API src

Found 1899 results.

Related terms

Künstliche Intelligenz im Naturschutz

In absehbarer Zukunft könnte künstliche Intelligenz (KI) die Arbeit im Naturschutz so selbstverständlich unterstützen, wie es heute bereits Geoinformationsverarbeitung sowie statistische Methoden oder Modelle tun. Gegenwärtig befinden sich die meisten KI-Systeme aber noch im Forschungs- und Entwicklungsstadium. Sie müssen gezielt in Anwendungen von Behörden oder Naturschutzorganisationen überführt werden, um sie weitreichend zugänglich zu machen. Die breiteste Anwendung finden KI-Systeme bislang in der automatisierten Erkennung von Arten sowie in der Fernerkundung. Vielversprechende Methoden gibt es aber auch im Bereich der Modellierung, z. B. von Habitateignungen und Artverbreitungen. Bereits absehbar ist der Einsatz von KI-Systemen für (halb)automatisierte Bewertungen, etwa von Aussterberisiken, sowie der Einsatz als Entscheidungsunterstützungssysteme. Über die Diskussion bestehender Ansätze hinaus werden im zweiten Teil des Beitrags Rahmenbedingungen und Lösungsansätze für den erfolgreichen Einsatz von KI-Systemen im Naturschutz zusammengefasst.

