Auf der Grundlage einer automatisierten Methode der Firma EFTAS Fernerkundung Technologietransfer GmbH wurde für das gesamte Stadtgebiet eine Gründachkartierung vorgenommen. So kann das bereits genutzte Flächenpotenzial auf den Dresdner Dachflächen quantitativ erfasst und eine zukünftige Weiterentwicklung von begrünten Dächern analysiert werden. Die Punktdarstellungen zeigen die Dachflächen, auf denen eine Begrünung erfasst wurde. Dargestellt sind ausschließlich Gründächer mit einer Dachfläche ab einer Größe von zehn Quadratmetern. Konkrete Informationen zur exakten Bedeckung sowie zur genauen Größe der begrünten Dachfläche werden in der Karte nicht dargestellt.
Die zunehmende Neuversiegelung und der damit einhergehende Rückgang von Grün- und Freiflächen stellt für die Stadt in Zeiten des Klimawandels eine enorme Herausforderung dar. Dachbegrünungen können aufgrund ihrer zahlreichen ökologischen Leistungen eine Lösung sein. Sie haben einen positiven Einfluss auf das Stadtklima, den Wasserhaushalt sowie die Luft- und Lärmbelastung. Außerdem sind sie ohne zusätzlichen städtischen Bodenverbrauch realisierbar. Damit gewinnen Dachbegrünungen in einer nachhaltigen zukunftsorientierten Stadtplanung zunehmend an Bedeutung.
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.
Sustainability models should consider aspects of the economy-environment-population nexus, be dynamic, and acknowledge the disparity among actors/countries. Lastly, sustainability models should not be programmed either to reject sustainability (e.g., an essential, non-renewable input) or to affirm it (e.g., costless, endogenous technical change). We develop a simulation model to assess sustainable development on three levels: economic (by determining production, consumption, investment, direct foreign investment, technology transfer, and international trade), social (by calculating population change, migration flows, and welfare), and environmental (by calculating the difference between environmental pollution and upgrading expenditures). The model follows 'representative' countries that differ in their initial endowments (i.e., natural resource endowment, physical and human capital, technology, and population), and thus in their development levels and prospects. In addition, we model free substitution in production, flexible economic structures, the ability to upgrade input factors via investment, and optimizing agents who possess a high degree of mobility and information, and who interact through and in response to market equilibria.
Background and Objectives: The project area is located in the Ashanti Region of Ghana / West Africa in the transition zone of the moist semideciduous forest and tropical savannah zone. Main land use in this region is subsistence agriculture with large fallow areas. As an alternative land-use, forest plantations are under development by the Ghanaian wood processing company DuPaul Wood Treatment Ltd. Labourers from the surrounding villages are employed as permanent or casual plantation workers. Within three forest plantation projects of approximately 6,000 ha, DuPaul offers an area of 164 ha (referred to as Papasi Plantation) - which is mainly planted with Teak (Tectona grandis) - for research purposes. In return, the company expects consultations to improve the management for sustainable timber and pole production with exotic and native tree species. Results: In a first research approach, the Papasi Plantation was assessed in terms of vegetation classification, timber resources (in qualitative and quantitative terms) and soil and site conditions. A permanent sampling plot system was established to enable long-term monitoring of stand dynamics including observation of stand response to silvicultural treatments. Site conditions are ideally suited for Teak and some stands show exceptionally good growth performances. However, poor weed management and a lack of fire control and silvicultural management led to high mortality and poor growth performance of some stands, resulting in relative low overall growth averages. In a second step, a social baseline study was carried out in the surrounding villages and identified landowner conflicts between some villagers and DuPaul, which could be one reason for the fire damages. However, the study also revealed a general interest for collaboration in agroforestry on DuPaul land on both sides. Thirdly, a silvicultural management concept was elaborated and an improved integration of the rural population into DuPaul's forest plantation projects is already initiated. If landowner conflicts can be solved, the development of forest plantations can contribute significantly to the economic income of rural households while environmental benefits provide long-term opportunities for sustainable development of the region. Funding: GTZ supported PPP-Measure, Foundation