s/maschinelles-lernen/Maschinelles Lernen/gi
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.
Zielsetzung: Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird. Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht. Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.
Die Windenergie liefert bereits heute einen bedeutenden Beitrag zum Strommix in Deutschland und wird eine der tragenden Säulen des Energiesystems sein. Damit die Energiewende gelingen kann, sind bei allen erneuerbaren Energien weitere Reduktionen der Stromgestehungskosten (LCoE) notwendig. In den vergangenen Jahren haben technologische Entwicklungen in der Anlagenauslegung, der Regelung und der Vorhersage der Windressource bereits zu signifikanten Reduktionen der LCoE geführt. Dabei spielt der Trend zu immer größeren Windenergieanlagen und Windparks, insbesondere auf See, eine wichtige Rolle. Hieraus ergeben sich enorme Herausforderungen für die zukünftigen Entwicklungen im Bereich der Anlagenauslegung, der Betriebsführung und der Netzeinspeisung. Numerische Strömungssimulationen und insbesondere die skalenübergreifende Modellierung und die gekoppelte Betrachtung multiphysikalischer Prozesse sind hier besonders relevant. In diesem Vorhaben werden skalenübergreifende Ansätze im Bereich mesoskaliger und mikroskaliger Simulation für die Standortbewertung, die Berechnung der Windressource und die Anlagenauslegung untersucht und erweitert. Dabei werden einerseits meteorologische, aeroelastische, ozeanografische und Wellenmodelle in einer Simulationsumgebung miteinander gekoppelt und anderseits werden die Modelle durch Machine Learning Methoden ergänzt, um sehr detaillierte und damit rechenaufwändige Simulationen zu beschleunigen und ihre Präzision zu verbessern. Die gekoppelten Methoden werden im Vorhaben zur Entwicklung neuartiger adaptiver Windparkregler eingesetzt und für die verbesserte Beschreibung der Dynamik von Lasten erprobt. Darüber hinaus werden neue Simulationsansätze höherer Ordnung für die Windenergieanwendung erforscht, die eine weitere Rechenzeitoptimierung versprechen. Um die aufwendigen numerischen Untersuchungen in diesem Vorhaben zu ermöglichen, soll ein Hochleistungsrechner der neuesten Generation an der Universität Oldenburg erweitert werden.
Verlässliche Vorhersagen über den Export von organischem Kohlenstoff (OC) bezogen auf den Gletscherabfluss sind sehr begrenzt. Bestehende Studien kombinieren hauptsächlich den OC-Gehalt einzelner Eisproben und Massenbilanzen, um einen mittleren jährlichen OC-Export zu berechnen. Dieser Ansatz berücksichtigt keine potentiellen tages- und jahreszeitlichen Veränderungen und spiegelt daher möglicherweise die gletscherbedingten OC-Exportraten nicht genau wider. Daher ist es wichtig, zeitliche Veränderungen in der Gletscherhydrologie in hoher zeitlicher Auflösung (saisonal, ereignisbezogen, tageszeitlich) zu berücksichtigen und relevante Abflusskomponenten zu berücksichtigen. Dieses Projekt hat das Ziel, den Export von OC aus Gletschern (Konzentration, Zusammensetzung und Bioverfügbarkeit) in hoher zeitlicher Auflösung systematisch zu untersuchen und die biochemische zeitliche Variabilität mit Variationen der hydrologischen Prozesse im Gletscher zu verbinden. Nur durch ein detailliertes Verständnis der Auswirkungen der Hydrologie der Gletscher auf den OC-Export können verlässliche Vorhersagen für die zukünftige Freisetzung von OC durch den Gletscherrückzug gemacht werden. Die Untersuchungen finden am temperierten Gletscher Falljökull (Island) statt, der Teil des Öraefajökull und der Vatnajökull-Eiskappe ist und dessen Eisfront seit 1932 jährlich vermessen wird. Innovative Methoden, wie z.B. maschinelle Lernverfahren, in Kombination mit einer Abflussganglinienseparation, helfen, das zeitliche Zusammenspiel verschiedener Quellgebiete des Gletscherabflusses und dessen tages- und jahreszeitliche Variabilität zu verstehen. Die Verbindung von Prozessverständnis unter Einbeziehung der OC und Abflussdynamik wird die Modellierung des OC-Exports unter Berücksichtigung der OC-Zusammensetzung ermöglichen. Insgesamt werden 972 Eis-, Schnee- und Wasserproben genommen entnommen. Mit einer mobilen Multiparametersonde, die direkt am Gletschertor installiert wird, werden automatisch die Wassertemperatur, elektrischer Leitfähigkeit, Trübung, der Wasserstand und fluoreszierendem DOM im 1h min-Intervall gemessen. Mit modernsten Labormethoden (C/N- und TOC-Analyzer, Picarro) werden BDOC, DOC, POC, optische Eigenschaften (Fluoreszenz, Absorption), Nährstoffe (PO4, NO3, NO2, NH4) und stabile Isotope (18O, 2H) analysiert. Mit dem Einsatz multivariat statistischer Verfahren (z.B. PCA, CCA) sowie Modellen (PARAFAC, SIMMR, LOADest) werden zeitliche Muster, Prozesse und Treiber identifiziert sowie der OC-Export quantifiziert. Diese systematische Untersuchung des OC-Exports wird das aktuelle Prozesswissen über tageszeitliche und saisonale Veränderungen in der Konzentration, Zusammensetzung und Bioverfügbarkeit von glazialem OC wesentlich erweitern. Dadurch kann die (zukünftige) Dynamik des gletscherbedingten OC-Exports aufgrund von klimawandelbedingten Variationen in Gletscherschmelzprozessen zuverlässig vorgesagt werden.
