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.
Mit dem 2019 ins Leben gerufenen europäischen Green Deal und den damit verbundenen nationalen Programmen wurde ein Maßnahmenpaket beschlossen, welches einen Transformationsprozess der europäischen Wirtschaft mit dem Ziel eines nachhaltigen und integrativen Wachstums vorsieht. In diesem Zusammenhang kommt der Energiegewinnung aus Windkraft eine herausragende Bedeutung zu. In Deutschland schlägt sich dies im Koalitionsvertrag der Bundesregierung nieder, in dem ambitionierte Ziele für den Ausbau der Windenergie sowohl onshore als auch offshore verfolgt werden. Um dem hohen Kostendruck in der elektrischen Energieerzeugung zu begegnen, wurden in der Windenergie in den letzten Jahren bereits große Erfolge erzielt und die Energieentstehungskosten konnten signifikant gesenkt werden. Bei Fortschreiten dieses Wegs kommt den Rotorblättern eine Schlüsselrolle zu, da sie die Windenergie in mechanisch nutzbare Energie überführen, mit rund 20% direkt zu den Anlagenkosten beitragen und die mechanischen Anlagenlasten signifikant beeinflussen. Für die optimierte Betriebsführung der Windenergieanlagen (WEA) sind jedoch neuartige Ansätze des 'Structural Health Monitorings (SHM)' erforderlich. Insbesondere bei der anwendungsorientierten Entwicklung solcher Systeme gibt es hohen Entwicklungsbedarf! IMST beteiligt sich am Verbundprojekt mit seinem Know-how im Bereich der Radarelektronik. Gemeinsam mit dem Partner TUHH wird ein bestehender Sensorknoten mit 60 GHz Radartechnik erweitert. Dazu gab es bereits Voruntersuchungen der Partner TUHH und GUF auf deren Basis der Radarsensor entwickelt wird. Die neue Antenne soll einen breiteren Beam ermöglichen, um mehr Fläche des Rotorblatts abzudecken. Ziel ist es, mit 4 Sensorknoten ein Rotorblatt zu erfassen. IMST entwickelt neben der Radarelektronik eine passende Antenne und ein Gehäuse, in dem alle elektrischen Komponenten des Sensorknotens eingebaut werden. Für einen Feldversuch in 3 WEAs wird IMST 44 Sensorknoten mit Radar aufbauen.
Die Grundlage für Leben auf der Erde sind intakte Ökosysteme. Daher stellt die Umsetzung von SDG 15 'Leben an Land' eines der zentralen Ziele der Agenda 2030 für nachhaltige Entwicklung auf EU-Ebene dar. Aktuelle Bestandsaufnahmen (z.B. Eurostat 2020) zeigen, dass die EU in den letzten 5 Jahren nur moderate Fortschritte bei der Umsetzung von SDG 15 erzielt hat und so ist der Zustand der Ökosysteme sowie der Biodiversität in der EU besorgniserregend. Die EU-Mitgliedsstaaten sind derzeit noch weit davon entfernt, ihre hier gesteckten Ziele zu erreichen. Eines der Ziele des 'European Green Deal' der Europäischen Kommission ist der Erhalt und die Wiederherstellung von Ökosystemen und Biodiversität. Vor diesem Hintergrund wurden eine Reihe von Strategien angekündigt oder bereits veröffentlicht, welche einen Beitrag zur Erreichung von SDG 15 leisten sollen, wie z.B. die 'EU-Biodiversitätsstrategie für 2030', die 'Vom Hof auf den Tisch'-Strategie, oder die neue 'EU-Forststrategie' oder die Aktualisierung der EU-Bodenschutzstrategie. Andere Maßnahmen, wie die Gemeinsame Agrarpolitik der EU, stehen diesem Ziel eher entgegen). Inwieweit die EU die Umsetzung von SDG 15 auch in den Mittelpunkt ihrer Green Recovery Programme stellt (sowohl in Bezug auf Maßnahmen innerhalb der EU als auch innerhalb ihrer weltweiten Wertschöpfungsketten), ist derzeit noch offen. Mit diesem Vorhaben sollen die unterschiedlichen und sich teilweise widersprechenden Ziele, Strategien, und Maßnahmen, Instrumente und Indikatoren auf EU-Ebene untersucht werden und Ansatzpunkte für eine kohärente und wirksame Umsetzung der Maßnahmen zur Erreichung von SDG 15 bis 2030 identifiziert werden. Neben der Analyse der Strategien und Maßnahmen sollen mit Hilfe eines Stakeholder-Mappings zunächst relevante Akteursgruppen in der EU identifiziert werden. Durch Leitfadeninterviews und Workshops soll untersucht werden, welche Akteure welche Maßnahmen zur Umsetzung von SDG 15 auf vers. Ebenen erfolgreich durchführen.