Other language confidence: 0.6081209147198122
In vielerlei Hinsicht besitzt Maschinelles Lernen (ML) großes Potential für die Erreichung der Pariser Nachhaltigkeitsziele. Insbesondere Supervised Machine Learning erfordert jedoch die Aufbereitung von Rohdaten in Form von Annotationen und die damit verbundene Zusammenstellung von nutzbaren Datensätzen. Dieser Prozess ist, vor allem mit Blick auf manuelle Annotationen großer und komplexer Datenmengen, besonders zeit- und arbeitsintensiv und kreiert häufig eine Lücke zwischen verfügbaren Rohdaten und der tatsächlichen Anwendung. Das Projekt LabelledGreenData4All untersucht die strategische Bedeutung annotierter Umweltdaten für den Einsatz von ML und Künstlicher Intelligenz (KI) zur Bewältigung gesellschafts- und umweltpolitischer Herausforderungen. Ziel ist es, Anwendungsbereiche mit hohem Potenzial für ML-Modelle zu identifizieren, den ML-Einsatz hinsichtlich seiner Wirkungen zu bewerten, daraus strategische und politische Empfehlungen für die sektorübergreifende Bereitstellung von (annotierten) Umweltdaten als Grundlage für künftige Fördermaßnahmen abzuleiten sowie ein Vorgehensmodell zur effizienten Datenannotation insbesondere bei wenigen verfügbaren annotierten Daten zu entwickeln und anhand von zwei Use Cases zu prototypisieren. Dabei leistet das Vorhaben einen wichtigen Beitrag zur Zurverfügungstellung von qualitativ hochwertigen Umweltdaten bzw. umweltrelevanten Daten nach den 'FAIR'- Prinzipien, um moderne Verfahren des maschinellen Lernens besser sowohl für Belange des Umweltressorts als auch für Akteure aus Forschung, Wirtschaft/Industrie sowie der Zivilgesellschaft nutzbar zu machen. Der datenzentrierte Ansatz ergänzt hierbei die bereits laufenden Bereitstellungsmaßnahmen von Umweltdaten (z. B. zentrales Portal für Umwelt- und Naturschutzinformationen umwelt.info, Green Deal Dataspace und ChatClimate / ClimateBert). Mit dem Anwendungslabor für Künstliche Intelligenz und Big Data im Umweltbundesamt (KI-Lab) besitzt das Umweltressort zudem ein Eigeninteresse an der Aufbereitung von Umweltdaten für Verfahren des maschinellen Lernens, um zukunftsorientierte, digitale Technologien wirksam und wertschöpfend sowie mit direktem Nachhaltigkeitsbezug und im Sinne einer sozial-ökologischen Transformation für die Aufgabenwahrnehmung einsetzen zu können. Damit soll das Vorhaben insgesamt helfen, die besonderen Potenziale von KI im Umweltbereich zu entfalten und Lücken zwischen technisch notwendigen Grundlagen und Anwendungsbereichen für den Umwelt- und Ressourcenschutz zu schließen.
In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.
Weltweit beeinflusst der Klimawandel eine Vielzahl von Faktoren die Erkrankungen begünstigen, insbesondere in Subsahara-Afrika. Jedoch haben sich nur wenige empirische Studien auf die Auswirkungen des Klimawandels, sowie auf Anpassungsstrategien und entsprechende Interventionen im ressourcenarmen Kotext in Subsahara-Afrika konzentriert. Ein Hauptgrund für diesen Mangel an Studien und wissenschaftlichen Ergebnissen ist, dass die Forschungsinfrastrukturen, die die Gesundheitsforschung in afrikanischen Ländern südlich der Sahara unterstützen - insbesondere innerhalb der HDSS -, es bisher nicht erlauben, viele der dringlichsten Forschungsfragen in Bezug auf Klimawandel und Gesundheit zu untersuchen. In der ersten Phase des Projektes konnten wir neue Erkenntnisse schaffen dahingehend wie ein HDSS erweitert und aufgebaut werden kann um Forschung im Bereich Klimawandel und Gesundheit ebenso selbstverständlich und produktiv durchzuführen wie es bereits für andere empirische Populationsforschung möglich ist. Unser erster methodischer Ansatz begleitet die Übersetzung unserer Machbarkeitsstudie der ersten Projektphase in einen populations-basierten Ansatz - diese Komponente ist begleitet durch einen Mixed-Methods-Ansatz. Dabei werden Erkenntnisse zu Prozessen und Erfahrungen aus verschiedenen Quellen ("technologische Tagebücher", Interviews und HDSS-Routinedaten) gesammelt, die uns helfen die besten Ansätze für klimarelevante Gesundheitsforschung zu finden. Darüber hinaus möchten wir die