API src

Found 259 results.

Related terms

Reservoir-modelling and parametrization of a potential reservoir structure (Pilot area B) in the German North Sea

As part of the CDRmare joint project GEOSTOR (https://geostor.cdrmare.de/), the BGR created detailed static geological 3D models for two potential CO2 storage structures in the Middle Buntsandstein in the Exclusive Economic Zone (EEZ) of the German North Sea and supplemented them with petrophysical parameters (e.g. porosities, permeabilities). The 3D geological model (Pilot area B; ~560 km2) is located in the north-western part of the German North Sea sector, the so-called “Entenschnabel”, an approximately 150 kilometer long and 30 kilometer wide area between the offshore sectors of the Netherlands, Denmark and Great Britain (pilot region B). The model in the Ducks Beak is based on several high-resolution 3D seismic data and geophysical/geological information from four exploration wells. It includes 20 generalized faults and the following 16 horizon surfaces: 1) Sea Floor, 2) Mid Miocene Unconformity, 3) Base Tertiary, 4) Base Upper Cretaceous, 5) Base Lower Cretaceous, 6) Base Upper Jurassic, 7) Base Lower Jurassic, 8) Base Muschelkalk, 9) Base Röt, 10) Base Solling Formation, 11) Base Detfurth Formation, 12) Base Volpriehausen Wechselfolge, 13) Base Volpriehausen Formation, 14) Base Triassic, 15) Base Zechstein, 16) Top Basement. The reservoir formed by sandstones of the Middle Buntsandstein is located within the Mads Graben, which is bounded to the west by the extensive Mads Fault (normal fault). Marine mudstones of the Upper Jurassic and Lower Cretaceous serve as the main seal formations. Petrophysical analyses of all considered well data were conducted and reservoir properties (including porosity and permeability) were calculated to determine the static reservoir capacity for these potential CO2 storage structures. The model parameterized and can be used for further dynamic simulations of storage capacity, geo-risk, and infrastructure analyses, in order to develop a comprehensive feasibility study for potential CO2 storage within the project framework. The 3D models were created by the BGR between 2021 and 2024. SKUA-GOCAD was used as the modeling software. We would like to thank AspenTech for providing licenses for their SSE software package as part of the Academic Program (https://www.aspentech.com/en/academic-program).

Repository der KI-Ideenwerkstatt: robbenblick

# 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>

Seehunde: Sichtungen an Liegeplätzen im Schleswig-Holsteinischen Wattenmeer ab 1989

Dieser dienstbezogene Datenbestand stellt alle ab 1989 verfügbaren Seehund-Daten aus Zählflügen im Bereich des Nationalparks "Schleswig-Holsteinisches Wattenmeer" zur Verfügung. Hier handelt es sich um Daten aus flächendeckenden, flugzeuggestützten Erfassungen aus, für Seehunden relevanten Jahreszeiten, ab 1989: in der Regel werden pro Jahr zur Wurfzeit (Mai - Juli) drei und zur Haarwechselzeit (August - September) zwei Erfassungsflüge durchgeführt. Dieser Dienst liefert folgende Informationen, die zur Bestandsabschätzung nötig sind: Anzahlen von Seehunden pro Liegeplatz pro Flug und den Anteil an Jungtieren. Der hier beschriebene Datenbestand liefert alle Daten der Erfassungsflüge ab 1989. Durch einen Jahres-Filter können die Daten auf die einzelnen Erfassungsjahre eingeschränkt werden, pro Jahr werden dann alle fünf Erfassungen dargestellt. Auf Basis des Flugdatums können die Erfassungen auch einzeln dargestellt werden. Während des Monitorings wird allen gezählten Einzeltieren bzw. Gruppen eine punktgenaue Koordinate zugewiesen, die als Liegeplatz definiert ist. Wenn möglich wird bei der Zählung nach adulten und juvenilen Tieren unterschieden. Sichtungen außerhalb dieses Zeitraumes werden in diesem Datensatz nicht zur Verfügung gestellt (siehe dazu: Robben: Monitoring der Bestände von Seehunden und Kegelrobben im Schleswig-Holsteinischen Wattenmeer ab 1989.

