Das Projekt "Teilprojekt 1" wird vom Umweltbundesamt gefördert und von Deutsche Vereinigung für Wasserwirtschaft, Abwasser und Abfall e.V. durchgeführt. DiWA initiiert und unterstützt durch digitale Interaktion in Kläranlagen die Schulung und Weiterbildung von Mitarbeitern. Dies erfolgt durch den Einsatz von Augmented Reality (AR)-basierten Remote Trainings sowie der Nutzung digitaler Zwillinge. Damit ist es insbesondere möglich, Störungen an maschinen- und elektrotechnischen Einrichtungen festzustellen und zu beseitigen, Pumpanlagen zu warten sowie den Betrieb und Unterhalt von Abwasserbehandlungsanlagen sicherzustellen. In DiWA sollen besonders lernhaltige Trainings (live und als Video) von problembehafteten Prozessen durchgeführt bzw. erstellt werden. Dabei sollen neben der fachbezogenen, (medien-)didaktischen Kompetenzvermittlung auch motivatorische Aspekte eine Rolle spielen, um Mitarbeiter für AR bzw. digitale Medien aufzuschließen und somit einen individuellen und organisatorischen Lernprozess in Gang zu setzen. Damit wird die Transformation hin zu einer Wasser- und Abwasserwirtschaft 4.0 mit initiiert. Im Kurzprojekt DiWA kommt das sog. Remote Training bzw. expertenbasiertes Training, mit einer Smart Glass, wie der Microsoft HoloLens 2 und einer speziellen App (z.B. Microsoft Remote Assist), zur Anwendung. Es sind dabei keine Programmierkenntnisse nötig. Durch die Bereitstellung audiovisueller Anweisungen (gesprochenes Wort und einfache Hologramme) in Echtzeit ist es z.B. dem Ausbilder bzw. Experten möglich, dem Mitarbeiter, der die HoloLens trägt bei der Wartung der Anlage zu unterstützen. Hierbei muss der Experte nicht vor Ort sein, sondern wird über sein Laptop oder Smartphone hinzugeschaltet. Für die Dokumentation der AR unterstützten Aktivität ist es möglich das Ganze aufzuzeichnen sowie als Lernvideo zu verwenden. Mit der Zeit entsteht so ein Lernvideoportfolio, auf das bei Bedarf von den Mitarbeitern digital zugegriffen werden kann. Damit kann neues Personal leichter eingearbeitet werden und anlagenspezifisches Wissen (formell und informell) besser vermittelt werden.
Das Projekt "Teilprojekt A" wird vom Umweltbundesamt gefördert und von Julius Kühn-Institut, Bundesforschungsinstitut für Kulturpflanzen, Institut für Pflanzenschutz im Ackerbau und Grünland durchgeführt. Blattläuse gehören in Deutschland zu den bedeutendsten Schadinsekten ackerbaulicher Kulturen deren Bedeutung in den letzten Jahren weiter zugenommen hat. Um eine optimale Bekämpfung durchführen ist es wichtig, deren zeitliches und räumliches Auftreten zu kennen und einzelne Arten korrekt zu identifizieren. Diese Identifizierung anhand morphologischen Merkmalen ist äußerst zeit- und kostenaufwendig und bedarf aufgrund der Komplexität hoher Expertise, welche stetig schwindet. In der Praxis des Schadinsektenmonitorings entstehen so bei den Pflanzenschutzdiensten in den Hochzeiten der Zuflugphasen oft personelle Engpässe. Dieses Projekt hat zum Ziel auf Basis von Deep Learning und dem Einsatz künstlicher Intelligenz Tools für die automatisierte Erkennung und Klassifizierung von Blattläusen aus Massenfängen, wie Saugfallen oder Gelbschalen, zu entwickeln. Eine KI bietet für das Schädlingsmonitoring weitreichende Vorteile: 1) signifikante Reduktion der Bearbeitungszeit, weitestgehend unabhängig von Personal, 2) standardisierte Ergebnisse ohne individuellen Personenfehler, 3) Nutzung der KI an mehreren Standorten, z.B. allen Pflanzenschutzdiensten, 4) schnellere Detektion invasiver Schadinsekten dank zeitnaher Probenbearbeitung. All diese Aspekte erlauben zukünftig eine Ausweitung des Monitorings und somit u.a. eine weitere Verbesserung von Warnhinweisen.
