# robbenblick A Computer Vision project for object detection and annotation management using YOLOv8, SAHI, and FiftyOne, with the primary aim of counting objects (Robben) in large aerial images. ## Overview This repository provides a complete MLOps pipeline for: * **Data Preparation:** Converting raw CVAT annotations (XML) and large images into a tiled, YOLO-compatible dataset. * **Automated Experiments:** Systematically training and tuning YOLOv8 models. * **Tiled Inference:** Running optimized inference (SAHI) on large, high-resolution images for object counting. * **Evaluation:** Assessing model performance for both detection (mAP) and counting (MAE, RMSE, R²). * **Visualization:** Analyzing datasets and model predictions interactively with FiftyOne. ## Pretrained Model Weights Pretrained model weights are available on Hugging Face: https://huggingface.co/ki-ideenwerkstatt-23/robbenblick/ ## Project Workflow The project is designed to follow a clear, sequential workflow: 1. **Prepare Data (`create_dataset.py`):** Organize your raw images and CVAT `annotations.xml` in `data/raw/` as shown below. ```text data/raw/ ├── dataset_01/ │ ├── annotations.xml │ └── images/ └── dataset_02/ ... ``` Run the script to generate a tiled, YOLO-formatted dataset in `data/processed/` and ground truth count CSVs. 2. **Tune Model (`run_experiments.py`):** Define a set of hyperparameters (e.g., models, freeze layers, augmentation) in `configs/base_iter_config.yaml`. Run the script to train a model for every combination and find the best performer. 3. **Validate Model (`yolo.py`):** Take the `run_id` of your best experiment and run validation on the hold-out `test` set to get **detection metrics (mAP)**. 4. **Infer & Count (`predict_tiled.py`):** Use the best `run_id` to run sliced inference on new, large images. This script generates final counts and visual outputs. 5. **Evaluate Counts (`evaluate_counts.py`):** Compare the `detection_counts.csv` from inference against the `ground_truth_counts.csv` to get **counting metrics (MAE, RMSE)**. 6. **Visualize (`run_fiftyone.py`):** Visually inspect your ground truth dataset or your model's predictions at any stage. ## Configuration This project uses two separate configuration files, managed by `robbenblick.utils.load_config`. * **`configs/base_config.yaml`** * **Purpose:** The single source of truth for **single runs**. * **Used By:** `create_dataset.py`, `predict_tiled.py`, `run_fiftyone.py`, and `yolo.py` (for validation/single-predict). * **Content:** Defines static parameters like data paths (`dataset_output_dir`), model (`model`), and inference settings (`confidence_thresh`). * **`configs/base_iter_config.yaml`** * **Purpose:** The configuration file for **experiments and tuning**. * **Used By:** `run_experiments.py`. * **Content:** Any parameter defined as a **YAML list** (e.g., `model: [yolov8n.pt, yolov8s.pt]`) will be iterated over. `run_experiments.py` will test every possible combination of all lists. ## Environment Setup 1. Clone the repository: ```sh git clone git@github.com:ki-iw/robbenblick.git cd robbenblick ``` 2. Create the Conda environment: ```sh conda env create --file environment.yml conda activate RobbenBlick ``` 3. (Optional) Install pre-commit hooks: ```sh pre-commit install ``` ## Core Scripts & Usage ### `create_dataset.py` * **Purpose:** Converts raw CVAT-annotated images and XML files into a YOLO-compatible dataset, including tiling and label conversion. * **How it works:** * Loads configuration from a config file. * Scans `data/raw/` for dataset subfolders. * Parses CVAT XML annotations and extracts polygons. * Tiles large images into smaller crops based on `imgsz` and `tile_overlap` from the config. * Converts polygon annotations to YOLO bounding box format for each tile. * Splits data into `train`, `val`, and `test` sets and writes them to `data/processed/dataset_yolo`. * Saves a `ground_truth_counts.csv` file in each raw dataset subfolder, providing a baseline for counting evaluation. * **Run:** ```sh # Do a 'dry run' to see statistics without writing files python -m robbenblick.create_dataset --dry-run --config configs/base_config.yaml # Create the dataset, holding out dataset #4 as the test set python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 4 ``` * **Key Arguments:** * `--config`: Path to the `base_config.yaml` file. * `--dry-run`: Run in statistics-only mode. * `--test-dir-index`: 1-based index of the dataset subfolder to use as a hold-out test set. * `--val-ratio`: Ratio of the remaining data to use for validation. ### `run_experiments.py` * **Purpose:** **This is the main training script.