Data Science - Big Data und Machine Learning

  • AgrImOnIA: The impact of agriculture on air quality and the COVID-19 pandemic
    Die Lombardei in Norditalien und Niedersachsen sind Regionen, in denen die Viehhaltung den überwiegenden Anteil an den landwirtschaftlichen Erträgen hat. Gleichzeitig gehört die Ebene der Lombardei zu den Gebieten in Europa, in denen die Feinstaubbelastung am höchsten ist. Welchen Einfluss hat die Landwirtschaft auf die Luftverschmutzung, welche Rolle haben andere Faktoren wie etwa der Verkehr oder die geografische Lage? Dieser Frage gehen wir in dem neuen europäischen Projekt „Agriculture Impact On Italian Air“ (AgrImOnIA) ab Herbst 2021 gemeinsam mit Partnern der Universitäten Bergamo, Turin und Mailand-Bicocca mit Hilfe statistischer und datenwissenschaftlicher Methoden nach. Wir werden die Ergebnisse für die Lombardei mit den Erkenntnissen für Niedersachen vergleichen und die Modelle auch für Niedersachsen validieren.
    Team: Otto, Shaboviq
    Jahr: 2021
    Förderung: Cariplo Foundation (European Project)
  • Statistical network monitoring
    The application of network analysis has found great success in a wide variety of disciplines; however, the popularity of these approaches has revealed the difficulty in handling networks whose complexity scales rapidly. One of the main interests in network analysis is the online detection of anomalous behaviour. To overcome the curse of dimensionality, we compose the monitoring procedures which reduce the network complexity so that the structural information is preserved. The methods are mainly based on statistical process control which are optimised with different mathematical network modelling and machine learning techniques.
    Team: Malinovskaya, Otto
    Jahr: 2020
  • Räumliche und räumlich-zeitliche GARCH Modelle
    Das Projekt beschäftigt sich mit einem Teilgebiet der räumlichen Statistik, die sich insbesondere mit der Analyse von Zufallsprozessen im Raum befasst. Bei der Analyse solcher Prozesse lässt sich häufig feststellen, dass Beobachtungen, die sich in räumlicher Nähe zueinander befinden, ähnlich sind. Wenn beispielsweise die Grundstückspreise in einer Gemeinde hoch sind, so lassen sich auch hohe Preise in den umliegenden Gemeinden erwarten. Neben dieser räumlichen Abhängigkeit in der Höhe der Beobachtungen lässt sich auch eine räumliche Abhängigkeit in der Streuung der Beobachtungen sowie der bedingten Heteroskedastizität feststellen. In dem Projekt sollen Modelle hierfür entwickelt und erweitert werden. Die räumlichen Modelle bilden dabei eine Analogie zu dem ARCH-Modell von Robert F. Engle (1982) in der Zeitreihenanalyse, der hierfür 2003 mit dem Nobelpreis für Wirtschaftswissenschaften geehrt wurde.
    Leitung: Prof. Dr. Philipp Otto
    Team: Anna Malinovskaya
    Jahr: 2019
    Förderung: Deutsche Forschungsgemeinschaft
  • Statistical estimation of high-dimensional, spatial dependency structures using machine learning methods
    The project deals with an important, fundamental problem of spatial and spatiotemporal statistics – the full estimation of the underlying spatial dependence structure. For these models, the focus has so far been on processes showing a dependence in the conditional means. That is, the mean of a realization of the random process at a particular measurement point depends on the adjacent observations. This finding goes back to Tobler’s first law of Geography. The surrounding observations are defined on the basis of their geographical proximity, although this does not necessarily lead to a dependence of the observations of the random variables, i.e. the covariances. Various application examples will be used to demonstrate how the estimated parameters can be interpreted. Here, the focus will be on natural processes in the environment, such as air pollution or particulate matter. Using freely available sensor data, the results can be used, for example, to obtain local predictions of fine dust pollution in an urban area, which can then be used for optimal routing with respect to air quality.
    Leitung: Prof. Dr. Philipp Otto
    Jahr: 2019
    Förderung: Deutsche Forschungsgemeinschaft
  • Strukturbrucherkennung bei Zufallsprozessen mit räumlichen Abhängigkeiten
    With growing availability of high-resolution spatial data, like high-definition images, 3d point clouds of LIDAR scanners, or communication and sensor networks, it might become challenging to timely detect changes and simultaneously account for spatial interactions. To detect local changes in the mean of isotropic spatiotemporal processes with a locally constraint dependence structure, we propose a monitoring procedure, which can completely be run on parallel processors. This allows for a fast detection of local changes, i.e., only a few spatial locations are affected by the change. Due to parallel computation, high-frequency data could also be monitored. We, therefore, additionally focus on the processing time required to compute the control statistics.
    Leitung: Prof. Dr. Philipp Otto
    Jahr: 2019
  • TransMIT - Ressourcenoptimierte Transformation von Misch- und Trennentwässerungen in Bestandsquartieren mit hohem Siedlungsdruck
    Zunehmende Starkregenereignisse und wachsende Stadtquartiere stellen die Siedlungsentwässerung vor große Herausforderungen. Am Beispiel von drei Quartieren der Städte Braunschweig, Hannover und Hildesheim wird gezeigt, wie bei einer Quartiersplanung die städtebaulichen mit wasserwirtschaftlichen Aspekte langfristig verknüpft werden können.