Das Projekt "Teilprojekt B" wird vom Umweltbundesamt gefördert und von ALM - Adaptiv Lernende Maschinen - GmbH durchgeführt. Blattläuse gehören in Deutschland zu den bedeutendsten Schadinsekten ackerbaulicher Kulturen deren Bedeutung in den letzten Jahren weiter zugenommen hat. Um eine optimale Bekämpfung durchführen ist es wichtig, deren zeitliches und räumliches Auftreten zu kennen und einzelne Arten korrekt zu identifizieren. Diese Identifizierung anhand morphologischen Merkmalen ist äußerst zeit- und kostenaufwendig und bedarf aufgrund der Komplexität hoher Expertise, welche stetig schwindet. In der Praxis des Schadinsektenmonitorings entstehen so bei den Pflanzenschutzdiensten in den Hochzeiten der Zuflugphasen oft personelle Engpässe. Dieses Projekt hat zum Ziel auf Basis von Deep Learning und dem Einsatz künstlicher Intelligenz Tools für die automatisierte Erkennung und Klassifizierung von Blattläusen aus Massenfängen, wie Saugfallen oder Gelbschalen, zu entwickeln. Eine KI bietet für das Schädlingsmonitoring weitreichende Vorteile: 1) signifikante Reduktion der Bearbeitungszeit, weitestgehend unabhängig von Personal, 2) standardisierte Ergebnisse ohne individuellen Personenfehler, 3) Nutzung der KI an mehreren Standorten, z.B. allen Pflanzenschutzdiensten, 4) schnellere Detektion invasiver Schadinsekten dank zeitnaher Probenbearbeitung. All diese Aspekte erlauben zukünftig eine Ausweitung des Monitorings und somit u.a. eine weitere Verbesserung von Warnhinweisen.
Das Projekt "Teilvorhaben UniBw München" wird vom Umweltbundesamt gefördert und von Universität der Bundeswehr München, Institut für Raumfahrttechnik und Weltraumanwendungen, Professur für Erdbeobachtung durchgeführt. Das Gesamtziel des Vorhabens DESTAM ist es, innovative KI-basierte Methoden zu entwickeln, um optische Satellitenbildzeitreihen mit Hilfe von SAR-Satellitenaufnahmen zu verdichten. Mittels der KI-basierten Zeitreihen soll ein zeitlich engmaschiges und anwendungsorientiertes Monitoring von landwirtschaftlichen Flächen ermöglicht werden. Der erhöhte Informationsgewinn durch verbesserte Zeitreihen ist notwendig, um unter Anderem das Problem der hohen pixel- oder feldspezifischen Variabilität von Nutzpflanzen-Systemen in der kleinbäuerlichen Landwirtschaft zu überwinden. Insbesondere ist das Monitoring zu phänologischen Schlüssel-Zeitpunkten (Beginn, Höhepunkt und Ende der Saison) fundamental und es bedarf daher zu diesen Zeiten engmaschiger Zeitreihen, die bisher häufig nicht vorhanden sind. Die zu entwickelnden Verfahren beabsichtigen, Zeitreihen gezielt an einzelnen Datenpunkten zu verdichten und a posteriori eine Zeitreihen-Auswertung zu unternehmen. Somit werden die durch Multisensor-Fusion verdichteten Zeitreihen an den zeitlichen Verlauf eines Pixels angepasst und optimiert und der Informationsgewinn gesteigert. Die aus dem Vorhaben entstehenden Verfahren werden für das Monitoring von Anomalien in der Subsistenzwirtschaft in Afrika verwendet und entsprechend verwertet. Entscheidungsträger in der Krisenprävention und Versicherungsgesellschaften können diese Daten nutzen, um Produktivitäts-Engpässe und Marktbedürfnisse frühzeitig abzuschätzen.
