Das Projekt "Vorarbeiten zu einer digitalen Flechtenflora des Iran" wird vom Umweltbundesamt gefördert und von Senckenberg Gesellschaft für Naturforschung durchgeführt. Der vom Menschen verursachte Verlust der biologischen Vielfalt ist eine der größten Bedrohungen für die Ökosysteme und das menschliche Wohlergehen. Um die Auswirkungen menschlicher Einflüsse auf die Ökosysteme zu minimieren, benötigt man Kenntnisse über die globale, regionale oder lokale Artenvielfalt. Es wird zunehmend deutlich, dass eine zuverlässige Datengrundlage für den Artenschutz und die Bewertung von Ökosystemen nur unter aktiver Beteiligung von Nicht-Experten erstellt werden kann ('Bürgerwissenschaft'). Flechten erbringen wichtige Ökosystemleistungen und werden häufig als Indikatoren für Luftverschmutzung, ökologische Kontinuität und globalen Klimawandel verwendet. Dennoch ist ihre Diversität sehr schlecht erforscht. In den meisten Ländern außerhalb Europas und Nordamerikas, einschließlich des Iran, fehlen detaillierte Informationen über die Artenzahlen, Verbreitung und ökologische Präferenzen von Flechten. Um die Erforschung der iranischen Flechtenflora zu beschleunigen, brauchen wir Werkzeuge, die es auch Nichtfachleuten ermöglichen, regionale Daten zu erheben. Im Rahmen dieser Kooperation wollen wir interaktive Bestimmungsschlüssel und Bilddatenbanken für eine digitale Flechtenflora des Iran als Zusatzfunktionen für ein Webportal entwickeln, das derzeit vom deutschen Partner entwickelt wird. Das Pilotprojekt konzentriert sich auf die große kosmopolitische Gattung Lecanora. Zwei Reisen in den Iran unter Beteiligung von Masterstudierenden sind notwendig, um durch Gelände- und Herbarstudien einen Überblick über die iranischen Arten der Gattung zu gewinnen. Ein Workshop soll iranische Biologen als Multiplikatoren mit Flechten vertraut machen und in die Nutzung des Webportals einführen. Zwei zweimonatige Aufenthalte des iranischen Partners in Deutschland sind geplant, um das Portal gemeinsam zu gestalten.
Das Projekt "Wirkung von Kondensstreifen auf den Strahlungshaushalt ueber Nordwesteuropa und dem Nordatlantik" wird vom Umweltbundesamt gefördert und von GKSS-Forschungszentrum Geesthacht, Institut für Atmosphärenphysik durchgeführt. Es soll die zusaetzlich moegliche Wirkung von Kondensstreifen auf den Strahlungshaushalt ueber Nord-West-Europa und dem Nordatlantik quantitativ reproduzierbar mit einem objektiven, rechnerorientierten Verfahren aus Bilddaten von Satelliten der NOAA-Serie bestimmt werden, denn ihnen wird ein prinzipieller Antrieb im Treibhauseffekt der Atmosphaere zugordnet. Von besonderem Interesse sind Kondensstreifen ueber wolkenfreien Gebieten. In dem hier verwendeten Verfahren muss der Effekt der Kondensstreifen von dem Signal durch natuerliche Bewoelkung zuverlaessig und moeglichst automatisch separiert werden. Die Echtzeitanalyse der beim Antragsteller empfangenen Satellitendaten bildet die Grundlage fuer eine tiefgreifende statistische Analyse des Einflusses von Kondensstreifen auf das Klima.
