Flow Factory

Detaillierte Waldüberwachung mittels skalierbarer KI-Methoden

Der Klimawandel ist eine der größten Herausforderungen, die die Menschheit im laufe dieses Jahrhunderts zu bewältigen hat. Dabei ist der Erhalt von Ökosystemen, insbesondere von Wäldern, ein wichtiger Bestandteil von Strategien zur Anpassung an den Klimawandel und zur Eindämmung des Klimawandels. Aktuelle und hochauflösende Informationen über den Zustand und die Kohlenstoffbilanz der Wälder in der EU und weltweit sind in diesem Kontext von entscheidender Bedeutung. Sie können helfen, den aktuellen Zustand der Kohlenstoffsenken in den Wäldern zu bewerten, ihren künftigen Zustand vorherzusagen und geeignete Maßnahmen gegen den Waldverlust und für verbesserte Waldbewirtschaftungsstrategien zu ergreifen. Fortschritte sowohl im Bereich der Erdbeobachtung als auch im Bereich der künstlichen Intelligenz (KI) haben den Weg für eine automatisierte Überwachung von Wäldern mithilfe von Satellitendaten geebnet. Al4Forest wird neue Waldkarten von Europa und der ganzen Welt mit einer bisher unerreichten räumlichen und zeitlichen Auflösung und Präzision liefern. Erreicht werden soll dies durch die Entwicklung von speziellen und an die Bedürfnisse der Daten und Aufgaben angepassten KI-Methoden.

Überwachung von Veränderungen in Satellitendaten mittels Methoden der künstlichen Intelligenz und paralleler Programmierung

Im Bereich der Fernerkundung werden pro Jahr viele Petabyte an Satellitendaten gesammelt. Die aktuellen Entwicklungen und Fortschritte im Bereich der künstlichen Intelligenz (KI) erleichtern die automatisierte Analyse solcher riesigen Datenmengen und ermöglichen somit neue Anwendungen in diversen Bereichen wie z.B. in der Landwirtschaft oder im Kontext des Infrastrukturmanagements. Die Anwendung entsprechender KI-Modelle auf globaler Ebene (z.B. weltweit) kann sehr rechen- und somit zeit- und kostenintensiv werden, so dass einzelne Analysen Wochen, Monate oder sogar Jahre benötigen können. Dieses Projekt zielt auf die Entwicklung hocheffizienter paralleler Implementationen von KI-Methoden ab, um in Satellitendaten sichtbare Veränderungen automatisiert zu erkennen und zu überwachen (z.B. Abholzung von Waldbeständen in entlegenen Regionen der Welt). Kooperation mit der Universität Kopenhagen (Cosmin Oancea und Marcos Vaz Sallies). Unterstützt durch den Independent Research Fund Denmark (DFF).

DeepCrop: Quantifizierung von Kohlenstoffbeständen mittels Deep Learning

Aktuelle Entwicklungen in den Bereichen des Deep Learnings und drohnengestützter Lidar-Scanner ermöglichen eine bessere Einschätzung der Kohlenstoffbestände von Ökosystemen. Angesichts der steigenden Nachfrage nach Biomasse zielt das DeepCrop-Projekt auf eine präzisere Abschätzung der oberirdischen Biomasse sowie der Kapazität von Kohlenstoffsenken ab. Im Rahmen des Projekts soll die Expertise von Geowissenschaftlern und Informatikern gebündelt werden, um neuartige Verfahren zu entwickeln, welche die automatisierte Verarbeitung großer Mengen an Lidar-Daten ermöglichen. Das Projekt wird in Kooperation mit der Universität Kopenhagen (Katerina Trepekli, Thomas Friborg, Christian Igel) durchgeführt. Teile des Projekts werden durch die Villum Foundation und durch das Data+-Programm der Universität Kopenhagen unterstützt.

Verbund - KI: Energie- und ressourceneffiziente künstliche Intelligenz für moderne IoT-Anwendungen

Das „Internet of Things“ (IoT) bietet uns immer mehr Möglichkeiten, verschiedene Endgeräte miteinander zu vernetzen und Daten auszutauschen. Dementsprechend steigt die Anzahl IoT-fähiger-Endgeräte wie etwa Smartphones, Smartwatches oder Fitnesstracker. Viele dieser Geräte besitzen Mikrocontroller oder Sensoren, wie etwa Kameras oder Bewegungsmesser, mit denen sie mit Hilfe von KI-Verfahren Daten über Cloud-Services austauschen. Sowohl die Geräte selbst, als auch die KI-Anwendungen, verbrauchen jedoch Ressourcen in Form von Material und Energie. Diesen Ressourcenverbrauch gilt es zu reduzieren – speziell bei IoT-Anwendungen, die im Umweltbereich zum Einsatz kommen.