** It automates hyperparameter tuning by iterating over parameters defined in `base_iter_config.yaml`. * **How it works:** * Finds all parameters in the config file that are lists (e.g., `freeze: [None, 10]`). * Generates a "variant" for every possible combination of these parameters. * For each variant, it calls `yolo.py --mode train` as a subprocess with a unique `run_id`. * After all runs are complete, it reads the `results.csv` from each run directory, sorts them by `mAP50`, and prints a final ranking table. * **Run:** ```sh # Start the experiment run defined in the iteration config python -m robbenblick.run_experiments --config configs/base_iter_config.yaml # Run experiments and only show the top 5 results python -m robbenblick.run_experiments --config configs/base_iter_config.yaml --top-n 5 ``` ### `predict_tiled.py` * **Purpose:** **This is the main inference script.** It runs a trained YOLOv8 model on new, full-sized images using Sliced Aided Hyper Inference (SAHI). * **How it works:** * Loads a trained `best.pt` model specified by the `--run_id` argument. * Loads inference parameters (like `confidence_thresh`, `tile_overlap`) from the `base_config.yaml`. * Uses `get_sliced_prediction` from SAHI to perform tiled inference on each image. * Saves outputs, including visualized images (if `--save-visuals`), YOLO `.txt` labels (if `--save-yolo`), and a `detection_counts.csv` file. * **Run:** ```sh # Run inference on a folder of new images and save the visual results python -m robbenblick.predict_tiled \ --config configs/base_config.yaml \ --run_id "best_run_from_experiments" \ --source "data/new_images_to_count/" \ --output-dir "data/inference_results/" \ --save-visuals ``` ### `evaluate_counts.py` * **Purpose:** Evaluates the *counting* performance of a model by comparing its predicted counts against the ground truth counts. * **How it works:** * Loads the `ground_truth_counts.csv` generated by `create_dataset.py`. * Loads the `detection_counts.csv` generated by `predict_tiled.py`. * Merges them by `image_name`. * Calculates and prints key regression metrics (MAE, RMSE, R²) to assess the accuracy of the object counting. * **Run:** ```sh # Evaluate the counts from a specific run python -m robbenblick.evaluate_counts \ --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" \ --pred-csv "data/inference_results/detection_counts.csv" ``` ### `yolo.py` * **Purpose:** The core engine for training, validation, and standard prediction. This script is called by `run_experiments.py` for training. You can use it directly for validation. * **How it works:** * `--mode train`: Loads a base model (`yolov8s.pt`) and trains it on the dataset specified in the config. * `--mode validate`: Loads a *trained* model (`best.pt` from a run directory) and validates it against the `test` split defined in `dataset.yaml`. This provides **detection metrics (mAP)**. * `--mode predict`: Runs standard (non-tiled) YOLO prediction on a folder. * **Run:** ```sh # Validate the 'test' set performance of a completed run python -m robbenblick.yolo \ --config configs/base_config.yaml \ --mode validate \ --run_id "best_run_from_experiments" ``` ### `run_fiftyone.py` * **Purpose:** Visualizes datasets and predictions using FiftyOne. * **How it works:** * `--dataset groundtruth`: Loads the processed YOLO dataset (images and ground truth labels) from `data/processed/`. * `--dataset predictions`: Loads images, runs a specified model (`--run_id`) on them, and displays the model's predictions. * **Run:** ```sh # View the ground truth annotations for the 'val' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset groundtruth \ --split val \ --recreate # View the predictions from 'my_best_run' on the 'test' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset predictions \ --split test \ --run_id "my_best_run" \ --recreate ``` ### `streamlit_app.py` * **Purpose:** Quick test runs with the trained model of your choice for counting the seals in the image(s) and visualization. * **How it works:** * Loads the selected YOLO model from `runs/detect/`. * Upload images, run model, then displays the counts and model's predictions as image visualization. * **Run:** ```sh # View the ground truth annotations for the 'val' split export PYTHONPATH=$PWD && streamlit run robbenblick/streamlit_app.py ``` ## Recommended Full Workflow 1. **Add Raw Data:** * Place your first set of images and annotations in `data/raw/dataset_01/images/` and `data/raw/dataset_01/annotations.xml`. * Place your second set (e.g., from a different location) in `data/raw/dataset_02/images/` and `data/raw/dataset_02/annotations.xml`. 