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.
Der Datensatz umfasst die automatisiert aus Luftbildern (Aufnahmezeitpunkte 30. März und 01./02. Juni 2021) abgeleiteten, zweidimensionalen Baumkronenumringe ("Baumkronenpolygone") 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. Der Datensatz ist im GeoPackage-Format als Original und zur Reduzierung der Dateigröße als Variante mit generalisierten Baumkronenpolygonen unter der Open-Data-Lizenz CC BY 4.0 verfügbar. Wichtiger Hinweis: 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.
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.
Die jahreszeitliche Variabilität der globalen Meereisbedeckung ist eine wichtige Komponente des globalen Klimas. Jedoch ist der kleinskalige Einfluss des Meereises in globalen Klimamodellen bis heute nur unzureichend beschrieben. Dieser Antrag hat daher das Ziel, die physikalischen (P) und bio-geo-chemischen (BGC) Schlüsselprozesse im Meereis mit einem hochaufgelösten Zweiskalenmodell mathematisch zu beschreiben. Die Ergebnisse können dann parametrisiert in globale Klimamodelle (GCMs) einfließen, sodass eine verbesserte Prognosefähigkeit erreicht wird.Die Ozeanerwärmung wird die Mikrostruktur des Meereises erheblich verändern. Wir entwickeln daher ein P-BGC-Modell einer antarktischen Meereisscholle, um die komplexen gekoppelten Zusammenhänge zwischen Eisbildung, Nährstofftransport, Salinität und Solekanalverteilung, Photosynthese und Karbonatchemie mathematisch zu beschreiben. Damit simulieren wir verschiedene Szenarien der Meereisbildung und ihrer Auswirkungen auf das Wachstum von Meereisalgen, die einen großen Einfluss auf den vertikalen Kohlenstoff-Export (biologische Kohlenstoffpumpe) besitzen.Damit leistet dieses Projekt einen wesentlichen Beitrag zum Forschungsschwerpunkt ‘3.2.D - Verbessertes Verständnis der polaren Prozesse und Mechanismen’ bei. Im Einzelnen gehen wir auf drei übergeordnete Ziele ein:Schritt 1: Beschreibung der Meereisstruktur Wir verwenden ein gekoppeltes Zweiskalenmodell, mit dem relevante Aspekte des Gefrierens und Schmelzens im Zusammenhang mit Deformation, Salinität und Soletransport beschrieben werden. Auf der Makroebene dient dafür eine kontinuumsmechanische Beschreibung im Rahmen der erweiterten Theorie poröser Medien (eTPM). Damit können über einen gekoppelten Gleichungssatz partieller Differentialgleichungen (PDE) Deformations-, Transport und Reaktionsprozesse beschrieben werden. Für das physikalische Phänomen der Phasentransformation zwischen Wasser und Eis dient das Phasenfeldmodell (PF) als Mikromodell, welches ebenfalls aus gekoppelten PDEs besteht. Daraus resultiert eine PDE-PDE Kopplung.Schritt 2: Kopplung mit dem erweiterten RecoM2 Modul als Mikromodell Damit können die BGC Phänomene beschrieben werden. Das RecoM2 Modul besteht aus einem Gleichungssystem gewöhnlicher Differentialgleichungen, sodass hier eine PDE-ODE Kopplung zu einem P-BGC Modell erfolgt. Schritt 3: Bewertung der Modellansätze Dies beinhaltet die Verifizierung und Validierung des kombinierten P-BGC-Modells mittels Literatur- sowie experimenteller Daten. Für die Verwendung des hochaufgelösten zweiskaligen P-BGC Modells in globalen Klimamodellen muss die Berechnungseffizienz gesteigert werden. Zu diesem Zweck werden Reduzierte-Basis-Modell (ROM) zur Erzeugung von Surrogaten des Vollen-Basis-Modells (FOM) eingesetzt, die die Modellkomplexität verringern, z.B. durch datengetriebene Machine-Learning (ML)-Techniken oder “Generalized Proper Decomposition” (GPD).