Das Projekt "Teilvorhaben: RSS" wird vom Umweltbundesamt gefördert und von Remote Sensing Solutions GmbH durchgeführt. Das Gesamtziel des Vorhabens DESTAM ist es, innovative KI-basierte Methoden zu entwickeln, um optische Satellitenbildzeitreihen mit Hilfe von SAR-Satellitenaufnahmen zu verdichten. Mittels der KI-basierten Zeitreihen soll ein zeitlich engmaschiges und anwendungsorientiertes Monitoring von landwirtschaftlichen Flächen unter Subsistenznutzung in den Tropen ermöglicht werden. Der erhöhte Informationsgewinn durch verbesserte Zeitreihen ist notwendig, um unter anderem das Problem der hohen pixel- oder feldspezifischen Variabilität von Nutzpflanzen-Systemen in der kleinbäuerlichen Landwirtschaft zu überwinden. Insbesondere ist das Monitoring zu phänologischen Schlüssel-Zeitpunkten (Beginn, Höhepunkt und Ende der Saison) fundamental und es bedarf daher zu diesen Zeiten engmaschiger Zeitreihen, die bisher häufig nicht vorhanden sind. Die zu entwickelnden Verfahren beabsichtigen, Zeitreihen gezielt an einzelnen Datenpunkten zu verdichten und a posteriori eine Zeitreihen-Auswertung zu unternehmen. Somit werden die durch Multisensor-Fusion verdichteten Zeitreihen an den zeitlichen Verlauf eines Pixels angepasst und optimiert und der Informationsgewinn gesteigert. Die aus dem Vorhaben entstehenden Verfahren werden für das Monitoring von Anomalien in der Subsistenzwirtschaft in Afrika verwendet und entsprechend verwertet. Entscheidungsträger in der Krisenprävention und Versicherungsgesellschaften können diese Daten nutzen, um Produktivitäts-Engpässe und Marktbedürfnisse frühzeitig abzuschätzen.
Das Projekt "Teilvorhaben: Entwicklung einer laserbasierten Technologie zur Unkrautbekämpfung auf dem Rübenfeld, Unkrauterfassung über optische Verfahren, pflanzenbauliche Evaluation und Wirtschaftlichkeitsbetrachtung" wird vom Umweltbundesamt gefördert und von Rübenanbauer- und Aktionärsverband Nord e.V. durchgeführt. Die größtmögliche, wuchsschädigende Wirkung auf junge Kulturpflanzen (Zuckerrüben) haben Unkrautpflanzen in der Pflanzreihe (ca. 10 % einer Anbaufläche) durch die Konkurrenz um Wuchsraum, Licht, Wasser und Nährstoffe. Es sind insbesondere Unkrautbekämpfungsverfahren erforderlich, die im Nahbereich von Kulturpflanzen (ca. 3 % der Anbaufläche) wirken. Die mechanische Beseitigung der Unkräuter innerhalb der Reihe bzw. in unmittelbarer Nähe zur Rübenpflanze ist technisch bislang nur unzureichend möglich. Im Ökorübenanbau ist sie derzeit jedoch alternativlos und bedarf einer intensiven zusätzlichen zeit- und kostenaufwändigen Erledigung von Hand. Im Rahmen dieses Verbundprojektes soll daher eine technische Systemlösung zur nicht-chemischen Unkrautbekämpfung für den Zuckerrübenanbau erarbeitet werden. Der zentrale innovative Lösungsansatz hierfür ist die Erforschung und Entwicklung eines mobilen photonischen Verfahrens für wirtschaftliche und nachhaltige Unkrautbekämpfung in der Pflanzenreihe, das mit mechanischen Verfahren gekoppelt wird. Die Innovation des Teilvorhabens ist die Schaffung von bisher nicht vorhandenen Voraussetzungen für eine chemiefreie, nachhaltige, präzise, intelligente und automatisierte Unkrautbekämpfung im Zuckerrübenanbau als eine ausgewogene Kombination zwischen mechanischer und berührungsloser Unkrautbekämpfung auf Grundlage einer sicheren Unterscheidung von Nutzpflanzen und Unkraut. Eine großflächige Anwendung könnte eine erhebliche Verminderung der bisher ausgebrachten Herbizidmengen bewirken und wäre insbesondere für den ökologischen Anbau in hohem Maße von Bedeutung.
