Logo des Repositoriums

Auflistung nach Autor:in "Budde, Matthias"

1 - 4 von 4
  • Textdokument
    Integration von KI-Algorithmen in Umweltinformationssysteme mittels SensorThings API
    (INFORMATIK 2021, 2021) Hertweck, Philipp; van der Schaaf, Hylke; Hilbring, Desiree; Weis, Jonas; Liesch, Tanja; Budde, Matthias
    Künstliche Intelligenz oder Maschinelles Lernen wird zunehmend in der Umweltdomäne eingesetzt. Eine offene Frage dabei ist, wie entwickelte Algorithmen flexibel in Umweltinformationsysteme integriert werden können. Dieser Artikel befasst sich mit dieser Frage und untersucht den Einsatz des offenen Standards SensorThings API des Open Geospatial Consortiums (OGC) für die Integration von KI-Algorithmen in eine Geodaten-Infrastruktur. Die entwickelte Methode trägt mittels Container-Technologie dem Einsatz unterschiedlicher Technologien und unabhängigen Entwicklergruppen in verteilten Systemen Rechnung. Entwickelt und erprobt wird diese Methode im Projekt NiMo 4.0. Hierfür dient als Beispiel ein Prognose-Algorithmus für die räumliche Vorhersage von Nitrat-Daten.
  • 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
    Spatial Interpolation of Air Quality Data with Multidimensional Gaussian Processes
    (INFORMATIK 2021, 2021) Tremper, Paul; Till Riedel; Budde, Matthias
    The central question of this paper is whether interpolation techniques applied to a distributed sensor network can indeed provide more information than using the constant background of an urban reference station to measure air pollution. We compare different interpolation techniques based on temporal-spatial machine learning in terms of their applicability for correctly predicting personal exposure. Using a dataset of stationary low-cost sensors, we estimate exposure on a route through the city and compare it to mobile measurements. The results show that while different machine learning-based interpolation methods yield quite different results, validation of machine learning-based approaches is still challenging.
  • Konferenzbeitrag
    Zum Einsatz von Maschinellem Lernen in der Umweltverwaltung: Der Simplex4Learning Ansatz
    (INFORMATIK 2024, 2024) Abecker, Andreas; Budde, Matthias; Fuchs-Kittowski, Frank; Großmann, Janik; Koch, Werner; Lachowitzer, Jonas; Lossow, Stefan; Rodner, Erik; Rudolf, Heino; Schulze, Paul
    Ziel des im Herbst 2023 gestarteten Forschungsvorhabens Simplex4Learning ist es, die großen und heterogenen Datenbestände der Umweltbehörden für intelligente Analysen mit Methoden des maschinellen Lernens besser zu erschließen und diese Verfahren für Domänenexperten aus dem Umweltbereich ohne vertiefte ML-Kenntnisse praktikabel anwendbar zu machen. Realisiert wird dies (1) durch die Weiterentwicklung der Simplex4Data-Methode zur Datenbereitstellung für ML, ergänzt um (2) AutoML- und MLOps-Funktionalitäten, (3) Funktionalitäten zum Erklären von ML-Ergebnissen, (4) ein ML-Pattern Repository zum Wiederverwenden generalisierter ML-Workflows, all das (5) exemplarisch angebunden an die Datenanalyseplattform Disy Cadenza und das Data Warehouse System Simplex4Data. Der Arbeitsplan des Projekts ist an den konkreten Beispieldaten und Anwendungsfällen von Landesbehörden aus drei Bundesländern orientiert. Der vorliegende Beitrag als „Work-in-Progress“-Bericht skizziert Motivation und Ausgangslage des Vorhabens, den technischen Lösungsansatz und erste Zwischenergebnisse.