Das Projekt "Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenz" wird vom Umweltbundesamt gefördert und von Deutsches Forschungszentrum für Künstliche Intelligenz GmbH durchgeführt. Ziel von 'CognitiveWeeding' ist es, mit einer veränderten Sichtweise auf die Ackerbegleitflora neue Wege der Unkrautregulierung (UR) zu entwickeln. Die Ackerbegleitflora wird differenziert betrachtet, wobei als Unkraut eine unerwünschte und problematische Pflanze im Bestand, als Beikraut eine wirtschaftlich unkritische und ggf. schützenswerte Pflanze in Koexistenz mit Kultur-pflanzen bezeichnet wird. Die Klassifizierung erfolgt unter Berücksichtigung des betriebsspezifischen Pflanzenbaus (ökologisch, konventionell, hybrid (mech.+chem. UR)) sowie den Standort- und Witterungsbedingungen in Rahmen der Fruchtfolge und der Auswirkung auf die Biodiversität der jeweiligen (Teil)-Fläche. Bei der Planung der Regulierungsmaßnahmen ist abzuwägen, in welchem Maße Unkräuter bekämpft bzw. Beikräuter toleriert oder zeitweise nicht reguliert werden, um die pflanzliche Biodiversität zu erhöhen und Lebensräume bzw. Nahrungsquelle für Insekten zu schaffen/erhalten. Dazu werden drohnen-/bodengestützte Sensorsysteme zur Pflanzenerkennung getestet, weiterentwickelt und validiert. Mit vorhandener Kameratechnik zur Pflanzenerkennung wird ab Projektbeginn die Ackerbegleitflora bestimmt. Das vorhandene System bietet einen relativ schnellen Zugang von CognitiveWeeding in den Markt und zeigt andererseits die Potenziale und Grenzen einer kostengünstigen Erfassung auf. Im Projekt werden diese Systeme weiterentwickelt (Multisensorik), um durch Interpretation/Integration der Daten in ein KI-Entscheidungssystem zusätzliche Optionen zu schaffen. Hierzu werden Daten drohnengestützter LiDAR-, Multi- und Hyperspektralsensorik eingesetzt, integriert und eine multisensorale Analyse dieser Daten vorgenommen. Ebenfalls werden Verfahren (mechanisch/chemisch) für die kleinräumige Unkrautbekämpfung weiterentwickelt. Die Entscheidung, wann welche Pflanzen mit welcher Methode zu behandeln sind, soll mit einem wissensbasierten Management der Ackerbegleitflora unterstützt werden.
Das Projekt "Teilprojekt A" wird vom Umweltbundesamt gefördert und von Johann Heinrich von Thünen-Institut, Bundesforschungsinstitut für Ländliche Räume, Wald und Fischerei, Institut für Ostseefischerei durchgeführt. Die Erfassung der hydrografischen Bedingungen ist von zentraler Bedeutung für die Beurteilung des Zustands mariner Ökosysteme. Aktuell ist die Datenerhebung räumlich und zeitlich unzureichend und sehr kostenintensiv. Eine effizientere Datenerhebung trägt dazu bei, das Meeresökosystem besser zu verstehen und ist für viele wissenschaftliche und wirtschaftliche Fragestellungen relevant: - Prognosen der Fischbestände - belastbare Beratungsleistungen zu zukünftigen Fangquoten - Überwachung der Meeresumwelt von Nord- und Ostsee (HELCOM) - Zustand zur Ozeanversauerung, Sauerstoffmangel und Eutrophierung - zielgerichtete Umsetzung der Meeresstrategie-Rahmenrichtlinie (MSRL). Ziel des Projekts ist es, ein autonomes Messsystem zu entwickeln, das an Bord von kommerziellen Fischereifahrzeugen installiert werden kann (Ships-of-Opportunity) und autonom die hydrografischen Bedingungen während der Fischerei erfasst. Damit lässt sich die Erfassungsdichte der Messdaten bei relativ geringen Kosten erheblich steigern. Fischereifahrzeuge sind weltweit im Einsatz und setzen ihr Fanggerät (z.B. Scherbretter, Netze) unter Wasser ein, so dass dort angebrachte Sensoren in Kombination mit Datenloggern auch in stark von der Schifffahrt frequentierten Seegebieten entsprechende Daten in der freien Wassersäule und am Meeresboden mit hoher räumlicher und zeitlicher Auflösung automatisiert aufzeichnen können. Im Rahmen dieses Projektes wird ein Prä-Prototypensystem zum Einsatz auf bis zu 10 Fischereifahrzeugen entwickelt. Die im Verlauf der Entwicklung und des Betriebs gewonnenen Erfahrungen sollen dazu dienen, das System später zur Produktreife zu entwickeln. Das System besteht aus. - autonome Datenlogger zum Einsatz am Fanggerät zur Erfassung wichtiger Parameter zur Beurteilung der Fischbestände - Einheit an Deck zur Georeferenzierung und Datentransfer an Land - Server an Land zur Sammlung, Aufbereitung und Visualisierung der Daten- Optimierter bidirektionaler Datenfluss über alle Komponenten.