Das Projekt "Großräumige Analyse von Verbuschungsflächen mit NOAA-AVHRR-Daten in Namibia" wird vom Umweltbundesamt gefördert und von Universität Erlangen-Nürnberg, Institut für Geographie durchgeführt. Seit 1979 erfassen Satelliten der NOAA-Serie die Erde und liefern damit eine der längsten kontinuierlichen Bild-Datenreihen von Satelliten überhaupt. Durch ihre großflächige Abdeckung, ihre hohe zeitliche Auflösung und ihren kostengünstigen Empfang eignen sich diese Daten hervorragend zum Monitoring. Bislang werden diese langen Zeitreihen noch kaum herangezogen, um langfristige Veränderungen von Oberflächenphänomenen zu beschreiben, denn der Großteil der Fernerkundungsarbeiten beschäftigt sich mit neueren Sensoren und deren Anwendungen. Gerade vor dem Hintergrund der Landdegradierung durch unangepaßte Landnutzung in den Trockenräumen der Erde sollten die vorhandenen archivierten Datenreihen zur Langzeitanalyse aber genutzt werden und die Ergebnisse in Konzepte des Landmanagements einfließen. In Namibia vollzieht sich in den Nationalparks und dem Weideland die Landdegradierung durch eine massive Verbuschung, v.a. mit Acacia mellifera. Die Verbuschungsdynamik der letzten 20 Jahre soll in Etosha mit NOA-AVHRR-Daten erfasst werden. Die Ergebnisse aus dem Etosha-Nationalpark können dann zum Monitoring der Verbuschung in Namibia von örtlichen Institutionen eingesetzt werden. So ist die Inwertsetzung der Daten gewährleistet und durch die Weiterentwicklung der NOAA-Serie durch das MODIS-System auch für die Zukunft gewährleistet.
Das Projekt "TreeSatAI - Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring" wird vom Umweltbundesamt gefördert und von LUP - Luftbild Umwelt Planung GmbH durchgeführt. Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern, Forsten und Baumbeständen auf verschiedenen Skalen. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baummerkmalen für verschiedene Anwendungsfälle entwickelt. Im Vordergrund steht dabei die Verbesserung von Produkten für das verlässliche Monitoring von Wäldern, Forsten und Infrastrukturen sowie des Naturschutz. Dazu soll die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen nachhaltig unterstützt werden.
Das Projekt "TreeSatAI - Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring" wird vom Umweltbundesamt gefördert und von LiveEO GmbH durchgeführt. Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern, Forsten und Baumbeständen auf verschiedenen Skalen. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baum- und Bestandsmerkmalen für vier verschiedene Anwendungsfälle entwickelt. Im Vordergrund steht dabei die Verbesserung von Produkten für das verlässliche Monitoring von Wäldern, Forsten und Infrastrukturen sowie des Naturschutzes. Dazu soll die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen nachhaltig unterstützt werden.
Das Projekt "Veridical Imaging of Transmissive and Relective Artefacts - VITRA" wird vom Umweltbundesamt gefördert und von Bayerisches Landesamt für Denkmalpflege durchgeführt. This collaroative RTD project will develop a practical method for the acquisition, storage and visualisation of high quality images of architectural details in historic buildings. Potential subjects include stained glass windows, frescos, mosaics and decorative mouldings. The VITRA project will in particular construct apparatus, consisting of a digital camera and suitable illumniation mounted on a robotic platform, for the direct digital capture 'in situ' of colorimetrically accurate images of both reflective and transmissive surfaces. The project will also facilitate the creation of digital archives of such images and novel means of visualising them in their invironment for the purposes of conservation, historical research, education and entertainment.
Das Projekt "Automatisierte Erkennung von Phytoplankton (PlanktoVision)" wird vom Umweltbundesamt gefördert und von Technische Hochschule Wildau, Studiengang Biosystemtechnik , Bioinformatik durchgeführt. Vorhabensziel: Das Projekt dient dazu die automatisierte Erkennung von Phytoplankton weiter zu entwickeln. Hierzu sind einerseits Entwicklungen im Bereich Objekterkennung / Klassifikation, andererseits auch die Anbindung an die Mikroskopietechnik erforderlich. Ein besonderer Schwerpunkt liegt auf der Ausbildung von Nachwuchskräften, welche in ein geplantes Imaging Zentrum integriert werden sollen. Ein weiterer Aspekt dient der Motivation von Schülern für die angewandte Informatik, welche