Baumartenklassifikation NRW

Klassifikation von Baumartengruppen auf Bestandesebene, basierend auf Sentinel2 - Satellitenaufnahmen Die Klassifikation in die 9 in NRW am häufigsten bzw. bestandesbildend auftretenden Baumartengruppen berücksichtigt folgende Klassen: Eichen (Ei), Buchen (Bu), Buntlaubhölzer (hALH), Weichlaubhölzer (wALN), Pappeln, Kiefern, Lärchen, Fichten und Douglasien (siehe Legende). Die Klassifikation erfolgte durch ein Verfahren künstlicher Intelligenz (rekurrentes neuronales Netzwerk), das anhand von Forsteinrichtungsdaten aus den Waldflächen des landeseigenen Forstbetriebes in NRW trainiert wurde. Das Verfahren wurde im Auftrag des Ministeriums für Landwirtschaft und Verbraucherschutz des Landes NRW (MLV NRW) entwickelt. Zur Erkennung der Baumarten anhand ihrer Phänologie und zur Gewährleistung möglichst wolkenfreier Verhältnisse wurden Zeitreihen von Satellitenaufnahmen aus den Vegetationsperioden zweier Jahre zwischen dem 03.03.2022 und dem 11.07.2023 ausgewertet. Es wurden dafür insgesamt 516 einzelne Szenen ausgewählt und landesweit zu einem wolkenfreien multitemporalen Mosaik zusammengesetzt (https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/sentinel-2/ ). Bedingt durch die räumliche Auflösung der Sentinel2 - Satellitenaufnahmen von ca. 10 m eignet sich diese Kartenebene für eine Betrachtung auf einer Maßstabsebene von bis zu ca. 1:10.000, nicht größer! Die Darstellung berücksichtigt ausschließlich Baumarten in der Hauptschicht und ist nicht vergleichbar mit einer Forsteinrichtungs- oder Forstbetriebskarte. Mischungen von Baumarten sind durch wechselnde Farben auch innerhalb eines Bestandes gekennzeichnet. Die Angaben zu den Blößen basieren insbesondere auf der Aggregierten Kalamitätskarte im Nadelwald (Stand: Sep 2023). Validierung Die Nutzergenauigkeit ist das entscheidende Merkmal für die Zuverlässigkeit der Karteninformation in der fernerkundungsbasierten Baumartenkarte. Die Nutzergenauigkeit beschreibt eine repräsentative Schätzung für die Wahrscheinlichkeit, dass die in der Baumartenkarte dargestellte Karteninformation (Baumartengruppe) an einem Ort mit der Hauptschicht eines dortigen Bestandes übereinstimmt. Die Nutzergenauigkeit ist für jede ausgewiesene thematische Klasse (Baumartengruppe) unterschiedlich und bestimmt sich aus dem Anteil der oben beschriebenen Referenzdaten aus der Forsteinrichtung mit der entsprechenden Baumartengruppe in der Hauptschicht, im Verhältnis zu allen Referenzpunkten in der Validierungsstichprobe, die durch das neuronale Netz in die entsprechende Baumartengruppe klassifiziert wurden. Die Genauigkeiten unterscheiden sich also zwischen den einzelnen Baumarten in Abhängigkeit von der Häufigkeit, mit der die Baumarten in der Forsteinrichtung vertreten sind. Häufig auftretende Baumarten sind für eine künstliche Intelligenz leichter, seltener auftretende Baumarten (z.B. Pappeln, Douglasien) vergleichsweise schwerer zu erkennen. Die Herstellergenauigkeit dient zur Beurteilung der Klassifikationsgüte ausgehend vom Anteil der Referenzdaten in der Validierungsstichprobe mit der entsprechenden Baumartengruppe, die durch das neuronale Netz korrekt dieser Baumartengruppe zugeordnet wurden. Das F-Maß als allgemeines klassenspezifisches Gütemaß wird durch das harmonische Mittel (Durchschnitt) aus Nutzer- und Herstellergenauigkeit gebildet. Die Gesamtgenauigkeit gibt unabhängig von der Klassenzugehörigkeit den Anteil der Referenzpunkte in der Validierungsstichprobe an, der durch das neuronale Netz korrekt klassifiziert wurde. Ein gängiges und weithin anerkanntes Gütemaß ist Cohen’s κ-Koeffizient, der die Übereinstimmung zwischen den Klassenangaben in den Referenzdaten und den Klassifikationen des neuronalen Netzes auf Basis der Validierungsstichprobe beschreibt. In der praktischen Anwendung liegt der Wertebereich des Koeffizienten zwischen 0 und 1, wobei ein Wert von 1 eine völlige Übereinstimmung der Ergebnisse bedeutet, ein Wert von 0 hingegen eine rein zufällige Übereinstimmung ohne erkennbaren Mehrwert einer Entscheidung des neuronalen Netzes. Nutzergenauigkeit (%) Eiche Buche hALH wALN Pappel Kiefer Lärche Fichte Douglasie 93,8 94,7 91,2 89,2 88,8 97,7 95,9 97,1 88,4 Herstellergenauigkeit (%) 91,0 96,0 91,4 92,7 79,0 97,5 90,7 98,0 76,4 F-Maß (%) 92,3 95,4 91,3 90,9 83,6 97,6 93,2 97,6 82,0 Gesamtgenauigkeit: 95,0 % Cohen’s κ-Koeffizient: 0,938 Tabelle 1: Genauigkeitsangaben aus der statistisch unabhängigen Validierung. Die angegebenen Genauigkeiten wurden aus einer statistisch unabhängigen Validierung anhand der Forsteinrichtungsdaten aus den Staatswäldern bestimmt. Dazu wurde das Klassifikationsergebnis in über 15.000 landesweit zufällig ausgewählten Waldbeständen mit der dort ausgewiesenen einheitlichen Baumart in der Hauptschicht verglichen. Dieser Prozess wurde dreimal an jeweils unterschiedlichen Bildelementen wiederholt. Die angegebenen Prozentwerte geben die relative Häufigkeit (statistische Wahrscheinlichkeit) an, mit der das Klassifikationsergebnis und die in der Hauptschicht ausgewiesene Baumart übereinstimmen. Als Voraussetzung für eine unabhängige Validierung gibt es keine Überschneidung zwischen Trainings- und Validierungsdaten (statistische Unabhängigkeit).

