API src

Found 3091 results.

Similar terms

s/k/KI/gi

Weiterentwicklung des BirdRecorders mit neuester Sensortechnologie und Erweiterung für nachtaktive Vögel und Fledermäuse zur Minderung von Kollisionen von Vögeln und Fledermäusen an Windenergieanlagen, Teilvorhaben: Multifunktionaler Laserentfernungsmesser

Ziel des Vorhabens ist die Entwicklung und Erprobung eines neuartigen, modularen Bird- und BatRecorders (BBR 2.0) als Antikollisionssystem für den vogel- und fledermausfreundlichen Betrieb von Windkraftanlagen, anpassbar auf beliebige Windparklayouts für Offenland- und Waldstandorte. Basis der Entwicklung des BBR 2.0 Systems ist die Prototypentwicklung des kamerabasierten BirdRecorder-Systems, das im Rahmen eines vom Bundesamt für Naturschutz geförderten Vorhabens entwickelt wurde. Mit einer neuartigen Kombination von scannenden Lidarsensoren und Laserentfernungsmesstechnik mit fest installierten und nachgeführten Kameras im sichtbaren und nahen Infrarot Spektralbereich ist die Detektion und Verfolgung der Flugbahn von tag- und nachtaktiven Vögeln und Fledermäusen im Umkreis von Windenergieanlagen möglich. Mit Methoden der künstlichen Intelligenz erfolgt die Arterkennung von Vögeln und Fledermäusen, um Kollisionen mit Windenergieanlagen weitgehend vermeiden zu können. Mittels Modularisierung des BBR 2.0 Systems wird ein Systembaukasten von Sensoren, Komponenten und Modulen entwickelt, der je nach geforderter Beobachtungssituation am Standort, für den vogel- und fledermausfreundlichen Betrieb von einzelnen WEAs bis zu großen Windparks zusammengestellt, konfiguriert und kontinuierlich betrieben werden kann. Damit können die bisherigen, meist pauschalen Abschaltzeiten von WEAs bedarfsgerecht minimiert werden, um den Ertrag von bestehenden und neuen Windparks zu steigern. Das entwickelte BBR 2.0 wird zusammen mit Partnern in mehreren Windparks in unterschiedlichen Naturräumen erprobt. Das Vorhaben wird von einer projektbegleitenden Arbeitsgruppe begleitet und beraten, in der Vertreter:innen aller relevanten Stakeholder aus dem Bereich Windenergie, Naturschutz und Branchenverbände vertreten sein werden.

Performante Open Source Software Suite für die Forschung zur Dynamik von Stromnetzen

Angesichts der Herausforderungen der Energiewende und insbesondere dem anstehenden Wechsel von Synchronmaschinen zu netzbildenden Wechselrichtern, ist methodische Forschung zur kollektiven Dynamik von Stromnetzen hochaktuell. Existierende Simulationsumgebungen entsprechen oft nicht dem Stand der Technik, was numerische Methoden sowie die Nutzung von High-Performance Computern (HPC) und GPUs angeht. Dies verhindert ihren Einsatz in großen Sampling Studien, die zum Beispiel für den Einsatz von Machine Learning (ML) notwendig sind. Des Weiteren lassen sich methodische und mathematische Fortschritte häufig nur schwer oder gar nicht in existierender Software implementieren, wodurch sie nicht an realistischen Modellen validiert werden können und letzten Endes nicht in der Praxis ankommen. Für die methodische Forschung ist die Flexibilität der Implementierung der Modelle, als auch die Performance von Simulationen von entscheidender Bedeutung. Für den Einsatz von KI und ML sind große Mengen an Simulationsdaten als Input erforderlich. Um überhaupt in die Forschung zu hybriden KI Methoden, die physikalischen Simulationen und ML direkt verbinden, einsteigen zu können, ist es notwendig, die Modelle in dafür konzeptionierten Programmiersprachen zu implementieren. Existierende Softwaretools stoßen auch in der Praxis an Performance-Grenzen. Durch die eingeschränkte Leistungsfähigkeit heutiger Simulationssoftware können so in zeitkritischen Situationen nicht alle potenziell relevanten Störfälle betrachtet werden. In diesem Projekt soll diese Lücke geschlossen werden, indem eine Software Suite entwickelt wird, die darauf ausgelegt ist, methodische Neuerungen schnell und effektiv zu integrieren und gleichzeitig realistische dynamische Modelle des Stromnetzes simulieren kann. Die Aufgaben des PIK umfassen Koordination des Projekts, Community-Building und Workshops, Trainingsmaterialien und Tutorials, Backend- und Frontend-Entwicklung sowie erste Forschungsvorhaben als Modellstudien.

