API src

Found 67 results.

Other language confidence: 0.6081209147198126

Ressortforschungsplan 2023, Nachhaltigkeitspotentialanalyse für die Zweckmäßigkeit und den Aufwand von Datenannotationen für Machine Learning (ML) Modelle

In vielerlei Hinsicht besitzt Maschinelles Lernen (ML) großes Potential für die Erreichung der Pariser Nachhaltigkeitsziele. Insbesondere Supervised Machine Learning erfordert jedoch die Aufbereitung von Rohdaten in Form von Annotationen und die damit verbundene Zusammenstellung von nutzbaren Datensätzen. Dieser Prozess ist, vor allem mit Blick auf manuelle Annotationen großer und komplexer Datenmengen, besonders zeit- und arbeitsintensiv und kreiert häufig eine Lücke zwischen verfügbaren Rohdaten und der tatsächlichen Anwendung. Das Projekt LabelledGreenData4All untersucht die strategische Bedeutung annotierter Umweltdaten für den Einsatz von ML und Künstlicher Intelligenz (KI) zur Bewältigung gesellschafts- und umweltpolitischer Herausforderungen. Ziel ist es, Anwendungsbereiche mit hohem Potenzial für ML-Modelle zu identifizieren, den ML-Einsatz hinsichtlich seiner Wirkungen zu bewerten, daraus strategische und politische Empfehlungen für die sektorübergreifende Bereitstellung von (annotierten) Umweltdaten als Grundlage für künftige Fördermaßnahmen abzuleiten sowie ein Vorgehensmodell zur effizienten Datenannotation insbesondere bei wenigen verfügbaren annotierten Daten zu entwickeln und anhand von zwei Use Cases zu prototypisieren. Dabei leistet das Vorhaben einen wichtigen Beitrag zur Zurverfügungstellung von qualitativ hochwertigen Umweltdaten bzw. umweltrelevanten Daten nach den 'FAIR'- Prinzipien, um moderne Verfahren des maschinellen Lernens besser sowohl für Belange des Umweltressorts als auch für Akteure aus Forschung, Wirtschaft/Industrie sowie der Zivilgesellschaft nutzbar zu machen. Der datenzentrierte Ansatz ergänzt hierbei die bereits laufenden Bereitstellungsmaßnahmen von Umweltdaten (z. B. zentrales Portal für Umwelt- und Naturschutzinformationen umwelt.info, Green Deal Dataspace und ChatClimate / ClimateBert). Mit dem Anwendungslabor für Künstliche Intelligenz und Big Data im Umweltbundesamt (KI-Lab) besitzt das Umweltressort zudem ein Eigeninteresse an der Aufbereitung von Umweltdaten für Verfahren des maschinellen Lernens, um zukunftsorientierte, digitale Technologien wirksam und wertschöpfend sowie mit direktem Nachhaltigkeitsbezug und im Sinne einer sozial-ökologischen Transformation für die Aufgabenwahrnehmung einsetzen zu können. Damit soll das Vorhaben insgesamt helfen, die besonderen Potenziale von KI im Umweltbereich zu entfalten und Lücken zwischen technisch notwendigen Grundlagen und Anwendungsbereichen für den Umwelt- und Ressourcenschutz zu schließen.

Agrarsysteme der Zukunft_2: Innovative Nutzung des Grünlands für eine nachhaltige Intensivierung der Landwirtschaft im Landschaftsmaßstab, Teilprojekt G

Ermittlung der großräumigen Sensitivität von Grundwasserressourcen gegenüber dem Klimawandel

