Für die sehr persistente und sehr mobile Verbindung Trifluoracetat (TFA) wird das abgeschätzte Bildungspotential aus Vorläufersubstanzen, welche als Aktivsubstanzen in Pflanzenschutzmitteln zum Einsatz kommen, dargestellt. Die Abschätzung wurde im Rahmen des Gutachtens „Trifluoracetat (TFA): Grundlagen für eine effektive Minimierung schaffen - Räumliche Analyse der Eintragspfade in den Wasserkreislauf“ (Laufzeit: August 2021-November 2022) vorgenommen. Hier dargestellt ist das flächennormierte TFA-Bildungspotential in kg/km².
Für die sehr persistente und sehr mobile Verbindung Trifluoracetat (TFA) wird das abgeschätzte Bildungspotential aus flüssigem Wirtschaftsdünger dargestellt. Die Abschätzung wurde im Rahmen des Gutachtens „Trifluoracetat (TFA): Grundlagen für eine effektive Minimierung schaffen - Räumliche Analyse der Eintragspfade in den Wasserkreislauf“ (Laufzeit: August 2021-November 2022) vorgenommen. Hier dargestellt ist das flächennormierte TFA-Bildungspotential je Landkreis in kg/km².
Das Projekt "Änderungen der Cant Speicherung und Änderungen in den Bildungsraten für Zwischen- Tiefen- und Bodenwasser im globalen Ozean, 1982 - 2015" wird vom Umweltbundesamt gefördert und von Universität Hamburg, Fachbereich Erdsystemwissenschaften, Institut für Meereskunde durchgeführt. Die erste Antragsphase war auf die Bildungsraten und die Speicherung von anthropogenem Kohlenstoff (Cant) im Antarktischen Zwischenwasser (AAIW) fokussiert. Mit Hilfe von Freon (CFC) Daten konnten wir eine signifikante Reduktion der AAIW Bildungsrate von den 1990ern zu den 2000ern Jahren feststellen. Dies führte zu einer geringeren Steigerung der Cant Speicherung als vom atmosphärischen Cant Anstieg und einem unveränderten Ozean zu erwarten war. Um den Schwierigkeiten mit den Randbedingungen auszuweichen (Pazifisches AAIW strömt über die Drake Passage auch in den Atlantik und weiter in den Indischen Ozean) planen wir nun ein globales Vorgehen um in allen Ozeanen die Bildungsraten und Cant Speicherungen in den Zwischen- Tiefen- und Bodenwassermassen zu berechnen. Darüber hinaus wird der Zeitraum bis 2015 ausgedehnt, und wo immer die Datenlage es zulässt, Pentaden- anstatt Dekadenmittelwerte gebildet. Verwendet wird der aktualisierte GlODAPv2 Datensatz und eigene Daten.Die Berechnungen aus den Beobachtungen werden mit den Ergebnissen eines wirbelauflösenden globalen Ozeanmodells (1/10 Grad) kombiniert. Das POP Modell (Los Alamos Laboratory Parallel Ocean Program) mit eines horizontalen Auflösung von 0.1 Grad und 42 Tiefenstufen wird für die letzten 20 Jahre mit einem realistischen Forcing angetrieben und enthält außerdem die Freone als Tracer. Neben dem Vergleich mit einem klimatologischen Antrieb wird das Modell zur Weiterentwicklung der Tracer-Methode verwendet wir z.B. die Unsicherheit von zu wenig Datenpunkten und der Extrpolationsroutine auf die Bildungsraten / Cant Speicherungen. Ein weiterer wichtiger Punkt wird die Bestimmung der TTDs aus Lagrange Trajektorien und der Vergleich mit TTDs aus Tracermessungen sein, sowie die Untersuchung der Rolle der Wirbel, der Vermischung durch Wirbel und der vertikalen Vermischung.