Der zukünftig erhöhte Wasserstoffbedarf rückt den Transport über Pipelines in den Vordergrund. Durch lange Transportwege muss dieser regelmäßig auf seinen Ausgangsdruck verdichtet werden. Zur Komprimierung sind entsprechende Kompressoren notwendig, welche mit Koaleszenzfiltern ausgestattet werden müssen, um die Reinheit des Wasserstoffs beim Transport zu gewährleisten. Das Projekt beschäftigt sich mit der Entwicklung und Realisierung einer neuartigen Technologie zur Fertigung von Koaleszenzfiltermedien, welche mittels Schaumauftragsverfahren hergestellt werden. Ein gezieltes Design der Filtermedien ermöglicht eine Verringerung des Druckverlustes und somit ein enormes CO2-Einsparpotential. Um das CO2-Einsparpotential unter realen Bedingungen zu ermitteln, wird für Testzwecke ein Wasserstoffteststand aufgebaut. Parallel zu den Experimenten werden numerische Untersuchungen, die zu einem auf klassischen CFD-Verfahren basieren, als auch auf Machine-Learning basierten Ansätzen beruhen. Durch geeignete Co-Simulationen können Modelle für unterschiedliche Skalen berechnet werden. Die validierten Modelle werden für die Optimierung komplexer Filterstrukturen eingesetzt und erlauben eine Effizienz-Steigerung der Filtermedien.
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 auch unter Einsatz von privaten 5G-Netzwerken entwickelt. Anschließend wird eine zentrale Steuerungseinheit für die Synchronisierung und Optimierung des Netzbetriebs innerhalb einer kleinen Gruppe von DERs, einem Microgrid, entworfen. Die Kommunikation zwischen und innerhalb der DER soll mittels Mobilfunktechnologie erfolgen. Dabei soll die Energieoptimierung mittels KI-Algorithmen erfolgen und auch den Energietransport mit Fahrzeugen berücksichtigen. Die softwareseitige Integration der KI-Algorithmen und des Energiemanagementsystems in das Kommunikationssystem ist ein wesentlicher Bestandteil dieses Projektes. 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.
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.
Das Vorkommen von organischen Mikroverunreinigungen (OMP) in Gewässern ist aufgrund ihrer potenziellen Bedrohung für die Umwelt und die menschliche Gesundheit sehr kritisch. Kläranlagenabläufe sind eine der Hauptquellen für OMPs; deshalb werden derzeit neue rechtliche Rahmenbedingungen diskutiert und verschiedene Technologien zur Reduktion von OMPs untersucht. Granulierte Aktivkohlefilter (GAK) haben sich als geeignete Technologie zur Entfernung von OMP aus Kläranlagenabläufen etabliert. Neben der adsorptiven Entfernung sind GAK-Filter auch in der Lage, organische Stoffe und OMPs biologisch zu entfernen. Die Phänomene, die diesen adsorptiven und biologischen Abbau steuern, sowie die Synergien zwischen diesen beiden Mechanismen sind von großer Bedeutung, jedoch sind die Prozesse sehr komplex. Zum einen handelt es sich bei Abwässern um Multikomponentengemische, die schwer zu charakterisieren sind, und zum anderen sind die verschiedenen Wechselwirkungen zwischen GAK, Biofilm, OMP und organischen Stoffen nur schwer experimentell zu erfassen. Mathematische Modelle sind ein leistungsfähiges Instrument zur Überwindung solcher experimentellen Hindernisse, zur Analyse verschiedener Szenarien und zur Unterstützung der Planung weiterer Experimente. Anhand von Versuchsdaten wurde ein erstes mathematisches Modell