Die Hauptzielsetzung dieses interdisziplinären Verbundprojektes besteht in der Untersuchung der physikochemischen und mechanischen Eigenschaften und der daraus resultierenden Erosionsneigung von vulkanischen Ascheböden in Südchile in Abhängigkeit von Alter, Entwicklungszustand und Nutzungsform der Böden. Aschenböden stellen in vielerlei Hinsicht wie Porosität, Verdichtbarkeit, Erosionsverhalten, Kornform, Benetzbarkeit, Dynamik der Bodenentwicklung Extremstandorte dar. Gemessen an der Verbreitung und der wirtschaftlichen Bedeutung dieser Böden liegen zwar einige bodenphysikalische und chemische Daten vor, doch können diese Erkenntnisse bisher kaum in allgemeine Kategorien übertragen und auch nicht hinsichtlich der räumlichen Vernetzung und Relevanz bewertet werden. Daher werden mit dem vorliegenden methodischen Ansatz an 12 Catenen mit je 2 Profilen signifikante physikalische Parameter zur Kennzeichnung des physikochemischen, mechanischen und hydraulischen Verhaltens dieser Böden identifiziert und bewertet (siehe Abb.1 im Anhang). Auf diese Weise soll die besondere Bedeutung physikalischer Parameter für die Materialumlagerungen von Ascheböden erfasst werden. Der Erkenntnisgewinn liegt folglich einerseits im verbesserten Prozessverständnis über chilenische Aschenböden, andererseits sollen aber auch die entwickelten und geprüften Methoden auf Aschenböden allgemein übertragbar sein. Damit würde zusätzlich ein wichtiger Beitrag zur Standardisierung der Methoden für Aschenböden im weltweiten Maßstab geleistet werden. Die Interaktion zwischen physikalischen und mechanischen Eigenschaften und deren Ausprägung in Landschaften zu quantifizieren sind Ziel dieses Antrags.
Beschreibung des INSPIRE Download Service (predefined Atom): Dieser INSPIRE Datensatz beinhaltet die saarländischen Bodendaten aus ALKIS. Die Transformation erfolgte gemäß den INSPIRE Richtlinien Soil in der Version 4.0. Folgende Anwendungsschemen werden derzeit zu diesem Thema bereitgestellt: * AX_Bodenschätzung - Der/die Link(s) für das Herunterladen der Datensätze wird/werden dynamisch aus GetFeature Anfragen an einen WFS 1.1.0+ generiert
Bodenflächenkataster kleinmaßstäbig für Hessen (BÜK500, 1:500.000) - Die Bodendaten 1:500 000 (Bodenübersichtskarte, BÜK500) beschreiben flächenhaft die Böden, ihre Eigenschaften und Bodenfunktionen im überregionalen Maßstab.
Der Untersuchungsraum liegt in einem Gebiet, das nachweisbar von der vorhandenen Industrie beeinflusst wurde und wird. Insbesondere in der Vergangenheit gelangten u.a. Schwermetalle über den Luftpfad auf die Oberböden. Da sich diese Stoffe nicht abbauen, sind auch heute noch erhöhte Gehalte – vor allem an Arsen und Kupfer - zu finden. Ab 2001 wurde auf Grundlage des Bundes-Bodenschutzgesetzes (BBodSchG) damit begonnen, alle vorhandenen Bodendaten im Hamburger Südosten zu erfassen und zusammen zuführen. Es wurden ausschließlich Daten von Probenahmestellen ausgewertet, die gewährleisten, dass Belastungen des Oberbodens nicht auf „Altlasten, schädliche Bodenveränderungen, altlastverdächtige Flächen oder Verdachtsflächen“ zurückzuführen sind. Die veröffentlichten Daten beinhalten die Arsen- und Schwermetallgehalte, die im Raster von 500 x 500 m enthalten sind. Es können mehrere Datensätze oder gar keine in diesem Raster vorliegen. Leere Kacheln bedeuten, dass keine Daten vorliegen.