Von Blockchain über Raumfahrt bis virtuellen Welten

Seit einigen Jahren führt das Umweltressort Horizon Scanning Prozesse durch, um neu aufkommende Veränderungen zu identifizieren, die maßgebliche Auswirkungen auf den Umwelt- und Nachhaltigkeitsbereich haben könnten und jenseits der Mainstream-Diskurse in Wissenschaft und Medien liegen. Ziel des Projektes war es, möglichst frühzeitig zukünftige Chancen und Risiken sowie mögliche Handlungsoptionen für die Umweltpolitik abzuleiten und neue Umweltforschungsbedarfe zu identifizieren. Im vorliegenden Bericht sind die Ergebnisse des Horizon Scannings veröffentlicht. Die zehn Themen mit besonderer Relevanz erstrecken sich von Distributed Ledger Technologien und Virtual und Augmented Reality, über die staatliche und private Raumfahrt bis hin zur Bioinspirierten Architektur- und Siedlungsentwicklung, als auch alternativen Lebenskonzepten und gesellschaftlicher Spaltung. Das Thema Künstliche Intelligenz im Umweltbereich wurde ebenfalls im Horizon Scanning Prozess als besonders relevant für das Umweltressort identifiziert und ist in einer gesonderten Studie analysiert und veröffentlich worden. Veröffentlicht in Broschüren.

Labor für Künstliche Intelligenz und Big Data am Umweltbundesamt gestartet

Gemeinsame Pressemitteilung von Umweltbundesamt und Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz Bundesumweltministerin Lemke und UBA-Präsident Messner geben Startschuss für neuen Experimentierraum zur Analyse von Umweltdaten Bundesumwelt- und -verbraucherschutzministerin Steffi Lemke und der Präsident des Umweltbundesamts (UBA) Prof. Dr. Dirk Messner haben heute das Anwendungslabor für Künstliche Intelligenz und Big Data (KI-Lab) am UBA eröffnet. Das KI-Lab soll Grundlagen schaffen, um mit Künstlicher Intelligenz (KI) die Analyse großer Mengen von Umweltdaten (Big Data) stärker zu vereinfachen. Alle Behörden im Umweltressort werden das KI-Lab für ihre Arbeit nutzen, das heute seine Arbeit aufnimmt. Steffi Lemke, Bundesumwelt- und -verbraucherschutzministerin: „Die Potentiale von KI und Big Data sind immens – auch für den Schutz von Umwelt, ⁠ Klima ⁠ und Natur. Sie auf nachhaltige Weise zu heben, ist eine wichtige Gemeinschaftsaufgabe und gehört zu verantwortungsvoller Digitalisierung. Das neue KI-Lab ist innovativ und ermöglicht den Behörden des Umweltressorts, passgenaue Anwendungen für Herausforderungen zu entwickeln – zum Beispiel für die effizientere Auswertung von Satellitendaten, um den Ausbau von Wind- und Sonnenstrom besser planen zu können. Diese Anwendungen sollen die Arbeit der Behörden unterstützen und das Verständnis von Problemen, Lösungen und Zusammenhängen im Umweltbereich sowohl bei den Behörden selbst als auch in der Öffentlichkeit verbessern. Das hat Modellcharakter.