Fraunhofer-Gesellschaft

Publica

Hier finden Sie wissenschaftliche Publikationen aus den Fraunhofer-Instituten.

Nitrat-Monitoring 4.0 - Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser

 
: Liesch, Tanja; Bruns, Julian; Abecker, Andreas; Hilbring, Desiree; Karimanzira, Divas; Martin, Tobias; Wagner, Martin; Wunsch, Andreas; Fischer, Thilo

:
Fulltext urn:nbn:de:0011-n-6219587 (259 KByte PDF)
MD5 Fingerprint: 20fbe1cad26d040eb955b3c70da4b03e
(CC) by-sa
Created on: 3.2.2021


Reussner, R. (Hrsg.) ; Gesellschaft für Informatik -GI-, Bonn:
INFORMATIK 2020 - Back to the Future : 28.09. bis 02.10.2020, virtuell, Karlsruhe, 50. Jahrestagung der Gesellschaft für Informatik
Bonn: GI, 2021 (GI-Edition - Lecture Notes in Informatics (LNI). Proceedings P307)
ISBN: 978-3-88579-701-2
pp.1069-1079
Gesellschaft für Informatik (GI Jahrestagung) <50, 2020, Online>
Bundesministerium für Umwelt, Naturschutz und nukleare Sicherheit BMU (Deutschland)
67KI2048; NiMo 4.0
Nitrat-Monitoring 4.0 - Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser
German
Conference Paper, Electronic Publication
Fraunhofer IOSB ()
convolutional neural network; Long-Short Term Memory Networks; Grundwasser; Nitrat

Abstract
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.

: http://publica.fraunhofer.de/documents/N-621958.html