2. **Create Dataset:** * Run `python -m robbenblick.create_dataset --dry-run` to see your dataset statistics. Note the indices of your datasets. * Let's say `dataset_02` is a good hold-out set. Run: `python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 2` * This creates `data/raw/dataset_02/ground_truth_counts.csv` for later. 3. **Find Best Model:** * Edit `configs/base_iter_config.yaml`. Define your experiments. ```yaml # Example: Test two models and two freeze strategies model: ['yolov8s.pt', 'yolov8m.pt'] freeze: [None, 10] yolo_hyperparams: scale: [0.3, 0.5] ``` * Run the experiments: `python -m robbenblick.run_experiments`. * Note the `run_id` of the top-ranked model, e.g., `iter_run_model_yolov8m.pt_freeze_10_scale_0.3`. 4. **Validate on Test Set (Detection mAP):** * Check your best model's performance on the unseen test data: `python -m robbenblick.yolo --mode validate --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --config configs/base_config.yaml` * This tells you how well it *detects* objects (mAP). 5. **Apply Model for Counting:** * Get a new folder of large, un-annotated images (e.g., `data/to_be_counted/`). * Run `predict_tiled.py`: `python -m robbenblick.predict_tiled --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --source "data/to_be_counted/" --output-dir "data/final_counts/" --save-visuals` * This creates `data/final_counts/detection_counts.csv`. 6. **Evaluate Counting Performance (MAE, RMSE):** * Now, compare the predicted counts (Step 5) with the ground truth counts (Step 2). Let's assume your "to_be_counted" folder *was* your `dataset_02`. `python -m robbenblick.evaluate_counts --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" --pred-csv "data/final_counts/detection_counts.csv"` * This gives you the final MAE, RMSE, and R² metrics for your **counting task**. ## Additional Notes This repository contains only the source code of the project. The training data and the fine-tuned model weights are not included or published. The repository is currently not being actively maintained. Future updates are not planned at this time. For transparency, please note that the underlying model used throughout this project is based on **YOLOv8 by Ultralytics**. ## License Copyright (c) 2025 **Birds on Mars**. This project is licensed under the **GNU Affero General Public License v3.0 (AGPL-3.0)**. This aligns with the license of the underlying **YOLOv8** model architecture used in this project. Please note: **Training data and fine-tuned model weights are not part of the licensed materials** and are not included in this repository. For full details, see the LICENSE file. ## Troubleshooting ### FiftyOne: images (partially) not visible Try using `--recreate` flag to force FiftyOne to reload the dataset: ```sh python robbenblick/run_fiftyone.py --dataset groundtruth --split val --recreate ``` ### FiftyOne: failed to bind port If you get: ``` fiftyone.core.service.ServiceListenTimeout: fiftyone.core.service.DatabaseService failed to bind to port ``` Try killing any lingering `fiftyone` or `mongod` processes: ```sh pkill -f fiftyone pkill -f mongod Then rerun your script. ``` # Collaborators The code for this project has been developed through a collaborative effort between [WWF Büro Ostsee](https://www.wwf.de/themen-projekte/projektregionen/ostsee) and [KI-Ideenwerkstatt](https://www.ki-ideenwerkstatt.de), technical implementation by [Birds on Mars](https://birdsonmars.com). <p></p> <a href="https://ki-ideenwerkstatt.de" target="_blank" rel="noopener noreferrer"> <img src="assets/kiiw.jpg" alt="KI Ideenwerkstatt" height="100"> </a> <p></p> Technical realization <br> <a