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.
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 Hauptaufgaben der Forschung auf dem Gebiet des Waldbaus bestehen in der wissenschaftlichen Begleitung
- des Umbaus von Nadelholzreinbeständen in naturnahe Mischwälder
- der Pflege von Waldbeständen und
- des Prozessschutzes bzw. der Prozessanalyse in Naturwaldzellen.
Für diese Aufgaben wurde in Sachsen ein standorts- und waldstrukturrepräsentative Versuchsflächennetz angelegt. Dieses dient u.a. zur
- ressourcenorientierten komplexen Analyse von Waldentwicklung (Bodenvegetation, Waldstruktur, Baumarten, Mischungen etc.) und Umweltdynamik (Mikroklima , Wasser) sowie der Ableitung von entsprechenden Wirkmechanismen bspw. über die
- Erarbeitung, Weiterentwicklung und Nutzung von Prognosesystemen zur pflanzenprozess- und waldstrukturabhängigen Abschätzung von Wasserhaushalts- u. Wachstumsdynamiken.
- Durchführung verschiedener ökophysiologischer Detailuntersuchungen (bspw. Assimilation, Transpiration, Biomassen, Reservestoffe wichtiger Baumarten/ Pflanzenarten)
- waldstrukturorientierten Monitoring der Umweltdynamiken (Meteorologie, Strahlung, Wasserhaushalt etc.) und Umweltauswirkungen (Waldschadenserhebung).
Die erforderliche Strukturierung, effektive Verfügbarkeit und Auswertung des erhobenen komplexen Datenpools wird über die Pflege und Weiterentwicklung des FIS Waldökologie, Waldverjüngung, Waldpflege erreicht.
Im Rahmen des Waldbaus werden diese Forschungsergebnisse in die forstwirtschaftliche Praxis der Forstämter überführt. Dazu gehören u.a. folgende Teilaufgaben:
- Erarbeitung von standorts- und waldstrukturabhängigen praxisorientierten waldbaulichen Bewirtschaftungsempfehlungen zum Waldumbau und zur Waldpflege
- Untersuchung von waldbaulichen Rationalisierungsmöglichkeiten (Naturverjüngungen, Pflegeextensivierungen, Einbeziehung von Sukzessionsprozessen)
- Zusammenfassung und Überführung der wissenschaftlichen Ergebnisse in Form von Merkblättern, Entwürfen zu Verfügungen und Erlassen für die forstliche Praxis
- Durchführung und Weiterentwicklung des waldbaulichen Qualitätsmanagements der Forstbetriebe
- Erarbeitung des jährlichen Waldzustandsberichts für Sachsen.
Das Karlsruher Institut für Technologie (KIT) nimmt an diesem Projekt mit zwei Instituten aus unterschiedlichen Fachrichtungen teil. Das Institut für Elektroenergiesysteme und Hochspannungstechnik des KIT (IEH) fokussiert die TE Diagnostik mit neuen Ansätzen bei der Sensorik und der Signalauswertung. Dazu wird zum einen auf Sensorsysteme des IEH und zum anderen auf Sensorentwicklungen der Partner (Heinmann Sensor GmbH) zurückgegriffen. Ein weiteres Ziel ist die Durchführung von Experimenten, dessen Ergebnisse für die Entwicklung von Prognose- und Assistenzsystemen im Rahmen des Anlagenservice genutzt werden sollen. Das Institut für Technische Mechanik des KIT (ITM) verfolgt als übergeordnetes Arbeitsziel (siehe AP2 in der Gesamtvorhabensbeschreibung (GVB) die Entwicklung einer systematischen sensorbasierten Methode zur zuverlässigen Lebensdauervorhersage für Steuerungs- und Schutzkomponenten.