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.
Aus modernsten Mikroprozessorbausteinen wurde ein preiswertes, kompaktes Geraet zur Datenerfassung und Datenspeicherung im Freiland entwickelt, das batteriebetrieben unter mitteleuropaeischen Witterungsbedingungen sehr stoerungsarm mit einer bisherigen Ausfallquote von nur 2 Prozent arbeitet. An das Geraet sind maximal 18 Messfuehler anschliessbar. Die Messwerte werden in waehlbaren Abstaenden in einem Speicherbaustein (Eprom) abgelegt, der am Einsatzort des Geraetes leicht auszuwechseln ist. Die Messdaten koennen mit Hilfe eines einfachen Lesegeraetes in jeden Rechner uebertragen werden. Der frei programmierbare Mikroprozessor des Geraetes kann seinerseits bereits im Feld weitere Aufgaben ausfuehren. Im vorliegenden Fall berechnet er aus den gemessenen Daten fuer die Lufttemperatur, die relative Luftfeuchtigkeit und die Blattbenetzung mit Hilfe von mathematischen Modellen die Entwickung von Schadpilzen in Weizen-, Kartoffel- und Apfelkulturen. So erhaelt der Landwirt ein Warngeraet, das ihm anzeigt, ob eine chemische Bekaempfungsmassnahme gegen den betreffenden Schadpilz erforderlich ist, um wirtschaftlichen Schaden abzuwenden.
Das Agrarmeteorologisches Messnetz wurde im Rahmen des Programms "Umweltgerechte Landwirtschaft" aufgebaut und umfasste landesweit bis 2006 insgesamt 42 Messtationen (ab 2007 Reduzierung auf 34 Stationen).
Das Messnetz dient in erster Linie als Grundlage für computergestützte Entscheidungshilfen und Prognoseverfahren bzw. -modelle im Feldbau (Halmbruch, Getreideblattläuse, Krautfäule, Kartoffelkäfer) sowie im Gartenbau (Apfelschorf, Tierische Schaderreger, Feuerbrand, Gemüsefliegen, Weinkrankheiten).
Die Ergebnisse der Prognoserechnungen werden für regionale Warndienstempfehlungen in den Informationsmedien (Internet etc.) bereitgestellt.
Weitere Anwendungsgebiete sind:
- Auswertung und Interpretation von Feldversuchen,
- Beurteilung phänologischer Situationen,
- Bewertung des Schaderregerauftretens,
- Beurteilung witterungsbedingter Schäden,
- Angaben zur klimatischen Wasserbilanz,
- Bestimmung von acker- und pflanzenbaulichen Terminen.