Dieser INSPIRE Datensatz beinhaltet die saarländischen Bodendaten aus ALKIS. Die Transformation erfolgte gemäß den INSPIRE Richtlinien Soil in der Version 4.0. Folgende Anwendungsschemen werden derzeit zu diesem Thema bereitgestellt: * AX_Bodenschätzung
Das Fachinformationssystem (FIS) Bodenschutz beinhaltet die Teilprojekte der 'Digitalen Bodenkarte Hamburg': - Fachplan Schutzwürdige Böden - Bodenversiegelung Hamburg - Bodendaten Profilinformationen - Bodenformengesellschaften Hamburg - Verdunstungspotential von Böden
Die vorliegenden grundwasserabhängigen Landökosysteme sind für den 3. Bewirtschaftungsplan der EU Wasserrahmenrichtlinie gültig. Nach Anhang V WRRL ist eine Voraussetzung zur Erreichung eines guten chemischen und guten mengenmäßigen Zustandes eines Grundwasserkörpers die Vermeidung einer signifikanten Schädigung der Landökosysteme, die unmittelbar von diesem Grundwasserkörper abhängen. Die Bestandsaufnahme der grundwasserabhängigen Landökosysteme Brandenburgs erfolgte nach LAWA Arbeitshilfe (LAWA 2013) und –Handlungsempfehlung (LAWA 2012) sowie in Anlehnung an die beiden vorhergehenden Bewirtschaftungspläne. Die teilweise oder vollständige Grundwasserabhängigkeit wurde anhand der Grundwasserstände überprüft. Die Datengrundlage bilden Ökosystem- und Schutzgebietsdaten sowie Grundwasserflurabstände und Bodendaten. Die vorliegenden grundwasserabhängigen Landökosysteme sind für den 3. Bewirtschaftungsplan der EU Wasserrahmenrichtlinie gültig. Nach Anhang V WRRL ist eine Voraussetzung zur Erreichung eines guten chemischen und guten mengenmäßigen Zustandes eines Grundwasserkörpers die Vermeidung einer signifikanten Schädigung der Landökosysteme, die unmittelbar von diesem Grundwasserkörper abhängen. Die Bestandsaufnahme der grundwasserabhängigen Landökosysteme Brandenburgs erfolgte nach LAWA Arbeitshilfe (LAWA 2013) und –Handlungsempfehlung (LAWA 2012) sowie in Anlehnung an die beiden vorhergehenden Bewirtschaftungspläne. Die teilweise oder vollständige Grundwasserabhängigkeit wurde anhand der Grundwasserstände überprüft. Die Datengrundlage bilden Ökosystem- und Schutzgebietsdaten sowie Grundwasserflurabstände und Bodendaten. Die vorliegenden grundwasserabhängigen Landökosysteme sind für den 3. Bewirtschaftungsplan der EU Wasserrahmenrichtlinie gültig. Nach Anhang V WRRL ist eine Voraussetzung zur Erreichung eines guten chemischen und guten mengenmäßigen Zustandes eines Grundwasserkörpers die Vermeidung einer signifikanten Schädigung der Landökosysteme, die unmittelbar von diesem Grundwasserkörper abhängen. Die Bestandsaufnahme der grundwasserabhängigen Landökosysteme Brandenburgs erfolgte nach LAWA Arbeitshilfe (LAWA 2013) und –Handlungsempfehlung (LAWA 2012) sowie in Anlehnung an die beiden vorhergehenden Bewirtschaftungspläne. Die teilweise oder vollständige Grundwasserabhängigkeit wurde anhand der Grundwasserstände überprüft. Die Datengrundlage bilden Ökosystem- und Schutzgebietsdaten sowie Grundwasserflurabstände und Bodendaten.
