API src

Found 3012 results.

Similar terms

s/kp/KI/gi

Modell-gestützte Szenarienanalyse zur Optimierung der Pflanzenproduktion für den Klimaschutz, Modell-gestützte Szenarienanalyse zur Optimierung der Pflanzenproduktion für den Klimaschutz

Der menschengemachte Klimawandel bedroht langfristig die Stabilität der Ökosysteme des Planeten, und damit auch die Stabilität der menschlichen Gesellschaft durch Verknappung von Wasser, Nahrung und Lebensraum. Insbesondere die landwirtschaftliche Nahrungsmittelproduktion blickt einer ungewissen Zukunft entgegen und es besteht erheblicher Informationsbedarf hinsichtlich geeigneter Klimaschutzstrategien. Übergeordnetes Ziel des Vorhabens ist die Identifizierung von geeigneten Bewirtschaftungsmaßnahmen und betrieblichen Strategien zur Optimierung der Pflanzenproduktion im Sinne des Klimaschutzes. Das Projekt ModOKlim verfolgt dabei vorrangig folgende wissenschaftliche Ziele: (i) die verlässliche Reproduktion von räumlichen und zeitlichen Mustern der Produktivität landwirtschaftlicher Kulturen in Deutschland über die vergangenen 30 Jahre mit Hilfe von Agrarökosystemmodellen, (ii) die deterministische Projektion der Ertragsaussichten und damit verbundener THG-Emissionen landwirtschaftlicher Kulturen in Deutschland, (iii) die Szenarienanalyse mit Hilfe von biophysikalischen und ökonomischen Modellen zur Beurteilung von Erfolgsaussichten von Klimaschutzstrategien in Richtung von profitablen, klimaangepassten und artenreichen Anbausystemen und (iv) die Integration des aktuellsten Stands der Wissenschaft in Bezug auf die probabilistische Projektion von Extremwetterereignissen in die Projektionen der deterministischen Modelle. Ziel des Arbeitspakets 1 ist die Analyse des Auftretens ertragsrelevanter Extremwetter für landwirtschaftliche Kulturen in Vergangenheit und Zukunft. Mit Hilfe eines objekt-orientierten Ansatzes basierend auf Radardaten wird am KIT untersucht, bei welchen Umgebungsbedingungen sich schaden-relevante Hagelstürme bilden und wie sich diese Bedingungen in einem zukünftigen Klima verändern. Durch den objekt-orientierten Ansatz und Verfahren des maschinellen Lernens werden robustere Trendaussagen erwartete im Vergleich zu den bisher verwendeten Methoden.

Vorhersage urbaner atmosphärischer Anzahlkonzentrationen ultrafeiner Partikel mit Hilfe von Machine Learning- und Deep Learning-Algorithmen (ULTRAMADE)

