API src

Found 1865 results.

Similar terms

s/maschinelles-lernen/Maschinelles Lernen/gi

Einzelbaum Stammpositionen aus Luftbildern (2021) Wuppertal

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.

Wertebasierte Optimierung von Asset Management Strategien für Mittelspannungsnetze mittels Künstlicher Intelligenz, Teilvorhaben: Entwicklung eines KI-basierten Predictive Maintenance Asset Management Systems für Mittelspannungsnetze

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.

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben D

Smarte Pull-Logistik und -Wiederverwendung von Elektro- und Elektronikaltgeräten durch frühe und KI-basierte Zustandserkennung, optimale Entsorgungsentscheidung und ressourcenschonende Stückgut-Logistik, Teilvorhaben: Endnutzer Use Cases Großgeräte z.B. Waschmaschinen

Digital GreenTech 2 - DIWA: Digitale, vernetzte und interaktive Wasserqualitätsüberwachung, ein Konzept für autonome Frühwarnsysteme zum Gewässerschutz, Teilprojekt 7

Images for AI-based models for the identification of European Vertigo species and of land snails from Tenerife, Canary Islands

This data set comprises images of land snails that were taken for the development of Artificial Intelligence (AI)-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands. The images were taken as part of the Training Artificial Intelligence Models for Land Snail Identification (TrAILSID) project (https://tettris.eu/2024/10/11/trailsid-training-artificial-intelligence-models-for-land-snail-identification), which is part of the initiative Transforming European Taxonomy through Training, Research and Innovations (TETTRIs) funded by the European Union. The first subproject provides 1916 images of the 17 European Vertigo species and Columella edentula, Pupilla muscorum, and Sphyradium doliolum as similar species. The genus Vertigo comprises small terrestrial gastropods, which are often difficult to identify, including species listed in the EU Habitats and Species Directive. This directive requires the surveillance of these species to determine whether a favourable conservation status has been achieved. The images of Columella edentula, Pupilla muscorum, and Sphyradium doliolum, were added to the dataset for the development of the AI model for species identification so that the AI model can recognize that a specimen does not belong to Vertigo. The second subproject provides 5592 images of 106 land snail species occurring on Tenerife, Canary Islands. Endemic terrestrial gastropods in the Canary Islands, which are part of the Mediterranean biodiversity hotspot, are often under threat due to ongoing changes in land use, urbanisation, and an increase in stochastic events such as droughts or wildfires. They are also under threat due to the introduction of foreign species with high invasive potential, which are also represented in the dataset. Images of Vertigo pygmaea, which also occurs on Tenerife, were added to the Tenerife dataset from the Vertigo dataset for the development of the AI model for species identification of species from Tenerife. Note that not all figured specimens are from Tenerife. Photographs were taken of shells housed in the collections of the Zoological Museum of the Leibniz Institute for the Analysis of Biodiversity (ZMH), the Museum of Nature and Archeology Santa Cruz de Tenerife (TFMCMT), the Natural History Museum Bern (NMBE), the Natural History Museum Gothenburg (NMG), the Natural History Museum London (NHMUK), the National Museum Wales (NMW), as well as land snails from Tenerife, Canary Islands. This data set comprises images of land snails that were taken for the development of Artificial Intelligence (AI)-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands. The images were taken as part of the Training Artificial Intelligence Models for Land Snail Identification (TrAILSID) project (https://tettris.eu/2024/10/11/trailsid-training-artificial-intelligence-models-for-land-snail-identification), which is part of the initiative Transforming European Taxonomy through Training, Research and Innovations (TETTRIs) funded by the European Union. The first subproject provides 1916 images of the 17 European Vertigo species and Columella edentula, Pupilla muscorum, and Sphyradium doliolum as similar species. The genus Vertigo comprises small terrestrial gastropods, which are often difficult to identify, including species listed in the EU Habitats and Species Directive. This directive requires the surveillance of these species to determine whether a favourable conservation status has been achieved. The images of Columella edentula, Pupilla muscorum, and Sphyradium doliolum, were added to the dataset for the development of the AI model for species identification so that the AI model can recognize that a specimen does not belong to Vertigo. The second subproject provides 5592 images of 106 land snail species occurring on Tenerife, Canary Islands. Endemic terrestrial gastropods in the Canary Islands, which are part of the Mediterranean biodiversity hotspot, are often under threat due to ongoing changes in land use, urbanisation, and an increase in stochastic events such as droughts or wildfires. They are also under threat due to the introduction of foreign species with high invasive potential, which are also represented in the dataset. Images of Vertigo pygmaea, which also occurs on Tenerife, were added to the Tenerife dataset from the Vertigo dataset for the development of the AI model for species identification of species from Tenerife. Note that not all figured specimens are from Tenerife. Photographs were taken of shells housed in the collections of the Zoological Museum of the Leibniz Institute for the Analysis of Biodiversity (ZMH), the Museum of Nature and Archeology Santa Cruz de Tenerife (TFMCMT), the Natural History Museum Bern (NMBE), the Natural History Museum Gothenburg (NMG), the Natural History Museum London (NHMUK), the National Museum Wales (NMW), as well as the private research collections of Klaus Groh (KG), Stefan Meng (SM), Marco T. Neiber (MTN), and Frank Walther (FW). The photographs were taken by staff from the Malacology Section of the Zoological Museum at the Leibniz Institute for the Analysis of Biodiversity (LIB): Till Cunow, Bernhard Hausdorf, Marco T. Neiber, Elicio Tapia, and Mareike Ulrich. The AI-based models for the identification of 1) European Vertigo species, and 2) land snails from Tenerife, Canary Islands are developed by Rita Pucci and Vincent Kalkman at Naturalis, Leiden, and will be made accessible by them. The image recognition models for the European species of the genus Vertigo and the terrestrial mollusc of Tenerife were created by Rita Pucci (Naturalis Biodiversity Center/LIACS) and can be downloaded for deployment from Gitlab. The models are also deployed on ARISE: Classification model for the genus Vertigo: https://gitlab.com/arise-biodiversity/DSI/algorithms/tettris-classification-vertigo Classification model for the terrestrial mollusc of Tenerife https://gitlab.com/arise-biodiversity/DSI/algorithms/tettris-classification-tenerife Contacts Marco T. Neiber Originator Leibniz Institute for the Analysis of Biodiversity Change Martin-Luther-King-Platz 3 20146 Hamburg Germany mneiber@hotmail.de https://orcid.org/0000-0001-5974-5013 Bernhard Hausdorf Originator · Administrative point of contact Leibniz Institute for the Analysis of Biodiversity Change Martin-Luther-King-Platz 3 20146 Hamburg Germany b.hausdorf@leibniz-lib.de https://orcid.org/0000-0002-1604-1689