“ ⁠ UBA ⁠-Präsident Prof. Dr. Dirk Messner: „Digitale Transformation und künstliche Intelligenz sind ein Paradigmenwechsel auch im Umweltschutz. Wir werden Umweltdaten künftig völlig anders und auch besser analysieren können. Dazu müssen wir neue datenwissenschaftliche Methoden für die Umwelt- und Nachhaltigkeitsforschung nutzen und Kompetenzen im gesamten Umweltressort aufbauen. Sonst werden wir nicht Schritt halten bei der so wichtigen Verwaltungsdigitalisierung. Unser Anwendungslabor ist dafür ein einmaliger Experimentier- und Gestaltungsraum für die Analyse von Umweltdaten.“ Das KI-Lab nutzt datenwissenschaftliche Methoden und Technologien, um die heterogenen, komplexen und bisher oft schwer zugänglichen Datenbestände in der Umweltverwaltung besser zu verwerten. Das umfasst Erdbeobachtungs- und Messdaten, Prozessdaten für eine Verwaltungs- und Vollzugsoptimierung und viele andere weitere Umwelt-, Natur- und Strahlenschutzdaten. Erste Beispiele für die mögliche Anwendung von KI sind etwa das Identifizieren von Wind- und Photovoltaik-Anlagen in Satellitendaten für eine bessere Planung. Auch lassen sich illegal in Online-Handelsplattformen angebotene und geschützte Tier- und Pflanzenarten besser aufspüren. Mit dem KI-Lab können alle Behörden des Umweltressorts KI-Anwendungen auf Basis von Umweltdaten entwickeln – neben dem UBA sind dies das Bundesamt für Naturschutz, das Bundesamt für Strahlenschutz und das Bundesamt für die Sicherheit der nuklearen Entsorgung. Das KI-Lab ist eine Initiative im Rahmen der Umweltpolitischen Digitalagenda des ⁠ BMUV ⁠ und Teil des BMUV 5-Punkte-Programms „Künstliche Intelligenz für Umwelt und Klima“. Hierfür stehen aus Mitteln des Konjunktur- und Zukunftspaketes der Bundesregierung (2021) 26,4 Millionen Euro zur Verfügung. Es werden rund 30 Mitarbeitende, zunächst befristet bis 2025, an den Standorten Leipzig, Berlin und Dessau-Roßlau beschäftigt. Das KI-Lab legt besonderen Wert auf den verantwortungsvollen Umgang mit Daten und entwickelt Lösungen zur ressourcenschonenden Nutzung von KI und Big Data (Responsible & Green AI). Dabei stehen verschiedene Aspekte nachhaltiger Software im Raum: Vom möglichst energieeffizienten Einsatz der Hardware über passgenaue und ethische Auswahl der Daten und Algorithmen, bis zur Verwertbarkeit durch dritte im Rahmen von Open-Source. Das KI-Lab arbeitet aktuell daran, wirkungsvolle nationale und internationale Netzwerke und Kollaborationen zum Thema KI und deren Nutzung im Umweltressort zu etablieren. Ziel ist es, im gesamten Umweltressort methodisch und technisch relevante Kompetenzen aufzubauen. Die Behörden wollen voneinander lernen und so der digitalen Transformation in der Umweltverwaltung Anschub geben.  „Wir arbeiten bei der Umsetzung von Beispielanwendungen (Use Cases) mit ganz unterschiedlichen Expertinnen und Experten aus dem Umweltressort eng zusammen: von der Meeresforschung, über Strahlenschutz bis hin zur Atmosphärenphysik im urbanen Raum. Es ist uns ein Anliegen, dass das KI-Lab sowohl eine Wirkung nach außen entfacht, als auch ins eigene Haus wirkt.“  so Robert Wagner, Leiter des KI-Lab am UBA.