href="https://birdsonmars.com" target="_blank" rel="noopener noreferrer"> <img src="assets/bom.jpg" alt="Birds On Mars" height="100"> </a> <p></p> An AI initiative by <br> <a href="https://www.bundesumweltministerium.de/" target="_blank" rel="noopener noreferrer"> <img src="assets/bmukn.svg" alt="Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit" height="100"> </a> <p></p> In the context of <br> <a href="https://civic-coding.de" target="_blank" rel="noopener noreferrer"> <img src="assets/civic.svg" alt="Civic Coding" height="100"> </a>
Berechnung und Messung von Schiffswellen in seitlich begrenztem Fahrwasser Wie weit reichen die schiffserzeugten Wellen und Strömungen des Primärwellensystems eines Schiffes? Neben der Beantwortung dieser Frage soll zusätzlich der validierte Bereich vom Nahfeld des Schiffs in Richtung Ufer vergrößert werden. Dazu werden bestehende Messverfahren zur Vermessung der Wasseroberfläche eingesetzt. Aufgabenstellung und Ziel An den Seehafenzufahrten liegen seitlich der Fahrrinne häufig sehr weitläufige und flache Gewässerbereiche oder angrenzende Strukturen wie Hafenbecken und Seitenarme. In diesen Bereichen beruht die Prognose von Ausbreitung und Wirkbereich schiffserzeugter Primärwellen derzeit auf vereinfachten Annahmen und theoretischen Überlegungen oder muss sehr aufwändig im gegenständlichen Modell mit einem hohen Personal- und Sachmitteleinsatz untersucht werden. Die Relevanz dieser Gewässerbereiche nimmt aufgrund ökologischer Aspekte oder verstärkter Betroffenheiten zu, sodass die Prognosesicherheit der schiffserzeugten Belastungen hier verbessert werden muss. Das bereits zur Berechnung von Schiffsdynamik und schiffserzeugten Belastungen eingesetzte CFD-Verfahren (numerische Strömungssimulation) wird für die projektpraktische Anwendung im Böschungs- und Uferbereich eingerichtet und anhand von Messdaten aus dem Labor und aus der Natur validiert. Anhand von systematischen CFD-Untersuchungen wird ermittelt: (i) unter welchen Bedingungen weit von der Fahrrinne entfernt liegende Böschungs- und Uferbereiche durch schiffsinduzierte Wellen und Strömungen belastet werden, (ii) unter welchen Bedingungen eine Belastung von Böschungen und Ufern entsteht, die sich nicht durch eine lineare Übertragung der Belastungen am Böschungsfuß der Fahrrinne herleiten lässt und (iii) wie sich die Primärwelle in angeschlossenen Gewässerbereichen, bspw. Hafenbecken und Seitenarmen, ausbreitet und quantitativ auswirkt. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Um Fragestellungen in der Fachaufgabe Wechselwirkung Seeschiff/Seeschifffahrtsstraße effizient bearbeiten zu können, wurde die Methode der numerischen Strömungssimulation eingeführt. Die Verfügbarkeit eines numerischen Strömungsmodells zur Vorhersage fahrdynamischer Größen und Strömungsbedingungen im Flachwasser ist bei vielen Aufgaben der WSV erforderlich. Zusätzlich zu dem Fokus auf die Schiffsdynamik ist eine Aussage zu der schiffserzeugten Belastung notwendig. In diesem FuE-Projekt soll die Prognosefähigkeit des CFD-Verfahrens insbesondere in Ufer- und Seitenbereichen deutlich erhöht werden. Neben der Verfügbarkeit einer prognosefähigeren Methode werden außerdem anhand der Untersuchungen allgemeingültige Zusammenhänge ermittelt. Damit ist zukünftig für einfache Sachverhalte eine Ableitung der Ausbreitung und Wirkung von Schiffsprimärwellen in Seeschifffahrtsstraßen ohne aufwändige CFD-Simulation möglich. Untersuchungsmethoden Um die oben aufgeführten Ziele zu erreichen, wird das kommerziell verfügbare, bereits seit vielen Jahren in der BAW eingesetzte und für die unterschiedlichen Fragestellungen validierte CFD-Softwarepaket STARCCM+® genutzt (Bechthold und Kastens 2020, Kochanowski und Kastens 2022, Delefortrie et al. 2023). Im Bereich Naturmessungen soll durch Einsatz neuer Vermessungsmethoden, die in der BAW bereits vorhanden sind, eine Verbesserung von Wellen- und Strömungsdaten angestrebt werden, um flächenhafte Daten zum Schiffswellensystem zu erheben. Mit diesen neuen flächenhaften Daten und bereits vorhandenen punktuellen Daten aus dem physikalischen Modellversuch soll das CFD-Verfahren jenseits des Nahbereichs um das Schiff weiter validiert werden. Das validierte Verfahren wird dann für systematische Untersuchungen flacher, weitläufiger Bereiche und angeschlossener Gewässerteile genutzt.