Einzelbaum Kronenumringe aus Luftbildern (2021) Wuppertal

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.

Entwicklung von energieeffizienten Koaleszenzfiltermedien für CO2-Einsparung bei der Verdichtung von Wasserstoff mittels eines neuartigen Herstellprozesses, Teilvorhaben: Numerische Modellierung und Simulation von Filtersystemen basierend auf Machine Learning und CFD-Methoden

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.

Entwicklung und Aufbau eines intelligenten Energiemanagementsystems für eine flexibilisierte und bedarfsgerechte Faulgasnutzung, Teilvorhaben: Energetische und biologische Prozesse der Kläranlage: Von der numerischen Modellierung und Simulation zum digitalen Zwilling

Ziel von iEFlex ist die Entwicklung eines intelligenten Energieeffizienzmanagement-Systems (iEEMS) für kommunale Kläranlagen, welches über die Möglichkeit gängiger Lastabwurfsysteme hinaus reicht, dieses auf einer realen Kläranlage unter praktischen Bedingungen zu erproben und die Übertragbarkeit auf weitere Klärwerke zu betrachten. Dazu wird auf der Kläranlage Bad Wörishofen (67.100 EW) eine modellbasierte, modulare Softwareanwendung mit einer digitalen Benutzerschnittstelle in Form eines intuitiven Dashboards entwickelt und implementiert. Das iEEMS wird das Leitsystem um ein intelligentes Betriebsführungsmodul (Decision Support System) zur Berechnung von Bedienvorschlägen ergänzen; dazu wird das iEEMS über eine online-Verbindung kontinuierlich mit aktuellen Prozesswerten der Anlage versorgt. Obwohl die Ergebnisse des iEEMS prinzipiell als Sollwerte an das Leitsystem übergeben werden und damit die Grundlage für einen autonomen Vollautomatik-Betrieb bilden können, ist bis auf Weiteres eine Bewertung der errechneten Bedienvorschläge durch das Bedienpersonal vorgesehen. Damit übernimmt das iEEMS die Funktion eines Expertensystems. Durch die Verknüpfung der Prognosen von klärwerksinternen Energieverbrauchern und -erzeugern mittels deterministischen Verfahren einerseits, sowie Methoden der Künstlichen Intelligenz (KI) bzw. Machine Learning (ML) andererseits werden das Energieangebot und der Energiebedarf optimal aufeinander abgestimmt und der Grad der Eigenstromnutzung erhöht. Dies erfolgt insbesondere unter Einbeziehung der auf der Kläranlage vorhandenen nachhaltigen Energieerzeuger, insbesondere durch die Erzeugung von Faulgas.

Digitale Schlüsseltechnologien zur Bestimmung der Stoffdaten für effiziente Stofftrennung in der Chemischen Industrie, Teilvorhaben Weiterentwicklung bestehender Stoffdatenbanken und Modellierungslösungen

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.

1 2 3 4 5 … 185 186 187