Vogl, JonathanHilbring, DésiréeKarimanzira, DivasKlein, MaikeKrupka, DanielWinter, CorneliaWohlgemuth, Volker2023-11-292023-11-292023978-3-88579-731-9https://dl.gi.de/handle/20.500.12116/43078Im 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.deSensor Things APIPegelprognoseAbflussprognoseSturzflutfrühwarnungNutzung offener Standards für die Integration von Pegeldaten und KI-basierte Prognose von Pegel- und Abflussdaten zur Verbesserung der FrühwarnungbeiSturzflutenText/Conference Paper10.18420/inf2023_1531617-5468