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.
Veranlassung Methoden des maschinellen Lernens kommen in der gewässerkundlichen Praxis der BfG bisher nur vereinzelt zum Einsatz. Der Einsatz von ML entspricht in vielen Bereichen aber bereits dem Stand von Wissenschaft und Technik und hält zunehmend Einzug auch in gewässerkundliche Fragestellungen. ML besitzt das Potenzial, zum einen bestehende Aufgaben und Methoden qualitativ zu optimieren (z. B. in Form verbesserter Prognosemethoden). Zum anderen werden durch den Einsatz von ML arbeitsaufwändige, mit klassischen Ansätzen nicht leistbare Analysen erst möglich, wodurch auch gänzlich neue oder substanziell erweiterte Leistungen und Produkte entstehen. Der unmittelbare Anwendungs- und Aufgabenbezug von MALPROG lässt diesbezüglich konkrete Ergebnisse für relevante Fachaufgaben sowie zielführende Erkenntnisse für eine Übertragung auf weitere Arbeitsfelder der BfG erwarten. Ziele Die übergeordneten Ziele von MALPROG sind - wissenschaftliche Erkenntnis und Datenharmonisierung: Untersuchung praktischer Anwendbarkeit von Methoden des maschinellen Lernens für ausgewählte BfG-Fachaufgaben (Messdatenplausibilisierung, Abfluss- und Wasserstandsvorhersage, Vegetationskartierung, Ölerkennung) - Technologietransfer: Überführung zielführender Methoden des maschinellen Lernens in zentrale Dienste und Applikationen der BfG - Konsolidierung des Wissens: Initiierung einer BfG-weiten Arbeitsgruppe "KI" zwecks Beratung, Unterstützung, Austausch und Koordination zukünftiger Anwendungen mit Bezug zu Methoden der künstlichen Intelligenz Für die konkrete Anwendung der ML-Methoden für die Fach- und Beratungsaufgaben der BfG sollen - eine weitere Steigerung der Vorhersagegüte erzielt, längerfristige Vorhersageskalen erschlossen und innovative Beratungsprodukte generiert werden, - eine intelligente Vorbeurteilung von Öl-Verschmutzungen ermöglicht werden, die z. B. einen effizienteren Einsatz unbemannter Systeme ermöglicht und den teuren Datentransfer für weitfliegende Systeme wesentlich reduziert, - durch die Anwendung auf digitale Orthofotos eine Identifizierung von Vegetation mit erhöhtem Automatisierungsgrad auf großer Fläche ermöglicht werden, z. B. für eine effiziente Erstellung von Biotoptypenkartierungen und für ein stringentes Vegetationsmonitoring bei Entwicklungsmaßnahmen, - durch Kameraaufnahmen automatisch Makroplastik in fließenden Gewässern identifiziert und klassifiziert werden, - Messfehler von Bodenfeuchtemessungen identifiziert und korrigiert werden. Die vertiefte Befassung mit den Möglichkeiten und Grenzen von ML-Methoden soll die BfG unterstützen, um die rasant zunehmende Menge an (Umwelt-)Daten unter Nutzung steigender Rechenressourcen in eine verbesserte Leistungsfähigkeit ihres Beratungsangebots (z. B. für die WSV, das BMDV, das BMUV) zu überführen. Die Entwicklung von Anwendungsfeldern im Bereich der künstlichen Intelligenz (KI) ist ein zentrales Ziel der Bundesregierung (KI-Strategie für Deutschland), welches das BMDV für den Verkehrssektor in seinem Aktionsplan "Digitalisierung und Künstliche Intelligenz in der Mobilität" aufgegriffen und weiter konkretisiert hat. Pilothafte Anwendungen belegen aber neben dem hohen Bedarf auch das große Potenzial von Methoden des maschinellen Lernens im Bereich der Gewässerkunde (Prognose, Klassifikation, Regression). Im Rahmen von MALPROG wird die Nutzung KI- bzw. ML-basierter Methoden für konkrete Anwendungsfelder in der Gewässerkunde systematisch untersucht. Als zielführend identifizierte Ansätze werden in die praktische Facharbeit integriert, um letztlich deren Potenzial für konkrete Anwendungen in der Analyse- und Beratungspraxis der BfG und WSV ausschöpfen zu können.
| Origin | Count |
|---|---|
| Bund | 1609 |
| Land | 65 |
| Wissenschaft | 20 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Daten und Messstellen | 1 |
| Ereignis | 4 |
| Förderprogramm | 1467 |
| Text | 126 |
| unbekannt | 90 |
| License | Count |
|---|---|
| geschlossen | 193 |
| offen | 1491 |
| unbekannt | 4 |
| Language | Count |
|---|---|
| Deutsch | 1631 |
| Englisch | 267 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Bild | 4 |
| Datei | 3 |
| Dokument | 56 |
| Keine | 1432 |
| Multimedia | 1 |
| Unbekannt | 1 |
| Webdienst | 2 |
| Webseite | 212 |
| Topic | Count |
|---|---|
| Boden | 859 |
| Lebewesen und Lebensräume | 903 |
| Luft | 700 |
| Mensch und Umwelt | 1688 |
| Wasser | 578 |
| Weitere | 1417 |