Das Projekt "Teilvorhaben PSI: Entwicklung und Erprobung einer State Estimation Validierungsumgebung zur Bewertung innovativer Netzüberwachungsfunktionalitäten" wird vom Umweltbundesamt gefördert und von PSI Software AG durchgeführt. Um die Potentiale der Verteilnetze für eine gelungene Energiewende ausnutzen zu können, muss Netztransparenz vorausgesetzt werden. Ein vollumfänglicher Ausbau der Sensorik ist herausfordernd und widerspricht gänzlich dem Gedanken einer wirtschaftlichen Effizienz. Die Zustandsschätzung unter Berücksichtigung einzelner Messwerte tritt deswegen an die Stelle einer vollumfänglichen Sensorik. Hierbei hat sich die Zustandsschätzung mit künstlichen neuronalen Netzen (Neural State Estimation) als Technologie mit hohem Potenzial herausgestellt. Da das Training eines künstlichen neuronalen Netzes nur für die Zustände eines spezifischen Netz-modells generalisiert, setzt das Projekt TRANSENSE mit dem Ziel der Erforschung einer übertragbaren Zustandsschätzung an. Dazu wird das methodische Transferlernen auf die Neural State Estimation angewandt. Das Transferlernen wird dabei nicht nur zum integralen Bestandteil dieser Transitive Neural State Estimation, sondern selbige wird mit einem innovativen Verfahren trainiert: Ist ein Modell des Systems verfügbar - z.B. als digitaler Zwilling im Betrieb -, dann überwacht der Trainingsalgorithmus die statistische Verteilung der Muster und fordert beim Simulator diejenigen an, die mit hoher Wahrscheinlichkeit zu einem optimalen Trainingsergebnis führen können. Die Ergebnisse werden in einer leitsystemnahen Validierungsplattform mit realitätsnahen Modellen validiert. Um eine zügige Praxisverwertung sicherzustellen, wird das Projekt von einer Analyse möglicher Innovationen durch Transferlernen in Energienetzen begleitet. Der Schwerpunkt des Teilvorhabens der PSI liegt dabei auf der Entwicklung und Erprobung einer State Estimation Validierungsumgebung zur Bewertung der Transitiven Neural State Estimation. Darüber hinaus führt die PSI die Analyse weiterer Einsatzgebiete des Transferlernens in Bereich von innovativen Netzüberwachungsfunktionalitäten durch und zeigt basierend auf ersten Machbarkeitsnachweisen den zukünftigen Forschungsbedarf auf.
Das Projekt "Teilvorhaben TU Dortmund: Entwicklung einer Simulation as a Service-Architektur für detaillierte Verteilnetzsimulationen on demand" wird vom Umweltbundesamt gefördert und von Technische Universität Dortmund, Institut für Energiesysteme, Energieeffizienz und Energiewirtschaft durchgeführt. Verteilnetze sind das Rückgrat der Energiewende: Der Großteil der erneuerbaren Erzeugung speist hier ein, netzdienlich einsetzbare Großverbraucher sind an sie angeschlossen, sie können zur Bereitstellung von Flexibilität für das Übertragungsnetz genutzt werden und bieten sich für die Anwendung dezentraler Marktkonzepte an. Um Verteilnetze auch zukünftig effizient, zuverlässig und sicher betreiben zu können, muss die Betriebsführung aktiver werden - Schlüsselfaktor: Netztransparenz. Ein vollumfänglicher Ausbau der Sensorik ist zwar machbar, stellt aufgrund des großen Mengengerüsts große Anforderungen an die Datenhaltung und Visualisierung. Eine wirtschaftliche Alternative ist die State Estimation unter Berücksichtigung weniger Messwerte. Insbesondere die Anwendung künstlicher neuronaler Netze (Neural State Estimation) hat großes Potential: Sie liefert höhere Ergebnisgüte als klassische Verfahren bei gleicher Verfügbarkeit von Sensorik und auch bei geringerer Verfügbarkeit sehr gute Ergebnisse. Trainierte neuronale Netze generalisieren lediglich Zustände eines spezifischen Netzmodells. Hier setzt TRANSENSE an: Ziel des Projekts ist die Entwicklung einer übertragbaren Zustandsschätzung, wozu methodisch Transferlernen auf die Neural State Estimation angewendet wird. Diese Transitive Neural State Estimation wird ergänzend durch ein innovatives Verfahren trainiert: Der Trainingsalgorithmus überwacht die statistische Verteilung der Muster und fordert beim Simulator SIMONA diejenigen an, die mit hoher Wahrscheinlichkeit zu einem optimalen Trainingsergebnis führen können (Simulation as a Service). Die Ergebnisse werden in einer leitsystemnahen Offline-Testumgebung mit realitätsnahen Modellen validiert. Um eine zügige Praxisverwertung sicherzustellen, wird das Projekt von einer Analyse möglicher Geschäftsmodellinnovationen in Verteilnetzen mit hoher Netztransparenz begleitet.