Ultrafeine Partikel (UFP) mit einem aerodynamischen Durchmesser kleiner als 100 nm stehen unter dem Verdacht die menschliche Gesundheit zu schädigen, allerdings fehlt bisher die abschließende wissenschaftliche Evidenz aus epidemiologischen Studien. Zur Herleitung von Expositionskonzentrationen gegenüber UFP wurden zum Teil statistische Modellierungsverfahren genutzt um UFP-Anzahlkonzentrationen vorherzusagen. Ein häufig genutztes Verfahren ist eine auf Flächennutzung basierte lineare Regression („land-use regression“, LUR). Allerdings wurden in luftqualitativen Studien auch andere, ausgefeiltere Modellansätze benutzt, z.B. „machine learning“ (ML) oder „deep learning“ (DL), die eine bessere Vorhersagegenauigkeit versprechen. Das Ziel des Projekts ist die Modellierung von UFP-Anzahlkonzentration in urbanen Räumen basierend auf ML- und DL-Algorithmen. Diese Algorithmen versprechen eine bessere Vorhersagegenauigkeit gegenüber linearen Modellansätzen. Mit unserem Modellansatz wollen wir sowohl räumliche als auch zeitliche Variabilität der UFP-Anzahlkonzentrationen abbilden. In einem ersten Schritt werden die Messergebnisse aus mobilen Messkampagnen genutzt um ein ML-basiertes LUR Modell zu kalibrieren. Zusätzlich werden urbane Emissionen aus lokalen Quellen, abseits vom Straßenverkehr, identifiziert und explizit in das Modell einbezogen. In einem zweiten Schritt wird ein DL-Modellansatz basierend auf Langzeit-UFP-Messungen mit dem ML-Modell gekoppelt um die Repräsentierung der zeitlichen Variabilität zu verbessern. Unser vorgeschlagenes Arbeitsprogramm besteht aus fünf Arbeitspaketen (WP): WP 1 beinhaltet mobile Messungen mittels eines mobilen Labors und eines Messfahrads. WP 2 besteht aus stationären Messungen, die an Stationen des German Ultrafine Aerosol Network durchgeführt werden. In WP 3 werden wichtige UFP-Emissionsquellen, insbesondere Nicht-Verkehrsemissionen, mit Hilfe von zusätzlichen kurzzeitigen stationären Messungen identifiziert und quantifiziert. In WP 4 werden ML-Algorithmen genutzt um ein statistisches Modell aufzubauen. Als Kalibrierungsdatensatz werden die Messungen aus WP 1 benutzt. Das Modell wird UFP-Anzahlkonzentrationen mit Hilfe eines Datensatzes aus erklärenden Variablen, u.a. meteorologische Größen, Flächennutzung, urbaner Morphologie, Verkehrsmengen und zusätzlichen Informationen zu UFP-Quellen nach WP 3, vorhersagen. In WP 5 werden die UFP-Anzahlkonzentrationen aus WP 2 für einen DL-Modellansatz genutzt, der die zeitliche Variabilität repräsentieren wird. Dieser wird dann mit dem ML-Modell aus WP 4 gekoppelt. Der Nutzen der Modellkopplung wird mit dem Datensatz aus WP 3 validiert. Aus unserem Projekt wird ein Modell hervorgehen, das in der Lage ist die räumliche und zeitliche Variabilität urbaner UFP-Anzahlkonzentrationen in einer hohen Genauigkeit zu repräsentieren. Damit wird unsere Studie einen Beitrag zur Quantifizierung von Expositionskonzentrationen gegenüber UFP z.B. in epidemiologischen Studien leisten.

Charakterisierung von Mineralstaub-Deposition mit hoher Zeitauflösung im Hinblick auf Partikelgröße, Zusammensetzung und atmosphärische Alterung an für ein atmosphärisch-ozeanisches Staubbudget relevanten Standorten