Performanz einer langzeitig Datensammlung evaluieren, und diese Kohorte, die mit neuen individuellen Sensoren ausgestattet sind erforschen hinsichtlich Hitzestress, den wir mit den Wearable-gemessenen Variablen messen (Herzfrequenz, Lungenfunktion, Aktivität, Schlafdauer). Wir werden weiterhin Forschungsergebnisse zu Klimawandel und Gesundheit in Informationen umsetzen, die politischen Entscheidungsträgern und der breiten Öffentlichkeit zur Verfügung stehen, indem wir Dashboards entwickeln, die die Auswirkungen des Klimawandels und der Gesundheit in gefährdeten Bevölkerungsgruppen visualisieren. Diese Dateninfrastruktur, die wir so aus bestehenden HDSS schaffen, kann nun auch überführt in graph-basierte Datenbanken „Big Data“-Analysen ermöglichen, und uns erlauben Methoden der künstlichen Intelligenz anzuwenden. HDSS-Daten können somit wichtige Erkenntnisse liefern, um die Wissenslücke zu schließen und neue Lösungen für einige der kritischsten Klima- und Gesundheitsprioritäten Afrikas zu finden. Zusätzlich zu diesen beschriebenen Studien, liefert das Projekt CP1 zentrale Beiträge zu allen anderen Projekten dieser Forschungsgruppe.
Die Klimakrise verändert zunehmend die räumliche und zeitliche Verfügbarkeit von Grundwasser, der wichtigsten globalen Süßwasserressource. Das quantitative Verständnis der Interaktion von Grundwasser und Klima, vor allem auf nationaler und kontinentaler Skala, ist wichtig für ein optimal angepasstes Grundwassermanagement. Bisher ist das Wissen über die großskalige Sensitivität der Grundwasserressourcen auf den Klimawandel jedoch sehr limitiert. Das Ziel des hier vorgestellten Projektes ist die Erforschung der Auswirkungen des Klimawandels und der damit einhergehenden Umweltveränderungen auf den quantitativen Zustand von Grundwasserressourcen auf national-kontinentaler Skala. Etablierte prozessbasierte Modelle (PBMs) zur hydro(geo)logischen Modellierung auf großer Skala (meist „Global Hydrological Models“ - GHMs) sind starke Vereinfachungen der Realität und unterliegen daher deutlichen Limitationen und Unsicherheiten. Im Gegensatz zu anderen PBMs, weisen GHMs daher begrenzte physikalische Konsistenz und Interpretierbarkeit auf und ihre Anwendung kann zu irreführenden Schlussfolgerungen über die Verfügbarkeit von Grundwasser vor dem Hintergrund des Klimawandels führen. Vor allem die Übertragbarkeit auf datenarme Regionen ist nur eingeschränkt möglich. In den letzten Jahren haben sich Deep Learning (DL) Modelle als präziser und leicht übertragbarer alternativer Ansatz in der Modellierung von Wasserressourcen etabliert. Für die Modellierung von Oberflächengewässern wurde zudem gezeigt, dass DL auch spezialisierte PBMs übertreffen kann. Das vorgeschlagene Projekt möchte sich die gewonnenen Erkenntnisse zunutze machen und ein DL-Modell zur Untersuchung der Sensitivität von Grundwasser auf den Klimawandel auf kontinentaler Skala aufbauen. Hierfür wird ein „big data“ Ansatz gewählt, der Daten von >2200 Einzugsgebieten in Nordamerika nutzt (Erweiterung denkbar). Ein solches Modell kann lernen, Wissen über verschiedene Regionen zu transferieren, gewinnt somit stark an Generalisierungsfähigkeit (z.B. auf datenarme Regionen) und schlussendlich an Vertrauenswürdigkeit. Weiterhin soll das Problem von fehlenden, interpretierbaren und physikalisch konsistenten Modellen im nationalen Maßstab angegangen werden, indem physikalisches Wissen und Prozesse in die DL-Modelle eingebaut werden. Durch diese Ansätze soll ein plausibles, interpretierbares und vor allem vertrauenswürdiges Modell entstehen, welches sich zur Untersuchung von Klimawandelszenarien eignet. Die genannten Aspekte sind hierbei besonders kritisch, da für Zeiträume in der Zukunft keine Validierung möglich ist. Das entwickelte Modell dient anschließend der Beantwortung der übergeordneten Fragestellung, und die Auswirkungen des Klimawandels auf die Grundwasserressourcen werden anhand der Daten von Klimamodellen auf Basis von RCP bzw. SSP Szenarien untersucht. Weiterhin werden spezialisierte Untersuchungen (Szenarien) zum Einfluss einzelner Einflussfaktoren (z.B. Landnutzung) durchgeführt.