Langjährige Entwicklung der Luftqualität - Berliner Luftgütemessnetz - Standorte und Messdaten (Umweltatlas)

Darstellung aller Stationen und Messwerte der BLUME-, RUBIS- und Passivsammler-Messnetze seit 1975 sowie ausgewählter langjährig betriebener Berliner Klimastationen

Lärmpegel MRoad L_Night 2022 im Saarland

Der Lärmindex LNight spiegelt die Lärmbelastung für die Nacht wider und wird für die Ausarbeitung von strategischen Lärmkarten verwendet. Diese Isophonen Karten stellen flächenhaft die Berechnungsergebnisse der Umgebungslärmkartierung 2022 an den Hauptverkehrsstraßen im Saarland dar. Entsprechend § 4 Abs. 4 der 34. BImSchV wird die Geräuschsituation für den LNight in den folgenden Isophonen Bändern mit einer Klassenbreite von 5 dB dargestellt: 45 dB(A) LNight 50 dB(A), 50 dB(A) LNight 55 dB(A), 55 dB(A) LNight 60 dB(A), 60 dB(A) LNight 65 dB(A), 65 dB(A) LNight 70 dB(A) sowie 70 dB(A) LNight. Die zentrale landesweite Strategische Lärmkartierung an Hauptverkehrsstraßen wurde im Saarland für die betroffenen und zuständigen Städte und Gemeinden durch den Saarländischen Städte- und Gemeindetag beauftragt. Das Ministerium für Umwelt, Klima, Mobilität, Agrar und Verbraucherschutz hat sich anteilig an den Kosten beteiligt und die Kartierung koordiniert.

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.

WRRL Wasserkörper Seen

Die Wasserrahmenrichtlinie (WRRL) folgt dem Grundsatz, dass Flussgebiete als Ganzes zu betrachten und zu bewirtschaften sind. Für die praktische Arbeit – z. B. für die Erarbeitung der Bewirtschaftungspläne oder für die Bestandsaufnahme des Zustands der Seen – werden aber handhabbare Untereinheiten gebildet. Wasserkörper stellen hierbei die kleinste Einheit dar, die die WRRL betrachtet. Das WRRL-Monitoring bezieht sich in Schleswig-Holstein auf 73 Wasserkörper mit jeweils einer Seefläche von mehr als 50 ha, davon sind 62 Seen natürlich und elf Seen künstlich entstanden. Hinsichtlich dieser Seen ist Deutschland berichtspflichtig gegenüber der EU.

INSPIRE Download Service (predefined ATOM) für Datensatz ATKIS Basis-DLM GID7 Bahn

Beschreibung des INSPIRE Download Service (predefined Atom): Dieser Datensatz beinhaltet die Eisenbahn des Saarlandes. - Der/die Link(s) für das Herunterladen der Datensätze wird/werden dynamisch aus Download Link aus einem Metadatensatz generiert

INSPIRE Download Service (predefined ATOM) für Datensatz ATKIS Basis-DLM GID7 Straßen

Beschreibung des INSPIRE Download Service (predefined Atom): Dieser Datensatz beinhaltet die Straßen des Saarlandes. - Der/die Link(s) für das Herunterladen der Datensätze wird/werden dynamisch aus Download Link aus einem Metadatensatz generiert

