API src

Found 3195 results.

Similar terms

s/cai/AI/gi

Baumartenklassifikation NRW

Klassifikation von Baumartengruppen auf Bestandesebene, basierend auf Sentinel2 - Satellitenaufnahmen Die Klassifikation in die 9 in NRW am häufigsten bzw. bestandesbildend auftretenden Baumartengruppen berücksichtigt folgende Klassen: Eichen (Ei), Buchen (Bu), Buntlaubhölzer (hALH), Weichlaubhölzer (wALN), Pappeln, Kiefern, Lärchen, Fichten und Douglasien (siehe Legende). Die Klassifikation erfolgte durch ein Verfahren künstlicher Intelligenz (rekurrentes neuronales Netzwerk), das anhand von Forsteinrichtungsdaten aus den Waldflächen des landeseigenen Forstbetriebes in NRW trainiert wurde. Das Verfahren wurde im Auftrag des Ministeriums für Landwirtschaft und Verbraucherschutz des Landes NRW (MLV NRW) entwickelt. Zur Erkennung der Baumarten anhand ihrer Phänologie und zur Gewährleistung möglichst wolkenfreier Verhältnisse wurden Zeitreihen von Satellitenaufnahmen aus den Vegetationsperioden zweier Jahre zwischen dem 03.03.2022 und dem 11.07.2023 ausgewertet. Es wurden dafür insgesamt 516 einzelne Szenen ausgewählt und landesweit zu einem wolkenfreien multitemporalen Mosaik zusammengesetzt (https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/sentinel-2/ ). Bedingt durch die räumliche Auflösung der Sentinel2 - Satellitenaufnahmen von ca. 10 m eignet sich diese Kartenebene für eine Betrachtung auf einer Maßstabsebene von bis zu ca. 1:10.000, nicht größer! Die Darstellung berücksichtigt ausschließlich Baumarten in der Hauptschicht und ist nicht vergleichbar mit einer Forsteinrichtungs- oder Forstbetriebskarte. Mischungen von Baumarten sind durch wechselnde Farben auch innerhalb eines Bestandes gekennzeichnet. Die Angaben zu den Blößen basieren insbesondere auf der Aggregierten Kalamitätskarte im Nadelwald (Stand: Sep 2023). Validierung Die Nutzergenauigkeit ist das entscheidende Merkmal für die Zuverlässigkeit der Karteninformation in der fernerkundungsbasierten Baumartenkarte. Die Nutzergenauigkeit beschreibt eine repräsentative Schätzung für die Wahrscheinlichkeit, dass die in der Baumartenkarte dargestellte Karteninformation (Baumartengruppe) an einem Ort mit der Hauptschicht eines dortigen Bestandes übereinstimmt. Die Nutzergenauigkeit ist für jede ausgewiesene thematische Klasse (Baumartengruppe) unterschiedlich und bestimmt sich aus dem Anteil der oben beschriebenen Referenzdaten aus der Forsteinrichtung mit der entsprechenden Baumartengruppe in der Hauptschicht, im Verhältnis zu allen Referenzpunkten in der Validierungsstichprobe, die durch das neuronale Netz in die entsprechende Baumartengruppe klassifiziert wurden. Die Genauigkeiten unterscheiden sich also zwischen den einzelnen Baumarten in Abhängigkeit von der Häufigkeit, mit der die Baumarten in der Forsteinrichtung vertreten sind. Häufig auftretende Baumarten sind für eine künstliche Intelligenz leichter, seltener auftretende Baumarten (z.B. Pappeln, Douglasien) vergleichsweise schwerer zu erkennen. Die Herstellergenauigkeit dient zur Beurteilung der Klassifikationsgüte ausgehend vom Anteil der Referenzdaten in der Validierungsstichprobe mit der entsprechenden Baumartengruppe, die durch das neuronale Netz korrekt dieser Baumartengruppe zugeordnet wurden. Das F-Maß als allgemeines klassenspezifisches Gütemaß wird durch das harmonische Mittel (Durchschnitt) aus Nutzer- und Herstellergenauigkeit gebildet. Die Gesamtgenauigkeit gibt unabhängig von der Klassenzugehörigkeit den Anteil der Referenzpunkte in der Validierungsstichprobe an, der durch das neuronale Netz korrekt klassifiziert wurde. Ein gängiges und weithin anerkanntes Gütemaß ist Cohen’s κ-Koeffizient, der die Übereinstimmung zwischen den Klassenangaben in den Referenzdaten und den Klassifikationen des neuronalen Netzes auf Basis der Validierungsstichprobe beschreibt. In der praktischen Anwendung liegt der Wertebereich des Koeffizienten zwischen 0 und 1, wobei ein Wert von 1 eine völlige Übereinstimmung der Ergebnisse bedeutet, ein Wert von 0 hingegen eine rein zufällige Übereinstimmung ohne erkennbaren Mehrwert einer Entscheidung des neuronalen Netzes. Nutzergenauigkeit (%) Eiche Buche hALH wALN Pappel Kiefer Lärche Fichte Douglasie 93,8 94,7 91,2 89,2 88,8 97,7 95,9 97,1 88,4 Herstellergenauigkeit (%) 91,0 96,0 91,4 92,7 79,0 97,5 90,7 98,0 76,4 F-Maß (%) 92,3 95,4 91,3 90,9 83,6 97,6 93,2 97,6 82,0 Gesamtgenauigkeit: 95,0 % Cohen’s κ-Koeffizient: 0,938 Tabelle 1: Genauigkeitsangaben aus der statistisch unabhängigen Validierung. Die angegebenen Genauigkeiten wurden aus einer statistisch unabhängigen Validierung anhand der Forsteinrichtungsdaten aus den Staatswäldern bestimmt. Dazu wurde das Klassifikationsergebnis in über 15.000 landesweit zufällig ausgewählten Waldbeständen mit der dort ausgewiesenen einheitlichen Baumart in der Hauptschicht verglichen. Dieser Prozess wurde dreimal an jeweils unterschiedlichen Bildelementen wiederholt. Die angegebenen Prozentwerte geben die relative Häufigkeit (statistische Wahrscheinlichkeit) an, mit der das Klassifikationsergebnis und die in der Hauptschicht ausgewiesene Baumart übereinstimmen. Als Voraussetzung für eine unabhängige Validierung gibt es keine Überschneidung zwischen Trainings- und Validierungsdaten (statistische Unabhängigkeit).

