Autor*innen mit den meisten Dokumenten
Auflistung nach:
Neueste Veröffentlichungen
- TextdokumentÜbertragung eines Vorgehensmodells zur KI-Integration von der Industrie auf Umweltinformationssysteme(INFORMATIK 2020, 2021) Hilbring, Désirée; Pfrommer, JuliusMaschinelles Lernen stößt in der Umwelt-Domäne auf großes Interesse. Allerdings ist der Einsatz von entsprechenden Algorithmen in Umweltinformationssystemen (UIS) bisher nicht weit verbreitet. Eine offene Frage ist zum Beispiel wie von Umweltbehörden bestehende Informationssysteme mit seit Jahrzehnten aufgebauten und gepflegten Umweltdatenbanken in einem hierarchischen föderalem System weiterentwickelt und für den Einsatz von neuen Technologien fit gemacht werden können. Hierbei sind nicht nur technische Aspekte von Interesse, sondern vor allem auch die Entwicklung geeigneter Prozesse in der Zusammenarbeit verschiedener Behörden. Für die Industrie wurde mit dem ML4P Vorgehensmodell ein toolgestütztes Verfahren für die Einführung von maschinellem Lernen in der Produktion entwickelt. Dieser Artikel untersucht dieses Vorgehensmodell im Hinblick der Übertragbarkeit des Modells auf die Einführung von maschinellem Lernen in von Behörden betriebenen Umweltinformationssystemen.
- TextdokumentFeature-basiertes Clustering von Umweltzeitreihen mit Self-Organizing-Map-Ensembles(INFORMATIK 2020, 2021) Wunsch, Andreas; Liesch, Tanja; Broda, StefanDie 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.
- TextdokumentEinblicke in den Wasserverbrauch(INFORMATIK 2020, 2021) Wagner, MartinDas Technologiezentrum Wasser (TZW) beschäftigt sich bereits seit Jahren mit den Themen Wasserverbrauch und Digitalisierung. Ein Aspekt der Digitalisierung ist die Analyse großer Datenmengen mit dem Ziel, neue Erkenntnisse daraus zu gewinnen und somit einen Mehrwert zu schaffen. Ein Anwendungsfall ist die Analyse des Wasserverbrauchs und der sorgsame Umgang mit Wasser als grundlegende Anforderung an den ordnungsgemäßen Betrieb der Wasserversorgung. Dies beinhaltet unter anderem die Ermittlung von Wasserverlusten. Im folgenden Kurzbeitrag wird ein Verfahren zur Eventdetektion in Wasserverbrauchsganglinien zum Zweck der Identifikation von Verbrauchsanomalien und Leckagen vorgestellt.
- TextdokumentComputational Challenges for Artificial Intelligence and Machine Learning in Environmental Research(INFORMATIK 2020, 2021) Werner, Martin; Dax, Gabriel; Laass, MoritzIn the last decades, environmental research has started to adopt a data-driven perspective enabled by huge sensor networks, satellite-based Earth observation, and almost ubiquitous Internet access. Some of these data-driven approaches are expected to make visions of a sustainable future come true. For example, by enabling societies to live in sustainable smart cities, or to feed the world with precision agriculture. Or by fighting environmental pollution or global deforestation with increased observational power. However, there is a serious gap between some of the current expectations put into data-driven techniques and the maturity of the field of spatial machine learning and artificial intelligence or computer science in general. We give a few examples of open research issues that computer science has to solve in order to make data-driven approaches to environmental sciences successful.