Standorte von Onshore-Windenergieanlagen in Deutschland – abgeleitet aus Fernerkundungsdaten (Datensatz)

Der rasche Ausbau der erneuerbaren Energiequellen stellt eine große Herausforderung dar, wenn es darum geht, die Energieentwicklung mit konkurrierenden Interessen in Einklang zu bringen. Dies unterstreicht die Notwendigkeit präziser raumbezogener Daten, um eine effektive Bilanzierung, Steuerung oder Bewertung der Einhaltung gesetzlicher Vorgaben zu ermöglichen. In Deutschland stellt das vom Bundesnetzagentur betriebene Marktstammdatenregister (MaStR) eine weit verbreitete Datenquelle für standort- und anlagenspezifische Informationen dar. Der vorliegende Datensatz baut auf dem Marktstammdatenregister auf und verbessert dessen räumliche Genauigkeit für Onshore-Windkraftanlagen durch die Nutzung hochauflösender Fernerkundungsdaten und Deep Learning gestützter Objekterkennung. Der Datensatz besteht aus Punktgeometrien von Windenergieanlagen an Land in Deutschland. Die Windkraftanlagen wurden mithilfe des Objekterkennungsalgorithmus YOLO auf hochauflösenden Satellitenbild-Zeitreihen von PlanetScope detektiert. Die Inferenz erfolgte auf monatlichen PlanetScope-Basiskarten (Global Monthly Basemaps) für die Monate April bis Oktober der Jahre 2018 bis 2024, mit insgesamt 45 deutschlandweiten Inferenzdurchläufen. Das Trainingsdatenset basiert auf den von Manske & Schmiedt (2023) am UFZ semi-manuell korrigierten Standortdaten des Marktstammdatenregisters für die Jahre 2021, 2022 und 2023. Dabei wurden Windkraftanlagen standortgleichmäßig ausgewählt, um eine geografisch ausgewogene Trainingsstichprobe zu gewährleisten. Zusätzlich wurden Negativbeispiele in das Trainingsset aufgenommen. Diese wurden sowohl zufällig aus ganz Deutschland ausgewählt (mit Ausschlusszonen um Windkraftstandorte) als auch gezielt aus Objektklassen, die häufig zu Fehlklassifizierungen führen (z. B. Strommasten, Mobilfunktürme), basierend auf Daten aus OpenStreetMap. Der Datensatz wurde in mehreren Iterationen verfeinert: Schlechte anfängliche Labels, die nicht zuverlässig über mehrere Zeitpunkte hinweg vom trainierten Modell erneut erkannt wurden, wurden gefiltert. Zusätzlich wurden Szenen ergänzt, bei denen das Modell Schwierigkeiten hatte. Die monatlichen Detektionen von Windkraftanlagen über Deutschland hinweg wurden zeitlich aggregiert. Hierzu wurden alle Detektionen zusammengeführt, die innerhalb eines bestimmten Puffers über die Zeit hinweg wiederholt erkannt wurden. Die Zeitreihe der Erkennungszeitpunkte wurde als Attribut an die aggregierten Punkte angefügt. Um Detektionsrauschen zu filtern, kann der Datensatz nach einer Mindestanzahl von Erkennungen pro Punkt gefiltert werden. In zukünftigen Arbeiten planen wir, den Datensatz um aktuelle Monate zu erweitern, die Nachbearbeitung zur Eliminierung von Fehlklassifikationen zu verbessern sowie für jede Erkennung eine Verlinkung zur jeweiligen ID im Marktstammdatenregister bereitzustellen.