KI unterstützte Kommunikationstechnologien zur dynamischen Optimierung von Mobilität und Energiespeichern zur Frequenzstabilisierung und Energieversorgung, Teilvorhaben SachsenEnergie: Bidirektionales Alltagsladen

Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.

KI unterstützte Kommunikationstechnologien zur dynamischen Optimierung von Mobilität und Energiespeichern zur Frequenzstabilisierung und Energieversorgung, Teilvorhaben SachsenNetze: Konzepterstellung Frequenzstabilisierung aus dem Verteilnetz

Das Ökosystem der Stromnetze ist auf dem Weg zu einem dezentralisierten Energieversorgungs- und Verteilungssystem. Haushalte können mit erneuerbaren Energiequellen wie Sonnenkollektoren oder Windgeneratoren, als verteilte Energieressourcen (DERs - Distributed Energy Resources) bezeichnet, unabhängig von den Stromanbietern operieren und Energie zurück an das Hauptnetz verkaufen. Für die Realisierung dieser Transformation des Stromnetzes wird eine kompetente Kommunikationsinfrastruktur benötigt. Die Einführung des Standards 5G in Mobilfunknetze erleichtert die Entwicklung zukünftiger Energieverwaltungslösungen. Weiterhin ermöglichen neue Technologien die Entwicklung intelligenter Algorithmen für die Steuerung zukünftiger Stromnetze. Hierzu gehören das Internet der Dinge (Internet of Things, IoT), Vernetzung über Mesh-Netzwerke zur Fernüberwachung des Netzstatus und die Künstliche Intelligenz (KI) für Management und Koordination. In Dymobat wird ein Single-User-Controller für die Verwaltung der einzelnen DERs entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, Microgrid, entworfen. Im Anschluss werden Mobilitätsalgorithmen für die Nutzung von batterieelektrischen Fahrzeugen als mobile Energiespeicher entwickelt, die temporäre Selbstversorgung von Teilnetzen ermöglichen. Die entwickelten Algorithmen werden virtuell in einem Testbed-Modell anhand von realen Eingangsparametern erprobt, optimiert und validiert. Im zweiten Schritt wird ein reales Testfeld konzipiert, installiert und die Leistungsfähigkeit der modellhaft erprobten Algorithmen in einer realen Testumgebung bewertet und anhand des dadurch erarbeiteten Know-hows weiter verbessert. Das übergeordnete Ziel des Projektes DymoBat ist die Entwicklung von marktfähigen Lösungen für die zukünftige Stromnetzverwaltung zur Nutzung von verteilten Energieressourcen auf Basis der Anwendung von 5G-Technologien.

