Logo des Repositoriums

Auflistung nach Autor:in "Bruns, Julian"

1 - 5 von 5
  • Textdokument
    1. Workshop Künstliche Intelligenz in der Umweltinformatik
    (INFORMATIK 2020, 2021) Abecker, Andreas; Bruns, Julian; Naumann, Stefan
    In den letzten Jahrzehnten hat die Umweltforschung begonnen, eine datengesteuerte Perspektive einzunehmen, die durch riesige Sensornetze, satellitengestützte Erdbeobachtung und einen fast allgegenwärtigen Internetzugang ermöglicht wird. Von einigen dieser datengestützten Ansätze wird erwartet, dass sie Visionen einer nachhaltigen Zukunft umsetzen können. Zum Beispiel, indem sie es ermöglichen, in nachhaltigen intelligenten Städten zu leben oder die Welt mit „Smarter Landwirtschaft“ zu ernähren. Oder indem man die Umweltverschmutzung oder die globale Entwaldung mit besserer Erdbeobachtung bekämpft. Es besteht jedoch eine Kluft zwischen einigen der derzeitigen Erwartungen, die in datengesteuerte Techniken gesetzt werden, und der Reife im Bereich des (räumlichen) Maschinellen Lernens und der Künstlichen Intelligenz. Im Workshop werden offene Forschungsfragen adressiert und Anwendungsbeispiele aus den Schnittfeldern von KI und Umweltanwendungen diskutiert.
  • Textdokument
    2. Workshop Künstliche Intelligenz in der Umweltinformatik
    (INFORMATIK 2021, 2021) Abecker, Andreas; Bruns, Julian; Naumann, Stefan
    In den vergangenen Jahren konnte die Umweltforschung eine zunehmend datengesteuerte Perspektive einnehmen, weil immer leistungsfähigere In-situ-Sensorik mit telemetrischer Datenübertragung, riesige Sensornetze, satelliten- und drohnengestützte Erdbeobachtung und ein fast allgegenwärtiger Internetzugang technisch ganz neue Möglichkeiten eröffnen. Von einigen dieser datengestützten Ansätze wird erwartet, dass sie Visionen einer nachhaltigen Zukunft deutlich unterstützen können. Zum Beispiel, indem sie es ermöglichen, in nachhaltigen intelligenten Städten besser zu leben, die Menschheit mit intelligenterer Landwirtschaft besser zu ernähren, die Umweltverschmutzung oder weltweite Rodung von Wäldern mit besserer Erdbeobachtung zu bekämpfen, oder durch intelligente Steuerung von Prozessen und Vernetzung von Akteuren wichtige Menschheitsfragen wie die Umsetzung der Energiewende, die Realisierung der Kreislaufwirtschaft oder die Bekämpfung und den Umgang mit dem Klimawandel zu unterstützen. Im Workshop KIU werden in diesem großen Themenkomplex neue innovative Ideen vorgestellt, offene Forschungsfragen und Lösungsansätze diskutiert und Anwendungsbeispiele aus den Schnittfeldern von KI und Umweltanwendungen präsentiert.
  • Konferenzbeitrag
    4. Workshop Künstliche Intelligenz in der Umweltinformatik
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Abecker, Andreas; Bruns, Julian; Naumann, Stefan
    Im Rahmen des INFORMATIK FESTIVAL 2023 der Gesellschaft für Informatik (GI) e.V. im Herbst 2023 in Berlin findet die vierte Auflage des Workshops KIU zur Nutzung von Methoden der Künstlichen Intelligenz in der Umweltinformatik statt. In der KIU-Workshopreihe werden seit 2020 anwendungsorientiert und interdisziplinär innovative Beiträge der KI für wichtige Fragen von Umweltschutz und Nachhaltigkeit vorgestellt und diskutiert. Auch der vierte Workshop soll dabei helfen, eine deutschsprachige Wissenschafts- und Anwendungscommunity zu diesen Themen zu etablieren, um langfristig die Kreativität und die Wirkung dieses wichtigen Aufgabenfelds zu unterstützen.
  • Textdokument
    A meta analysis of the status of AI in environmental computer science
    (INFORMATIK 2021, 2021) Sinwell, Lukas; Bruns, Julian; Budde, Matthias; Abecker, Andreas
    Artificial Intelligence is hyped as one of the key enablers of the future which will help to solve key challenges of humanity. The research field which already addresses many of those challenges is Environmental (Computer) Science. Therefore, it seems like a natural fit to combine both fields. AI can provide algorithms and methods to ease the computations and extend the existing (simulation) models of the environmental sciences. The environmental sciences already have in-depth knowledge of the problems at hand, can evaluate and interpret both the relative importance of input data as well as the results. However, to achieve this synergy, a strong foundation and knowledge of previous work is needed. This work aims to contribute to this foundation by providing a data-driven overview of AI-based research activities in the field of environmental computer science.
  • Textdokument
    Nitrat-Monitoring 4.0 – Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser
    (INFORMATIK 2020, 2021) Liesch, Tanja; Bruns, Julian; Abecker, Andreas; Hilbring, Désirée; Karimanzira, Divas; Martin, Tobias; Wagner, Martin; Wunsch, Andreas; Fischer, Thilo
    Nitrat im Grundwasser stellt weltweit unter anderem für die Trinkwasserversorgung ein großes Problem dar. Die Verteilung von Nitrat im Grundwasser ist dabei das Ergebnis eines komplexen Zusammenspiels vieler Einflussfaktoren, welches sich mit herkömmlichen Modellen für große Gebiete aufgrund der hohen Komplexität der Domäne nur schwer modellieren lässt. KI-Anwendungen, insbesondere Neuronale Netze bzw. Deep Learning Verfahren, lassen als datenbasierte Modelle, die komplexe Zusammenhänge aus einer großen Datenmenge extrahieren und übertragen können, hier einen deutlichen Mehrwert bei der zeitlich-räumlichen Vorhersage von Nitratwerten erwarten. Im vorliegenden Projekt soll daher ein übergreifendes System entwickelt werden, welches KI Verfahren mit Methoden der Umweltinformatik und speziell der Wasserdomäne kombiniert. Hierzu kommen State-of-the-Art Machine Learning Methoden wie Convolutional Neural Networks und Long short-term Memory Netzwerke zum Einsatz, um so eine verbesserte räumliche und zeitliche Vorhersage von Nitrat im Grundwasser zu erzielen und damit zur effizienten und nachhaltigen Nitrat-Reduzierung beizutragen. Diese werden mit Methoden des Operation Research und der semantischen Datenintegration erweitert, um damit einen Endnutzer bei der Entscheidungsfindung intelligent zu unterstützen.