API src

Found 1729 results.

Similar terms

s/ski/KI/gi

Tree Species - Sentinel-1/2 - Germany, 2022

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2022 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data, radar data from Sentinel-1, and a digital elevation model. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 80,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final classification was generated using an XGBoost machine learning algorithm. The Tree Species Germany product achieves an overall F1-score of 0.89. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.76 to 0.98, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, and fir range from 0.88 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.

Open standards for SCALable virtual engineerING and operation, Open standards for SCALable virtual engineerING and operation

PROaktive Steuerung von WAsserVErteilungssystemen

Zielsetzung: Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird. Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht. Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.

Gebiete von gemeinschaftlicher Bedeutung (FFH-Gebiete)

FFH-Gebiete, Sites of Community Importance, Schutzgebiete gem. Richtlinie 92/43/EWG des Rates vom 21. Mai 1992 zur Erhaltung der natürlichen Lebensräume sowie der wildlebenden Tiere und Pflanzen

Multiskalen- und multiphysikalische Modelle und Simulation für die Windenergie

Die Windenergie liefert bereits heute einen bedeutenden Beitrag zum Strommix in Deutschland und wird eine der tragenden Säulen des Energiesystems sein. Damit die Energiewende gelingen kann, sind bei allen erneuerbaren Energien weitere Reduktionen der Stromgestehungskosten (LCoE) notwendig. In den vergangenen Jahren haben technologische Entwicklungen in der Anlagenauslegung, der Regelung und der Vorhersage der Windressource bereits zu signifikanten Reduktionen der LCoE geführt. Dabei spielt der Trend zu immer größeren Windenergieanlagen und Windparks, insbesondere auf See, eine wichtige Rolle. Hieraus ergeben sich enorme Herausforderungen für die zukünftigen Entwicklungen im Bereich der Anlagenauslegung, der Betriebsführung und der Netzeinspeisung. Numerische Strömungssimulationen und insbesondere die skalenübergreifende Modellierung und die gekoppelte Betrachtung multiphysikalischer Prozesse sind hier besonders relevant. In diesem Vorhaben werden skalenübergreifende Ansätze im Bereich mesoskaliger und mikroskaliger Simulation für die Standortbewertung, die Berechnung der Windressource und die Anlagenauslegung untersucht und erweitert. Dabei werden einerseits meteorologische, aeroelastische, ozeanografische und Wellenmodelle in einer Simulationsumgebung miteinander gekoppelt und anderseits werden die Modelle durch Machine Learning Methoden ergänzt, um sehr detaillierte und damit rechenaufwändige Simulationen zu beschleunigen und ihre Präzision zu verbessern. Die gekoppelten Methoden werden im Vorhaben zur Entwicklung neuartiger adaptiver Windparkregler eingesetzt und für die verbesserte Beschreibung der Dynamik von Lasten erprobt. Darüber hinaus werden neue Simulationsansätze höherer Ordnung für die Windenergieanwendung erforscht, die eine weitere Rechenzeitoptimierung versprechen. Um die aufwendigen numerischen Untersuchungen in diesem Vorhaben zu ermöglichen, soll ein Hochleistungsrechner der neuesten Generation an der Universität Oldenburg erweitert werden.

Entschlüsselung der zeitlichen Variabilität der Konzentration und Zusammensetzung des glazialen organischen Kohlenstoffs zur Bestimmung des Kohlenstoffexports mittels Abflussseparation und maschinellen Lernverfahren (Falljökull, Island)