Das Gesamtprojekt wird in einzelnen Teilprojekten ausgeschrieben. 1. Konzepterstellung: Ziel des Projektes ist die Identifikation technischer Grundvoraussetzungen und die Erstellung eines Konzeptes zur einfachen Auffindbarkeit und automatisierten Übermittlung von Bodendaten seitens der relevanten Akteure mittels eines Data-Hub. Um Redundanz zu vermeiden verbleiben die Primärdaten bei den jeweils zuständigen Stellen. Zusätzlich ist eine möglichst unkomplizierte Lösung für eine in festen Abständen stattfindende Datenaktualisierung anzustreben, sowie ein Vorschlag zur Rechtevergabe zu erarbeiten. 2. Umsetzung: Schrittweiser Aufbau des Data-Hub mit definierten Meilensteinen und sukzessivem Anschluss der einzelnen Bodendaten erhebenden, haltenden und auswertenden Institutionen. Nutzung eines Testszenarios um die Funktionalität des Portals zu testen. Zusammen mit den Beteiligten sind Verwaltungsvereinbarung hinsichtlich der Datennutzung zu schließen. 3. Erweiterung und Pflege: Abgestimmt mit den einzelnen durch den Data-Hub vernetzten Akteure sollen Vorschläge für die Erweiterung und zum Erhalt der Aktualität des Data-Hub, erarbeitet werden.
Maschinelle Lernmodelle haben große Erfolge beim Lernen komplexer Muster wie zum Beispiel die räumliche Verbreitung von Bodeneigenschaften gezeigt, die es erlauben Vorhersagen über nicht erfasste Bereiche zu treffen. Die Fähigkeit, das Gelernte auf andere Gebiete anzuwenden ist dagegen wenig entwickelt und bislang können die Modelle nur sehr eingeschränkt auf Bereiche außerhalb der unmittelbaren Lernumgebung übertragen werden. Ähnlich empirischen Regressionen gelten die Regelwerke, z.B. bei Entscheidungsbaumverfahren wie Random Forest, nur für den von Trainingsdaten abgedeckten Wertebereich. Für jedes weitere Gebiet werden erneut möglichst hochwertige und umfangreiche Trainingsdaten benötigt. Fortschritte im Bereich des Deep Learning (DL), z.B. Convolutional Neural Networks, des Transfer Learnings und kombinierte Ansätze im Bereich Feature Selection (FS) bieten hier erweiterte Möglichkeiten, um die Dimensionalität gerade bei kleineren Datensätzen einzuschränken, die Überanpassung an die Trainingsdaten zu minimieren und die Übertragung auf angrenzende Gebiete zu verbessern. Im vorliegenden Antrag nehmen wir diese Entwicklungen auf und versuchen Bodeneigenschaften auch für Bereiche außerhalb der Lernumgebung vorherzusagen. Dazu erstellen wir zunächst mit Umweltfaktoren eine gebietsspezifische Parametrisierung maschineller Lernmodelle anhand von geomorphometrischen, geologischen, landschaftsökologischen und klimatischen Parametern. Welche Parameter dies im Einzelnen sind und wie sie untereinander im Verhältnis stehen, wird exemplarisch für verschiedene Testdatensätze in Deutschland (humides Klima) und im Iran (semi-arid bis arides Klima) durch die Kombination von Methoden des DL und der FS berechnet. Im Folgeschritt werden die mit den ausgewählten Parametern der Umweltfaktoren und den Bodenprofildaten trainierten Modelle auf nicht trainierte Gebiete übertragen und an unabhängigen Bodendaten validiert. Die nicht trainierten Gebiete werden anhand von Distanz- und Ähnlichkeitsmaßen hinsichtlich ihrer Vergleichbarkeit mit den ursprünglichen Trainingsgebieten charakterisiert, um die Transferleistung der maschinellen Lernmodelle zu beurteilen. Abschließend ist vorgesehen, für die unbekannten Gebiete schrittweise Trainingsdaten zuzufügen, um die Entwicklung der Vorhersagegenauigkeit zu quantifizieren und die Transfereigenschaften verschiedener ML-Verfahren zu beurteilen. Als Trainingsdaten dienen LUCAS-Daten für Deutschland und Bodenprofildaten aus der nationalen SPDB Datenbank für den Iran. Die Umweltparameter werden aus Satellitendaten, digitalen Höhenmodellen, Weltklimadaten sowie Landnutzungskarten und geologischen Kartenwerken abgeleitet. Bodeneigenschaften sind Bodenkohlenstoffgehalt, Bodentextur, Carbonatgehalt und Kationenaustauschkapazität. Es werden 12 maschinelle Lernverfahren vergleichend angewendet.