Verlässliche Vorhersagen von Wetter und Klimawandel erfordern ein gutes Verständnis der Eisbildung in troposphärischen Wolken. Von besonderer Bedeutung ist dabei die sogenannte heterogene Eisnukleation durch atmosphärische Aerosolpartikel. Das hier beantragte Projekt beinhaltet eine umfassende Untersuchung der heterogenen Eisnukleation in Zirruswolken und Mischphasenwolken, gemeinsam mit 8 weiteren Projekten der Forschergruppe INUIT. Eisbildung durch Kontaktgefrieren wird für einzelne Tröpfchen in einem elektrodynamischen Levitator (Paulfalle) untersucht. Experimente zum Einfluss von Aerosolen auf Immersionsgefrieren, Kontaktgefrieren und Depositionsnukleation werden in der AIDA-Wolkenkammer und einer neuen dynamischen Wolkenkammer durchgeführt, falls diese wie geplant bis Anfang 2016 zur Verfügung stehen wird. Hauptziele und Arbeitspakete des Projekts sind (a) Untersuchungen zum Immersionsgefrieren, Kontaktgefrieren und zur Depositionsnukleation von INUIT-2 Referenzaerosolen in enger Zusammenarbeit mit allen anderen lNUlT-2-Partnern, (b) AIDA-Wolkensimulationsexperimente mit redispergierten atmosphärischen Aerosolen die auf Filtern gesammelt wurden (in Zusammenarbeit mit RP8), (c) AIDA-Experimente mit porösen Partikeln zur Untersuchung des Einflusses von Kapillarkondensation und Prä-aktivierung auf Eisnukleationsprozesse, (d) EDB-Experimente zur Kontaktnukleation mit atmosphärisch relevanten und komplexen Aerosolen, (e) Untersuchungen zu den grundlegenden Mechanismen des Kontaktgefrierens, (f) die Entwicklung einer umfassenden und einheitlichen Parametrisierung heterogener Eisnukleation in enger Zusammenarbeit mit RP3 und RP5, (g) erste Experimente zur Kontaktnukleation in einer neuen Wolkenkammer unter Nutzung der Expertise aus langjährigen Experimenten zum Kontaktgefrieren und mit der Wolkensimulationskammer, (h) die Durchführung von zwei AIDA-Messkampagnen, eine nur für die INUIT-2- Partner und eine mit internationaler Beteiligung, bei denen Labormethoden und Feld Instrumente für die Messung von Aerosolen und eisbildenden Partikeln getestet und miteinander verglichen werden um hohe internationale Standards in der Eisnukleationsforschung zu entwickeln und zu erhalten. Die Aktivitäten an der AIDA-Wolkenkammer bieten auch eine gute Verknüpfung der Labor-, Feld und Modellieraktivitäten innerhalb der Forschergruppe INUIT und mit externen Partnern. In Ergänzung der laufenden INUIT-Arbeiten möchten wir in weiteren drei Jahren der Forschergruppe folgende neue Schwerpunkte setzen: die Eisnukleationseigenschaften von porösen Partikeln, Immersionsgefrieren und Depositionsnukleation von größenselektierten Partikeln mit Durchmessern bis zu einigen Mikrometern, die Quantifizierung von Kontaktgefrierraten von atmosphärisch relevanten komplexen Aerosolpartikeln, und erste Wolkenkammerexperimente zum Kontaktgefrieren. Außerdem werden wir die Erstellung und Pflege einer neuen Datenbank für Laborergebnisse zur heterogenen Eisnukleation unterstützen.
Navigation Lock Filling - Modeled Geometry and Physical Model Measurement Data This data set provides the geometry files and physical model measurement data for the filling process of a large navigation lock with a ship in the lock chamber from a water saving basin. The measured data contains water levels, pressure differences, forces on the ship and the opening height of the valves. The lock consists of a lock chamber with a pressure chamber underneath. Both chambers are hydraulically connected with vertical cylindrical filling nozzles inside the floor between both chambers. The three lateral saving basins are connected to the pressure chamber via two lateral culverts each of smoothly varying rectangular shape. Each saving basin has two of these connecting culverts. A vertical lifting valve in each culvert allows the controlled filling operation from the saving basins into the pressure chamber. In the experiment, the lock chamber is filled from the lowest saving basin. The physical model was constructed at a scale of 1:25. The provided data (geometry and model test results) is scaled to prototype scale by Froude's similitude. The data was used in the following publication: Thorenz, C., Schulze, L. (2021): Numerical Investigations of Ship Forces During Lockage. Journal of Coastal and Hydraulic Strucures. Please cite the paper when using the data.
