbeitung ? Datenverarbeitung ? Künstliche Intelligenz ? Datenmanagement ? Umweltforschungsdatenbank ?

Region: Baden-Württemberg

Bounding boxes: 9° .. 9° x 48.5° .. 48.5°

License: cc-by-nc-nd/4.0

Language: Deutsch

Organisations

• Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit (BMUKN) / Umweltbundesamt (UBA) (Geldgeber*in)
• Horváth & Partner GmbH (Betreiber*in)
• Umweltbundesamt (Bereitsteller*in)

Time ranges: 2021-03-01 - 2023-02-28

Alternatives

• Language: Englisch/English
  Title: Testing and implementation of machine learning methods in UBA operations
  Description: Both machine learning (ML) and so-called deep learning (DL) open up new possibilities in automatic data processing, image analysis, process optimization and data management. The application possibilities of ML & DL continue to increase as the level of digitization progresses, which is also actively supported by the federal government's digitization implementation strategy. The goal of this project is to investigate in-house process workflows with regard to the application of ML and DL algorithms in order to provide support and generate new data products for task management at UBA. Specifically, we will investigate and test how ML & DL: (a) information platforms can be searched in a more targeted and user-specific manner (e.g., flexible search algorithms, chat bots), b) decision-based processes can be supported by intelligent classification or clustering (e.g. text mining, tagging/automatic keyword assignment) c) the data quality can be improved (e.g. data cleaning with deep learning methods) d) the UBA database can be expanded and concrete information (more timely/up-to date) can be derived automatically from satellite remote sensing services (e.g., image analysis). An already identified concrete use case for ML & DL methods is the environmental research database. Here we will investigate whether text mining methods are able to semantically classify new project descriptions and to decide independently whether new projects contain environmentally relevant topics. For environmentally relevant projects keywords will be generated automatically. Furthermore, for the further development of the semantic network service, it will be investigated to what extent Deep Learning methods are able to understand the environmental vocabulary of the environmental thesaurus, to link terms with each other and to establish relationships. https://ufordat.uba.de/UFORDAT/pages/PublicRedirect.aspx?TYP=PR&DSNR=1085213

Status

Aktiv

Quality score

• Overall: 0.49
• Findability: 0.61

  • Title: 0.36
  • Description: 0.32
  • Identifier: false
  • Keywords: 1.00
  • Spatial: RegionIdentified (1.00)
  • Temporal: true
• Accessibility: 0.67

  • Landing page: Specific (1.00)
  • Direct access: false
  • Publicly accessible: true
• Interoperability: 0.00

  • Open file format: false
  • Media type: false
  • Machine-readable metadata: false
  • Machine-readable data: false
• Reusability: 0.67

  • License: ClearlySpecifiedAndFree (1.00)
  • Contact info: false
  • Publisher info: true

Accessed 1 times.