256869 research outputs found
Sort by
Revealing the Intricate Structure of Surface Phases of Methanol on In₂O₃(111)
No full textResearch on sustainable energy has intensified to reduce greenhouse gas emissions, especially CO₂. One promising strategy is the catalytic reduction of CO₂ to methanol, and indium oxide (In₂O₃) has emerged as a highly efficient catalyst, with high turnover rates and selectivity. This work investigates methanol, the end product of CO₂ reduction, and its interaction with the In₂O₃(111) surface. Utilizing an ultrahigh vacuum (UHV) environment, this study combines temperature-programmed desorption (TPD), X-ray photoelectron spectroscopy (XPS), noncontact atomic force microscopy (nc-AFM), scanning tunneling microscopy (STM), and density functional theory (DFT) calculations. The coverages investigated range from 1 to 12 methanol molecules per unit cell. The results are compared to water adsorption on In₂O₃(111), as the chemical behavior of both molecules is similar in many respects. At low coverage, the adsorption patterns and interactions with the In₂O₃(111) surface mirror those seen with water, including dissociative and molecular adsorption. The first three methanol molecules dissociate at specific sites within the surface unit cell, while molecular adsorption becomes favored for subsequent molecules at temperatures below 300 K. At the highest coverage (before multilayer adsorption) methanol and water exhibit distinct structures due to their differing hydrogen bonding capabilities
Earth Observation and machine learning for advanced crop yield forecasting
Get PDF673 Millionen Menschen waren im Jahr 2024 von Hunger betroffen, während der Klimawandel und eine wachsende Weltbevölkerung die globale Landwirtschaft zusätzlich unter Druck setzen. Angesichts der Tatsache, dass 13% der weltweiten Nahrungsmittelproduktion in der Lieferkette verschwendet werden, ist ein optimiertes Ressourcenmanagement unerlässlich, um sowohl Lebensmittelverschwendung als auch Hunger zu reduzieren. Ernteertragsvorhersagen ermöglichen es Entscheidungsträgern, Vorräte besser zu verwalten und den Import und Export von Getreiden zu steuern. Trotz enormer Anstrengungen in den vergangenen Jahrzehnten, zuverlässige Ernteertragsvorhersagen bereitzustellen, ist deren Genauigkeit aufgrund von Datenknappheit und der Unterschätzung der Auswirkungen von Extremereignissen wie Dürren auf Ernteerträge oft unzureichend. Derzeit verwendete Modelle - sowohl maschinelles Lernen als auch prozessbasierte - zeigen unzureichende Leistungen, wenn zu wenig Ernteertragsoder Prädiktorendaten für eine bestimmte Region oder bestimmte Bedingungen verfügbar sind. Daher konzentrierte ich mich in dieser Arbeit auf drei Forschungsfragen: Wie schneiden Ernteertragsvorhersagesysteme basierend auf maschinellem Lernen und EO in Dürrejahren ab? Wie können wir die Ernteertragsvorhersage in Situation mit Datenmangel verbessern? Können wir diese Informationen auch nutzen, um Ertragsverluste zu schätzen, die durch andere Extreme verursacht werden, wie etwa kriegsbedingte Ertragsverluste?In der ersten Veröffentlichung dieser Arbeit zeigte ich, wie dürrebedingte Ernteertragsverluste frühzeitig erkannt werden können, in aktuellen Ernteertragsvorhersagesystemen jedoch unterschätzt bleiben. Daher kam ich zu dem Schluss, dass zusätzliche Daten aus Dürrejahren erforderlich sind, um die Auswirkungen von Dürren auf Ernteerträge genau zu erfassen. In der zweiten Veröffentlichung zeigte ich, wie Transfer Learning - eine neuartige Technik des maschinellen Lernens, die ein Modell über verschiedene Domänen hinweg trainiert und testet - das Problem der Datenknappheit angehen kann. Konkret trainierte ich ein Ernteertragsvorhersagemodell für einzelne Felder auf regionaler Ebene und verwendete nur eine begrenzte Anzahl von Stichproben auf Feldebene für eine Feinjustierung des Models. In der dritten Veröffentlichung kehrte ich zur Vorhersage von Ernteerträgen während Extremereignissen zurück: Der Schätzung kriegsbedingter Ernteertagsverluste in der Ukraine mittels Transfer Learning. Obwohl die Ernteertagsverluste unterschätzt blieben, führte Transfer Learning zu signifikant verbesserten Ernteertragsvorhersagen sowohl in durchschnittlichen Jahren als auch während des Krieges.Für die Zukunft identifizierte ich zwei Hauptschritte zur weiteren Verbesserung der Ernteertragsvorhersage: (1) die Ausweitung der Nutzung von Transfer Learning für die Ernteertragsvorhersage in datenarmen Situationen, und (2) die weitere Verbesserung der Vorhersage während Extremereignissen wie Dürren und Konflikten. Durch diese Arbeit trug ich zu verbesserten Ernteertragsvorhersagen in datenarmen Situationen und während Extremereignissen was Entscheidungsträgern ermöglichen wird, Vorräte besser zu verwalten und Importe und Exporte zu steuern, um den Hunger in einem sich verändernden Klima zu reduzieren.673 million people faced hunger in 2024, while climate change and a growing world population