Nass- und Trockendeposition sind die wesentlichen Prozesse, die Mineralstaub aus der Atmosphäre entfernen. Teragramm Mineralstaub werden pro Jahr interkontinental verfrachtet. Erreicht Staub weitab von seiner Quelle wieder die Erdoberfläche, kann er erheblichen Einfluss auf Ökosysteme haben. Insbesondere ozeanische Ökosysteme sind in ihrer Bioproduktivität nährstofflimitiert. Diese Nährstoffe können durch Mineralstaub eingetragen werden. Trotz der Bedeutung der Deposition sind Messungen bislang rar, und Staubmodelle, die sich an den wenigen Messungen validieren, zeigen erhebliche Fehler. Hauptsächlich der Mangel an geeigneten Messdaten behindert im Moment das weitergehende Verständnis des Staubzyklus. Fehlende standardisierte Messtechnik zur Trockendepositionsmessung erschwert bislang gute Datenerfassung. Daher wird ein neuer automatisierter Nass- und Trockendepositionssammler entwickelt und charakterisiert. Der Sammler wird mit meteorologisch relevanter Zeitauflösung (Stunden bis Tage) betrieben und damit einen großen Nachteil vergangener Messungen beheben, nämlich eine Zeitauflösung von meist Wochen bis Monaten. Durch den Einsatz automatisierter rasterelektronenmikroskopischer Einzelpartikel-Analyse wird ein bisher unerreichter Daten-Detailreichtum für Partikelgrößen von 700 nm bis 100 mym zur Verfügung stehen, einschließlich Partikelgrößenverteilung, Elementzusammensetzung und Partikel-Mischungszustand. Besondere Aufmerksamkeit wird potentiellen Nährstoffen wie Fe, P, K, Mg und Ca gewidmet. Für ausgewählte Proben wird weiterhin Partikel-Hygroskopizität bestimmt.Nach der Testphase auf der Insel Frioul, Frankreich, während der der Sammler im Vergleich zur dort existierenden Zeitreihe validiert wird, werden drei Instrumente an Stationen in Betrieb genommen, die für Staubeintrag in die relevant Ozeane sind: Sao Vicente, Kap Verde und Barbados im Saharischen Ausfluss so wie Heimaey, Island, im arktischen Staub. In einer zweiten Phase (nach dem vorliegenden Projekt) soll das Netzwerk dann erweitert werden durch New Island, Falkland im südamerikanischen Ausfluss, Amakusa, Japan im asiatischen Ausfluss und die Insel Amsterdam zwischen dem südafrikanischen und dem australischen Ausfluss. Zum ersten Mal werden aus diesem Projekt kontinuierliche Zeitreihen der Nass- und Trockendeposition von Mineralstaub zur Verfügung stehen, die tägliche bzw. Ereignis-basierte Zeitauflösung und zudem Partikel-Größenauflösung bieten. Hieraus werden atmosphärische Schlüsselfaktoren abgeleitet, die zur Deposition führen. Weiterhin wird eine Partitionierung zwischen Nass- und Trockendeposition und ihr Größenverteilung von Nährstoffen - insbesondere P und Fe - untersucht. Partikel-Mischungszustand und Form werden durch ein Mischungsmodell und Bildanalyse bestimmt. Eine öffentliche Datenbank wird bereitgestellt, die z. B. für Modellvalidierung zu Verfügung steht. Es ist geplant, die Stationen nach Ende der DFG-Finanzierungphase weiter zu betreiben.

Digital GreenTech 2 - TreeMon: Entwicklung eines autonomen Schallemission-Sensorknoten für das Zustandsmonitoring von stehenden Bäumen, Teilprojekt 4