    Leitung: Dr.-Ing. M. Beier; Prof. S. Köster, ISAH; Prof. Sester, ikg
    Team: Yu Feng, Udo Feuerhake
    Jahr: 2019
    Förderung: BMBF
    Laufzeit: 2019-2022
  • Interdisciplinary Center for Applied Machine Learning - ICAML
    Das ICAML (Interdisziplinäres Zentrum für Angewandtes Maschinelles Lernen) hat das Ziel, maschinelles Lernen interdisziplinär zugänglich zu machen. Um dieses Ziel zu erfüllen, werden drei fundamentale Komponenten der Lehre entwickelt und eingesetzt.
    Team: Leichter, Werner, Sester
    Jahr: 2018
    Förderung: Bundesministerium für Bildung und Forschung
    Laufzeit: 11/2017-11/2019
  • Objekterkennung in ALS-Daten mittels Deep Learning
    In Zusammenarbeit mit dem Niedersächsischen Landesamt für Denkmalpflege entwickeln wir ein Verfahren zur automatischen Erkennung archäologischer Objekte in luftgetragenen Laserscandaten. Die Art der Objekte, die entdeckt werden sollen, ist hauptsächlich für Archäologen von Interesse, wie z. B. Haufen, Schächte, Holzkohlepfähle, Gruben, Schubkarren, Bombenkrater, Hohlwege usw. Es kann sich um spitze, lineare oder flächige Objekte handeln. Zu diesem Zweck verwenden wir tiefe Lerntechniken; nämlich Faltungsneuronale Netze (CNNs) zum Klassifizieren von Höhenbildern aus der Region von Interesse. Eine Kombination mehrerer (in den meisten Fällen 5) CNN-Klassifikatoren wird dann verwendet, um interessierende Objekte in einem aus der interessierenden Region erfassten digitalen Geländemodell zu erkennen und zu lokalisieren.
    Team: Kazimi, Thiemann, Sester
    Jahr: 2018
    Förderung: MWK Pro*Niedersachsen
    Laufzeit: 2018-2020
  • Echtzeitvorhersage für urbane Sturzfluten und damit verbundene Wasserkontamination (EVUS)
    Ziel dieses Projektes ist die Entwicklung eines schnellen Prognosemodells für Sturzflut in der Stadt Hannover. Hauptziel des Teilprojekts für das ikg ist die Integration neuer Sensoren für die Hochwasservorhersagemodelle.
    Team: Feng, Sester
    Jahr: 2017
    Förderung: BMBF Georisiken
  • Ja, wo laufen sie denn?
    Für Profi-Trainer oder auch einfache Hobby-Kicker. Vielen Fußballbegeisterten wird der Weg zum Taktikfuchs durch eine automatisierte Spielanalyse am Computer erleichtert. Ausgeklügelte Verfahren ermöglichen eine einfachere Bewertung der Leistung der Akteure.
    Team: Feuerhake, Sester
    Jahr: 2017
  • Szenenanalyse - Mustererkennung in Personentracks
    Ziel des Projektes ist die automatische Erkennung von Mustern in Trajektorien von Personen, die in Videosequenzen detektiert und verfolgt worden sind. Die Grundhypothese ist dabei, dass sich mögliche Gefahrenquellen durch ein auffälliges Bewegungsverhalten erkennen lassen. Im Projekt sollen Individual- und Gruppenmuster, sowie die Feststellung, wann ein Muster als auffällig zu charakterisieren ist, aus den Daten abgeleitet und gelernt werden.
    Team: Fischer, Sester
    Jahr: 2017
  • 3D-Objektextraktion aus hochaufgelösten 3D-Punktwolken
    In den Landesvermessungsbehörden liegen flächendeckende, kontrollierte Airborne Lascerscanning-Datensätze mit unterschiedlichen Punktdichten vor, welche i.d.R. mindestens in die Klassen Boden- und Nichtbodenpunkte differenziert wurden. In der Arbeitsgemeinschaft der Vermessungsverwaltungen (AdV) wird ein Aktualisierungszyklus von 10 Jahren diskutiert. Weiterhin leiten die Landesvermessungsämter auf Basis von digitalen Bildflügen mit hohen Überlappungen 3D-Punktwolken mit dem sogenannten „Dense-Image-Matching“-Verfahren (DIM) ab, welche eine Auflösung im Pixelbereich besitzen. Radiometrische Information aus den Luftbildern ergänzen die Informationstiefe dieser Punktwolken, welche aufgrund der Bildkorrelation in der Regeln auf ein Oberflächenmodell begrenzt sind. Hierbei ist ein 2-3-jähriger Befliegungszyklus die Basis.
    Team: Politz, Sester
    Jahr: 2017
    Förderung: Forschungs- und Entwicklungsvorhaben zwischen den Landesvermessungsämtern Niedersachsen, Schleswig-Holstein und Mecklenburg-Vorpommern