(WMS) - Seehunde: Sichtungen an Liegeplätzen im Schleswig-Holsteinischen Wattenmeer ab 1989 (LKN.SH - NPV)

Darstellungs-Geodienst zum Vorkommen von Seehunden an Liegeplätzen im Bereich des Nationalparks "Schleswig-Holsteinisches Wattenmeer". Hier handelt es sich um Daten aus flächendeckenden, flugzeuggestützten Erfassungen aus, für Seehunden relevanten Jahreszeiten, ab 1989: in der Regel werden pro Jahr zur Wurfzeit (Mai - Juli) drei und zur Haarwechselzeit (August - September) zwei Erfassungsflüge durchgeführt. Dieser Dienst liefert folgende Informationen, die zur Bestandsabschätzung nötig sind: Anzahlen von Seehunden pro Liegeplatz pro Flug und den Anteil an Jungtieren. Es sind folgende Layer / Tabellen in diesem Dienst enthalten: 1. Gesamttabelle mit allen Seehund-Monitoring-Flügen ab 1989 2. Tabellen gesplittet nach einzelnen Jahren (ab 2015). In einem Jahres-Layer sind die Daten aller fünf Erfassungen eines Jahres enthalten. 3. Gesamttabelle mit den Anteilen der Jungtiere (nur Daten aus den drei Flügen in der Wurfzeit - In Vorbereitung) Bei flächendeckenden, flugzeuggestützten Erfassungen wird allen gezählten Einzeltieren bzw. Gruppen eine punktgenaue Koordinate zugewiesen, die als Liegeplatz definiert ist. Wenn möglich wird bei der Zählung nach adulten und juvenilen Tieren unterschieden. Für Bestandsberechnungen können die Daten nach einzelnen Erfassungsflügen gefiltert werden. Auf Grundlage der Liegeplatz-Daten wurden zur Bewertung von Eingriffen auch die Ruheplätze der Seehunde berechnet und als Dienst bereitgestellt: (WFS) - Seehunde: Ruheplätze, Objekt-ID:bd9656630-a451-4c01-a228-d9fff62df5f8 Sichtungen außerhalb des oben genannten Zeitraumes werden in diesem Datensatz nicht zur Verfügung gestellt (siehe dazu "(WFS)-Robben: Monitoring der Bestände von Seehunden und Kegelrobben im Schleswig-Holsteinischen Wattenmeer ab 1989" (Object-ID: d847163b-b077-4195-be56-de7664201768).

Analyse der Mikroplastikbelastung von Meeressäugetieren aus der Arktis

Das stetig steigende globale Mikroplastik-Vorkommen bezieht auch das empfindliche Ökosystem der Arktis mit ein. Die AMAP-Arbeitsgruppe des Arktischen Rates zielt deshalb darauf ab, ein reguläres Monitoring zu etablieren, welches sowohl die Entwicklung der Mikroplastikbelastung erfasst als auch die Auswirkungen auf das Ökosystem überwacht. Für diesen Zweck ist es erforderlich grundlegende Informationen zu sammeln und ein standardisiertes Monitoring zu entwickeln, um durch eine längerfristige Datenerhebung Entwicklungen zu erfassen und negative Veränderungen mit effektiven Maßnahmen entgegenzuwirken. Monitoring an Tierpopulationen erfolgt derzeit an Seevögeln und Fischen. Marine Großsäuger und insbesondere Top-Prädatoren (die der indigenen Bevölkerung teilweise auch noch als Nahrungsgrundlage dienen) wurden bisher weniger stark berücksichtigt, sind jedoch auch für die AMAP-AG von Interesse und Bedeutung. Innerhalb des Projektes werden repräsentative Arten der Arktis untersucht: Wale, Robben, Eisbären und Otter. Die Probennahme geschieht in Kooperation mit arktischen Partnern und zielt darauf ab Daten zur Mikroplastikbelastung der Tiere zu generieren.