Das Projekt "Teilvorhaben OFFIS: Transferlernen und simulationsunterstützer Trainingsalgorithmus" wird vom Umweltbundesamt gefördert und von OFFIS e.V. durchgeführt. Verteilnetze sind das Rückgrat der Energiewende: Der Großteil der erneuerbaren Erzeugung speist hier ein, netzdienlich einsetzbare Großverbraucher sind an sie angeschlossen, sie können zur Bereitstellung von Flexibilität für das Übertragungsnetz genutzt werden und bieten sich für die Anwendung dezentraler Marktkonzepte an. Um Verteilnetze auch zukünftig effizient, zuverlässig und sicher betreiben zu können, muss die Betriebsführung aktiver werden - Schlüsselfaktor: Netztransparenz. Ein vollumfänglicher Ausbau der Sensorik ist zwar machbar, stellt aufgrund des großen Mengengerüsts große Anforderungen an die Datenhaltung und Visualisierung. Eine wirtschaftliche Alternative ist die State Estimation unter Berücksichtigung weniger Messwerte. Insbesondere die Anwendung künstlicher neuronaler Netze (Neural State Estimation) hat großes Potential: Sie liefert höhere Ergebnisgüte als klassische Verfahren bei gleicher Verfügbarkeit von Sensorik und auch bei geringerer Verfügbarkeit sehr gute Ergebnisse. Trainierte neuronale Netze generalisieren lediglich Zustände eines spezifischen Netzmodells. Hier setzt TRANSENSE an: Ziel des Projekts ist die Entwicklung einer übertragbaren Zustandsschätzung, wozu methodisch Transferlernen auf die Neural State Estimation angewendet wird. Diese Transitive Neural State Estimation wird ergänzend durch ein innovatives Verfahren trainiert: Der Trainingsalgorithmus überwacht die statistische Verteilung der Muster und fordert beim Simulator SIMONA diejenigen an, die mit hoher Wahrscheinlichkeit zu einem optimalen Trainingsergebnis führen können (Simulation as a Service). Die Ergebnisse werden in einer leitsystemnahen Offline-Testumgebung mit realitätsnahen Modellen validiert. Um eine zügige Praxisverwertung sicherzustellen, wird das Projekt von einer Analyse möglicher Geschäftsmodellinnovationen in Verteilnetzen mit hoher Netztransparenz begleitet.
Das Projekt "Kann 'Patchiness' (fleckenhafte räumliche Verteilung) die Habitatvariabilität in planktischen Foraminiferen erklären?" wird vom Umweltbundesamt gefördert und von Universität Bremen, Zentrum für marine Umweltwissenschaften durchgeführt. Die Schalen planktischer Foraminiferen zeichnen die physikalischen und chemischen Bedingungen in den oberen Wasserschichten des Ozeans zum Zeitpunkt ihrer Kalzifikation auf. In den Schalen eingeschlossene Spurenelemente- und Isotopensignaturen können für die Rekonstruktion der Schlüsselparameter der Wasserschichten in der Vergangenheit verwendet werden. Um das volle Potenzial dieser Signale zu erschließen, muss die Position in der Wassersäule, in welcher die Kalzifikation der Schale stattfindet, genau bestimmt werden. Beobachtungen aus stratifizierten Planktonnetzen und geochemische Analysen von Schalen aus dem Sediment zeigten, dass die Lebend- und Kalzifikationstiefe sowohl zwischen verschieden Arten als auch innerhalb einer Art variiert. Die Faktoren, die diese Variabilität steuern sind schwer zu identifizieren und das Verständnis wird durch Hypothesen, welche Veränderungen der Habitattiefe während des Lebens im Rhythmus mit Tag/Nacht- und Fortpflanzungszyklen beinhalten verkompliziert. Alle diese Konzepte beruhen auf der Annahme, dass die Verteilung der untersuchten Spezies räumlich einheitlich ist. Falls eine fleckenhafte räumliche Verteilung (Patchiness) der Spezies zutrifft könnten viele der beobachteten Muster und die Habitatvariabilität durch unvorhersagbare räumliche Heterogenität erklärt werden. Wir schlagen vor, stratifizierte Planktonproben, die in einem einzigartigen und bisher nicht durchgefürten Probennahmedesign während der RV METEOR-Expedition M140 gesammelt wurden, für die Bestimmung der Existenz und des Ausmaßes der Patchiness in planktischen Foraminiferen zu verwenden. Durch die Kombination von Faunenzählungen mit automatisierter hochauflösender 3D-Bildsegmentation von replizierten Proben werden wir aufklären, wo in der Wassersäule Individuen verschiedener Größen innerhalb einzelner Arten leben und mittels der Analyse ihrer Isotopensignaturen, wie zeitweilig stabil diese Lebensräume sind. Diese Ergebnisse werden das Wissen über das Ausmaß der Populationsstruktur marinen Mikrozooplanktons signifikant verbessern. Dadurch wird sowohl eine realistischere Repräsentation ihres Habitats in Modellen und Proxies als auch die korrekte Interpretation von punktuellen Beobachtungsdaten für globale Kohlenstoffbudgetabschätzungen ermöglicht.
