Gemeinsam mit Milos Jovanovik von der UniversitĂ€t Skopje, Nordmazedonien und Mikro Spasic von der UniversitĂ€t Belgrad, Serbien entwickelte Timo Homburg vomâŠ
|
Auf dem internationalen Symposium âSites at the Intersection of Natural and Cultural Heritageâ kurz SXNCH 2020 referierte Julia Brandt in der Gruppe âCultural âŠ
|
Transdisciplinarity is a principle of integrative research, in which scientific and practical partners jointly generate new knowledge. This approach is supported by the German Federal Ministry of Education and Research (BMBF) within the funding priority "Innovation groups for a sustainable land use" (Förderschwerpunkt "Innovationsgruppen fĂŒr eine nachhaltige Landnutzung"). One project that has been implemented within this regard is Regiobranding. The project aims at investigating the characteristics of landscapes in different Northern German regions in order to use their uniqueness for sustainable regional branding and development. The combination and integration of heterogeneous knowledge of the different project partners from eight institutions in three federal states was a central challenge for the transdisciplinary work. In the absence of a common technical language, "space" served as a common ground for bridging differences and actively involving local partners. Against this backdrop, the local public participated in the branding process via various mapping workshops. The results of the mapping exercises were later combined with GIS-based quantitative landscape analyses derived form scientific investigation by partners from the fields of surveying, archeology and environmental planning. The paper presents results of our approach and highlights the benefits of combining qualitative analyses based on user-generated spatial content with quantitative landscape analyses based on various sources of official agencies' geodata.
A mixed methods approach using GIS was applied to identify places relevant for regional branding and to support co-creation in a transdisciplinary process in Northern Germany. For this purpose, local stakeholders mapped characteristic landscape features, places of leisure activities and places where they feel happy. In addition, public authoritiesâ geodata were processed to identify landscape classes and elements, which are characteristic from a quantitative point of view. The results indicate a cross-thematic, cross-methodological and cross-regional significance of water landscapes. However, their relationship to other landscape elements and further topics differs significantly in the two study regions presented here, leading to different starting points for place branding. The use of maps as a basis for discussion helps bringing together stakeholders with different experiences and involving them in brand building. In this way, the chosen approach supports inter- and transdisciplinary changes towards a sustainable regional development and acts as a bridge between brand building and its implementation on site.
FĂŒr die Arbeiten im Gleisbereich ist ein System zur Erfassung von Zugfahrten unverzichtbar. KĂŒnstliche Intelligenz kann einen Teil dazu beitragen. Im Folgenden wird ein erster Ansatz, basierend auf Deep Learning Technologie, vorgestellt, welcher auf Grundlage von Bilddaten automatisch ZĂŒge detektiert und so zu mehr Sicherheit im Gleisbereich beitragen kann. DarĂŒber hinaus ist eine Softwarelösung entwickelt worden, welche den umfangreichen und bisher arbeitsintensiven Datenvorbereitungsaufwand signifikant reduziert. Im vorliegenden Beitrag werden das Potenzial und die flexible Einsetzbarkeit von KĂŒnstlicher Intelligenz im ingenieurgeodĂ€tischen Kontext aufgezeigt.
Das i3mainz, Institut fĂŒr Raumbezogene Informations- und Messtechnik an der Hochschule Mainz legt jedes Jahr einen Bericht ĂŒber alle AktivitĂ€ten und personellen VerĂ€nderungen vor.Â
i3mainz, Institute for Spatial Information and Surveying Technology at Mainz University of Applied Sciences presents an annual report on all activities and personal changes.
Structural Health Monitoring (SHM) dient zur Bestimmung und Ăberwachung des Zustands eines Bauwerks. Dabei kommt es zu kontinuierlicher oder periodischer Erfassung von groĂen Datenmengen, je nachdem ob auf bauwerksintegrierte Sensorik zurĂŒckgegriffen werden kann, oder ob die Er-fassung z. B. als vermessungstechnische Dienstleistung erfolgt. BIM bietet die Möglichkeit der Bereitstellung groĂer Datenmengen, der Prozessintegration und der Dokumentation vermessungstechnischer Leistungen (Clemen et al. 2019). Dadurch ermöglicht die Verbindung dieser beiden Methoden eine interdisziplinĂ€re Auswertung verschiedenster Informationen ĂŒber das Bauwerk innerhalb einer Plattform. Die frĂŒhzeitige Erkennung möglicher ZustandsĂ€nderungen der Bausubstanz hat insbesondere im Hinblick auf die Nachhaltigkeit der Lebens- und Nutzungsdauer des Objekts, von Bauteilen und von Bauteilschichten eine besondere Bedeutung. Eine effiziente ZugĂ€nglichkeit von SHM-Daten kann durch Integration dieser in die Bauwerkdatenmodellierung erfolgen (Zschiesche et al. 2020). Beispielhaft wird im vorliegenden Bericht die Integration in ein Bestands-BIM von zuvor erfassten und ausgewerteten Messergebnissen erprobt. Wie in Del Grosso et al. (2017) und Valineja-dshoubi et al. (2017) beschrieben, wird mittels dem Plug-in Keynote Manager sowie des Revit-Plug-ins BIM One und der Software Autodesk Revit das Vorgehen evaluiert.
FĂŒr die Arbeiten im Gleisbereich ist ein System zur Erfassung von Zugfahrten unverzichtbar. KĂŒnstliche Intelligenz kann einen Teil dazu beitragen. Im Folgenden wird ein erster Ansatz, basierend auf Deep Learning Technologie, vorgestellt, welcher auf Grundlage von Bilddaten automatisch ZĂŒge detektiert und so zu mehr Sicherheit im Gleisbereich beitragen kann. DarĂŒber hinaus ist eine Softwarelösung entwickelt worden, welche den umfangreichen und bisher arbeitsintensiven Datenvorbereitungsaufwand signifikant reduziert. Im vorliegenden Beitrag werden das Potenzial und die flexible Einsetzbarkeit von KĂŒnstlicher Intelligenz im ingenieurgeodĂ€tischen Kontext aufgezeigt.
A system for recording train rides for work in the track area is crucial. The usage of Artificial Intelligence contributes to this. In the following article a first approach based on Deep Learning is presented, that automatically detects trains on the base of image data and can lead to more safety in the track area. In addition, a software has been developed that reduces the extensive and work-intensive data preparation effort significantly. This article presents the potential and the flexible deployment of Artificial Intelligence in the engineering geodetic domain.