Verwertung von PUMA-Produkten

Im April 2012 führte PUMA das Rücknahmesystem Bring Me Back ein. Seither können Kunden in PUMA Stores weltweit gebrauchte Produkte zurückgeben, die dann durch die Firma I:CO der Weiterverwendung und Verwertung zugeführt werden. Auch die Produkte der neuen recyclefähigen und biologisch abbaubaren PUMA-InCycle-Kollektion, die seit März 2013 auf dem Markt sind, werden so erfasst. Hierzu gehört etwa das recycelbare PUMA Track Jacket, das zu 98 Prozent aus Polyester aus gebrauchten PET-Flaschen besteht. Der PUMA-Rucksack aus Polypropylen wird nach Gebrauch an den ursprünglichen Hersteller zurückgegeben, der das Material wieder zu neuen Rucksäcken verarbeitet. Durch solche Neuentwicklungen will PUMA seine Planungs- und Entscheidungsbasis verbessern. Deshalb hat sie bifa mit der Analyse abfallwirtschaftlicher Optionen für gebrauchte PUMA Produkte beauftragt. bifa untersuchte hierzu Referenzprodukte und Optionen für die Erfassung und Sortierung von Produkten und Materialien. 35 Pfade mit unterschiedlichen Verwertungs- und Beseitigungsansätzen wurden entwickelt und bewertet. Die Realisierungschancen der Pfade wurden dann dem zu erwartenden Nutzen insbes. für die Umwelt gegenübergestellt. Dabei wurde zwischen gut entwickelten und wenig entwickelten Abfallwirtschaften (Waste-Picking-Szenario W-P-Szenario) unterschieden. Es zeigte sich, dass Pfade, die im Szenario Abfallwirtschaft ökologisch nachteilig sind, im W-P-Szenario durchaus vorteilhaft sein können. Im W-P-Szenario sind zudem Pfade realisierbar, die in entwickelten Abfallwirtschaften keine Chance hätten. Die moderne Abfallverbrennung ist für W-P-Szenarien ökologisch vorteilhaft, aber dennoch eine schwierige Option. In entwickelten Abfallwirtschaften sollten Sammlung und Wiedereinsatz gebrauchter Schuhe und Textilien weiterentwickelt werden. Die folgenden generellen Empfehlungen wurden gegeben: - Der Einsatz von Recyclingmaterialien in PUMA-Produkten ist aus ökologischer Sicht zu empfehlen. Diese Erkenntnis wird auch durch die Ergebnisse der ersten ökologischen Gewinn-und-Verlust-Rechnung von PUMA belegt. Über die Hälfte aller Umweltauswirkungen entlang der gesamten Produktions- und Lieferkette des Unternehmens werden bei der Herstellung von Rohmaterialien verursacht - Das Produktdesign sollte auch für bestehende Verwertungspfade optimiert werden, da realistischerweise nur ein Teil der Produkte über das Sammelsystem erfasst werden kann - Die ökologischen Vorteile von Produkten, die aus nur einem Material bestehen, kommen nur dann zum Tragen, wenn das Produkt nach Gebrauch aussortiert und das Material tatsächlich recycelt wird - Biol. abbaubare Produkte können auch Nachteile haben, zum Beispiel die schnellere Entwicklung von klimaschädlichem Methan bei ungeordneter Deponierung - Eine Verlängerung der Produktlebensdauer über den gesamten Lebenszyklus einschl. der Verwendung als Gebrauchtprodukt ist der effektivste Weg, Umweltlasten zu reduzieren. Meth. Ökobilanzierung und Systemanalyse (Text gekürzt)

Bebauungsplan HafenCity 7 Hamburg

Gebiet der Landzunge zwischen Grasbrookhafen und Norderelbe und östlich der Landzunge bis zur San-Francisco-Straße. Das Plangebiet wird wie folgt begrenzt: West- und Nordgrenzen des Flurstücks 2377 (alt: 1963 - Strandhöft und Hübener-kai), über das Flurstück 6596 (alt: 2021 - Marco-Polo-Terrassen), Ostgrenzen der Flurstücke 6596 und 2377, Nordgrenzen der Flurstücke 2068 und 2371 (alt: 1963 - Hübenerstraße), über die Flurstücke 2371 und 2375 (alt: 1963), Ostgrenze des Flurstücks 2375, Ost- und Südgrenzen des Flurstücks 2374 (alt: 1963), Südgrenze des Flurstücks 2373 (alt: 1963), über das Flurstück 2376 (alt: 1963), Südgrenzen der Flurstücke 2376 und 2377 der Gemarkung Altstadt-Süd.

Biotopverbundsystem (landesweit / Achsenräume)

Die Shape-Datei enthält die Geometrien der Achsenräume des Biotopverbundsystem - landesweite Ebene - aus dem Landschaftsprogramm (LPRO) 1999, Abbildung 3.Textliche Erläuterung siehe LPRO, Kap. 3.4.2.1, Seite 54

Ermittlung der großräumigen Sensitivität von Grundwasserressourcen gegenüber dem Klimawandel