put further pressure on global agriculture. Given that 13% of global food production goes to waste in the supply chain, optimised resource management is essential to reduce both food waste and hunger. Crop yield forecasts enable decision-makers to better manage stocks and guide the import and export of crops. Despite enormous efforts over the past decades to provide reliable crop yield forecasts, their accuracy is often inadequate due to data scarcity and the underestimation of the impact of extreme events, such as droughts, on crop yields. Currently used models - both machine learning and process-based - perform insufficiently when too little crop yield data or predictor data is available for a certain region or conditions. Therefore, in this thesis, I focused on three research question: How do machine learning and EO based crop yield forecasting systems perform in drought years? How can we improve crop yield forecasting in data-scarce situations? Can we use this information to also estimate yield losses caused by other extremes, like war-related yield losses?In the first paper of this thesis, I demonstrated how drought-related crop yield losses can be detected early but remain underestimated in current crop yield forecasting systems. Thus, I concluded that additional data from drought years is required to accurately capture the impacts of droughts on crop yields. In the second paper, I showed how transfer learning — a novel machine learning technique that trains and tests a model across different domains — can address the issue of data scarcity. Specifically, I trained a field-scale crop yield forecasting model at the regional scale and fine-tuned it using only a limited number of field-scale samples. In the third paper, I returned to forecasting crop yields during extreme events: estimating war-related crop yield losses in Ukraine using transfer learning. Although crop yield losses remained underestimated, transfer learning led to significantly improved crop yield forecasts in both average years and during the war.Going forward, I identified two main steps to further advance crop yield forecasting: (1) expand the use of transfer learning for crop yield forecasting in any data-scarce situation, and (2) further improve forecasting during extreme events such as droughts and conflicts. Through this thesis, I contributed to improved crop yield forecasting in data-scarce situations and during extreme events, which will allow decision-makers to better manage stocks and guide imports and exports to reduce hunger in a changing climate
Applying a Standardized Benchmarking Framework to Evaluate AI Methods for Precipitation Downscaling over Australia
No full textDownscaling techniques are essential for refining coarse-resolution climate projections to scales relevant for local and regional impact assessments, with artificial intelligence (AI) emerging as a promising approach for this task. However, a standardized benchmarking framework for evaluating these AI-based downscaling methods has been lacking. This study presents the first evaluation of AI-based downscaling methods using established performance expectations within a standardized benchmarking framework. Three machine learning (ML) models, including a generative diffusion model, a vision transformer, and a recurrent neural network, are assessed against observational data and compared with 24 simulations by regional climate models (RCMs). The evaluation employs minimum standard metrics focused on four fundamental rainfall characteristics across Australia: total precipitation, spatial distribution, seasonal cycle, and temporal trends. Results show that all three ML models and ten RCMs meet the minimum performance benchmarks, with rankings varying depending on the rainfall characteristic and region assessed. ML models demonstrate comparable performance to RCMs while offering substantial computational advantages. This highlights the potential of ML models to supplement traditional downscaled simulations, thereby enhancing climate projection ensembles and improving uncertainty quantification. Such an approach aligns with recommendations advocating for diverse modeling methodologies in national assessments. By addressing a critical gap through a standardized evaluation framework, this work provides a comprehensive benchmark dataset comprising ML and RCM outputs for Australian precipitation, facilitating the evaluation of emerging AI downscaling approaches and contributing to the standardization of regional climate modeling practice
Monolithic Metal-Semiconductor Heterojunctions Enabling Adaptive Computation at Cryogenic Temperatures
No full text
Investigating Spectral Biomarker Candidates for Migratory Potential in Cancer Cells Using Micro-FTIR and O-PTIR Spectroscopy
