Filtern
Dokumenttyp
- Zeitschriftenartikel (1)
- Vortrag (1)
Sprache
- Deutsch (2)
Referierte Publikation
- nein (2)
Schlagworte
- Fernerkundung (2) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (1)
Verkehrsunfälle unter Beteiligung von Fahrzeugen mit alternativen Kraftstoffen wie LPG („Autogas“, Liquefied Petroleum Gas), CNG (Compressed Natural Gas, komprimiertes Erdgas) oder CGH2 (Compressed Gas Hydrogen, komprimierter Wasserstoff), bergen neue, komplexe Risiken für Passagiere, Einsatzkräfte und deren Umfeld. Im Rahmen des Projektes „CoFi-ABV“ beschäftigt sich die Bundesanstalt für Materialforschung und -prüfung (BAM) unter Berücksichtigung komplexer Brand- und Explosionsszenarien mit einer ganzheitlichen Betrachtung der Auswirkungen des unfallbedingten Versagens von Gasbehältern für alternative Kraftstoffe. Ein wichtiger Teil des Forschungsvorhabens umfasst Entwicklung, Aufbau und Validierung einer unbemannten Flugplattform (Unmanned Aerial Vehicle, UAV) zur Ferndetektion von Gaswolken. Für das sogenannte gassensitive Mini-UAV wird ein robuster Open-Path-Gasdetektor auf einer Sensorbewegungsplattform in Form eines modifizierten Kamera-Gimbals, integriert. Ziel ist es, ein leistungsfähiges und robustes Werkzeug zu entwickeln, welches Einsatzkräften im Falle eines Unfalls als Hilfe zur Abschätzung der Gefahr durch Gaswolken, ihrer Ausbreitung und der notwendigen Absperrbereiche zur Verfügung steht. Dieser Artikel ist der zweite der Reihe und legt, nach Projektvorstellung im ersten Teil, nun den Schwerpunkt auf das gassensitive Mini-UAV.
Weltweit stellen Waldbrände eine große Bedrohung für Umwelt, Wirtschaft und menschliches Leben dar. Der fortschreitende Klimawandel verstärkt Trockenheit und Dürre, wodurch die Größe und Intensität von Waldbränden sowie das daraus resultierende Gefahrenpotential zusätzlich erhöht werden. Um im Risikofall eine schnelle und effektive Waldbrandbekämpfung zu gewährleisten, sollen Einsatzkräfte in Zukunft von KI-basierten Ausbreitungsmodellen unterstützt werden.
Der Einsatz von maschinellem Lernen ermöglicht dabei schnelle und zielgerichtete Ausbreitungsvorhersagen in Echtzeit, die in den Prozess der Brandbekämpfung als zusätzliche Information einfließen können. Im Rahmen des durch das EU-Förderprogram Horizon 2020 finanzierte Projekt TREEADS wird ein solches Modell für Europa entwickelt.
Dazu wird mit verschiedenen Satellitendaten des Copernicus-Programms und der NASA ein auf räumlicher und zeitlicher Ebene aufgelöster Datensatz zu europäischen Waldbränden aufgebaut. Zu den erfassten Waldbränden werden wichtigen Faktoren, die Einfluss auf die Brandausbreitung haben, ergänzt. Dazu gehören das von Copernicus bereitgestellte, digitale Geländemodell Europas und verschiedene, von Sentinel-2 Messungen abgeleitete Informationen zu Vegetation und Landnutzung. Dieser 2D-Trainingsdatensatz zu realen Waldbränden wird durch die zeitlich hochaufgelösten, meteorologischen Reanalyse-Produkte – Copernicus European Regional ReAnalysis (CERRA) und ERA5-Land – vervollständigt und ist die Grundlage für ein Modell zur Ausbreitungsvorhersage von Waldbränden.
Methoden des Maschinellen Lernens können komplexe Muster in den gesammelten Daten erkennen und so zu einer verbesserten Vorhersage der Brandausbreitung beitragen. Die vielfältigen, von Copernicus bereitgestellten Daten sind dabei ein unabdingbarer Bestandteil des Modells, mit dem den Einsatzkräften ein zusätzliches Tool für den effizienten Einsatz ihrer limitierten Ressourcen zur Verfügung steht.