Sparkasse Environmental Prize 2025 Award Ceremony

Dr.-Ing. Parzival Borlinghaus: Maschinelles Lernen und Computer Vision in der Apidologie: Datenerfassung, Objekterkennung, Farbkalibrierung und Repräsentationslernen

Wir befinden uns mitten in der vierten industriellen Revolution, und mit uns die Bienen. Das Aufkommen neuer Sensoren und Datenverarbeitungsmethoden hat vielseitige Anwendungsmöglichkeiten in der Apidologie eröffnet. Ironischerweise werden diese Technologien nun eingesetzt, um die Auswirkungen früherer industrieller Revolutionen besser zu verstehen, darunter die Folgen von Veränderungen in der Landnutzung, klimatische Faktoren und die Ausbreitung invasiver Arten. Der Wandel hin zur digitalisierten Apidologie ist angesichts des dramatischen Rückgangs der Insektenpopulationen weltweit von entscheidender Bedeutung geworden. Diese Dissertation greift diesen Wandel auf, indem sie die Möglichkeiten des maschinellen Lernens in der Bildverarbeitung nutzt und weiterentwickelt, um unser Verständnis und den Schutz von Bestäubern zu verbessern. Die ersten Beiträge konzentrieren sich auf die Verbesserung der Videoerfassung rund um Honigbienenstöcke (Apis mellifera) sowie auf die Bewertung von Geräten zur Quantifizierung der Bienensterblichkeit für regulatorische Zwecke, wodurch Pflanzenschutzmittel für Nichtzielorganismen sicherer gemacht werden. Eine Studie zur Wiedererkennung von Hummeln (Bombus terrestris) zeigt, wie zukünftige Verhaltensstudien ohne Marker, nicht-invasiv und rein visuell durchgeführt werden können. Darüber hinaus werden Techniken zur automatischen Kalibrierung von Pollenfarben auf Smartphone-Bildern und zur Bewertung der Biodiversität vorgestellt, die eine Landschaftsüberwachung durch Bürgerwissenschaftler ermöglichen. Schließlich präsentieren wir eine neuartige Herangehensweise zur Überwachung der Honigbienenbrut, das die Fortpflanzung von Varroa destructor in den Zellen überwachen kann und die Züchtung varroaresistenter Merkmale erleichtert.

Botho Lehmann: Hybride Photovoltaisch-Thermische Solarkollektoren der nächsten Generation

Wärme und Strom decken zusammen rund 70 % des globalen Endenergieverbrauchs und verursachen mehr als die Hälfte aller weltweiten CO2-Emissionen. Herkömmliche Photovoltaik nutzt dabei nur einen Teil des Sonnenspektrums und erreicht Wirkungsgrade von unter 30 %. Diese Arbeit entwickelt einen neuartigen spektral-aufteilenden Hybrid-Solarkollektor, der das Sonnenlicht gezielt aufteilt: Der sichtbare und nahinfrarote Anteil wird zur Stromerzeugung genutzt, während der ultraviolette und ferninfrarote Anteil als Wärme gewonnen wird. Zwei Prototypen wurden entworfen, gebaut und unter realen Sonnenbedingungen getestet. Der erste nutzt einen flüssigkeitsbasierten optischen Filter und erreichte Fluidtemperaturen von bis zu 87 °C bei gleichzeitiger Kühlung der PV-Zelle auf nur 38 °C. Der zweite, filmbasierte Ansatz erzielte sogar Temperaturen von 209 °C, bei einer PV-Zellentemperatur von lediglich 36 °C. Die Ergebnisse zeigen das große Potenzial dieser Technologie für industrielle Prozesswärme sowie die Hochtemperatur-Elektrolyse zur Wasserstofferzeugung, beides Schlüsseltechnologien auf dem Weg zur Klimaneutralität.