Die Kompostierung von Pflanzenabfaellen in den Berliner Bezirken kommt aufgrund der zunehmenden Flaechenkonkurrenz innerhalb des Stadtgebietes immer mehr in Bedraengnis. Zudem zeigt sich, dass die Kompostierung aufgrund fehlender Mittel und Kenntnisse meist nicht sehr effektiv durchgefuehrt wird. Mit Hilfe eines Forschungsvorhabens war zu klaeren, wie die bezirkliche Gruenrestekompostierung auch langfristig als wichtige Abfallvermeidungsmassnahme sichergestellt werden kann. Grundidee war die Verringerung des Flaechenbedarfs durch eine Optimierung des Rotteprozesses unter praxisnahen und kostenguenstigen Bedingungen. Die Ergebnisse zeigen, dass mit geringem organisatorischen und betrieblichen Aufwand bereits sehr gute Ergebnisse in dieser Hinsicht erzielt werden koennen. Durch eine gemeinsame Ausschreibung von Dienstleistungen werden zudem die anfallenden Betriebskosten reduziert.
Naturnahe Waldbewirtschaftung orientiert sich an den Entwicklungsmodellen des Naturwaldes mit hohem Selbststeuerungspotential. Diese Modelle müssen mit Hilfe von Beobachtungen und Versuchen aufgestellt und untermauert werden, um sie dann im praktischen Waldbau nutzen zu können. Ohne Eingreifen des Menschen wäre NRW wahrscheinlich auf über 90 % der Fläche mit fast reinem Buchenwald bestanden. Heute sind nur ca. 27 % bewaldet und davon nur ca. 16,5 % mit Buche. Das Laub-/Nadelholzverhältnis beträgt für den gesamtwald 52,7% (Laubbäume) / 47,3 % (Nadelbäume). Ein Ziel im ökologischen Waldbau ist damit die Waldvermehrung durch Erstaufforstung mit Laubwald und der Waldumbau. Angemessene Beimischungen von nutzbringenden Nadelhölzern sind hierbei auch im Sinne der Biodiversität gefragt. Die Auswertungen von Beobachtungen und Versuchen steuern stetig neue Entwicklungen von Leitbildern zu naturnahen Waldbauverfahren bei. Daraus ergeben sich Planungen und Konzepte zu neuen Versuchen im ökologischen Waldbau. Letztendlich steht die Weitergabe der gewonnenen Erkenntnisse an die Forstbehörden und die Beratung bei der Umsetzung von Maßnahmen im Vordergrund.
The pattern of plant nutrient uptake in a soil profile is the result of complex processes occurring at the cellular or sub-cellular levels but affecting the whole-plant behaviour in function of the plant environment that varies strongly in time and space. The plant nutrient acquisition depends on root architecture and growth, on soil properties and heterogeneity, and on the 3-D distribution of nutrients and water. Equally important is how these parameters interact, as for instance how the nutrient distribution and soil properties and heterogeneity impact root growth or how nutrient and water limitation affect assimilate allocation. Mathematical modelling using a spatial resolution that resolves the spatial structure of the root structure and the nutrient and water distribution is therefore needed to quantitatively account for these complex and interacting processes and to predict plant nutrient uptake behaviour under environmental constraints. The main goal of the project is to build a modelling platform able to describe 3-D flow and transport processes in the soil to individual roots of an entire root system (WP1). Model parameters will be derived from specific experiments performed at the plant scale in the research group (WP3) and stored in a specific data warehouse (WP2). The impact of different parameters, which describe root growth and nutrient uptake at the single root scale, on nutrient uptake at the soil profile scale, will be investigated based on scenario analyses (WP4). Data on water and nutrient uptake and root growth from plant and field scale experiments will be compared with model predictions to validate the model. Simulations with the 3-D root scale model will be used to validate hypotheses and parameterizations of larger scale 1-D models that do not describe processes at the scale of individual roots (WP5 and SP10).