- TextdokumentApplying a deep learning-based approach for scaling vegetation dynamics to predict changing forest regimes under future climate and fire scenarios(INFORMATIK 2020, 2021) Rammer, Werner; Seidl, RupertThe ability to anticipate future changes in terrestrial ecosystems is key for their management. New tools are required that bridge the gap between a high level of process understanding at fine spatial grain, and the increasing relevance for management at larger extents. Such a tool is SVD (Scaling Vegetation Dynamics), a scaling framework that specifically uses deep learning to learn the behavior of detailed vegetation models in response to different environmental factors. This trained deep neural network (DNN) is then applied within the framework on large spatial scales. In addition, SVD includes also explicitly modelled processes such as fire disturbances. Here we use the framework to simulate forest regime change in the 3 Mio. ha landscape of the Greater Yellowstone Ecosystem. We used four climate change scenarios and pre-defined fire events from statistical modelling, and analyzed whether prevailing forest types are able to regenerate after fire. Our results show that up to 60% of the area may undergo regime change until the end of the 21st century.
- Textdokument1. Workshop Künstliche Intelligenz in der Umweltinformatik(INFORMATIK 2020, 2021) Abecker, Andreas; Bruns, Julian; Naumann, StefanIn 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.
- TextdokumentUnified Approach to Static and Runtime Verification(INFORMATIK 2020, 2021) Thoss, Olga; Werner, Andreas; Kaiser, Robert; Kroeger, ReinholdSmart living environments are increasingly based on embedded information and communication technology. Generally, users are no technical experts and rely on the correct functioning of the system. Formal verification of a system's functional and non-functional properties is often regarded as the ultimate way to achieve the highest levels of trust as demanded for today's dependable systems. However, static verification, though sound in theory, is often impractical given the ever-increasing complexity of software and the non-deterministic nature of some mechanisms of the underlying hardware architecture. We argue that by supplementing static verification with runtime verification, a high level of trust can be achieved. In this paper, we report on an ongoing effort for tool-supported verification of functional and non-functional properties by combining static and runtime verification techniques.
- TextdokumentRequirements and Mechanisms for Smart Home Updates(INFORMATIK 2020, 2021) Zdankin, Peter; Carl, Oskar; Waltereit, Marian; Matkovic, Viktor; Weis, TorbenThe interconnection of sensors and actuators of smart home devices creates dependencies that allow for ubiquitous services. These devices can be subject to transformative changes through software updates that might lead to unintended consequences. Users have no tools to predict the negative consequences caused by updating their smart home. In this paper, we address this problem and propose mechanisms that enable organized update planning in a smart home. We compare self-description standard approaches that allow reasoning about resulting functionality before updates are installed. Updating devices to their latest versions is not necessarily the best way to update smart homes, therefore we discuss multi-objective optimization in the update process. Finally, outsourcing functionality to external providers might reduce the complexity of certain tasks, but can also pose threats if the wrong tasks are offloaded.
- TextdokumentComplexity Analysis of Task Dependencies in an Artificial Hormone System(INFORMATIK 2020, 2021) Hutter, Eric; Pacher, Mathias; Brinkschulte, UweThe Artificial Hormone System (AHS) is a self-organizing tool able to allocate tasks in a distributed system. We extend the AHS in this paper by negator hormones to enable conditional task structures and provide a thorough complexity analysis of the resulting system. The analysis shows that the problem to decide if a given task A is instantiated at all respecting the negators is NP-complete.
- TextdokumentA Discussion About Current Augmented Reality Concepts Which Help Users Better Understand and Manipulate Robot Behavior(INFORMATIK 2020, 2021) Groetenhardt, KaiFor a safer, more trustful, and more dynamic collaboration, humans should understand and be able to manipulate the behavior of robots they are interacting with. Therefore, a way for a meaningful communication has to be established that takes place in a common perceptual space. One way to accomplish that is to use augmented reality (AR) in which the robot is able to display information for the human in 3D space, and the human can send commands to the robot using interaction methods provided by AR devices. In this work, a brief overview of AR concepts is given and discussed. They are divided into three categories: (1) understanding the movement of robots, (2) understanding the internal states of robots, and (3) manipulating robot behavior. Whereas (1) and (2) already show a number of promising approaches, and (3) is still in need for more innovative ideas.