API src

Found 3260 results.

Similar terms

s/k/KI/gi

Waterbase - UWWTD: Urban Waste Water Treatment Directive – reported data

The Urban Waste Water Treatment Directive concerns the collection, treatment and discharge of urban waste water and the treatment and discharge of waste water from certain industrial sectors. The objective of the Directive is to protect the environment from the adverse effects of the above mentioned waste water discharges. This series contains time series of spatial and tabular data covering Agglomerations, Discharge Points, and Treatment Plants.

WISE WFD Reference Spatial Datasets reported under Water Framework Directive 2016 - INTERNAL VERSION - version 1.7, Jul. 2024

The dataset contains information on the European river basin districts, the river basin district sub-units, the surface water bodies and the groundwater bodies delineated for the 2nd River Basin Management Plans (RBMP) under the Water Framework Directive (WFD) as well as the European monitoring sites used for the assessment of the status of the above mentioned surface water bodies and groundwater bodies. This data set is available only for internal use of the European Commission and the European Environment Agency. Please use the "PUBLIC VERSION": https://sdi.eea.europa.eu/catalogue/srv/eng/catalog.search#/metadata/a0731ebf-6bcc-4afe-bab0-39e7aa88eaba for external use. The information was reported to the European Commission under the Water Framework Directive (WFD) reporting obligations. The dataset compiles the available spatial data related to the 2nd RBMPs due in 2016 (hereafter WFD2016). See http://rod.eionet.europa.eu/obligations/715 for further information on the WFD2016 reporting. See also https://rod.eionet.europa.eu/obligations/766 for information on the Environmental Quality Standards Directive - Preliminary programmes of measures and supplementary monitoring. Where available, spatial data related to the 3rd RBMPs due in 2022 (hereafter WFD2022) was used to update the WFD2016 data. See https://rod.eionet.europa.eu/obligations/780 for further information on the WFD2022 reporting.

Einzelbaum Stammpositionen aus Luftbildern (2021) Wuppertal

Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, punktförmigen Stammpositionen von rund 894.000 Bäumen im Stadtgebiet von Wuppertal, ausgeführt durch die EFTAS Fernerkundung Technologietransfer GmbH aus Münster im Rahmen der Forschungskooperation DigiTalZwilling4D innerhalb des Förderprojektes smart.wuppertal / DigiTal Zwilling mit dem in dieser Kooperation entwickelten Verfahren "twin4tree". Hierbei wurde das normalisierte Digitale Oberflächenmodell (nDOM) von Geobasis NRW (Jahrgang 2021) als Höhenmodell verwendet. Um keine Gebäude oder Bauwerke als Baum zu identifizieren, wurden für das Vegetationshöhenmodell nur Bereiche des nDOM innerhalb einer Baummaske berücksichtigt, die zuvor über eine Klassifikation der o. g. Luftbilder mit dem KI-Verfahren "Cop4ALL" erzeugt wurde. Die einzelnen Bäume wurden darin über ein Template-Matching-Verfahren identifiziert, bei dem variable 3D-Schablonen (sphärische und gaußförmige Form für Laubbäume, parabolische, hyperbolische und konische Form für Nadelbäume) über das Vegetationshöhenmodell gelegt werden. Den so gefundenen Baumstandorten wurden mittels einer Segmentierung des Vegetationshöhenmodells Baumkronen zugeordnet, deren senkrechte Projektion auf den Boden zweidimensionale Baumkronenpolygone ergab. Die Stammposition eines Baumes wurde im geometrischen Schwerpunkt seines Baumkronenpolygons angenommen. Der Datensatz ist im GeoPackage-Format unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtige Hinweise: (1) In dichten Baumbeständen ist die Identifikation einzelner Bäume aufgrund von zusammenwachsenden Baumkronen ("Kronenschluss") erschwert. Auch sogenannte "beherrscht stehende Individuen" unterhalb der aus der Luft sichtbaren Baumkronen lassen sich mit dem twin4tree-Verfahren nicht eindeutig erkennen. Daher unterschätzt das Verfahren die Anzahl von Bäumen in diesen Bereichen deutlich. Aus stichprobenhaften Zählungen in einigen Waldbereichen wurde ein durchschnittlicher Korrekturfaktor von 1,6 abgeleitet. (2) Die genauen Stammpositionen können aus optischen Fernerkundungsdaten nicht bestimmt werden. Die als Stammpositionen angegebenen Schwerpunkte der Baumkronenpolygone sind Näherungswerte.

DTK25-V - DTK25-V

Digitale Topographische Karte 1:25 000 (Vorlaeufige Ausgabe):Digitale Topographische Karte 1:25 000 (Vorlaeufige Ausgabe)

Wertebasierte Optimierung von Asset Management Strategien für Mittelspannungsnetze mittels Künstlicher Intelligenz, Teilvorhaben: Entwicklung eines KI-basierten Predictive Maintenance Asset Management Systems für Mittelspannungsnetze

Dieses Projekt wird u.a. durch den steigenden Kostendruck infolge der Anreizregulierung und die Verknappung materieller sowie personeller Ressourcen, insbesondere im Kontext des Fachkräftemangels, motiviert. Der Einsatz vorhandener Ressourcen für die Netzerneuerung, den -ausbau und die -instandhaltung muss effizient gestaltet werden. Gleichzeitig gewinnt die Digitalisierung im Transformationsprozess der Energielandschaft an Bedeutung. Hier besteht Potenzial, die verbesserten Fähigkeiten von Künstlicher Intelligenz (KI) zu nutzen. Der Einsatz von KI-Methoden zur Optimierung von Instandhaltungs- und Erneuerungsstrategien im Asset Management ist bisher jedoch unzureichend erforscht. In diesem Teilvorhaben wird ein KI-basiertes System zur Optimierung von Strategien im Mittelspannungsnetz für Asset Manager entwickelt. Methoden des Reinforcement Learning werden auf ein zu entwickelndes Simulationsmodell angewandt, welches das Ausfallrisiko der Mittelspannungs-Komponenten sowie deren wirtschaftliche Kosten und Erlöse über den gesamten Lebenszyklus abbildet. Dadurch können Asset Manager verschiedene Szenarien in ihrem Mittelspannungsnetz simulieren und für ihre Unternehmensziele optimieren.

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben D

Smarte Pull-Logistik und -Wiederverwendung von Elektro- und Elektronikaltgeräten durch frühe und KI-basierte Zustandserkennung, optimale Entsorgungsentscheidung und ressourcenschonende Stückgut-Logistik, Teilvorhaben: Endnutzer Use Cases Großgeräte z.B. Waschmaschinen

Digital GreenTech 2 - DIWA: Digitale, vernetzte und interaktive Wasserqualitätsüberwachung, ein Konzept für autonome Frühwarnsysteme zum Gewässerschutz, Teilprojekt 7

Premium SL: DTK50-V Einzellayer - Premium SL: DTK50-V Regionalverkehr

Digitale Topographische Karte 1:50 000 (Vorlaeufige Ausgabe):Digitale Topographische Karte 1:50 000 (Vorlaeufige Ausgabe).<br>Zugangsbeschränkung, Gebührenpflichtig, Antrag auf Freischaltung per Mail erforderlich

Premium SL: DTK25-V Einzellayer - Premium SL: DTK25-V Wald

Digitale Topographische Karte 1:25 000 (Vorlaeufige Ausgabe):Digitale Topographische Karte 1:25 000 (Vorlaeufige Ausgabe).<br>Zugangsbeschränkung, Gebührenpflichtig, Antrag auf Freischaltung per Mail erforderlich

1 2 3 4 5 … 324 325 326