Web Feature Service (WFS) zum Thema Wettbewerbe in Hamburg.
Zur genaueren Beschreibung der Daten und Datenverantwortung nutzen Sie bitte den
Verweis zur Datensatzbeschreibung.
The pattern of plant nutrient uptake in a soil profile is the result of complex processes occurring at the cellular or sub-cellular levels but affecting the whole-plant behaviour in function of the plant environment that varies strongly in time and space. The plant nutrient acquisition depends on root architecture and growth, on soil properties and heterogeneity, and on the 3-D distribution of nutrients and water. Equally important is how these parameters interact, as for instance how the nutrient distribution and soil properties and heterogeneity impact root growth or how nutrient and water limitation affect assimilate allocation. Mathematical modelling using a spatial resolution that resolves the spatial structure of the root structure and the nutrient and water distribution is therefore needed to quantitatively account for these complex and interacting processes and to predict plant nutrient uptake behaviour under environmental constraints. The main goal of the project is to build a modelling platform able to describe 3-D flow and transport processes in the soil to individual roots of an entire root system (WP1). Model parameters will be derived from specific experiments performed at the plant scale in the research group (WP3) and stored in a specific data warehouse (WP2). The impact of different parameters, which describe root growth and nutrient uptake at the single root scale, on nutrient uptake at the soil profile scale, will be investigated based on scenario analyses (WP4). Data on water and nutrient uptake and root growth from plant and field scale experiments will be compared with model predictions to validate the model. Simulations with the 3-D root scale model will be used to validate hypotheses and parameterizations of larger scale 1-D models that do not describe processes at the scale of individual roots (WP5 and SP10).
Das Buch stellt in der Art eines Kompendiums 158 Objekte vor, die als Auswahl einen Überblick über Architektur und Städtebau im Saarland der Nachkriegszeit erlauben.
Die Architektur des Wurzelsystems von Mais hat sich während der Domestizierung und Verbesserung durch eine Kombination aus landwirtschaftlicher Selektion und Umweltanpassungen rund um den Globus erheblich verändert. Das Mikrobiom, das die Rhizosphäre um die Pflanzenwurzeln herum besiedelt, spielt eine wichtige Rolle bei der Förderung der Stresstoleranz von Pflanzen. In der ersten Förderperiode dieses Projekts haben wir nachgewiesen, dass die Anzahl der Seminalwurzeln während der Domestizierung von Mais zugenommen hat, gefolgt von einem Rückgang bei lokal angepassten Sorten in Regionen mit begrenzter Wasserverfügbarkeit. Umwelt-, genetische und genomische Analysen ergaben frühere Signaturen der Domestizierung und Anpassung von Maiswurzeln und zeigten das genetische Potenzial zur Verbesserung der Trockentoleranz künftiger Nutzpflanzen auf. In der zweiten Förderperiode verfolgen wir zwei übergeordnete Ziele. Erstens soll ein tieferes Verständnis der genetischen und molekularen Grundlagen der systemischen Modulation der Wurzelmorphologie und -anatomie durch Seminalwurzeln gewonnen werden, um eine bessere Anpassung an die begrenzte Wasserverfügbarkeit zu erreichen. Zu diesem Zweck werden wir die komplexe Pflanzenreaktion auf Trockenstress und die mit diesen Merkmalen assoziierten Gene identifizieren, die an der Architektur des Wurzelsystems als Reaktion auf Trockenheit beteiligt sind. Zweitens wollen wir die genetische Rolle des Wirts bei der Zusammensetzung der mikrobiellen Gemeinschaft des von den Wurzelmerkmalen abhängigen nützlichen Mikrobioms der Rhizosphäre verstehen, um die Widerstandsfähigkeit von Mais gegen Trockenheit zu verbessern. In diesem Zusammenhang werden wir systematisch untersuchen, wie sich die genetische Variation des Wirts und die Genregulation auf die Zusammensetzung des Mikrobioms der Rhizosphäre und auf die Produktivität von Mais und die Widerstandsfähigkeit gegen Trockenheit auswirkt. Schließlich werden wir repräsentative Schlüsselgene und Schlüsselmikroben durch reverse Genetik und synthetische mikrobielle Gemeinschaften funktionell validieren. Diese Ergebnisse werden den Weg für eine verbesserte Pflanzenzüchtung und die Nutzung mikrobieller Ressourcen ebnen, um die künftige Nahrungsmittelproduktion und eine effiziente Ressourcennutzung in der Landwirtschaft zu sichern.
Das Projekt KI-RAM liefert Beiträge zur Reduzierung von verkehrsbedingten Mikroplastikemissionen durch Reifenabrieb. Ein auf Abrieb fokussierter Digitaler Zwilling von Nutzfahrzeugreifen wird erstellt. Mittels KI-basierter Analyse von Inline-Abriebsensor-Daten werden Haupteinflussfaktoren identifiziert, Restlaufzeitprognosen & ein Reifenranking realisiert, sowie Strategien zur Abriebvermeidung erarbeitet. Für DENKweit bestehen die folgenden wissenschaftlich-technischen Teilziele: Es soll ein Trainings- und Referenzdatensatz von Thermographieaufnahmen an Reifen aufgebaut werden, der als Grundlage für die Entwicklung von KI-basierten Auswertemethoden dient. Für die KI-basierte Analyse der IR-Reifendaten sollen verschiedene Netzarchitekturen hinsichtlich ihres Klassifizierungserfolges entwickelt und verglichen werden. Dazu gehören Objektdetektionsnetzwerke, Klassifizierungsnetzwerke und Anomaliedetektionsnetzwerke. Der Klassifizierungserfolg der einzelnen Architekturen als auch von Kombinationen der Netzwerke soll untersucht werden. Nachgeschaltet zu den neuronalen Netzwerken sind die gefundenen spezifischen Merkmale hinsichtlich Eigenschaften wie Fläche oder Temperaturbereich zu kategorisieren und gegebenenfalls in Defektkategorien einzuteilen. Die neuronalen Netze sollen so erweitert werden, dass externe Daten wie Abriebindikatoren beim Training berücksichtigt werden können. Das bezieht sich zum einen auf das Training der neuronalen Netze, zum anderen auf die nachgelagerte Verarbeitung der Netzergebnisse, um auch hier Wechselwirkungen mit den zusätzlichen Daten zu ermöglichen und statistische Auswertungen (Korrelationsanalysen, etc.) betreiben zu können. Experimentelle Validierung der Netze mit Messdaten des Abriebsensors erlauben es, die durch die KI ausgewerteten IR-Daten mit und ohne Kombination mit den Daten des Abriebsensors Aussagen über Haupteinflussfaktoren, Restlaufzeiten zutreffen und ein Reifenranking vorzunehmen.