Turbomaschinen für Hydrogen Technologien, Teilvorhaben: 3.3 und 4.4b Wasserverdunstung im Laufrad eines Radialverdichters und Untersuchung eines digitalen Zwillingmodells von Gasdichtungen

Das Forschungsvorhaben untersucht auf der einen Seite die Auswirkungen der Wassereinspritzung auf das Betriebsverhalten eines Radialverdichters. Die Wassereinspritzung in Axialverdichtern von Gasturbinen ist eine gängige Praxis, um die Leistungsfähigkeit der Turbine zu verbessern. Um dieses Potenzial auch in Radialverdichtern zu nutzen, sind weitere Forschungsarbeiten im Bereich der Flüssigkeitseinspritzung notwendig. Die Radialverdichter werden hauptsächlich in der Prozessindustrie eingesetzt. Ziel dieses Projektes ist es die Berechnung und Einflüsse der Wassereinspritzung auf das Betriebskennfeld eines Radialverdichters zu untersuchen. Im Projekt (FKZ: 03EE5035B) wurde ein Radialverdichter mit Wassereinspritzung aufgebaut und Kennfelder mit und ohne Wassereinspritzung vermessen. Unklar ist das Potenzial der Wassereinspritzung, welches durch den Ort der Verdunstung bestimmt wird, welches hier adressiert werden soll. Im zweiten Thema wird die Abdichtung der Wellenenden, die verhindert, dass das Prozessfluid aus der Maschine in die Atmosphäre entweicht. Die Forschung an berührungslosen Gleitringdichtungen mit Trockengasschmierung DGS (Dry Gas Seals), wird aufgrund des geringen und kontrollierbaren Leckagestroms, des berührungslosen Betriebs und der Eignung für die Hochdruckumgebung, als Dichtungslösung eingesetzt. Im Projekt (FKZ: 03EE5041H) wurden die Prognosemodelle zur Berechnung des Dichtspaltes entwickelt und in ein digitales Zwillingsmodell implementiert. Die gesamte Architektur des digitalen Zwillings basierend auf einer Open Source IoT-Plattform. Im neuen Projekt wird das Gesamtkonzept auf eine reale Maschine übertragen. Die messbaren und nicht messbaren Prozessgrößen der realen Anlage und ihre logischen Zusammenhänge werden mit Hilfe von maschinellem Lernen und physikbasierten Modellen analysiert. Die Ergebnisse werden zur Leistungsoptimierung von Radialverdichtern in der Prozessindustrie genutzt.

Digitalisierung und interdisziplinäre Auslegungstechnologien von Turbomaschinen für die Energiewende, Teilvorhaben: AP1.1b, AP 1.2c und AP 3.1b

Vorhabenbeschreibung AP 1.1b: Die heutige Vorgehensweise der industriellen aerodynamischen und strukturmechanischen Turbomaschinen Schaufel-Auslegung ist disziplinär und sequenziell organisiert. Im Rahmen des Vorhabens soll dies durch interdisziplinäre Prozessketten und automatisierte Optimierungsstrategien abgelöst werden. Durch eine zielgerichtete Nutzung von Methoden aus dem Bereich Maschinelles Lernen (ML) und künstliche Intelligenz (KI) werden datengetriebene Modelle für die physikalisch umfassende digitale Modellierung bereitgestellt. Vorhabenbeschreibung AP 1.2: Mit dem Harmonic-Balance-Verfahren steht dem DLR ein hochwertiges Frequenzbereichsverfahren für instationäre Strömungssimulationen zur Verfügung, das deutlich effizienter als konventionelle, instationäre Zeitbereichsverfahren (URANS) bei akzeptablem Genauigkeitsverlust ist. Aufgrund sekundärer, instationärer Effekte, deren physikalische Frequenzen nicht Teil des aufgelösten Spektrums sind, konvergieren bis zu einem Drittel der Flatter-Simulationen mit Harmonic Balance nicht. Auslöser sind gerade in den aeroelastischen Bewertungspunkten auftretende strömungsinduzierte Effekte wie Stoß-Grenzschicht-Wechselwirkungen und offene Ablösungen. Vorhabenbeschreibung AP3.1: Das Arbeitspaket teilt sich in zwei Bereiche auf, die jeweils der Untersuchung des entstehenden Wärmeeintrags und des Verschleißes, ausgelöst durch Anstreifen zwischen Bürstendichtung und Rotor, gewidmet sind. Es wird ein Modell zur Beschreibung des Verschleißes erstellt und mit den am DLR erhobenen Versuchsdaten verbessert und validiert. Der beim Anstreifen entstehende Wärmeeintrag wird bestimmt. Die Erkenntnisse sind für die Ertüchtigung der Bürstendichtung als Inner Air Seal essentiell, um den Verschleiß im Betrieb sowie Wärmeeintrag in den Rotor beschreiben zu können.