Das Projekt "Teilprojekt C" wird vom Umweltbundesamt gefördert und von Hensel Elektronik GmbH durchgeführt. Die Erfassung der hydrografischen Bedingungen ist von zentraler Bedeutung für die Beurteilung des Zustands mariner Ökosysteme. Aktuell ist die Datenerhebung räumlich und zeitlich unzureichend und sehr kostenintensiv. Eine effizientere Datenerhebung trägt dazu bei, das Meeresökosystem besser zu verstehen und ist für viele wissenschaftliche und wirtschaftliche Fragestellungen relevant: - Prognosen der Fischbestände - belastbare Beratungsleistungen zu zukünftigen Fangquoten - Überwachung der Meeresumwelt von Nord- und Ostsee (HELCOM) - Zustand zur Ozeanversauerung, Sauerstoffmangel und Eutrophierung - zielgerichtete Umsetzung der Meeresstrategie-Rahmenrichtlinie (MSRL). Ziel des Projekts ist es, ein autonomes Messsystem zu entwickeln, das an Bord von kommerziellen Fischereifahrzeugen installiert werden kann (Ships-of-Opportunity) und autonom die hydrografischen Bedingungen während der Fischerei erfasst. Damit lässt sich die Erfassungsdichte der Messdaten bei relativ geringen Kosten erheblich steigern. Fischereifahrzeuge sind weltweit im Einsatz und setzen ihr Fanggerät (z.B. Scherbretter, Netze) unter Wasser ein, so dass dort angebrachte Sensoren in Kombination mit Datenloggern auch in stark von der Schifffahrt frequentierten Seegebieten entsprechende Daten in der freien Wassersäule und am Meeresboden mit hoher räumlicher und zeitlicher Auflösung automatisiert aufzeichnen können. Im Rahmen dieses Projektes wird ein Prä-Prototypensystem zum Einsatz auf bis zu 10 Fischereifahrzeugen entwickelt. Die im Verlauf der Entwicklung und des Betriebs gewonnenen Erfahrungen sollen dazu dienen, das System später zur Produktreife zu entwickeln. Das System besteht aus - autonome Datenlogger zum Einsatz am Fanggerät zur Erfassung wichtiger Parameter zur Beurteilung der Fischbestände - Einheit an Deck zur Georeferenzierung und Datentransfer an Land - Server an Land zur Sammlung, Aufbereitung und Visualisierung der Daten- Optimierter bidirektionaler Datenfluss über alle Komponenten.