Verlässliche Vorhersagen über den Export von organischem Kohlenstoff (OC) bezogen auf den Gletscherabfluss sind sehr begrenzt. Bestehende Studien kombinieren hauptsächlich den OC-Gehalt einzelner Eisproben und Massenbilanzen, um einen mittleren jährlichen OC-Export zu berechnen. Dieser Ansatz berücksichtigt keine potentiellen tages- und jahreszeitlichen Veränderungen und spiegelt daher möglicherweise die gletscherbedingten OC-Exportraten nicht genau wider. Daher ist es wichtig, zeitliche Veränderungen in der Gletscherhydrologie in hoher zeitlicher Auflösung (saisonal, ereignisbezogen, tageszeitlich) zu berücksichtigen und relevante Abflusskomponenten zu berücksichtigen. Dieses Projekt hat das Ziel, den Export von OC aus Gletschern (Konzentration, Zusammensetzung und Bioverfügbarkeit) in hoher zeitlicher Auflösung systematisch zu untersuchen und die biochemische zeitliche Variabilität mit Variationen der hydrologischen Prozesse im Gletscher zu verbinden. Nur durch ein detailliertes Verständnis der Auswirkungen der Hydrologie der Gletscher auf den OC-Export können verlässliche Vorhersagen für die zukünftige Freisetzung von OC durch den Gletscherrückzug gemacht werden. Die Untersuchungen finden am temperierten Gletscher Falljökull (Island) statt, der Teil des Öraefajökull und der Vatnajökull-Eiskappe ist und dessen Eisfront seit 1932 jährlich vermessen wird. Innovative Methoden, wie z.B. maschinelle Lernverfahren, in Kombination mit einer Abflussganglinienseparation, helfen, das zeitliche Zusammenspiel verschiedener Quellgebiete des Gletscherabflusses und dessen tages- und jahreszeitliche Variabilität zu verstehen. Die Verbindung von Prozessverständnis unter Einbeziehung der OC und Abflussdynamik wird die Modellierung des OC-Exports unter Berücksichtigung der OC-Zusammensetzung ermöglichen. Insgesamt werden 972 Eis-, Schnee- und Wasserproben genommen entnommen. Mit einer mobilen Multiparametersonde, die direkt am Gletschertor installiert wird, werden automatisch die Wassertemperatur, elektrischer Leitfähigkeit, Trübung, der Wasserstand und fluoreszierendem DOM im 1h min-Intervall gemessen. Mit modernsten Labormethoden (C/N- und TOC-Analyzer, Picarro) werden BDOC, DOC, POC, optische Eigenschaften (Fluoreszenz, Absorption), Nährstoffe (PO4, NO3, NO2, NH4) und stabile Isotope (18O, 2H) analysiert. Mit dem Einsatz multivariat statistischer Verfahren (z.B. PCA, CCA) sowie Modellen (PARAFAC, SIMMR, LOADest) werden zeitliche Muster, Prozesse und Treiber identifiziert sowie der OC-Export quantifiziert. Diese systematische Untersuchung des OC-Exports wird das aktuelle Prozesswissen über tageszeitliche und saisonale Veränderungen in der Konzentration, Zusammensetzung und Bioverfügbarkeit von glazialem OC wesentlich erweitern. Dadurch kann die (zukünftige) Dynamik des gletscherbedingten OC-Exports aufgrund von klimawandelbedingten Variationen in Gletscherschmelzprozessen zuverlässig vorgesagt werden.

Nachwuchsgruppen Klima, Umwelt und Gesundheit: Gesetzmäßigkeiten pandemischer Dynamiken im sich wandelnden Klima der Erde, Teilprojekt 1: Anfälligkeit pandemischer Dynamiken gegenüber dem Klimawandel

KI-Methoden für Betrieb und Wartung von bifazialen PV-Anlagen

Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.

Vorhersage von Schüttungen alpiner Karstquellen im Hinblick auf den Klimawandel unter Verwendung neuer Deep Learning-Methoden