Das Projekt "Ensemble projections of hydro-biogeochemical fluxes under climate change" wird vom Umweltbundesamt gefördert und von Universität Gießen, Institut für Landschaftsökologie und Ressourcenmanagement, Professur für Landschafts-, Wasser- und Stoffhaushalt durchgeführt. Uncertainty estimation in hydro-biogeochemical modeling is an ongoing area of research that focuses primarily on the investigation of stochastic model uncertainty. The evaluation of structural model uncertainty remains unusual, however there are various techniques available to quantify structural uncertainty. Ensemble modeling is one such technique that is commonly used in climatology and meteorology; disciplines where the structural uncertainty of predictive models has long been established. Its application in hydrological modeling is, however, much less common. Here we propose to evaluate structural uncertainty through *P ensemble modeling, using a set of four models to predict hydrological and nitrogen fluxes: SWAT, LASCAM, HBV-N and CMF-N. The models were selected to represent the range of complexity found in catchment scale modeling, from conceptual models to physically-based approaches, and from lumped to fully distributed descriptions. The GLUE concept is applied to quantify parameter uncertainty. This approach leads to the formulation of single-model ensembles. These single-model ensembles are then combined to produce different sets of probabilistic and deterministic multi-model ensembles. These multi-model ensembles are used to quantify the contribution of structural errors to overall predictive uncertainty. The development of conditional multi-model ensembles represents a large component of the work plan. In this case, the selection of the multi-model ensemble members is based on the capability of different model structures and parameterizations to capture certain conditions of the investigated catchments such as high-low flow, freeze-thaw cycles, or rewetting after extended droughts. The ensemble model is applied to German, Swedish and Australian catchments, and covers a broad range of different climatic boundary conditions, land uses and levels of anthropogenic disturbances.
Das Projekt "Integrating Cloud Observations from Ground and Space - a Way to Combine Time and Space Information (ICOS)" wird vom Umweltbundesamt gefördert und von Universität Köln, Institut für Geophysik und Meteorologie, Bereich Meteorologie, Arbeitsgruppe Integrierte Fernerkundung durchgeführt. Cloud processes remain one of the largest challenges in atmospheric research partly due to a gap in statistically significant observations of cloud macro- and microphysical properties. The most detailed and continuous observations available today come from the combination of state-of-the-art ground-based sensors at a few 'super sites' worldwide. The integrated profiling technique (IPT) developed by the proposers has been established to provide cloud liquid water (LWC) profiles with their error and the associated environmental conditions (temperature, humidity) from a combination of microwave radiometer, cloud radar and ceilometer. Here we propose to extend this method by incorporating satellite observations by Meteosat SEVIRI into the IPT optimal estimation framework for the additional retrieval of cloud microphysics (effective radius, optical thickness) and cloud radiation budget. In addition SEVIRI measurements will be exploited to provide auxiliary information on a) the history of the cloud observed at the super site (lifetime, microphysical development, environment) and b) the representativeness of the cloud for the cloud field around the site. The method will be developed on the basis of existing data sets from observation sites at Cabauw, Lindenberg and AMF/Murg Valley.
Das Projekt "Sub project: Climate Sensitivity during and between Interglacials (ClimSens)" wird vom Umweltbundesamt gefördert und von Climate Risk Analysis durchgeführt. Climate sensitivity is the temperature response following a change in radiative forcing (e.g., doubling of atmospheric carbon dioxide concentration). The value of this parameter is currently not well known, which limits the accuracy of projections of climate in the future (21st century and beyond). The Clim-Sens project is devoted to increasing the accuracy of climate sensitivity estimation by means of (1) employing long temperature and forcing time series and (2) implementing a state-of-the-art statistical estimation method. The time series come from climate models, ice cores and marine climate archives; they cover the past 800 thousand years. The estimation tool consists in errors-in-variables regression combined with a bootstrap resampling approach for a realistic accuracy determination; an innovative methodical step is that timescale uncertainties are explicitly taken into account. The regression model fitted to the time series leads to new sensitivity estimates of likely higher accuracy. ClimSens further studies how the sensitivity varied between past interglacials to obtain insight into the size of paleoclimate feedback processes. Results are expected to be relevant for enhancing our knowledge about the future climate evolution of the present interglacial through the 21st century and beyond.
| Origin | Count |
|---|---|
| Bund | 32 |
| Land | 2 |
| Type | Count |
|---|---|
| Förderprogramm | 30 |
| unbekannt | 2 |
| License | Count |
|---|---|
| offen | 32 |
| Language | Count |
|---|---|
| Deutsch | 21 |
| Englisch | 25 |
| Resource type | Count |
|---|---|
| Keine | 21 |
| Webseite | 11 |
| Topic | Count |
|---|---|
| Boden | 26 |
| Lebewesen & Lebensräume | 28 |
| Luft | 22 |
| Mensch & Umwelt | 32 |
| Wasser | 23 |
| Weitere | 32 |