KPI4DCE im Feld: Umweltbewertung ausgewählter Rechenzentren und Best Practices

Die Erfahrungen und Ergebnisse aus dem Projekt ⁠ KPI4DCE ⁠ 2.0 zeigen, dass es sinnvoll ist, genaue Kenntnisse über alle Teilbereiche eines Rechenzentrums zu haben. Es macht nur bedingt Sinn lediglich die Gebäudeinfrastrukturtechnik zu optimieren. Ist die Informationstechnik völlig überdimensioniert, verschwendet sie nicht nur Energie und Ressourcen ohne Leistung zu erbringen, sondern stellt unnötige Bedarfe an Klimatisierung, Stromversorgungsanlagen und Fläche. Um diese Bedarfe nachzukommen müssen Gebäudetechnik und Fläche entsprechend groß ausgelegt werden. Das Beispiel verdeutlicht, wie wichtig es ist, Transparenz über alle Teilbereiche herzustellen und insbesondere die Informationstechnik am tatsächlichen Bedarf auszurichten. Nur so können die Effizienzpotenziale erkannt und sinnvolle und gewinn-bringende Maßnahmen umgesetzt bzw. in Ausbauplanungen berücksichtigt werden. Für die optimale Umsetzung von Effizienzmaßnahmen im Rechenzentrum hat sich ein abgestimmtes Vorgehen in der Praxis als hilfreich erwiesen, denn künstliche Intelligenz, Big Data, Industrie 4.0 oder Internet of things sind längst nicht mehr nur Schlagworte, sondern benennen vielmehr reale Megatrends, die zum Teil enorme Energie- und Rohstoffbedarfe haben. Alle diese und weitere Anwendungen und Produkte der Digitalisierung haben gemein, dass sie auf Rechenzentren angewiesen sind, die die Daten zentral speichern, verarbeiten, weiterleiten oder anderweitig zur Verfügung stellen. Die Rechenzentren haben aufgrund der steigenden Nachfrage in den letzten Jahren erheblich an Anzahl und Größe zugenommen. Die Wachstumsprognosen zeigen auch weiterhin einen deutlichen Trend nach oben. Aus diesem Grund ist es notwendig sie genauer unter die Lupe zu nehmen, um die Energie- und Rohstoffbedarfe zu kennen und die Effizienzpotenziale im Rechenzentrum zu heben. Für die Umweltbilanzierung von Rechenzentren steht die vom ⁠ UBA ⁠ entwickelte Methode Key Performance Indicator for Datacenter (KPI4DCE) zur Verfügung. Mit dieser Methode ist eine ganzheitliche Beurteilung der Umweltwirkungen von Rechenzentren möglich. Die KPI4DCE-Kennzahlen werden jeweils berechnet als Quotient aus Nutzen und Aufwand. Dabei wird die Herstellung von Informationstechnik und den Betrieb des Rechenzentrums in die Berechnung der vier Wirkungskategorien Rohstoffaufwand (ADP), Treibhausgasemissionen (GWP), Kumulierter Energieaufwand (⁠ KEA ⁠) und Wasserverbrauch mit einbezogen. Veröffentlicht in Texte | 43/2024.

