Präsentation
Filtern
Dokumenttyp
- Vortrag (3)
Sprache
- Deutsch (3) (entfernen)
Referierte Publikation
- nein (3)
Schlagworte
- Maschinelles Lernen (3) (entfernen)
Organisationseinheit der BAM
Eingeladener Vortrag
- nein (3)
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.
Die Idee des Dissertationsprojekts ist der parallele Einsatz des Radarverfahrens und der Neutronensonde zur Lokalisierung von Feuchteschäden in Fußbodenaufbauten. Hierbei soll die integrale Messweise der Neutronensonde durch die vertikale Information des Radarsignals ergänzt werden, um zukünftig auf zerstörende Sondierungsbohrungen verzichten zu können. Primäres Ziel ist eine automatisierte und zerstörungsfreie Klassifizierung und Quantifizierung verschiedener Schadensfälle im Fußboden, welche zur Abschätzung und Auswahl des Sanierungsaufwands dienen soll. In systematischen Laborstudien an modular aufgebauten Referenzprobekörpern werden die Nachweisgrenzen der beiden Verfahren für unterschiedliche, häufig anzutreffende Fußbodenaufbauten untersucht. Hierfür wurde ein Satz verschiedenster Estrichprobekörper gefertigt und deren Hydratisierungsprozess gravimetrisch und mit den benannten Feuchtemessverfahren beobachtet. In der laufenden Auswertung konnten bereits signifikante Signalmerkmale der Radarmessungen extrahiert, sowie dessen Korrelation zum Feuchteverlauf der Proben gezeigt werden. Der modulare Aufbau der Fußbodenschichten zur Simulation von gängigen Feuchteschäden folgt im Anschluss. Über Datenfusion und Signalverarbeitung sollen so innovative Auswertungsansätze entwickelt und deren Validität an realen Schadensfällen geprüft werden.
Angetrieben durch Digitalisierung und die sogenannte Industrie 4.0 steigt die Erwartungshaltung gegenüber der Nutzung von Sensorik. Die Unsicherheit, Widersprüchlichkeit und Redundanz separat verarbeiteter einzelner Quellen soll durch die synergetische Zusammenführung heterogener Datensätze überwunden werden. Dabei steht der zunehmenden Aufgabenkomplexität eine ebenso zunehmende Verfügbarkeit an Sensoren, Daten und Rechenleistung gegenüber.
Der Begriff Datenfusion fasst Ansätze zusammen, die Daten zu abstrakteren, aber besser verständlichen Informationen verarbeiten. Die Fusion ist Kernbestandteil effektiver Assistenzsysteme und beweist in vielzähligen Aufgaben - von militärischen Anwendungen über Flug- und Fahrassistenzsysteme, bis in den Heimbereich – ihr großes Potenzial. Durch die wachsende Automatisierung bei der Messdatenerfassung wird Datenfusion auch in der industriellen Qualitätsprüfung und –sicherung zunehmend attraktiver.
Der Vortrag gibt einen Überblick über den breiten Themenkomplex und widmet sich dabei im Theorieteil speziell der Fragen, welche Informationen in multivariaten Datensätzen stecken und wie sie extrahiert werden können. Anschließend wird ein Beispiel für die erfolgreiche Anwendung zur zerstörungsfreien Prüfung von Betonbauteilen vorgestellt. Der dargestellte Datensatz ist klein, heterogen, hochdimensional und unausgeglichen. Anhand von Algorithmen mit unterschiedlicher Leistungsfähigkeiten hinsichtlich Anpassungsfähigkeit und Invarianz gegenüber Höherdimensionalität wird erläutert welche Prozesse zur Verbesserung der Informationsqualität nötig sind.