Dr.-Ing. Johanna Naumann: Bausteine der Mobilitätswende: Wie hierarchische Elektrodendesigns die Performance von Li-Ionen Batterien verbessern

Der Klimawandel ist eine der größten Herausforderungen unserer Zeit. Zur Reduktion des CO 2 - Ausstoßes in Industrieländern spielt die Verkehrswende eine Schlüsselrolle, weshalb verstärkt Elektrofahrzeuge eingesetzt werden. Damit Konsumenten diese annehmen, sind leistungsfähige und langlebige Lithium-Ionen-Batterien essentiell. Ein innovativer Ansatz zur Verbesserung von Lithium-Ionen-Batterien sind hierarchisch strukturierte Kathoden. Hier besteht jedes Korn (Sekundärpartikel) des pulverförmigen Speichermaterials aus versinterten, kleineren Körnern (Primärpartikeln) sowie einem mit Elektrolyt gefüllten Zwischenraum. Dies ermöglicht einen besonders schnellen Austausch von Lithium zwischen Elektrolyt und Speichermaterial, kurze Diffusionswege in den Primärpartikeln sowie ein Abpuffern von Volumenänderungen. Folglich steigen Leistungsfähigkeit und Lebensdauer der Batterie. In hierarchisch strukturierten Kathoden laufen eine Vielzahl elektrochemischer Prozesse auf verschiedenen Größenskalen ab. Bislang fehlte ein umfassendes Verständnis dieses Zusammenspiels.
Im Rahmen meiner Dissertation entwickelte ich ein Modell, das die grundlegenden elektrochemischen Prozesse in hierarchisch strukturierten Kathoden abbildet. Eine hohe Recheneffizienz ermöglicht es, Struktur- und Materialvariationen schnell und ressourcenschonend zu untersuchen. Meine systematischen Simulationsstudien zeigten, dass die Batterieleistung durch verschiedene Transportprozesse in der hierarchisch strukturierten Kathode begrenzt werden kann. Zusammenfassend sind für eine leistungsstarke Batterie drei Faktoren entscheidend: eine ausreichende elektronische Leitfähigkeit innerhalb der Sekundärpartikel, kleine Primärpartikel sowie eine geringe Kathodendicke.
Mein Modell schafft die Grundlage um Kathodenstrukturen effizient für verschiedene Anwendungsfälle zu optimieren. Da Simulationen den Material- und Energieverbrauch im Gegensatz zu rein experimentellen Untersuchungen drastisch senken, beschleunigt meine Arbeit die nachhaltige Entwicklung von hierarchisch strukturierten Kathoden. Dies ebnet den Weg für Batterien mit gesteigerter Leistungsfähigkeit und Langlebigkeit für eine klimaneutralen Mobilität der Zukunft.

Pauline Thinius: Vergleich von Speichermodellen und künstlichen neuronalen Netzen zur Simulation der Schüttungscharakteristik alpiner Karstquellen.

Karstgrundwasserleiter weisen aufgrund präferentieller, durch Calcitlösung erweiterter Fließwege in einer gering durchlässigen Matrix ein stark heterogenes und dynamisches Abflussverhalten auf, was ihre Modellierung insbesondere bei unzureichender Kenntnis der unterirdischen Fließsysteme erheblich erschwert. Im Alpenraum sind sie eine zentrale Trinkwasserressource, die jedoch stark von Schnee- und Gletscherschmelze abhängt und daher besonders empfindlich auf klimatische Veränderungen reagiert. Für ein nachhaltiges Management dieser Ressource sind daher für langfristige Projektionen geeignete Modelle unerlässlich.
In dieser Masterarbeit werden zwei datengestützte Ansätze zur Simulation der Quellschüttung verglichen: künstliche neuronale Netze (KNN) und konzeptionelle Speichermodelle, die das System vereinfacht als Abfolge gekoppelter Speicher beschreiben. Analysiert werden drei klimatisch und hydrogeologisch unterschiedliche Quellen in Österreich, Deutschland und Slowenien, deren Schüttung auf Basis täglicher Temperatur- und Niederschlagsrasterdaten modelliert wird. Die Ergebnisse zeigen, dass Speichermodelle eine explizite Abbildung von Schnee- und Gletscherprozessen erfordern und sensibel auf die Wahl meteorologischer Eingangsdaten reagieren, während KNN Schmelzprozesse implizit aus den Daten erlernen können. Unter dem RCP-8.5-Szenario liefert das Speichermodell für die gletscherbeeinflusste Quelle physikalisch plausible Veränderungen mit erhöhten Winterabflüssen und ausgeprägten sommerlichen Defiziten bis zum Ende des Jahrhunderts. Das KNN zeigt hingegen unrealistische Schüttungsanstiege während der Schmelzperiode und weist damit eine eingeschränkte Generalisierungsfähigkeit außerhalb des Trainingszeitraums auf. Dies unterstreicht den Bedarf, datengetriebene Ansätze stärker durch physikalische Nebenbedingungen – etwa eine Kopplung an die Wasserbilanz – zu begrenzen.