Basierend auf der Grundlage zur Bemessung für Böschungs- und Sohlsicherungen an Binnenwasserstraßen (GBB, 2010) sollen Modellversuche und Berechnungen zur Porenwasserdruckentwicklung in (schluffigen) Sanden durchgeführt werden um ein mögliches Optimierungspotenzial zu bewerten. Zudem soll das Verflüssigungsverhalten dieser Sande betrachtet werden. Aufgabenstellung und Ziel Ufer von Bundeswasserstraßen unterliegen hydraulischen Einwirkungen. Schiffe z. B. erzeugen bei Vorbeifahrt am Ufer einen sogenannten Absunk, der im Boden Porenwasserüberdrücke und damit Porenströmungen erzeugt, die zur Verflüssigung einer oberflächennahen Schicht führen können. Bei konventionellen Deckwerken wird die lokale Standsicherheit der Böschungen durch das Aufbringen einer Flächenlast (Wasserbausteine) gewährleistet. Die Bemessung der Deckschicht erfolgt dabei anhand des BAW-Merkblatts „Grundlagen zur Bemessung von Böschungs- und Sohlsicherungen an Binnenwasserstraßen (GBB)“ (Bundesanstalt für Wasserbau 2010). Technisch-biologische Ufersicherungen (TBU) können dabei helfen, Wasserstraßen wieder naturnaher zu gestalten. Diese können aus einer Kombination von pflanzlicher und technischer Sicherung oder durch eine rein pflanzliche Sicherung hergestellt werden. Bei TBUs ohne technische Komponenten fehlt eine sichernde Auflast. Die Stabilität wird hier primär durch das Wurzelwerk der Pflanzen hergestellt. An bestehenden TBUs wurde beobachtet, dass besonders in den ersten Jahren nach dem Einbau Bodenerosion auftritt, obwohl die Fließgeschwindigkeiten gering sind (Fleischer und Soyeaux 2016). Möglicherweise wird der Erosionsprozess durch das Auftreten von Porenwasserüberdrücken bis hin zur Verflüssigung hervorgerufen bzw. begünstigt. In dieser Arbeit werden Versuche zur Überprüfung des Ansatzes für den Porenwasserüberdruck bei der Bemessung der Deckschichtdicke für schluffige Sande unter Auflast an der Wechseldurchströmungsanlage (WDA) durchgeführt. Zudem werden auch Versuche mit freier Oberfläche durchgeführt, um das Verhalten der entsprechenden Böden für TBUs besser einschätzen und mögliche Verflüssigungsprozesse erkennen zu können. Die Versuche werden dann nach dem BAW Merkblatt: „GBB“ (Bundesanstalt für Wasserbau 2010) sowohl mit analytischen als auch numerischen Methoden nachgerechnet, mit den Versuchsergebnissen verglichen und um eine Parameterstudie ergänzt. Hierbei steht die Überprüfung der Bemessungsgrundlagen und die Bewertung des Optimierungspotenzials der Deckwerksdicke im Vordergrund. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Als Dienstleisterin der WSV entwickelt die BAW im Referat Erdbau- und Uferschutz die Bemessungsregeln für Deckwerke an Bundeswasserstraßen und untersucht insbesondere die Standsicherheit und Weiterentwicklung naturnaher Ufersicherungen, welche zunehmend an Bedeutung gewinnen. Durch eine mögliche Optimierung der Bemessung von Deckschichtdicken könnten Ufersicherungen noch wirtschaftlicher und ressourcenschonender geplant werden. Zudem gilt es, für die weitere Planung von Wasserstraßen den immer wichtiger werdenden Aspekt einer umweltverträglichen und ökologisch sinnvollen Alternative zu Schüttsteindeckwerken voran zu treiben. Um die bereits eingesetzten technisch-biologischen Ufersicherungen weiter etablieren zu können, ist ein vertieftes Prozessverständnis der Verflüssigungsprozesse in Bereichen ohne Deckschicht für verschiedene Bodentypen (z. B. nach dem BAW-Merkblatt MAR B2, B3 und B4) notwendig.