Die Klimakrise verändert zunehmend die räumliche und zeitliche Verfügbarkeit von Grundwasser, der wichtigsten globalen Süßwasserressource. Das quantitative Verständnis der Interaktion von Grundwasser und Klima, vor allem auf nationaler und kontinentaler Skala, ist wichtig für ein optimal angepasstes Grundwassermanagement. Bisher ist das Wissen über die großskalige Sensitivität der Grundwasserressourcen auf den Klimawandel jedoch sehr limitiert. Das Ziel des hier vorgestellten Projektes ist die Erforschung der Auswirkungen des Klimawandels und der damit einhergehenden Umweltveränderungen auf den quantitativen Zustand von Grundwasserressourcen auf national-kontinentaler Skala. Etablierte prozessbasierte Modelle (PBMs) zur hydro(geo)logischen Modellierung auf großer Skala (meist „Global Hydrological Models“ - GHMs) sind starke Vereinfachungen der Realität und unterliegen daher deutlichen Limitationen und Unsicherheiten. Im Gegensatz zu anderen PBMs, weisen GHMs daher begrenzte physikalische Konsistenz und Interpretierbarkeit auf und ihre Anwendung kann zu irreführenden Schlussfolgerungen über die Verfügbarkeit von Grundwasser vor dem Hintergrund des Klimawandels führen. Vor allem die Übertragbarkeit auf datenarme Regionen ist nur eingeschränkt möglich. In den letzten Jahren haben sich Deep Learning (DL) Modelle als präziser und leicht übertragbarer alternativer Ansatz in der Modellierung von Wasserressourcen etabliert. Für die Modellierung von Oberflächengewässern wurde zudem gezeigt, dass DL auch spezialisierte PBMs übertreffen kann. Das vorgeschlagene Projekt möchte sich die gewonnenen Erkenntnisse zunutze machen und ein DL-Modell zur Untersuchung der Sensitivität von Grundwasser auf den Klimawandel auf kontinentaler Skala aufbauen. Hierfür wird ein „big data“ Ansatz gewählt, der Daten von >2200 Einzugsgebieten in Nordamerika nutzt (Erweiterung denkbar). Ein solches Modell kann lernen, Wissen über verschiedene Regionen zu transferieren, gewinnt somit stark an Generalisierungsfähigkeit (z.B. auf datenarme Regionen) und schlussendlich an Vertrauenswürdigkeit. Weiterhin soll das Problem von fehlenden, interpretierbaren und physikalisch konsistenten Modellen im nationalen Maßstab angegangen werden, indem physikalisches Wissen und Prozesse in die DL-Modelle eingebaut werden. Durch diese Ansätze soll ein plausibles, interpretierbares und vor allem vertrauenswürdiges Modell entstehen, welches sich zur Untersuchung von Klimawandelszenarien eignet. Die genannten Aspekte sind hierbei besonders kritisch, da für Zeiträume in der Zukunft keine Validierung möglich ist. Das entwickelte Modell dient anschließend der Beantwortung der übergeordneten Fragestellung, und die Auswirkungen des Klimawandels auf die Grundwasserressourcen werden anhand der Daten von Klimamodellen auf Basis von RCP bzw. SSP Szenarien untersucht. Weiterhin werden spezialisierte Untersuchungen (Szenarien) zum Einfluss einzelner Einflussfaktoren (z.B. Landnutzung) durchgeführt.

Übertragbarkeit von Modellen des Maschinellen Lernens in der digitalen Bodenkartierung