Akustische Populationserfassung an entlegenen Standorten durch Edge-KI und Satellitenkommunikation, Akustische Populationserfassung an entlegenen Standorten durch Edge-KI und Satellitenkommunikation

(WFS) - Seehunde: Sichtungen an Liegeplätze im Schleswig-Holsteinischen Wattenmeer ab 1989 (LKN.SH - NPV)

Download-Geodienst zum Vorkommen von Seehunden an Liegeplätzen im Bereich des Nationalparks "Schleswig-Holsteinisches Wattenmeer". Hier handelt es sich um Daten aus flächendeckenden, flugzeuggestützten Erfassungen aus, für Seehunden relevanten Jahreszeiten, ab 1989: in der Regel werden pro Jahr zur Wurfzeit (Mai - Juli) drei und zur Haarwechselzeit (August - September) zwei Erfassungsflüge durchgeführt. Dieser Dienst liefert folgende Informationen, die zur Bestandsabschätzung nötig sind: Anzahlen von Seehunden pro Liegeplatz pro Flug und den Anteil an Jungtieren. Es sind folgende Layer / Tabellen in diesem Dienst enthalten: 1. Gesamttabelle mit allen Seehund-Monitoring-Flügen ab 1989 2. Tabellen gesplittet nach einzelnen Jahren (ab 2015). In einem Jahres-Layer sind die Daten aller fünf Erfassungen eines Jahres enthalten. 3. Gesamttabelle mit den Anteilen der Jungtiere (nur Daten aus den drei Flügen in der Wurfzeit - In Vorbereitung) Während des Monitorings wird allen gezählten Einzeltieren bzw. Gruppen eine punktgenaue Koordinate zugewiesen, die als Liegeplatz definiert ist. Wenn möglich wird bei der Zählung nach adulten und juvenilen Tieren unterschieden. Für Bestandsberechnungen können die Daten nach einzelnen Erfassungsflügen gefiltert werden. Auf Grundlage der Liegeplatz-Daten wurden zur Bewertung von Eingriffen auch die Ruheplätze der Seehunde berechnet und als Dienst bereitgestellt: (WFS) - Seehunde: Ruheplätze, Objekt-ID:bd9656630-a451-4c01-a228-d9fff62df5f8. Seehund-Sichtungen außerhalb des oben genannten Monitoring-Zeitraumes werden in diesem Datensatz nicht zur Verfügung gestellt (siehe dazu "(WFS)-Robben: Monitoring der Bestände von Seehunden und Kegelrobben im Schleswig-Holsteinischen Wattenmeer ab 1989" (Object-ID: d847163b-b077-4195-be56-de7664201768).

(Tables S1,2) Stable isotopes in muscle tissue of polar bears (Ursus maritimus) from various regions of the Arctic

<p>The relative contribution of regional contamination versus dietary differences to geographic variation in polar bear (Ursus maritimus) contaminant levels is unknown. Dietary variation between Alaska, Canada, East Greenland, and Svalbard subpopulations was assessed by muscle nitrogen and carbon stable isotope (d15N, d13C) and adipose fatty acid (FA) signatures relative to their main prey (ringed seals). Western and southern Hudson Bay signatures were characterized by depleted d15N and d13C, lower proportions of C20 and C22 monounsaturated FAs and higher proportions of C18 and longer chain polyunsaturated FAs. East Greenland and Svalbard signatures were reversed relative to Hudson Bay. Alaskan and Canadian Arctic signatures were intermediate. Between-subpopulation dietary differences predominated over interannual, seasonal, sex, or age variation. Among various brominated and chlorinated contaminants, diet signatures significantly explained variation in adipose levels of polybrominated diphenyl ether (PBDE) flame retardants (14-15%) and legacy PCBs (18-21%). However, dietary influence was contaminant class-specific, since only low or nonsignificant proportions of variation in organochlorine pesticide (e.g., chlordane) levels were explained by diet. Hudson Bay diet signatures were associated with lower PCB and PBDE levels, whereas East Greenland and Svalbard signatures were associated with higher levels. Understanding diet/food web factors is important to accurately interpret contaminant trends, particularly in a changing Arctic.</p>

1 2 3 4 5 … 24 25 26