MALPROG Anwendung von Methoden des maschinellen Lernens zur Verbesserung der Prognosen und Analysen der BfG

MALPROG überführt Methoden des maschinellen Lernens in die gewässerkundliche Praxis und leistet einen Beitrag zur Optimierung von Produkten und Beratungsdiensten der BfG für die Bundeswasserstraßen.

Schematische Darstellung eines datengetriebenen Modells für hydrologische Prognosezwecke. © BfG

Themenschwerpunkt

Verkehr und Infrastruktur

Projekttyp

BMDV-finanzierte Forschung für Wasserstraßen

Laufzeit

01/2023 - 12/2025

Forschungsart

Angewandte Forschung

Auftraggeber

BMDV

Projektnummer

M39600001223

Projektstatus

Aktiv

Die Entwicklung von Anwendungsfeldern im Bereich der künstlichen Intelligenz ist ein zentrales Ziel der Bundesregierung (KI-Strategie für Deutschland), welches das BMDV für den Verkehrssektor in seinem Aktionsplan „Digitalisierung und Künstliche Intelligenz in der Mobilität“ konkretisiert. Pilothafte Anwendungen belegen neben dem Bedarf auch großes Potenzial von Methoden des maschinellen Lernens im Bereich der Gewässerkunde (Prognose, Klassifikation, Regression). MALPROG soll helfen, dieses Potenzial für konkrete Anwendungen in der Analyse- und Beratungspraxis der BfG und WSV zu erschließen.

Veranlassung

Methoden des maschinellen Lernens kommen in der gewässerkundlichen Praxis der BfG bisher nur vereinzelt zum Einsatz. Im Kontext der Prognose sollen eine weitere Steigerung der Vorhersagegüte erzielt, längerfristige Vorhersageskalen erschlossen und innovative Beratungsprodukte generiert werden. Im Bereich der Klassifikation kann eine intelligente Vorbeurteilung von Ölverschmutzungen z.B. einen effizienteren Einsatz unbemannter Systeme ermöglichen und den teuren Datentransfer bei Flügen in weiter Entfernung reduzieren. Die Anwendung auf digitale Orthofotos ermöglicht eine Identifizierung von Vegetation mit erhöhtem Automatisierungsgrad auf großer Fläche, z.B. für eine effiziente Erstellung von Vegetations- und Biotoptypenkartierungen. Methoden zur Regression können im Kontext der Qualitätskontrolle, Aus- und Bewertung von Bodenfeuchtemessungen eingesetzt werden, um Messfehler zu identifizieren und zu korrigieren, fehlende Werte zu interpolieren sowie tiefengestaffelt zu disaggregieren.

Ziele

wissenschaftliche Erkenntnis und Datenharmonisierung: Untersuchung praktischer Anwendbarkeit von Methoden des maschinellen Lernens für ausgewählte BfG-Fachaufgaben (Messdatenplausibilisierung, Abfluss- und Wasserstandsvorhersage, Vegetationskartierung, Ölerkennung)
Technologietransfer: Überführung zielführender Methoden des maschinellen Lernens in zentrale Dienste und Applikationen der BfG
Konsolidierung Know-How: Initiierung einer BfG-weiten Arbeitsgruppe „KI“ zwecks Beratung, Unterstützung, Austausch und Koordination zukünftiger Anwendungen mit Bezug zu Methoden der künstlichen Intelligenz