http://dl.gi.de/handle/20.500.12116/34685 2026-07-21T13:35:36Z 2026-07-21T13:35:36Z Hilbring, Désirée Pfrommer, Julius http://dl.gi.de/handle/20.500.12116/34813 2021-01-28T11:58:48Z 2021-01-01T00:00:00Z

Übertragung eines Vorgehensmodells zur KI-Integration von der Industrie auf Umweltinformationssysteme Hilbring, Désirée; Pfrommer, Julius Reussner, Ralf H.; Koziolek, Anne; Heinrich, Robert Maschinelles Lernen stößt in der Umwelt-Domäne auf großes Interesse. Allerdings ist der Einsatz von entsprechenden Algorithmen in Umweltinformationssystemen (UIS) bisher nicht weit verbreitet. Eine offene Frage ist zum Beispiel wie von Umweltbehörden bestehende Informationssysteme mit seit Jahrzehnten aufgebauten und gepflegten Umweltdatenbanken in einem hierarchischen föderalem System weiterentwickelt und für den Einsatz von neuen Technologien fit gemacht werden können. Hierbei sind nicht nur technische Aspekte von Interesse, sondern vor allem auch die Entwicklung geeigneter Prozesse in der Zusammenarbeit verschiedener Behörden. Für die Industrie wurde mit dem ML4P Vorgehensmodell ein toolgestütztes Verfahren für die Einführung von maschinellem Lernen in der Produktion entwickelt. Dieser Artikel untersucht dieses Vorgehensmodell im Hinblick der Übertragbarkeit des Modells auf die Einführung von maschinellem Lernen in von Behörden betriebenen Umweltinformationssystemen.

2021-01-01T00:00:00Z Wunsch, Andreas Liesch, Tanja Broda, Stefan http://dl.gi.de/handle/20.500.12116/34812 2021-01-28T12:00:13Z 2021-01-01T00:00:00Z

Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles Wunsch, Andreas; Liesch, Tanja; Broda, Stefan Reussner, Ralf H.; Koziolek, Anne; Heinrich, Robert Die Zeitreihenanalyse ist für Umweltwissenschaften ein wichtiges Werkzeug, um Systeme zu charakterisieren, da sich in den Zeitreihen Signale, welche von unterschiedlichen Einflussgrößen herrühren, wiederfinden lassen. Ein Clustering kann helfen ähnliche Dynamiken zu gruppieren um so entsprechende Einflussgrößen zu erkennen und deren Einflussbereich zu charakterisieren. Wir stellen einen unüberwachten Ensemble-Modellierungsansatz für das Clustering von Umweltzeitreihen auf der Grundlage ihrer Dynamik vor. Der Feature-basierte Ansatz erlaubt es auch heterogene Datensätze zu nutzen, das Clustering der Features erfolgt schließlich auf der Basis von Self-Organizing-Maps. Der Ensemble-Ansatz reduziert die Willkür bei der Featureauswahl und erhöht die Robustheit des Endergebnisses. Die Ergebnisse einer beispielhaften Anwendung im Grundwasserbereich zeigen, dass die vorgestellte Methodik adaptiv in der Lage ist, homogene Gruppen von Zeitreihen-Dynamiken zu identifizieren.

2021-01-01T00:00:00Z Wagner, Martin http://dl.gi.de/handle/20.500.12116/34811 2021-01-28T12:00:34Z 2021-01-01T00:00:00Z

Einblicke in den Wasserverbrauch Wagner, Martin Reussner, Ralf H.; Koziolek, Anne; Heinrich, Robert Das Technologiezentrum Wasser (TZW) beschäftigt sich bereits seit Jahren mit den Themen Wasserverbrauch und Digitalisierung. Ein Aspekt der Digitalisierung ist die Analyse großer Datenmengen mit dem Ziel, neue Erkenntnisse daraus zu gewinnen und somit einen Mehrwert zu schaffen. Ein Anwendungsfall ist die Analyse des Wasserverbrauchs und der sorgsame Umgang mit Wasser als grundlegende Anforderung an den ordnungsgemäßen Betrieb der Wasserversorgung. Dies beinhaltet unter anderem die Ermittlung von Wasserverlusten. Im folgenden Kurzbeitrag wird ein Verfahren zur Eventdetektion in Wasserverbrauchsganglinien zum Zweck der Identifikation von Verbrauchsanomalien und Leckagen vorgestellt.

2021-01-01T00:00:00Z Werner, Martin Dax, Gabriel Laass, Moritz http://dl.gi.de/handle/20.500.12116/34809 2021-01-28T11:59:47Z 2021-01-01T00:00:00Z

Computational Challenges for Artificial Intelligence and Machine Learning in Environmental Research Werner, Martin; Dax, Gabriel; Laass, Moritz Reussner, Ralf H.; Koziolek, Anne; Heinrich, Robert In the last decades, environmental research has started to adopt a data-driven perspective enabled by huge sensor networks, satellite-based Earth observation, and almost ubiquitous Internet access. Some of these data-driven approaches are expected to make visions of a sustainable future come true. For example, by enabling societies to live in sustainable smart cities, or to feed the world with precision agriculture. Or by fighting environmental pollution or global deforestation with increased observational power. However, there is a serious gap between some of the current expectations put into data-driven techniques and the maturity of the field of spatial machine learning and artificial intelligence or computer science in general. We give a few examples of open research issues that computer science has to solve in order to make data-driven approaches to environmental sciences successful.

2021-01-01T00:00:00Z