Das Projekt "Teilprojekt B" wird vom Umweltbundesamt gefördert und von Leibniz-Institut für Ostseeforschung durchgeführt. Die Erfassung der hydrografischen Bedingungen ist von zentraler Bedeutung für die Beurteilung des Zustands mariner Ökosysteme. Aktuell ist die Datenerhebung räumlich und zeitlich unzureichend und sehr kostenintensiv. Eine effizientere Datenerhebung trägt dazu bei, das Meeresökosystem besser zu verstehen und ist für viele wissenschaftliche und wirtschaftliche Fragestellungen relevant: - Prognosen der Fischbestände - belastbare Beratungsleistungen zu zukünftigen Fangquoten - Überwachung der Meeresumwelt von Nord- und Ostsee (HELCOM) - Zustand zur Ozeanversauerung, Sauerstoffmangel und Eutrophierung - zielgerichtete Umsetzung der Meeresstrategie-Rahmenrichtlinie (MSRL). Ziel des Projekts ist es, ein autonomes Messsystem zu entwickeln, das an Bord von kommerziellen Fischereifahrzeugen installiert werden kann (Ships-of-Opportunity) und autonom die hydrografischen Bedingungen während der Fischerei erfasst. Damit lässt sich die Erfassungsdichte der Messdaten bei relativ geringen Kosten erheblich steigern. Fischereifahrzeuge sind weltweit im Einsatz und setzen ihr Fanggerät (z.B. Scherbretter, Netze) unter Wasser ein, so dass dort angebrachte Sensoren in Kombination mit Datenloggern auch in stark von der Schifffahrt frequentierten Seegebieten entsprechende Daten in der freien Wassersäule und am Meeresboden mit hoher räumlicher und zeitlicher Auflösung automatisiert aufzeichnen können. Im Rahmen dieses Projektes wird ein Prä-Prototypensystem zum Einsatz auf bis zu 10 Fischereifahrzeugen entwickelt. Die im Verlauf der Entwicklung und des Betriebs gewonnenen Erfahrungen sollen dazu dienen, das System später zur Produktreife zu entwickeln. Das System besteht aus - autonome Datenlogger zum Einsatz am Fanggerät zur Erfassung wichtiger Parameter zur Beurteilung der Fischbestände - Einheit an Deck zur Georeferenzierung und Datentransfer an Land - Server an Land zur Sammlung, Aufbereitung und Visualisierung der Daten - Optimierter bidirektionaler Datenfluss über alle Komponenten.
Das Projekt "Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenz" wird vom Umweltbundesamt gefördert und von Amazonen-Werke H. Dreyer SE & Co. KG durchgeführt. Ziel von 'CognitiveWeeding' ist es, mit einer veränderten Sichtweise auf die Ackerbegleitflora neue Wege der Unkrautregulierung (UR) zu entwickeln. Die Ackerbegleitflora wird differenziert betrachtet, wobei als Unkraut eine unerwünschte und problematische Pflanze im Bestand, als Beikraut eine wirtschaftlich unkritische und ggf. schützenswerte Pflanze in Koexistenz mit Kulturpflanzen bezeichnet wird. Die Klassifizierung erfolgt unter Berücksichtigung des betriebsspezifischen Pflanzenbaus (ökologisch, konventionell, hybrid (mech.+chem. UR)) sowie den Standort- und Witterungsbedingungen im Rahmen der Fruchtfolge und der Auswirkung auf die Biodiversität der jeweiligen (Teil)-Fläche. Bei der Planung der Regulierungsmaßnahmen ist abzuwägen, in welchem Maße Unkräuter bekämpft bzw. Beikräuter toleriert oder zeitweise nicht reguliert werden, um die pflanzliche Biodiversität zu erhöhen und Lebensräume bzw. Nahrungsquelle für Insekten zu schaffen/erhalten. Dazu werden drohnen-/bodengestützte Sensorsysteme zur Pflanzenerkennung getestet, weiterentwickelt und validiert. Mit vorhandener Kameratechnik zur Pflanzenerkennung wird ab Projektbeginn die Ackerbegleitflora bestimmt. Das vorhandene System bietet einen relativ schnellen Zugang von CognitiveWeeding in den Markt und zeigt andererseits die Potenziale und Grenzen einer kostengünstigen Erfassung auf. Im Projekt werden diese Systeme weiterentwickelt (Multisensorik), um durch Interpretation/Integration der Daten in ein KI-Entscheidungssystem zusätzliche Optionen zu schaffen. Hierzu werden Daten drohnengestützter LiDAR-, Multi- und Hyperspektralsensorik eingesetzt, integriert und eine multisensorale Analyse dieser Daten vorgenommen. Ebenfalls werden Verfahren (mechanisch/chemisch) für die kleinräumige Unkrautbekämpfung weiterentwickelt. Die Entscheidung, wann welche Pflanzen mit welcher Methode zu behandeln sind, soll mit einem wissensbasierten Management der Ackerbegleitflora unterstützt werden.