Die Klimakrise verändert zunehmend die räumliche und zeitliche Verfügbarkeit von Grundwasser, der wichtigsten globalen Süßwasserressource. Das quantitative Verständnis der Interaktion von Grundwasser und Klima, vor allem auf nationaler und kontinentaler Skala, ist wichtig für ein optimal angepasstes Grundwassermanagement. Bisher ist das Wissen über die großskalige Sensitivität der Grundwasserressourcen auf den Klimawandel jedoch sehr limitiert. Das Ziel des hier vorgestellten Projektes ist die Erforschung der Auswirkungen des Klimawandels und der damit einhergehenden Umweltveränderungen auf den quantitativen Zustand von Grundwasserressourcen auf national-kontinentaler Skala. Etablierte prozessbasierte Modelle (PBMs) zur hydro(geo)logischen Modellierung auf großer Skala (meist „Global Hydrological Models“ - GHMs) sind starke Vereinfachungen der Realität und unterliegen daher deutlichen Limitationen und Unsicherheiten. Im Gegensatz zu anderen PBMs, weisen GHMs daher begrenzte physikalische Konsistenz und Interpretierbarkeit auf und ihre Anwendung kann zu irreführenden Schlussfolgerungen über die Verfügbarkeit von Grundwasser vor dem Hintergrund des Klimawandels führen. Vor allem die Übertragbarkeit auf datenarme Regionen ist nur eingeschränkt möglich. In den letzten Jahren haben sich Deep Learning (DL) Modelle als präziser und leicht übertragbarer alternativer Ansatz in der Modellierung von Wasserressourcen etabliert. Für die Modellierung von Oberflächengewässern wurde zudem gezeigt, dass DL auch spezialisierte PBMs übertreffen kann. Das vorgeschlagene Projekt möchte sich die gewonnenen Erkenntnisse zunutze machen und ein DL-Modell zur Untersuchung der Sensitivität von Grundwasser auf den Klimawandel auf kontinentaler Skala aufbauen. Hierfür wird ein „big data“ Ansatz gewählt, der Daten von >2200 Einzugsgebieten in Nordamerika nutzt (Erweiterung denkbar). Ein solches Modell kann lernen, Wissen über verschiedene Regionen zu transferieren, gewinnt somit stark an Generalisierungsfähigkeit (z.B. auf datenarme Regionen) und schlussendlich an Vertrauenswürdigkeit. Weiterhin soll das Problem von fehlenden, interpretierbaren und physikalisch konsistenten Modellen im nationalen Maßstab angegangen werden, indem physikalisches Wissen und Prozesse in die DL-Modelle eingebaut werden. Durch diese Ansätze soll ein plausibles, interpretierbares und vor allem vertrauenswürdiges Modell entstehen, welches sich zur Untersuchung von Klimawandelszenarien eignet. Die genannten Aspekte sind hierbei besonders kritisch, da für Zeiträume in der Zukunft keine Validierung möglich ist. Das entwickelte Modell dient anschließend der Beantwortung der übergeordneten Fragestellung, und die Auswirkungen des Klimawandels auf die Grundwasserressourcen werden anhand der Daten von Klimamodellen auf Basis von RCP bzw. SSP Szenarien untersucht. Weiterhin werden spezialisierte Untersuchungen (Szenarien) zum Einfluss einzelner Einflussfaktoren (z.B. Landnutzung) durchgeführt.

Integration von Qualitätsparametern bei der Energieoptimierung von Wassergewinnungen - Entwicklung eines ganzheitlichen Optimierungsansatzes, Teilvorhaben: Qualitätsorientierte Steuerung von Brunnengalerien

In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.

Integration von Qualitätsparametern bei der Energieoptimierung von Wassergewinnungen - Entwicklung eines ganzheitlichen Optimierungsansatzes

In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben L

Integration von Qualitätsparametern bei der Energieoptimierung von Wassergewinnungen - Entwicklung eines ganzheitlichen Optimierungsansatzes, Teilvorhaben: Praktische Anwendung der erarbeiteten Optimierungsansätze

In zahlreichen Forschungsprojekten wurden bereits Energieverbräuche und Energieeinsparpotentiale in den Bereichen Wassergewinnung, -aufbereitung und -verteilung über separate Systemanalysen untersucht. Nur wenige Forschungsprojekte, wie z.B.das BMBF-geförderte ENERWA-Vorhaben, haben durch die gekoppelte Betrachtung der genannten Bereiche einen ganzheitlichen energetischen Betrachtungsansatz der wasserwirtschaftlichen Wertschöpfungskette erarbeitet. Aber auch diese Ansätze haben bei der energetischen Betrachtung die Wasserressource ausgegrenzt. Ein wichtiger Grund für das Fehlen solcher integrativer Betriebsstrategien ist, dass die Entwicklung innovativer Ansätze mit einem hohen Personalaufwand und finanziellen Risiko verbunden ist, welche im Betrieb durch die Wasserunternehmen nicht geleistet werden kann. Optimierungsmaßnahmen orientieren sich deshalb gemeinhin ausschließlich an den allgemein anerkannten Regeln der Technik und können nur selten darüber hinaus erprobt werden. Das vorliegende Vorhaben zielt daher darauf ab, diese Lücke bestehender Optimierungsansätze zu schließen, indem es intelligente, praxisorientierte Analysewerkzeuge zur integrierten qualitäts- und energieoptimierten Steuerung von Brunnengalerien für Anlagenbetreiber entwickelt. Hierbei kommen innovative Analysemethoden aus den Bereichen Big Data und KI zur Anwendung, um die bereits in der Praxis angewendete Methoden zur energetischen Optimierung von Pump- und Verteilungssystemen in der Wassergewinnung und die durch Grundwasserdargebot und -qualität vorgegebenen Limitierungen bzw. Optimierungspotentiale zu verbinden. Aufbauend auf den praktischen Erkenntnissen wird eine fachlich anerkannte Optimierungsmethodik, bestehend aus praxisorientierten Leitfäden und Tools, entwickelt, welche die wasserwirtschaftliche Nutzung von Einzelbrunnen und Brunnengalerien fokussiert und somit Wasserversorgungsunternehmen und Industriebetriebe mit eigener Wassergewinnung adressiert.

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben B

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben K

Datengetriebene und genom-editierte Züchtung lokal angepasster Weizensorten zur Steigerung der Agrarbiodiversität, der nachhaltigen Klimaresistenz und der Ressourceneffizienz, Teilvorhaben D

1 2 3 4 5 6 7