Logo des Repositoriums

Auflistung nach Autor:in "Wunsch, Andreas"

1 - 2 von 2
  • Textdokument
    Feature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles
    (INFORMATIK 2020, 2021) Wunsch, Andreas; Liesch, Tanja; Broda, Stefan
    Die Zeitreihenanalyse ist für Umweltwissenschaften ein wichtiges Werkzeug, um Systeme zu charakterisieren, da sich in den Zeitreihen Signale, welche von unterschiedlichen Einflussgrößen herrühren, wiederfinden lassen. Ein Clustering kann helfen ähnliche Dynamiken zu gruppieren um so entsprechende Einflussgrößen zu erkennen und deren Einflussbereich zu charakterisieren. Wir stellen einen unüberwachten Ensemble-Modellierungsansatz für das Clustering von Umweltzeitreihen auf der Grundlage ihrer Dynamik vor. Der Feature-basierte Ansatz erlaubt es auch heterogene Datensätze zu nutzen, das Clustering der Features erfolgt schließlich auf der Basis von Self-Organizing-Maps. Der Ensemble-Ansatz reduziert die Willkür bei der Featureauswahl und erhöht die Robustheit des Endergebnisses. Die Ergebnisse einer beispielhaften Anwendung im Grundwasserbereich zeigen, dass die vorgestellte Methodik adaptiv in der Lage ist, homogene Gruppen von Zeitreihen-Dynamiken zu identifizieren.
  • 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.