Intelligentes Hafenlogbuch zur effizienten und nachhaltigen Nutzung der Hafeninfrastruktur, Teilvorhaben: Datenanalyse und Modellierung

Nachhaltiges Heizen durch Edge-Cloud-basierte KI-Systeme, Teilvorhaben: KI-Service-Entwicklung- und Bereitstellung über nutzerzentrierte Informationssysteme

Schadschwelle 4.0: Künstliche Intelligenz für die Behandlung von Unkräutern unter Berücksichtigung des ökologischen Wertes, Teilprojekt C

Die Thermodynamik des Flüssigwasserstofftanks

Für den automobilen Einsatz von Wasserstoff als Energieträger ist die Speicherung eine der zentralen Fragen. Bei der Flüssigspeicherung wird Wasserstoffgas durch Abkühlung auf -253 Grad C verflüssigt und als siedende Flüssigkeit in einem aufwendig isolierten Behälter bei einem Druck zwischen 2 und 8 bar gespeichert. Da Systeme heutiger Auslegung über keine aktive Kühlung verfügen, ist ein geringer Wärmeeintrag unvermeidlich. Dieser führt zu einem stetigen Druckanstieg, usw.

Evaluating current European agri-environment schemes to quantify and improve nature conservation efforts in agricultural landscapes (EASY)

Research question: Agri-environment schemes play an increasingly important role in European CAP (Common Agricultural Policy) to support biodiversity and environment in agricultural landscapes. They have been implemented since 1992 and now cost a yearly 1.7 billion Euro. Still, there is no conclusive evidence that these schemes actually do contribute to the conservation of particularly biodiversity. The primary objective of this project is to evaluate the (cost-) effectiveness of European agri-environment schemes in protecting biodiversity and to determine the primary processes that determine their effectiveness. This project furthermore aims to determine how CAP may be introduced in candidate EU-members without unacceptable loss of biodiversity. It will provide simple guidelines how researchers, governmental authorities may efficiently evaluate agri-environmental measures. Aim: Agri-environment schemes have been used to protect biodiversity and environment in agricultural areas since 1992. Their effectiveness has never been reliably evaluated. This project aims to evaluate the (cost-)effectiveness of agri-environment schemes with respect to biodiversity conservation in five European countries. It will determine the proper scales that have to be addressed for conservation efforts for a range of species groups. It will determine the most important environmental factors that influence the effectiveness of the schemes. Based on this, recommendations will be made how the effectiveness of schemes may be improved and simple guidelines will be produced how ecological effects of agri-environment schemes can be evaluated efficiently by governmental authorities or other institutions. The ecological effects of the introduction of CAP in a candidate EU-member will be investigated to reduce negative side effects of anticipated land-use changes Scientific methods: We will examine the effectiveness of agri-environment schemes by surveying pairs of fields: a field with an agri-environment scheme and a nearby field that is conventionally managed. In five countries, in each country in three areas, and in each area on seven pairs of fields the species richness of birds, plants and three insect groups (pollinators, herbivores, predators) will be determined. Effects of schemes on pollination efficiency and pest control will be examined using indicator communities. Correlative studies will examine the effects of landscape structure, land-use intensity and species pool on the effectiveness of agri-environmental measures. The spatial scale that is relevant to nature conservation efforts will be investigated via the spatial distribution of species groups. The results will be used to formulate recommendations how to improve the effectiveness of agri-environment schemes and to construct a set of simple guidelines how schemes can be evaluated efficiently yet reliably.

Tree Species - Sentinel-1/2 - Germany, 2022

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2022 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data, radar data from Sentinel-1, and a digital elevation model. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 80,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final classification was generated using an XGBoost machine learning algorithm. The Tree Species Germany product achieves an overall F1-score of 0.89. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.76 to 0.98, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, and fir range from 0.88 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.

Ressourceneffiziente Cyberphysikalische Abwasserbehandlungsanlagen, Teilprojekt Datenaufbereitung und Data-Mining

1 2 3 4 5 … 318 319 320