Maschinelle Lernmodelle haben große Erfolge beim Lernen komplexer Muster wie zum Beispiel die räumliche Verbreitung von Bodeneigenschaften gezeigt, die es erlauben Vorhersagen über nicht erfasste Bereiche zu treffen. Die Fähigkeit, das Gelernte auf andere Gebiete anzuwenden ist dagegen wenig entwickelt und bislang können die Modelle nur sehr eingeschränkt auf Bereiche außerhalb der unmittelbaren Lernumgebung übertragen werden. Ähnlich empirischen Regressionen gelten die Regelwerke, z.B. bei Entscheidungsbaumverfahren wie Random Forest, nur für den von Trainingsdaten abgedeckten Wertebereich. Für jedes weitere Gebiet werden erneut möglichst hochwertige und umfangreiche Trainingsdaten benötigt. Fortschritte im Bereich des Deep Learning (DL), z.B. Convolutional Neural Networks, des Transfer Learnings und kombinierte Ansätze im Bereich Feature Selection (FS) bieten hier erweiterte Möglichkeiten, um die Dimensionalität gerade bei kleineren Datensätzen einzuschränken, die Überanpassung an die Trainingsdaten zu minimieren und die Übertragung auf angrenzende Gebiete zu verbessern. Im vorliegenden Antrag nehmen wir diese Entwicklungen auf und versuchen Bodeneigenschaften auch für Bereiche außerhalb der Lernumgebung vorherzusagen. Dazu erstellen wir zunächst mit Umweltfaktoren eine gebietsspezifische Parametrisierung maschineller Lernmodelle anhand von geomorphometrischen, geologischen, landschaftsökologischen und klimatischen Parametern. Welche Parameter dies im Einzelnen sind und wie sie untereinander im Verhältnis stehen, wird exemplarisch für verschiedene Testdatensätze in Deutschland (humides Klima) und im Iran (semi-arid bis arides Klima) durch die Kombination von Methoden des DL und der FS berechnet. Im Folgeschritt werden die mit den ausgewählten Parametern der Umweltfaktoren und den Bodenprofildaten trainierten Modelle auf nicht trainierte Gebiete übertragen und an unabhängigen Bodendaten validiert. Die nicht trainierten Gebiete werden anhand von Distanz- und Ähnlichkeitsmaßen hinsichtlich ihrer Vergleichbarkeit mit den ursprünglichen Trainingsgebieten charakterisiert, um die Transferleistung der maschinellen Lernmodelle zu beurteilen. Abschließend ist vorgesehen, für die unbekannten Gebiete schrittweise Trainingsdaten zuzufügen, um die Entwicklung der Vorhersagegenauigkeit zu quantifizieren und die Transfereigenschaften verschiedener ML-Verfahren zu beurteilen. Als Trainingsdaten dienen LUCAS-Daten für Deutschland und Bodenprofildaten aus der nationalen SPDB Datenbank für den Iran. Die Umweltparameter werden aus Satellitendaten, digitalen Höhenmodellen, Weltklimadaten sowie Landnutzungskarten und geologischen Kartenwerken abgeleitet. Bodeneigenschaften sind Bodenkohlenstoffgehalt, Bodentextur, Carbonatgehalt und Kationenaustauschkapazität. Es werden 12 maschinelle Lernverfahren vergleichend angewendet.

Digitalisierung und Steigerung der stofflichen Verwertung von Altholz durch interoperable und materialerkennende Sortierung und innovative Zerkleinerungsverfahren

Das Gesamtziel des Vorhabens besteht in einer Steigerung der stofflichen Verwertung von Altholz durch - Entwicklung altholzgerechter, innovativer Sortier- und Zerkleinerungsverfahren - Generelle Steigerung der Wirtschaftlichkeit der stofflichen Altholznutzung durch eine maßgeschneiderte, auf den Rohstoffeigenschaften basierende Weiterverarbeitung - Orientierende Versuche zur Erhöhung der Rohstoffqualität als Voraussetzung für die Produktion von Holzwerkstoffplatten - Erprobung innovativer Sortierverfahren zur Entfernung kritischer Fehlwürfe aus ansonsten stofflich zu verwertenden Altholzsortimenten Das vorgeschlagene Konzept - Fusion der Signale optischer bildgebender Verfahren (Farbkameratechnik) mit NIR-Spektroskopie bei Auswertung durch Methoden der künstlichen Intelligenz (KI) und des maschinellen Lernens (Deep Learning) in Kombination mit innovativer Zerkleinerungstechnik - hat das Potenzial, die Sortierung und Verwendung von Altholz deutlich zu verbessern. Methoden der künstlichen Intelligenz haben bereits in zahlreichen anderen Anwendungsgebieten, z.B.im maschinellen Bildverstehen, autonomen Fahren und in der Spracherkennung, zu signifikanten Fortschritten geführt.

1 2 3 4 5 … 300 301 302