Das Projekt "Teilvorhaben: Hochschule München" wird vom Umweltbundesamt gefördert und von Hochschule München, Fakultät 08 für Geoinformation durchgeführt. Das Gesamtziel des Vorhabens DESTAM ist es, innovative KI-basierte Methoden zu entwickeln, um optische Satellitenbildzeitreihen mit Hilfe von SAR-Satellitenaufnahmen zu verdichten. Mittels der KI-basierten Zeitreihen soll ein zeitlich engmaschiges und anwendungsorientiertes Monitoring von landwirtschaftlichen Flächen ermöglicht werden. Der erhöhte Informationsgewinn durch verbesserte Zeitreihen ist notwendig, um unter anderem das Problem der hohen pixel- oder feldspezifischen Variabilität von Nutzpflanzen-Systemen in der kleinbäuerlichen Landwirtschaft zu überwinden. Insbesondere ist das Monitoring zu phänologischen Schlüssel-Zeitpunkten (Beginn, Höhepunkt und Ende der Saison) fundamental und es bedarf daher zu diesen Zeiten engmaschiger Zeitreihen, die bisher häufig nicht vorhanden sind. Die zu entwickelnden Verfahren beabsichtigen, Zeitreihen gezielt an einzelnen Datenpunkten zu verdichten und a posteriori eine Zeitreihen-Auswertung zu unternehmen. Somit werden die durch Multisensor-Fusion verdichteten Zeitreihen an den zeitlichen Verlauf eines Pixels angepasst und optimiert und der Informationsgewinn gesteigert. Die aus dem Vorhaben entstehenden Verfahren werden für das Monitoring von Anomalien in der Subsistenzwirtschaft in Afrika verwendet und entsprechend verwertet. Entscheidungsträger in der Krisenprävention und Versicherungsgesellschaften können diese Daten nutzen, um Produktivitäts-Engpässe und Marktbedürfnisse frühzeitig abzuschätzen.
Das Projekt "Erfassung und Auswerung von arbeitswirtschaftlichen Grundlagen fuer landwirtschaftliche Betriebe im Berggebiet" wird vom Umweltbundesamt gefördert und von Agroscope FAT Tänikon durchgeführt. Erfassung von Arbeitszeiten fuer die Weidefuehrung und die Hofduengerausbringung im Berggebiet. Erstellung von Planzeiten als Planungsgrundlagen. Einbau des Datenmaterials in den Arbeitsvorschlag fuer Bergbetriebe. Vergleichende Bewertung verschiedener Weideformen im Berggebiet aus arbeitswirtschaftlicher und -organisatorischer Sicht.
| Origin | Count |
|---|---|
| Bund | 8 |
| Type | Count |
|---|---|
| Förderprogramm | 8 |
| License | Count |
|---|---|
| open | 8 |
| Language | Count |
|---|---|
| Deutsch | 8 |
| Resource type | Count |
|---|---|
| Keine | 8 |
| Topic | Count |
|---|---|
| Boden | 1 |
| Lebewesen & Lebensräume | 7 |
| Luft | 3 |
| Mensch & Umwelt | 8 |
| Wasser | 1 |
| Weitere | 8 |