Das Projekt "Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenz" wird vom Umweltbundesamt gefördert und von Universität Osnabrück, Institut für Informatik durchgeführt. Ziel von 'CognitiveWeeding' ist es, mit einer veränderten Sichtweise auf die Ackerbegleitflora neue Wege der Unkrautregulierung (UR) zu entwickeln. Die Ackerbegleitflora wird differenziert betrachtet, wobei als Unkraut eine unerwünschte und problematische Pflanze im Bestand, als Beikraut eine wirtschaftlich unkritische und ggf. schützenswerte Pflanze in Koexistenz mit Kulturpflanzen bezeichnet wird. Die Klassifizierung erfolgt unter Berücksichtigung des betriebsspezifischen Pflanzenbaus (ökologisch, konventionell, hybrid (mech.+chem. UR)) sowie den Standort- und Witterungsbedingungen im Rahmen der Fruchtfolge und der Auswirkung auf die Biodiversität der jeweiligen (Teil)-Fläche. Bei der Planung der Regulierungsmaßnahmen ist abzuwägen, in welchem Maße Unkräuter bekämpft bzw. Beikräuter toleriert oder zeitweise nicht reguliert werden, um die pflanzliche Biodiversität zu erhöhen und Lebensräume bzw. Nahrungsquelle für Insekten zu schaffen/erhalten. Dazu werden drohnen-/bodengestützte Sensorsysteme zur Pflanzenerkennung getestet, weiterentwickelt und validiert. Mit vorhandener Kameratechnik zur Pflanzenerkennung wird ab Projektbeginn die Ackerbegleitflora bestimmt. Das vorhandene System bietet einen relativ schnellen Zugang von CognitiveWeeding in den Markt und zeigt andererseits die Potenziale und Grenzen einer kostengünstigen Erfassung auf. Im Projekt werden diese Systeme weiterentwickelt (Multisensorik), um durch Interpretation/Integration der Daten in ein KI-Entscheidungssystem zusätzliche Optionen zu schaffen. Hierzu werden Daten drohnengestützter LiDAR-, Multi- und Hyperspektralsensorik eingesetzt, integriert und eine multisensorale Analyse dieser Daten vorgenommen. Ebenfalls werden Verfahren (mechanisch/chemisch) für die kleinräumige Unkrautbekämpfung weiterentwickelt. Die Entscheidung, wann welche Pflanzen mit welcher Methode zu behandeln sind, soll mit einem wissensbasierten Management der Ackerbegleitflora unterstützt werden.
Das Projekt "Verbund - KI: Selektives Unkraut- und Beikrautmanagement mit Hilfe künstlicher Intelligenz" wird vom Umweltbundesamt gefördert und von Hochschule Osnabrück, Arbeitsgruppe Agrarökologie und Umweltschonende Landbewirtschaftung durchgeführt. Ziel von 'CognitiveWeeding' ist es, mit einer veränderten Sichtweise auf die Ackerbegleitflora neue Wege der Unkrautregulierung (UR) zu entwickeln. Die Ackerbegleitflora wird differenziert betrachtet, wobei als Unkraut eine unerwünschte und problematische Pflanze im Bestand, als Beikraut eine wirtschaftlich unkritische und ggf. schützenswerte Pflanze in Koexistenz mit Kulturpflanzen bezeichnet wird. Die Klassifizierung erfolgt unter Berücksichtigung des betriebsspezifischen Pflanzenbaus (ökologisch, konventionell, hybrid (mech.+chem. UR)) sowie den Standort- und Witterungsbedingungen im Rahmen der Fruchtfolge und der Auswirkung auf die Biodiversität der jeweiligen (Teil)-Fläche. Bei der Planung der Regulierungsmaßnahmen ist abzuwägen, in welchem Maße Unkräuter bekämpft bzw. Beikräuter toleriert oder zeitweise nicht reguliert werden, um die pflanzliche Biodiversität zu erhöhen und Lebensräume bzw. Nahrungsquelle für Insekten zu schaffen/erhalten. Dazu werden drohnen-/bodengestützte Sensorsysteme zur Pflanzenerkennung getestet, weiterentwickelt und validiert. Mit vorhandener Kameratechnik zur Pflanzenerkennung wird ab Projektbeginn die Ackerbegleitflora bestimmt. Das vorhandene System bietet einen relativ schnellen Zugang von CognitiveWeeding in den Markt und zeigt andererseits die Potenziale und Grenzen einer kostengünstigen Erfassung auf. Im Projekt werden diese Systeme weiterentwickelt (Multisensorik), um durch Interpretation/Integration der Daten in ein KI-Entscheidungssystem zusätzliche Optionen zu schaffen. Hierzu werden Daten drohnengestützter LiDAR-, Multi- und Hyperspektralsensorik eingesetzt, integriert und eine multisensorale Analyse dieser Daten vorgenommen. Ebenfalls werden Verfahren (mechanisch/chemisch) für die kleinräumige Unkrautbekämpfung weiterentwickelt. Die Entscheidung, wann welche Pflanzen mit welcher Methode zu behandeln sind, soll mit einem wissensbasierten Management der Ackerbegleitflora unterstützt werden.