Baumartenklassifikation NRW

Klassifikation von Baumartengruppen auf Bestandesebene, basierend auf Sentinel2 - Satellitenaufnahmen Die Klassifikation in die 9 in NRW am häufigsten bzw. bestandesbildend auftretenden Baumartengruppen berücksichtigt folgende Klassen: Eichen (Ei), Buchen (Bu), Buntlaubhölzer (hALH), Weichlaubhölzer (wALN), Pappeln, Kiefern, Lärchen, Fichten und Douglasien (siehe Legende). Die Klassifikation erfolgte durch ein Verfahren künstlicher Intelligenz (rekurrentes neuronales Netzwerk), das anhand von Forsteinrichtungsdaten aus den Waldflächen des landeseigenen Forstbetriebes in NRW trainiert wurde. Das Verfahren wurde im Auftrag des Ministeriums für Landwirtschaft und Verbraucherschutz des Landes NRW (MLV NRW) entwickelt. Zur Erkennung der Baumarten anhand ihrer Phänologie und zur Gewährleistung möglichst wolkenfreier Verhältnisse wurden Zeitreihen von Satellitenaufnahmen aus den Vegetationsperioden zweier Jahre zwischen dem 03.03.2022 und dem 11.07.2023 ausgewertet. Es wurden dafür insgesamt 516 einzelne Szenen ausgewählt und landesweit zu einem wolkenfreien multitemporalen Mosaik zusammengesetzt (https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/sentinel-2/ ). Bedingt durch die räumliche Auflösung der Sentinel2 - Satellitenaufnahmen von ca. 10 m eignet sich diese Kartenebene für eine Betrachtung auf einer Maßstabsebene von bis zu ca. 1:10.000, nicht größer! Die Darstellung berücksichtigt ausschließlich Baumarten in der Hauptschicht und ist nicht vergleichbar mit einer Forsteinrichtungs- oder Forstbetriebskarte. Mischungen von Baumarten sind durch wechselnde Farben auch innerhalb eines Bestandes gekennzeichnet. Die Angaben zu den Blößen basieren insbesondere auf der Aggregierten Kalamitätskarte im Nadelwald (Stand: Sep 2023). Validierung Die Nutzergenauigkeit ist das entscheidende Merkmal für die Zuverlässigkeit der Karteninformation in der fernerkundungsbasierten Baumartenkarte. Die Nutzergenauigkeit beschreibt eine repräsentative Schätzung für die Wahrscheinlichkeit, dass die in der Baumartenkarte dargestellte Karteninformation (Baumartengruppe) an einem Ort mit der Hauptschicht eines dortigen Bestandes übereinstimmt. Die Nutzergenauigkeit ist für jede ausgewiesene thematische Klasse (Baumartengruppe) unterschiedlich und bestimmt sich aus dem Anteil der oben beschriebenen Referenzdaten aus der Forsteinrichtung mit der entsprechenden Baumartengruppe in der Hauptschicht, im Verhältnis zu allen Referenzpunkten in der Validierungsstichprobe, die durch das neuronale Netz in die entsprechende Baumartengruppe klassifiziert wurden. Die Genauigkeiten unterscheiden sich also zwischen den einzelnen Baumarten in Abhängigkeit von der Häufigkeit, mit der die Baumarten in der Forsteinrichtung vertreten sind. Häufig auftretende Baumarten sind für eine künstliche Intelligenz leichter, seltener auftretende Baumarten (z.B. Pappeln, Douglasien) vergleichsweise schwerer zu erkennen. Die Herstellergenauigkeit dient zur Beurteilung der Klassifikationsgüte ausgehend vom Anteil der Referenzdaten in der Validierungsstichprobe mit der entsprechenden Baumartengruppe, die durch das neuronale Netz korrekt dieser Baumartengruppe zugeordnet wurden. Das F-Maß als allgemeines klassenspezifisches Gütemaß wird durch das harmonische Mittel (Durchschnitt) aus Nutzer- und Herstellergenauigkeit gebildet. Die Gesamtgenauigkeit gibt unabhängig von der Klassenzugehörigkeit den Anteil der Referenzpunkte in der Validierungsstichprobe an, der durch das neuronale Netz korrekt klassifiziert wurde. Ein gängiges und weithin anerkanntes Gütemaß ist Cohen’s κ-Koeffizient, der die Übereinstimmung zwischen den Klassenangaben in den Referenzdaten und den Klassifikationen des neuronalen Netzes auf Basis der Validierungsstichprobe beschreibt. In der praktischen Anwendung liegt der Wertebereich des Koeffizienten zwischen 0 und 1, wobei ein Wert von 1 eine völlige Übereinstimmung der Ergebnisse bedeutet, ein Wert von 0 hingegen eine rein zufällige Übereinstimmung ohne erkennbaren Mehrwert einer Entscheidung des neuronalen Netzes. Nutzergenauigkeit (%) Eiche Buche hALH wALN Pappel Kiefer Lärche Fichte Douglasie 93,8 94,7 91,2 89,2 88,8 97,7 95,9 97,1 88,4 Herstellergenauigkeit (%) 91,0 96,0 91,4 92,7 79,0 97,5 90,7 98,0 76,4 F-Maß (%) 92,3 95,4 91,3 90,9 83,6 97,6 93,2 97,6 82,0 Gesamtgenauigkeit: 95,0 % Cohen’s κ-Koeffizient: 0,938 Tabelle 1: Genauigkeitsangaben aus der statistisch unabhängigen Validierung. Die angegebenen Genauigkeiten wurden aus einer statistisch unabhängigen Validierung anhand der Forsteinrichtungsdaten aus den Staatswäldern bestimmt. Dazu wurde das Klassifikationsergebnis in über 15.000 landesweit zufällig ausgewählten Waldbeständen mit der dort ausgewiesenen einheitlichen Baumart in der Hauptschicht verglichen. Dieser Prozess wurde dreimal an jeweils unterschiedlichen Bildelementen wiederholt. Die angegebenen Prozentwerte geben die relative Häufigkeit (statistische Wahrscheinlichkeit) an, mit der das Klassifikationsergebnis und die in der Hauptschicht ausgewiesene Baumart übereinstimmen. Als Voraussetzung für eine unabhängige Validierung gibt es keine Überschneidung zwischen Trainings- und Validierungsdaten (statistische Unabhängigkeit).

