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.
Die Bundesanstalt für Geowissenschaften und Rohstoffe (BGR) wurde von der Bundesgesellschaft für Endlagerung (BGE) im Rahmen einer bestehenden Zusammenarbeitsvereinbarung (BGE & BGR 2018. Vereinbarung über die Zusammenarbeit zwischen der BGE und der BGR. Peine, Hannover: Bundesgesellschaft für Endlagerung mbH (BGE), Bundesanstalt für Geowissenschaften und Rohstoffe (BGR), 22. August 2018) mit dem Arbeitspaket „Datenbasis zu Salzstrukturen, Variabilitätsstudie und Entwicklung einer Prognosemethode zum Internbau von Salzstrukturen“ (AP-Nr.: 9S 2022020000) beauftragt, methodische Ansätze für die Prognose des Internbaus von Salzstrukturen zu entwickeln. Im Rahmen dieser Arbeiten wurden gut erkundete Salzstrukturen hinsichtlich ihres Internbaus eingehend untersucht und geologischen Faktoren, die zur Entstehung des Internbaus geführt haben, wurden daraus abgeleitet. Mit der entwickelten Methode können die nach Standortauswahlgesetz (StandAG) durch BGE ermittelten 60 Teilgebiete in Steinsalz in steiler Lagerung systematisch hinsichtlich ihrer geologischen Voraussetzungen für das Auffinden hinreichend großer Wirtsgesteinsbereiche mit Barrierewirkung (WbB) bewertet werden. Ein geologischer Faktor, der zur Bewertung der Komplexität des Internbaus von Salzstrukturen herangezogen werden kann, ist die primäre Steinsalzmächtigkeit. Die Datenlage für eine belastbare Prognose der räumlichen und anteiligen Verteilung des Steinsalzes innerhalb von Salzstrukturen des Norddeutschen Beckens (NDB) ist derzeit noch unzureichend. Um diesen geologischen Faktor für alle 60 Teilgebiete in Steinsalz in steiler Lagerung bewerten zu können, bedurfte es daher einer Kartengrundlage zum NDB mit regional spezifischen Angaben zur Primärmächtigkeit des Steinsalzes der Staßfurt-Formation (z2Na). Der Datensatz enthält die im Rahmen des genannten Arbeitspaketes erstellten Raster-Daten zum Norddeutschen Becken (NDB) mit regional spezifischen Angaben zur Primärmächtigkeit des Steinsalzes der Staßfurt-Formation (z2Na) sowie ergänzenden Berechnungszwischenschritten in drei File-Geodatebases (.gdb). Auf Basis eines aufgearbeiteten kompilierten Basisdatensatzes wurden durch vier unabhängige Bearbeitende unterschiedliche Modelle entwickelt, aus denen ein präferiertes Modell sowie Spannweite, Median, Minimal-, Maximal- und Mittelwert aller Modelle definiert wurden. Weitere Informationen sind dem Bericht (Jähne-Klingberg, F. & Paul, B. 2025. Erstellung einer Übersichtsdarstellung zur primären Mächtigkeitsverteilung des Staßfurt-Steinsalzes (z2Na) im Norddeutschen Becken. Kurzstudie. Hannover: Bundesanstalt für Geowissenschaften und Rohstoffe (BGR), 21.11.2025) und der Readme des Datensatzes zu entnehmen.
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.