Mit dem Ziel, dem Verbraucher ganzjaehrig pflanzenbauliche Nahrungsmittel hoher Qualitaet und ohne Belastung mit Vorratsschutz-Chemikalien zur Verfuegung zu stellen, wird Gemuese in unterschiedlich hoher relativer Luftfeuchte bei niedrigen Temperaturen gelagert. Die Arbeitshypothese ist, dass nach amerikanischen und kanadischen Ergebnissen Mikroorganismen auf voll turgeszentem Gewebe sich nicht voll entwickeln koennen. Volle Turgeszenz kann aber nur bei relativer Luftfeuchte nahe der Saettigungsfeuchte erhalten werden.
Various informational and market conditions, whose development can be traced back to a linear economy, currently also prevent an increased closing of the loop as well as the reduction of material use in the application case of plastic packaging for food. The project objective of COPPA is therefore to develop and demonstrate an open and scalable Circular Collaboration Platform (CCP) that creates the following functionalities for recyclers, plastic reprocessors / converters, packaging manufacturers and food retailers: · Establishing seamless tracking of plastics · Enabling a better exchange of information for automated quality proof, prediction of availability, etc. · Proof of recycled content and recycled quality of products and material batches · Proof of origin or owner as a dynamised property per batch/ main ingredient. · Development of a smart contract model for value chains - in the sense of democratised and notarised plastics processing. · Provision of decision-making aids for the reduction of packaging material and the use of recycled material as a conceptual approach or as a control instrument (dashboard) · Precise verification of sustainability effects through reduced material consumption and increased use of recycled materials (CO2 or resource savings according to relevant material groups). With the aim of enabling both material savings and an increased recycled content in plastic packaging through networking, control and tracking, the CCP is to bring together digital solution approaches as a system solution; in accordance with the FAIR principles, data should be 'Findable, Accessible, Interoperable, and Re-usable'. The project result should represent a practical demonstrator (Technology Readiness Level 5-6), which at the end of the implementation phase will be accessible to all companies in the entire food chain in a non-discriminatory and freely available manner.
Langfristige Auswirkungen unterschiedlicher Intensitaetsstufen, insbesondere bei der Anwendung von Pflanzenschutzmitteln, mineralischen Duengemitteln und Unkrautbekaempfungsmitteln auf den Boden (Struktur; Humusgehalt; Naehrstoffgehalt), auf die Rebe (vegetative Entwicklung und Ertragsleistung) sowie auf die Qualitaet der Trauben und des Weines (Geruch, Geschmack, Inhaltsstoffe).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Ziel des Vorhabens KINLI ist es, einen durch KI ermöglichten prädiktiven Ansatz zur Sicherstellung nachhaltiger Lebensmittelqualität zu konzipieren, diesen in einer Plattform zu implementieren sowie das Konzept und die Plattform in praxisrelevanten Use Cases (UCs) zu demonstrieren und zu validieren. Dies unterstützt die nachhaltige Gestaltung von Lebensmittelketten. Das Vorhaben fokussiert die Fleischbranche, das Konzept wird aber übertragbar gestaltet. Es wird demonstriert anhand der Verknüpfung von Produktionsdaten und der KI-basierten frühzeitigen Erkennung von Problemfällen, die relevant für die Lebensmittelsicherheit sind (UC1), sowie der Erkennung und Bewertung der Aufzucht- und Haltungsbedingungen durch Deep-Learning-Verfahren (UC2).
Es werden verschiedene Lebensmittel aus dem Raum Ostwestfalen-Lippe und Nordenham auf einen Gehalt an Blei und Cadmium untersucht. Zur Jagdzeit werden Leber, Nieren und Haar von Wild (Hasen) im Raum Nordenham gesammelt, ebenso im Raume Ostwestfalen-Lippe. In der Region Guetersloh wird der Bleigehalt von in der Naehe eines Schiessstandes erzeugten Lebensmitteln untersucht.
Verminderung des Nitratgehaltes in Spinat und Gemuese fuer die menschliche Ernaehrung speziell von Saeuglingen und Kleinkindern; Unterlagen fuer gesetzliche Regelungen.
| Origin | Count |
|---|---|
| Bund | 315 |
| Europa | 1 |
| Land | 31 |
| Wissenschaft | 6 |
| Type | Count |
|---|---|
| Chemische Verbindung | 3 |
| Förderprogramm | 297 |
| Messwerte | 4 |
| Strukturierter Datensatz | 5 |
| Text | 39 |
| unbekannt | 5 |
| License | Count |
|---|---|
| geschlossen | 45 |
| offen | 302 |
| unbekannt | 2 |
| Language | Count |
|---|---|
| Deutsch | 301 |
| Englisch | 80 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Datei | 6 |
| Dokument | 9 |
| Keine | 252 |
| Unbekannt | 6 |
| Webdienst | 1 |
| Webseite | 83 |
| Topic | Count |
|---|---|
| Boden | 217 |
| Lebewesen & Lebensräume | 331 |
| Luft | 150 |
| Mensch & Umwelt | 349 |
| Wasser | 157 |
| Weitere | 319 |