Resiliente Abfluss- und Stauregelung der Wasserstraßen bei extremen Niederschlagsereignissen

Abflussprognosen zur Bewältigung von Extremwetterlagen Um das Transportaufkommen in Deutschland auch unter schwierigen Bedingungen zu bewältigen und dies aufrecht zu erhalten bzw. zu steigern, sind verkehrsträgerübergreifende Lösungsansätze notwendig. Ziel dieses Projekt ist es, die Resilienz und die Verfügbarkeit des Verkehrsträgers Wasserstraße bei extremen Wetterereignissen zu erhöhen. Aufgabenstellung und Ziel Etwa 3.000 km der Bundeswasserstraßen sind mit Staustufen ausgebaut, die meist aus einem beweglichen Wehr, einer Schleuse und einem Laufwasserkraftwerk bestehen. Durch das Ändern des Abflusses über das Kraftwerk und über das Wehr hält ein lokaler Regler den gewünschten Oberwasserstand innerhalb der vorgegebenen Stauzieltoleranz. Die Abfluss- und Stauregelung soll dabei mehrere, mitunter gegensätzliche Ziele erfüllen: Einhaltung des Stauziels innerhalb der festgelegten Toleranz, Verminderung von Abflussschwankungen, optimale Nutzung der Wasserkraft und Minimierung des Verschleißes der Wehrverschlüsse. Im Zuge des Klimawandels ist mit einer Zunahme extremer Wetterereignisse zu rechnen. Die Abfluss- und Stauregelung steht gerade in Niedrigwasserperioden vor wachsenden Herausforderungen. Schwankungen des Abflusses sind in diesen Phasen schwierig auszugleichen und Über- bzw. Unterschreitungen der Stauzieltoleranz sind nicht auszuschließen. Dadurch entsteht eine Gefahr für die Schifffahrt. Ziel des vorgestellten Vorhabens ist es, anhand einer fundierten Datenanalyse und der Methode des maschinellen Lernens Zusammenhänge zwischen Niederschlagsereignissen und Abflussschwankungen vertieft zu untersuchen. Zusätzlich sollen Abflussprognosen erstellt werden, welche die Abfluss- und Stauregelung unterstützen. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Die Verwendung maschinellen Lernens für Abflussvorhersagen auf der Basis von Niederschlags- und Zuflussdaten stellt ein vielversprechendes Werkzeug für die WSV dar. Prognosen schaffen einen vorausschauenden Handlungsspielraum für die Abfluss- und Stauregelung, sodass starke Wasserstandsund Abflussschwankungen minimiert und damit die Sicherheit und Leichtigkeit der Schifffahrt erhöht werden. Die Resilienz der Wasserstraße wird dadurch auch unter den zunehmenden Auswirkungen des Klimawandels gesteigert. Untersuchungsmethoden Das Verfahren wird exemplarisch an einer Stauhaltung der Mosel getestet. Die Niederschlagsdaten des Einzugsgebiets der Stauhaltung werden vom Deutschen Wetterdienst im Rahmen der Zusammenarbeit im BMDV-Expertennetzwerk bereitgestellt. Die Pegeldaten der oberliegenden Stauhaltung sowie die der untersuchten Stauhaltung selbst werden von der WSV zur Verfügung gestellt. In einem ersten Schritt werden die Pegeldaten untersucht. Anhand einer Kreuzkorrelation können Abhängigkeiten zwischen dem oberliegenden Pegel und dem Pegel in der untersuchten Stauhaltung aufgezeigt werden. In einem weiteren Schritt werden ebenfalls die Niederschlags- und Wehrdaten betrachtet und deren Zusammenhang mit den Pegeldaten untersucht. Zusätzlich wird eine Methode erarbeitet, um Wasserstandsschwankungen so zu filtern, dass die Werte möglichst unbeeinflusst von Schleusungen und Schifffahrt sind. Im Anschluss an die Aufbereitung der Daten wird nach einer geeigneten Methode des Maschinellen Lernens (ML) gesucht. Dabei werden unterschiedliche ML-Modelle in Python implementiert und trainiert. Der vielversprechendste Modelltyp soll weiter genutzt und mit unterschiedlichen Parametrierungen getestet werden. Hierbei wird immer auf einen Prognosezeitraum von drei Stunden hingearbeitet. Für die Abfluss- und Stauregelung ist eine dreistündige Prognose wünschenswert, um Schwankungen des Abflusses effektiv zu bewältigen.

1 2 3 4 5 … 308 309 310