Logo des Repositoriums

Auflistung nach Autor:in "Karimanzira, Divas"

1 - 2 von 2
  • 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.
  • Konferenzbeitrag
    Nutzung offener Standards für die Integration von Pegeldaten und KI-basierte Prognose von Pegel- und Abflussdaten zur Verbesserung der FrühwarnungbeiSturzfluten
    (INFORMATIK 2023 - Designing Futures: Zukünfte gestalten, 2023) Vogl, Jonathan; Hilbring, Désirée; Karimanzira, Divas
    Im Kontext von Frühwarnsystemen, deren Bedeutung in Zeiten mit steigender Anzahl an Extremwetterereignissen wächst, spielt die Verfügbarkeit von Messdaten in Kombination mit einem schnellen Datenaustausch zwischen KI-Algorithmen zur Berechnung und Plattformen zur Visualisie- rung von Prognoseergebnissen eine entscheidende Rolle. Im Rahmen des Eigenforschungsprojekts PrognoSF des Fraunhofer IOSB werden Niederschlagsprognosedaten des DWD mit lokalen Sensor- daten aus Smart City Plattformen kombiniert und Pegelprognosen auf Basis von KI durchgeführt, die später auch Frühwarnungen, gerade bei Gefährdung von kritischer Infrastruktur, gewährleisten sollen. Für die flexible Integration von Daten und Modulen kommen offene Standards zum Einsatz. Für die Pegelprognose wird ein neuronales maschinelles Übersetzungsmodell trainiert, das aus tiefen rekurrenten Netzen besteht.