Weitergehende Untersuchungen zu Auswirkungen des Klimawandels auf die Ozonkonzentration in Deutschland (KliwO)

Ozon ist ein Luftschadstoff mit negativen Auswirkungen auf die menschliche Gesundheit und die Vegetation. Seit den 1990er Jahre sind die Ozonkonzentrationen in Europa aufgrund von Emissionsreduzierungen zurückgegangen. Der ⁠ Klimawandel ⁠ kann jedoch die Bedingungen für die Ozonbildung begünstigen, wodurch Überschreitungen bestimmter Ozon-Schwellenwerte häufiger auftreten könnten. In dieser Studie wurde anhand von Methoden des Maschinellen Lernens die Beziehungen zwischen Klimakennzahlen und der Anzahl von Überschreitungen eines Ozonschwellenwertes für Messstandorte in Deutschland im Zeitraum 1995 − 2018 untersucht. Veröffentlicht in Texte | 17/2023.

Künstliche Intelligenz im Umweltbereich

Die Entwicklungen im Bereich Künstlicher Intelligenz (KI) verlaufen zunehmend dynamisch und in vielfältigen Innovationssträngen. Hier konkrete Entwicklungsrichtungen zu erkennen, ist ebenso schwierig, wie ihre Potenziale und Risiken für Gesellschaft, Wirtschaft und Politik oder die Umwelt zu bewerten. Insbesondere für den Umweltbereich existieren bislang nur wenige Studien. Ziel dieser Kurzstudie ist es, einen Überblick zu geben, wo KI im Umweltbereich eingesetzt werden kann und wo durch KI grundsätzliche Risiken für die Umwelt zu befürchten sind. In sechs Entwicklungskorridoren zeigt die Kurzstudie politische Ansatzpunkte auf, wie Umweltpolitik KI im Sinne einer nachhaltigen Technikentwicklung gestalten kann. Veröffentlicht in Texte | 56/2019.

Umweltmanagement und Digitalisierung – Praktische Ansätze zur Verbesserung der Umweltleistung

Der rasant voranschreitende digitale Wandel von Wirtschaft und Gesellschaft wird auch die Umweltauswirkungen von Unternehmen grundlegend beeinflussen. Die Digitalisierung kann zu einem Brandbeschleuniger der aktuellen Umweltprobleme werden, aber auch ein „Enabler“ für nachhaltiges Wirtschaften sein. Daher ist es wichtig, dass Unternehmen die mit dem Einsatz dieser Technologien einhergehenden Umweltauswirkungen im Blick behalten und die Chancen für den betrieblichen Umwelt- und ⁠ Klimaschutz ⁠ konsequent nutzen. Die vorliegende Broschüre zeigt schlaglichtartig, wie aktuelle Digitalisierungstrends von Blockchain und künstlicher Intelligenz, Big Data und Cloud Computing bis hin zum Internet der Dinge in zentralen Themenbereichen des Umweltmanagements eingesetzt werden können. Die Broschüre soll nicht nur den rund 10.000 Organisationen in Deutschland Hilfestellung bieten, die bereits ein Umweltmanagementsystem wie die internationale Umweltmanagementnorm ISO 14001 oder das europäische „Eco Management and Audit Scheme“ (⁠ EMAS ⁠) umsetzen, sondern richtet sich auch an Unternehmen, die sich erstmals mit dem Thema befassen. Neben konkreten Anwendungsfällen enthält die Broschüre auch Praxisbeispiele und Umsetzungstipps. Veröffentlicht in Broschüren.

Digitalisierung als Transformationsmotor für eine Green Economy

Fragen der Green Economy werden bislang weitgehend getrennt von der Digitalisierung betrachtet. Im Forschungsbericht wurden die Transformationspotenziale von Big Data, Künstlicher Intelligenz (KI) und digitalen Plattformen auf dem Weg zu einer Green Economy in den Blick genommen. Dabei wurden sowohl die privatwirtschaftliche als auch staatliche Anwendung betrachtet. Auf Basis der gewonnenen Erkenntnisse werden Handlungsempfehlungen für umwelt-, klima- und nachhaltigkeitsbezogene Veränderungen der rechtlichen und regulatorischen Rahmenbedingungen entwickelt. Veröffentlicht in Texte | 85/2022.

1 2 3 4 5 … 188 189 190