Das Projekt "SP 3" wird vom Umweltbundesamt gefördert und von Leibniz Universität Hannover, Institut für Bodenkunde durchgeführt. Vor dem Hintergrund effizienterer Nährstoffausnutzung in landwirtschaftlichen Anbausystemen ist das Ziel von SP3, die Auswirkung unterschiedlicher Zwischenfruchtanwendungen auf Funktionen und Organismen im Boden zu charakterisieren. Der Ansatz von SP3 verbindet dabei das Monitoring von Kohlenstoffflüssen mit dem eines Monitorings der Nährstoffflüsse zwischen dem System Pflanze-Boden-mikrobielle Biomasse mittels Stabilisotopie (13C, 15N) in einer Langzeitrotation zur Berechnung von Umsatzkinetiken und einer Erfassung biologischer Schlüsselfunktionen. Eine präzise Bilanzierung und zeitliche Auflösung des Nährstoff- und Energietransfers in Beziehung zu ober- und unterirdischen Lebensgemeinschaften soll Aufschluss geben inwiefern Zwischenfruchtanbau zu prozessoptimierten, nachhaltigen Managementstrategien der vorhandenen Ressourcen eingesetzt werden kann.
Das Projekt "Automatische Energiedatenanalyse von Gebäuden mit komplexer Anlagentechnik" wird vom Umweltbundesamt gefördert und von Synavision GmbH durchgeführt. Weiterentwicklung eines bestehenden Systems zur einmaligen Erfassung des IST-Zustandes von Gebäuden mit komplexer Anlagentechnik und modernen Automationssystemen. Das System soll auf eine kontinuierliche Erfassung der Energieflüsse weiterentwickelt werden. Zudem sollen Empfehlungen zur Fehlerbehebung und zu Einsparmaßnehmen automatisiert werden. Dies soll über den Einsatz von künstlicher Intelligenz geschehen.
Das Projekt "Teilvorhaben: Erkennung von Raumgeometrien und Rauminhalten" wird vom Umweltbundesamt gefördert und von Hochschule Düsseldorf, Fachbereich Maschinenbau & Verfahrenstechnik, Lehr- und Forschungsgebiet Informatik durchgeführt. Für die effiziente Planung und Ausführungskontrolle von energetisch hochwertigen Sanierungs-maßnahmen ist die Messtechnik zur Erfassung möglichst vollständiger Datensätze von Bestands-gebäuden, idealerweise in einem BIM-System, unumgänglich. Das System HottScan der Fa. Hottgenroth dient zur 3D-Erfassung von Räumen mit einer neuen Technologie und besteht aus der Scanner-Hardware mit der Systemsoftware und der Modellierungssoftware. Das System ist mittlerweile marktreif, und die erste Produktserie ist produziert worden und im Vertrieb. In der Modellierungssoftware des HottScan-Systems müssen derzeit die auf-genommenen Panoramen mit ihren Lasermesspunkten in der Modellierungssoftware noch händisch bearbeitet und ausgewertet werden. Dieser Prozess ist zeitaufwändig und soll automatisiert werden. Gesamtziel dieses Projektes ist die automatische Erkennung möglichst vieler Bilddetails und Geometriedaten. Ziel des Teilvorhabens der Hochschule Düsseldorf ist die Entwicklung eines neuen, mobilen und integrierten Messsystems für die effiziente und kostengünstige Erstellung eines digitalen Gebäudemodells von Bestandsgebäuden.
| Origin | Count |
|---|---|
| Bund | 29 |
| Type | Count |
|---|---|
| Förderprogramm | 29 |
| License | Count |
|---|---|
| offen | 29 |
| Language | Count |
|---|---|
| Deutsch | 29 |
| Englisch | 6 |
| Resource type | Count |
|---|---|
| Keine | 27 |
| Webseite | 2 |
| Topic | Count |
|---|---|
| Boden | 20 |
| Lebewesen & Lebensräume | 21 |
| Luft | 17 |
| Mensch & Umwelt | 29 |
| Wasser | 14 |
| Weitere | 29 |