Dette projekts formål er at reducere CO2 emissioner af RORO industrien ved optimering af stuvningsplanlægning, losning og lastning af skibe. Ved optimeret stuvningplanlægning er det muligt at nedbringe brugen af ballastvand, der medfører et forhøjet brændstofforbrug. Ved optimering af los- og lastoperationer er det muligt for et skib at forlade en havn tidligere og dermed sejle langsommere. En langsommere sejlads medfører en stor reduktion af brændstofforbruget. Dette er vores bæredygtighedsmål.

Længere perioder med høje temperaturer påvirker malkekoens kropstemperatur. Det hæmmer stofskiftet og den mikrobielle omsætning i vommen. De afledte effekter er lavere mælkeydelse grundet vommens påvirkning så foderomsætningen fører til mere gasproduktion og lavere foderudnyttelse. Stofskiftesygdomme er også en risiko. Dette projekt har til formål at kvantificere indtrædelsen af varmestres, udvikle fodringsstrategier og nye foderadditiver som fremmer koens sundhed og produktivitet.

Projektet “”SLiFi” har som formål at udvikle en kompakt teknologisk løsning, der kan sende data gennem laserlys i UV-spektret. En chip-baseret laser der udsender blåt lys kombineres med et nyt koncept for konvertering til den halve bølgelængde i far-UVC spektret gennem heterogen kombination af to separate materialeplatforme. Den samlede enhed vil have en dobbelt funktion, dels som data transmitter i en hidtil uopnåelig del af det elektromagnetiske spektrum og dels gennem uskadelig desinfektion.

Projektet vil udvikle en metode til at generere lokale IDF-kurver og robuste designregnhændelser for flere klimascenarier baseret på åbent tilgængelige regionale/globale klimamodeldata. Designregnene vil blive anvendt i og gjort tilgængelige for brugerne af SCALGO Live – en unik dansk innovativ digital platform til vandplanlægning i hastig vækst – og således gøre det endnu nemmere for brugerne at løse problemer relateret til oversvømmelser, infrastrukturdesign, naturgenopretning og meget mere.

Projektet vil udvikle en ny generation af hydrologiske modeller, der kraftigt forbedrer DMI’s nationale varsling af oversvømmelser. Metoderne baseres på scientific machine learning, hvor klassiske fysisk-baserede modeller integreres med maskinlæringskomponenter. Gevinsten er både langt hurtigere simuleringer og større nøjagtighed. Ud over et styrket dansk beredskab vil de nye metoder være til stor gavn for digitaliseringen af vand- og miljøsektoren gennem bedre brug af store mængder data.