AI4ChemRisk: AI for Chemical Risk Prediction in Aquatic Environments
- Laufzeit: 01.05.2026 - 30.04.2032
Zuwendungsgeber: CZS Carl-Zeiss-Stiftung
Prof. Dr. Marius Kloft
Rheinland-Pfälzische Technische Universität Kaiserslautern-Landau
AI4ChemRisk analysiert Risiken der Chemikalienbelastung durch Abwässer und Landwirtschaft in unseren Süßwasserökosystemen.
Mit Hilfe von KI-Modellen sollen Kontaminationsprozesse vorhergesagt werden, um deren Management zu verbessern.Ziele
Das interdisziplinäre Forschungsteam von AI4ChemRisk unter der Koordination von Prof. Kloft vereint Expertise aus Umweltwissenschaften, Informatik und chemischer Verfahrenstechnik, um chemische Risiken in Süßwasserökosystemen im globalen Maßstab zu erfassen und zu prognostizieren. Ausgangspunkt ist die zunehmende Belastung von Gewässern durch Chemikalien aus Landwirtschaft und Abwässern. Eine fundierte Bewertung dieser Risiken ist bislang kaum möglich, da Messdaten fehlen und Umweltfaktoren wie Topografie, Wetter und Hydrologie komplex zusammenwirken. Das Projekt entwickelt daher innovative KI-Modelle, die chemische Belastungen automatisch erkennen, fehlende Messungen realistisch simulieren und physikalische sowie ökologische Zusammenhänge berücksichtigen. Mit Deep-Learning-Methoden zur Anomalieerkennung und generativen Modellen werden neue Ansätze geschaffen, um Datenlücken zu schließen und Entwicklungen präziser vorherzusagen. Ergänzend entstehen benutzerfreundliche Werkzeuge wie etwa Sprachschnittstellen, die den Zugang zu Analysen erleichtern und datenbasierte Entscheidungen unterstützen.
Ziel ist es, Hochrisikogebiete frühzeitig zu identifizieren, Stresskarten zu erstellen und so einen Beitrag zum Schutz und nachhaltigen Management aquatischer Ökosysteme zu leisten. Die Ansätze sind auf Bereiche wie Gesundheitswesen, Landwirtschaft und Sicherheit übertragbar und haben ein transformatives Potenzial.
https://rptu.de/en/newsroom/press-releases/detail?tx_news_pi1%5Baction%5D=detail&tx_news_pi1%5Bcontroller%5D=News&tx_news_pi1%5Bnews%5D=18227&cHash=4b472d12d56e7301d4cd7e48d03e4837
KI-Schwerpunktfelder des Forschungsprojekts
Grundlagenforschung
- Machine Learning (ML): Self-Supervised Learning, (Semi) Supervised Learning, One-Shot Learning (OSL)/ Few-Shot Learning (FSL)
- Robotik: Sensorische Erfassung und Perzeption
- Technologieanalyse