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

Projektinhalt

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 CNNs und LSTMs 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.

Partner

Logo	Kurzbeschreibung
	Disy Informationssysteme GmbH http://www.disy.net Verbundkoordinator
	Karlsruher Institut für Technologie (KIT) Institut für Angewandte Geowissenschaften (AGW) https://hydro.agw.kit.edu/
	Fraunhofer-Institut für Optronik, Systemtechnik und Bildauswertung (IOSB) https://www.iosb.fraunhofer.de Abt. Informationsmgt. und Leittechnik Abteilung Unterwasserrobotik
	DVGW-Technologiezentrum Wasser (TZW) https://tzw.de/ Abteilung Grundwasser und Boden Abteilung Verteilungsnetze

Fördergeber

Bundesministerium für Umwelt, Naturschutz und Nukleare Sicherheit (BMU) „KI-Leuchttürme für Umwelt, Klima, Natur und Ressourcen“

Kontakt

Haben Sie eine Frage? Schreiben Sie uns gern eine E-Mail.

Publikationen

• Matthias Budde, Desiree Hilbring, Jonathan Vogl, Daniel Dittmar, Andreas Abecker (2024): NiMo 4.0 – Enabling Advanced Data Analytics with AI for Environmental Governance in the Water Domain. at - Automatisierungstechnik, Volume 72 Issue 6. De Gruyter. DOI: 10.1515/auto-2024-0034

• Divas Karimanzira, Jonas Weis, Andreas Wunsch, Linda Ritzau, Tanja Liesch, Marc Ohmer (2023): Application of machine learning and deep neural networks for spatial prediction of groundwater nitrate concentration to improve land use management practices. Frontiers in Water, Volume 5. DOI: 10.3389/frwa.2023.1193142. Download: pdf.

• Tanja Liesch, Fabienne Doll, Marc Ohmer (2023): Incorporating spatial information for regionalization of hydrogeological parameters in machine learning models. 25th EGU General Assembly, Vienna, Austria. DOI: 10.5194/egusphere-egu23-12842. Download: pdf.

• Katharina Emde, Matthias Budde, Thilo Fischer, Tobias Martin, Desiree Hilbring (2022): Interaktive Steuerung der Ausführung von KI-Algorithmen in Umweltinformationssystemen über OGC SensorThings. INFORMATIK 2022. Gesellschaft für Informatik, Bonn, Germany. DOI: 10.18420/inf2022_130. Download: pdf.

• Nina Dorffer, Julian Bruns, Andreas Abecker und Stefan Lossow (2022): Comparison of Spatio-Temporal Prediction Approaches of Point-Referenced Environmental Data. INFORMATIK 2022. Gesellschaft für Informatik, Bonn, Germany. DOI: 10.18420/inf2022_129. Download: pdf.

• Marc Ohmer, Tanja Liesch und Andreas Wunsch (2022): Spatiotemporal optimization of groundwater monitoring networks using data-driven sparse sensing methods. Hydrology and Earth Systems Sciences, 26, 4033–4053. DOI: 10.5194/hess-26-4033-2022. Download: pdf.

• Cordula Markert, Julian Bruns, Matthias Budde, Friederike Lott und Andreas Abecker (2022): Konzept und Prototyp für ein räumliches Entscheidungsunterstützungssystem. Umweltinformationssysteme - Wie trägt die Digitalisierung zur Nachhaltigkeit bei? DOI: 10.1007/978-3-658-35685-9_14.

• Philipp Hertweck, Hylke van der Schaaf, Desiree Hilbring, Weis Jonas, Tanja Liesch und Matthias Budde (2021): Integration von KI-Algorithmen in Umweltinformationssysteme mittels SensorThings API. INFORMATIK 2021. Gesellschaft für Informatik, Bonn, Germany. DOI: 10.18420/informatik2021-024. Download: pdf.

• Lukas Sinnwell, Julian Bruns, Matthias Budde und Andreas Abecker (2021): A meta analysis of the status of AI in environmental computer science. INFORMATIK 2021. Gesellschaft für Informatik, Bonn. DOI: 10.18420/informatik2021-027. Download: pdf.

• Stefan Fuchs, Jonas Weis (2020): „Mit Künstlicher Intelligenz gegen Nitrate“ - ein Forschungsprojekt des Bundesumweltministeriums hilft der kommunalen Trinkwasserversorgung KIT Campus-Report am 27.10.2020. Beitrag in KITopen und direkt als .mp3.

• Tanja Liesch, Julian Bruns, Andreas Abecker, Desirée Hilbring, Divas Karimanzira, Tobias Martin, Martin Wagner, Andreas Wunsch und Thilo Fischer (2020): Nitrat-Monitoring 4.0 – Intelligente Systeme zur nachhaltigen Reduzierung von Nitrat im Grundwasser. INFORMATIK 2020. Gesellschaft für Informatik, Bonn, Germany. (S. 1069-1079). DOI: 10.18420/inf2020_101. Download: pdf.