No full textRoutine diagnostic practice for cancer and metastasis relies on a time-consuming staining process and the use of antibodies to detect selected molecular markers and is hence limited by a lack of real-time data and the availability of molecular information. Against this background, techniques based on rapid chemical analysis to identify migratory properties are highly desirable. Fourier-Transform Infrared (FTIR) microspectroscopy has a long history in the label-free identification of infrared marker bands for cancer detection. However, it requires extensive postprocessing of the acquired spectra, is of limited suitability for analysis in aqueous environments, and has poor spatial resolution. To overcome these challenges, we are using a new method termed Optical Photothermal Infrared (O-PTIR) spectroscopy to detect local absorption to establish potential IR tumor markers and classification models. We report on experimental outcomes using machine learning and FTIR microspectroscopy for the classification of cells and the analysis of spectral features reflecting cancer and migratory properties, comparing a commercial FTIR microspectrometer to a custom-built O-PTIR instrument dedicated to spectroscopic measurement and imaging in microfluidic channels
Development and Evaluation of Machine Learning Algorithms for Anomaly Detection in Building Technology Consumption Data
Get PDFDie Nutzung von Gebäuden ist für einen großen Teil des weltweiten Energieverbrauchs verantwortlich, weshalb die EU große europäische Immobilienhalter dazu auffordert, ihre Objekte mit Messsensorik aus- oder nachzurüsten, um Verbräuche messbar und die Gebäude optimierbar zu machen. Aus diesen neuen Datenströmen ist zusätzlicher Mehrwert zu schaffen, etwa könnten sie in Echtzeit analysiert und auf anormales Verhalten geprüft werden, um frühzeitig energie- und instandhaltungsrelevante Gebrechen erkennen und Maßnahmen ergreifen zu können.Diese Forschungsarbeit prüft mittels Anwendung von Machine-Learning Modellen sowohl die Machbarkeit dieser Idee, als auch welche dieser Modelle sich am besten für die Anomalienerkennung und Anomalienklassifizierung eignen. Die zugrundeliegenden Forschungsmethoden bilden Experteninterviews, eine umfassende Literaturrecherche und das Testen und Vergleichen der vielversprechendsten Algorithmen. Weiters wurde im Zuge dieser Arbeit eine ganzheitliche Systemarchitektur entwickelt, die die einzelnen Modelle in einem Softwareprototypen zusammenschließen.Die Ergebnisse zeigen, dass der XGBoost Algorithmus sowohl bei der Verbrauchsdatenvorhersage als auch beim Klassifizieren der Anomalien die höchste Genauigkeit aufweist, sehr robust in der Anwendung ist und geringe Rechenkapazitäten benötigt. Nichtsdestotrotz zeigen auch die getesteten LSTM-, GRU-, TCN-, Auto-Encoder- und Transformer-Modelle für Teilbereiche sehr gute Vorhersagegenauigkeiten.Da das Sammeln von Verbrauchsdaten gerade erst am Anfang steht und vergangene Anomalien nicht klassifiziert wurden, war die Studie teilweise durch den geringen Datenumfang limiert. Nichtsdestotrotz liefert diese Arbeit einen wertvollen Vergleich gängiger Machine-Learning Algorithmen im Bereich des Gebäudemanagements und präsentiert eine mögliche Grundlage für ein intelligentes und portfolioweites Verbrauchsdaten-Überwachungsprogramm.Schlüsselbegriffe: KI, Gebäude, Verbrauchsdaten, AnomalieerkennungAs buildings account for a large share of global energy use, the EU is pushing for the retrofitting of sensors to enable consumption data collection. While this already enables the provision of basic KPIs, additional value can be created by analysing the resulting data streams in real-time for anomalous behaviours, which may indicate energy inefficiencies or technical issues.This thesis addresses the questions of how machine learning algorithms can be applied in this context, focusing on which methods are best suited for anomaly detection and on how such anomalies can be systematically classified. The methodology for answering these questions combines expert interviews, a comprehensive literature review, and a quantitative performance assessment of different machine learning models. Furthermore, a prototype software architecture was developed to integrate predictive and classification tasks into a holistic anomaly detection framework, where predictive models can serve as effective providers of "normal" consumption values, with anomalies identified and classified in their deviations from these predictions.The results from the model comparison show that XGBoost consistently achieved the best performance across both prediction and classification tasks, while LSTM, GRU, TCN, Auto-Encoders, and Transformers each excelled under specific conditions.Since the data capturing is still in its roll-out phase, the study was partly constrained by limited datasets. Nevertheless, this thesis contributes a comparative evaluation of algorithms for predictive maintenance and anomaly classification in building systems and provides a foundation for a scalable, portfolio-level monitoring solution.Keywords: buildings, consumption data, anomaly detection, anomaly classificatio