Am Südwestrand des Harzes wurde zwischen 1930 und 1933 bei Bad Lauterberg (Niedersachsen) die Odertalsperre errichtet, die dem Hochwasserschutz, der Energieerzeugung und der Niedrigwasseraufhöhung des Unterlaufes der Oder in Trockenzeiten dient. Die Gesamtanlage besteht neben der 56 m hohen Hauptsperre (Erddamm mit Betonkern) aus einem unterhalb gelegenen Ausgleichsbecken (ca. 200 m x 700 m), das wiederum durch einen 7,5 m hohen Erddamm mit integrierter Wehranlage begrenzt wird. Das Reservoir der Hauptsperre und das Ausgleichsbecken wurden bis Anfang der 1990er Jahre als Pumpspeicherkraftwerk betrieben. Zur sicheren Ableitung extremer Hochwasser existiert am linken Hang der Hauptsperre eine Hochwasserentlastungsanlage (HWE) aus Beton, die nach fast 80 Jahren Schäden aufweist, die einer Sanierung bedürfen. Aus Sicherheitserwägungen soll außerdem die Wehranlage des Ausgleichsbeckens umgebaut werden. Für den Betreiber, die Harzwasserwerke GmbH aus Hildesheim, wurden deshalb von Dezember 2008 bis September 2009 zur Vorbereitung der geplanten Sanierungen hydraulische Modellversuche zur HWE, zur Wehranlage am Abschlussdamm des Ausgleichsbeckens und zum Ausgleichsbecken selbst durchgeführt. Unter Leitung von Prof. Jürgen Stamm erfolgten im Hubert-Engels-Labor des Instituts für Wasserbau und Technische Hydromechanik (IWD) der TU Dresden durch Dipl.-Ing. Holger Haufe und Dipl.-Ing. Thomas Kopp die Untersuchungen an drei Teilmodellen, zwei davon physikalisch im Maßstab M 1:25 für die HWE und M 1:20 für die Wehranlage. Bei dem dritten Teilmodell handelte es sich um ein tiefengemitteltes 2D-hydronumerisches Modell zur Ermittlung der Strömungsverhältnisse im Ausgleichsbecken. Am Teilmodell der HWE wurde im Rahmen mehrerer Versuchsreihen die hydraulische Leistungsfähigkeit und Funktionstüchtigkeit für verschiedene Zustände (vor, während und nach der Sanierung) überprüft und nachgewiesen. Durch Maßstabseffekte bedingte hydraulische Unterschiede zwischen Natur und Modell (Wasser-Luft-Gemischabfluss), die im 'verkleinerten' Modell nicht auftraten, wurden analytische Berechnungen durchgeführt, mit denen nachgewiesen werden konnte, dass die Seitenwände der HWE auch beim vermutlich größten Hochwasser (PMF) nicht überströmt werden. Die Harzwasserwerke GmbH wird voraussichtlich 2010/11 auf Grundlage der Versuchsergebnisse mit den Sanierungsarbeiten beginnen. Die am IWD untersuchten und hydraulisch optimierten Einzelmaßnahmen werden dann zu einer effizienten Bauausführung beitragen und anschließend die Hochwassersicherheit der Odertalsperre für die nächsten Generationen gewährleisten. (Text gekürzt)
Untersuchung des Verhaltens der Flussohle bei verschiedenen Abfluessen ohne und mit abgelaufenen Naturvorgaengen.
| Organisation | Count |
|---|---|
| Bund | 1724 |
| Europa | 66 |
| Kommune | 17 |
| Land | 103 |
| Weitere | 8 |
| Wirtschaft | 38 |
| Wissenschaft | 1326 |
| Zivilgesellschaft | 55 |
| Type | Count |
|---|---|
| Daten und Messstellen | 2 |
| Ereignis | 1 |
| Förderprogramm | 1693 |
| Software | 1 |
| Text | 34 |
| unbekannt | 571 |
| License | Count |
|---|---|
| Geschlossen | 37 |
| Offen | 1749 |
| Unbekannt | 516 |
| Language | Count |
|---|---|
| Deutsch | 1594 |
| Englisch | 854 |
| Resource type | Count |
|---|---|
| Archiv | 2 |
| Bild | 2 |
| Datei | 2 |
| Dokument | 28 |
| Keine | 1015 |
| Webdienst | 1 |
| Webseite | 1267 |
| Topic | Count |
|---|---|
| Boden | 1035 |
| Lebewesen und Lebensräume | 1295 |
| Luft | 979 |
| Mensch und Umwelt | 2302 |
| Wasser | 894 |
| Weitere | 2280 |