Die Wälder in Mitteleuropa sind drastischen Veränderungen unterworfen, die sich in (1) allmählichen Veränderungen der Standortbedingungen (veränderte Niederschlags- und Temperaturmuster, atmosphärische Einflüsse) und (2) einer zunehmenden Zahl abiotischer und biotischer Katastrophen manifestieren. Die Waldforschung sucht nach Möglichkeiten, wie auf diese beispiellosen Herausforderungen reagiert und das Wald- und Ökosystem-Management angepasst werden kann. Genaue und zeitnahe Informationen über den Zustand und die Veränderungen der Wälder sind eine unabdingbare Voraussetzung für eine solche Anpassung. Allerdings gibt es vielfältige methodische Fragen zum großflächigen Monitoring einzelner Bäume, für die immer mehr hochauflösende Fernerkundungsbilder zur Verfügung stehen und entsprechende Analysemöglichkeiten bieten.Die großen Datenmengen, die bei der Arbeit mit hochauflösenden Bildern auf größeren Flächen anfallen, lassen herkömmliche Klassifizierungsansätze scheitern. In diesem Projekt wer-den wir Techniken des "Deep Learning" insbesondere faltungsbasierte neuronale Netze für das großflächige Waldmonitoring adaptieren und anwenden, um gleichzeitig (1) einzelne Bäume zu identifizieren und (2) ihre Art zu bestimmen. Bisher wird dies üblicherweise in zwei Schritten mit zwei verschiedenen Fernerkundungsdatenquellen durchgeführt. Wir planen, mit nur einer Datenquelle zu arbeiten: hochauflösende optische Bilder, ohne die Notwendigkeit, zunächst Lidar-Daten zu analysieren, die für größere Gebiete kostspielig sind. Aus eigenen und zusätzlichen optischen Bilddatensätzen sowie umfangreichen Referenzdaten werden wir (1) einen großen Datensatz umklassifizierter Bilder und (2) einen annotierten Trainingsdatensatz zu Baumarten für mitteleuropäische Baumarten erstellen. Dieser kann nach und nach erweitert werden und anderen Forscherteams als Grundlage für weitere Deep-Learning-Anwendungen in der Forstwirtschaft zur Verfügung gestellt werden. Wir werden einen Methoden-Werkzeugkasten für die großflächige Kartierung einzelner Baumarten entwickeln, der bei Verfügbarkeit der entsprechenden Bilder auf ganze Länder angewandt werden kann.Wir bündeln in diesem Antrag die Expertise aus den Bereichen Waldmonitoring (PI Kleinn) und Datenwissenschaften (PI Ecker) und reagieren auf aktuelle Politiken von BMEL (Waldzu-standsüberwachung) und BMBF (Förderung von Anwendungen der künstlichen Intelligenz).Unsere Forschung wird die methodischen Grundlagen für effizientere Monitoringsysteme weiter entwickeln und damit zur Anpassung der Waldökosystembewirtschaftung an den Klimawandel beitragen; sie schafft ein Beispiel für die Anwendung von Deep Learning für das großräumige Waldmonitoring.
In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.
In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.
In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.
| Organisation | Count |
|---|---|
| Bund | 63 |
| Wirtschaft | 3 |
| Wissenschaft | 19 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Daten und Messstellen | 1 |
| Förderprogramm | 57 |
| Text | 4 |
| unbekannt | 2 |
| License | Count |
|---|---|
| Geschlossen | 6 |
| Offen | 58 |
| Language | Count |
|---|---|
| Deutsch | 59 |
| Englisch | 25 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Bild | 1 |
| Dokument | 3 |
| Keine | 47 |
| Unbekannt | 1 |
| Webseite | 15 |
| Topic | Count |
|---|---|
| Boden | 34 |
| Lebewesen und Lebensräume | 35 |
| Luft | 19 |
| Mensch und Umwelt | 62 |
| Wasser | 9 |
| Weitere | 64 |