durch die Verknüpfung mit Aspekten der Biologie erreicht werden kann. Arbeitsplanung: Zunächst werden verschiedene Probestandards definiert und es wird eine Bilddatenbank angelegt. Zwei bei Kooperationspartnern vorhandene Softwarelösungen aus dem Bereich werden evaluiert und adaptiert. Lösungen für eine verbesserte Objekterkennung, Klassifizierung und schnellere Trainingsverfahren werden eruiert und getestet. Die Kopplung an ein automatisiertes Mikroskop wird implementiert. Die Integration von Fluoreszenz und 3-D-Information soll erreicht werden. Experimente zur Integration einer Durchflusszelle werden durchgeführt. Das System wird ausgiebig im Hinblick auf Rate der Falschpositiven / Falschnegativen getestet. Verwertung: Die Ergebnisse sind unmittel für die akademischen und industriellen Partner von Nutzen. Eine benutzerfreundliche Software könnte kommerzialisiert werden. Es besteht ein großer Bedarf vor dem Hintergrund der europäischen Gesetzgebung (Wasserrahmenrichtlinie und Badegewässerverordnung). Das Projekt hat eine hohes Potenzial für einen Wissenstransfer zwischen allen Beteiligten. Partner: Inteq - Informationstechnik GmbH, Keyence Deutschland GmbH, Institut für Angewandte Gewässerökologie GmbH, Universität Würzburg, Uni4Kids e. V., Helmholtz Zentrum München, Huboldt-Gymansium
Das Projekt "TreeSatAI - Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring" wird vom Umweltbundesamt gefördert und von Vision Impulse GmbH durchgeführt. Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern, Forsten und Baumbeständen auf verschiedenen Skalen. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baummerkmalen für vier verschiedene Anwendungsfälle (A: Waldklassifikation, B: Infrastrukturmonitoring, C: Naturschutzmonitoring, D Plantagenmonitoring) entwickelt. Im Vordergrund steht dabei die Verbesserung von Produkten für das verlässliche Monitoring von Wäldern, Forsten und Infrastrukturen sowie des Naturschutz. Dazu soll die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen nachhaltig unterstützt werden.
Das Projekt "TreeSatAI - Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring" wird vom Umweltbundesamt gefördert und von Deutsches Forschungszentrum für Künstliche Intelligenz GmbH durchgeführt. Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern, Forsten und Baumbeständen auf verschiedenen Skalen. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baummerkmalen für vier verschiedene Anwendungsfälle (A: Waldklassifikation, B: Infrastrukturmonitoring, C: Naturschutzmonitoring, D Plantagenmonitoring) entwickelt. Im Vordergrund steht dabei die Verbesserung von Produkten für das verlässliche Monitoring von Wäldern, Forsten und Infrastrukturen sowie des Naturschutz. Dazu soll die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen nachhaltig unterstützt werden.
Das Projekt "TreeSatAI - Künstliche Intelligenz mit Erdbeobachtungs- und Multi-Source Geodaten für das Infrastruktur-, Naturschutz- und Waldmonitoring" wird vom Umweltbundesamt gefördert und von Technische Universität Berlin, Institut für Landschaftsarchitektur und Umwelplanung (ILaUP), Fachgebiet Geoinformation in der Umweltplanung durchgeführt. Das übergeordnete Ziel von TreeSatAI ist die prototypische Entwicklung von KI-Methoden für das Monitoring von Wäldern, Forsten und Baumbeständen auf verschiedenen Skalen. Auf Basis frei zugänglicher Geodaten verschiedener Quellen (Fernerkundung, Administration, Social Media, Mobile App, Monitoring-Bibliotheken, offene Bilddatenbanken) werden Prototypen für die Deep Learning basierte Extraktion und Klassifikation von Baummerkmalen für vier verschiedene Anwendungsfälle (A: Waldklassifikation, B: Infrastrukturmonitoring, C: Naturschutzmonitoring, D Plantagenmonitoring) entwickelt. Im Vordergrund steht dabei die Verbesserung von Produkten für das verlässliche Monitoring von Wäldern, Forsten und Infrastrukturen sowie des Naturschutz. Dazu soll die Entwicklung innovativer Dienstleistungen von drei KMUs mit dem Know-how von drei Forschungsinstitutionen nachhaltig unterstützt werden.
| Origin | Count |
|---|---|
| Bund | 19 |
| Type | Count |
|---|---|
| Förderprogramm | 19 |
| License | Count |
|---|---|
| open | 19 |
| Language | Count |
|---|---|
| Deutsch | 19 |
| Englisch | 2 |
| Resource type | Count |
|---|---|
| Keine | 14 |
| Webseite | 5 |
| Topic | Count |
|---|---|
| Boden | 9 |
| Lebewesen & Lebensräume | 18 |
| Luft | 8 |
| Mensch & Umwelt | 19 |
| Wasser | 8 |
| Weitere | 19 |