entwickelt, das die Entfernung von gelöstem organischem Kohlenstoff in einem biologisch aktiven GAK-Filter zufriedenstellend beschreiben kann. Dieses Projekt zielt darauf ab, dieses Modell zu verbessern und um neue Schlüsselmerkmale zu erweitern, die für eine weitere Anwendung erforderlich sind. Insbesondere sollen drei Hypothesen getestet werden: (i) Ist es möglich, die Porengrößenverteilung in das Modell aufzunehmen? Die Porengrößenverteilung ist ein Schlüsselparameter für die Charakterisierung der verschiedenen GAK-Typen, daher ist ihre Implementierung in das Modell unerlässlich. Die herkömmlichen Ansätze erfordern jedoch Parameter, die schwer zu bestimmen sind. (ii) Könnte eine mikrobielle Gemeinschaft, die den Stickstoffzyklus einschließt, die Qualität des Modells verbessern? Auf der Grundlage experimenteller Belege, die den biologischen Abbau von OMPs mit der Aktivität von Nitrifikanten in Verbindung bringen, zielt das Projekt darauf ab, co-metabolische Prozesse zu implementieren und ihre Auswirkungen auf die globalen Modellierungsergebnisse zu bewerten. (iii) Wie können einzelne OMPs in das Modell einbezogen und ihr Verhalten zufriedenstellend wiedergegeben werden? Die Vorhersage des Abbaus einzelner OMPs ist von großer Bedeutung. Daher werden exemplarisch vier OMPs in das Modell aufgenommen und als Stellvertreter für den Abbau weiterer OMPs verwendet. Da die mechanistische Beschreibung der OMPs sehr kompliziert werden kann, wird der Ansatz des mechanistischen Modells mit Methoden des maschinellen Lernens kombinieren.
Die Energiewende und der Einstieg in die Kreislaufwirtschaft stellen die chemische Industrie vor enorme Herausforderungen im Bereich der Prozessentwicklung; DiKey stellt zentrale digitale Technologien für deren Bewältigung bereit. Mittels Methoden des Maschinellen Lernen (ML) werden hochgenaue und breit anwendbare Stoffdatenmodelle entwickelt, wobei in einem Federated Learning Ansatz unter Nutzung neuer Verschlüsselungstechnologien erstmals auch die Stoffdaten verschiedener Unternehmen mit denen aus der Wissenschaft zusammengeführt und mit hoch leistungsfähigen neuen digitalen Methoden für die Prozessentwicklung anwendbar gemacht werden; hierbei ergeben sich auch ganz neue Geschäftsmodelle. In DiKey wird demonstriert, dass so die Entwicklung neuer Prozesse erheblich beschleunigt und die transparente Erfüllung von Nachhaltigkeitszielen bei gleichzeitiger Berücksichtigung wirtschaftlicher Kenngrößen überhaupt erst möglich wird.
| Organisation | Count |
|---|---|
| Bund | 1699 |
| Europa | 13 |
| Global | 1 |
| Kommune | 14 |
| Land | 93 |
| Schutzgebiete | 1 |
| Weitere | 92 |
| Wirtschaft | 9 |
| Wissenschaft | 470 |
| Zivilgesellschaft | 24 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 5 |
| Förderprogramm | 1596 |
| Text | 152 |
| Umweltprüfung | 1 |
| unbekannt | 107 |
| License | Count |
|---|---|
| Geschlossen | 210 |
| Offen | 1646 |
| Unbekannt | 8 |
| Language | Count |
|---|---|
| Deutsch | 1802 |
| Englisch | 344 |
| Resource type | Count |
|---|---|
| Archiv | 5 |
| Bild | 7 |
| Datei | 10 |
| Dokument | 68 |
| Keine | 1533 |
| Unbekannt | 1 |
| Webdienst | 6 |
| Webseite | 278 |
| Topic | Count |
|---|---|
| Boden | 911 |
| Lebewesen und Lebensräume | 1150 |
| Luft | 742 |
| Mensch und Umwelt | 1864 |
| Wasser | 559 |
| Weitere | 1711 |