Karstgrundwasserleiter spielen im Alpenraum eine wichtige Rolle. Sie bedecken etwa 56% der Fläche, und ein erheblicher Teil der Bevölkerung ist ganz oder teilweise von Trinkwasser aus Karstquellen abhängig, die oft mit wertvollen Ökosystemen verbunden sind und zur Wasserkrafterzeugung beitragen. Die Alpen zählen nach Studien zu den am stärksten vom Klimawandel betroffenen Gebieten in Europa. Als Folge der steigenden Temperaturen werden sich die gespeicherten Mengen an Schnee und Eis stark verringern, was zu einer Verschiebung zwischen Wasserhaushaltskomponenten in Verbindung mit einer saisonalen Umverteilung der Niederschläge führt. Außerdem wird erwartet, dass Hoch- und Niedrigwasserereignisse häufiger auftreten werden. Der Stand der Technik bei der Modellierung der Schüttung von Karstquellen, meist mittels konventioneller numerischer Modelle, ist auf standortspezifische, oft aufwändige und nicht übertragbare wissenschaftliche Studien beschränkt, die manuelle Modellabstimmung und Kalibrierung erfordern. Bis heute gibt es keinen leicht übertragbaren Ansatz, der gleichzeitig auf viele Karstquelleinzugsgebiete anwendbar ist. In diesem Projekt werden wir einen modernen, Deep-Learning basierten Ansatz zur Modellierung der Schüttung von Karstquellen entwickeln, der sich besonders gut eignet, übertragbare Modelle, die Informationen von verschiedenen Standorten nutzen können, aufzubauen. Deep Learning ist ein Teilgebiet des maschinellen Lernens, basierend auf künstlichen neuronalen Netzen, das sich sowohl bei akademischen als auch bei industriellen Anwendungen als sehr erfolgreich erwiesen hat. Die vorgeschlagene Studienregion sind die Alpen, mit Karstgebieten in Österreich, der Schweiz, Deutschland, Frankreich, Italien und Slowenien, mit einem Schwerpunkt auf dem besonders vom Klimawandel betroffenen von der Alpenkonvention abgegrenzten Gebirgsgebiet. Als Grundlage der Studie dient das World Karst Spring Database (WoKaS). Es wird im Laufe des Projekts mit zusätzlichen Daten von Behörden und Wasserversorgern ergänzt, insbesondere in Regionen mit bislang schlechter Abdeckung. Die Arbeiten beinhalten die Erstellung eines umfassenden Datensatzes mit Einzugsgebietsattributen und meteorologischen Einflussgrößen für etwa 150 Quellen. Klassische Lumped-Parameter-Modelle werden als Benchmarks aufgesetzt und mit den neu entwickelten Deep-Learning basierten Modellergebnissen verglichen. Ziel ist es, die Eignung neuartiger Deep-Learning Modellansätze für die Abschätzung der Auswirkungen des Klimawandels für eine Vielzahl von kurz- und langfristigen Vorhersagen zu untersuchen. Eine vertiefende Fallstudie des Dachsteingebietes, dessen große Karstregion wesentlich zur Wasserversorgung und Wasserkrafterzeugung beiträgt, wird die vergleichende Untersuchung mit einem numerischen 3D-Modell erweitern. Schließlich werden die entwickelten Modelle dazu verwendet, um Auswirkungen des Klimawandels auf die alpinen Karstgrundwasserressourcen vorherzusagen.

Selektive Bekämpfung von Grünlandunkräutern mit Wasserstrahlen, Teilprojekt A

Übergeordnetes Ziel ist die Entwicklung eines wasserhydraulischen, selektiv arbeitenden Unkrautbekämpfungsgerätes für Grünland. Es wird an den genormten Schnittstellen an den Traktor gekoppelt: Dreipunktaufnahme im Frontanbau, Antrieb über die Zapfwelle, ISOBUS-Steuerung. Innerhalb der Projektlaufzeit soll mit Hilfe von Kameras und künstlicher Intelligenz eine online-Detektion von Herbstzeitlosen und weiteren Schadpflanzen im Grünland erreicht werden. Dabei sollen die neuronalen Netze eines offline Ansatzes, die im Vorläuferprojekt SELBEX für die maschinelle Analyse von Drohnenbildern entwickelt wurden, weiter optimiert und mit dem jetzt angestrebten online Ansatz kombiniert werden. Die Schadpflanzen sollen durch gezielt applizierte Wasserstrahlen zurückgedrängt werden. Auch dieses bereits im Vorläuferprojekt entwickelte Prinzip soll weiter optimiert und das Verfahren auf weitere Pflanzen ausgeweitet werden. Damit kann dieses Gerät für eine selektive und nicht-chemische Unkrautbekämpfung eingesetzt werden und stellt eine einzigartige, bisher nicht verfügbare Lösung dar. Sie wird für landwirtschaftliche Betriebe interessant, die Grünland mit hohen naturschutzfachlich begründeten Auflagen bewirtschaften, nach Ökostandards arbeiten oder im Grünland den Einsatz von chemischen Pflanzenschutzmitteln reduzieren wollen. Das Gerät soll so konstruiert werden, dass Arbeitsbreiten von 2,50 m und 6,0 m möglich sind. So können für verschiedene Flächenstrukturen und Erfordernisse der Kunden wettbewerbsfähige Geräte angeboten werden.

1 2 3 4 5 … 171 172 173