Im Lauf der letzten Dekaden wurde für große Teile der Arktis eine signifikante Erwärmung der Erdoberfläche und des oberflächennahen Untergrunds beobachtet. Deren Folgen zeigen sich bereits heute - beispielsweise in einer Ausbreitung der Buschvegetation und einer Vertiefung der saisonalen Auftauschicht. In Anbetracht der Bedeutung von Änderungen in Permafrostregionen für Umwelt, Infrastruktur und Klimasystem besteht ein dringender Bedarf, Parameter dieses Raumes großflächig zu bestimmen und kontinuierlich zu überwachen. Durch die Weite und spärlichen Besiedelung der Arktis sind diese Umweltdaten jedoch nur unzureichend verfügbar und ihre Erhebung ist kostenintensiv. In diesem Kontext können fernerkundliche Daten einen wichtigen Beitrag leisten; Flugzeug- und Satellitengestützte Systeme ermöglichen eine effiziente und flächendeckende Aufnahme von Oberflächeneigenschaften. Ziel des Projekts ist die Identifizierung und Quantifizierung von Zusammenhängen zwischen Eigenschaften der Erdoberfläche, welche durch Fernerkundung abgeleitet werden können, und Eigenschaften des Untergrunds, die den Zustand von Permafrostgebieten charakterisieren. Basierend auf diesen Ergebnissen ist ein weiteres Ziel die Erstellung von konzeptionellen Modellen, welche die Verschränkung und Verbindung von Umwelt-Parameter zeigen. Die Arbeiten werden in einem skalenübergreifenden Multi-Sensor-Ansatz durchgeführt. Der Fokus wird dabei auf die Identifizierung der Kopplungen zwischen Oberfläche und Untergrund, sowie auf den Einfluss des Betrachtungsmaßstabs gelegt. Als fernerkundliche Daten stehen zur Verfügung: (1) grob aufgelöste optische und thermische Satellitendaten, (2) mittel-aufgelöste Radar- und Multi-Spektraldaten und (3) hoch-aufgelöste Thermal-, Hyperspektral- und Laserscanner-Daten von regionalen Befliegungen. Die Charakterisierung des Untergrunds erfolgt mittels (1) geomorphologischer Kartierung, (2) Zeitreihen-Analyse der Temperatur und Bodenfeuchte aus abgeteuften Sensoren, (3) Ground Penetrating Radar (GPR) und (4) elektrischen Widerstandsmessungen. Fernerkundliche Daten der Erdoberfläche und geophysikalische Daten zum Untergrund werden mit multivariaten statistischen Methoden analysiert - mit dem Ziel Zusammenhängen zwischen Oberflächen- und Untergrund-Parametern des periglazialen Systems zu identifizieren und zu quantifizieren. Als Untersuchungsgebiete wurden die Mackenzie Delta Region und das Peel Plateau identifiziert. Beide Regionen liegen in Nord Kanada und zeigen innerhalb geringer Distanzen verschiedenartige, durch Permafrost geprägte Ökosysteme. Zudem stehen durch Vorstudien Daten zur Verfügung; zum einen Referenzdaten von Feld-Kampagnen und zum anderen Satellitenbilder verschiedener Sensoren. Darüber hinaus wird vom Alfred Wegener Institut eine Befliegung dieser Gebiete geplant und finanziert. Das Flugzeug wird mit einer vielfältigen Instrumentenauswahl bestückt; u. a. ein flugzeuggetragenes GPR, ein Laserscanner und eine hyperspektral Kamera.
| Origin | Count |
|---|---|
| Bund | 190 |
| Europa | 1 |
| Kommune | 1 |
| Land | 64 |
| Wissenschaft | 6 |
| Type | Count |
|---|---|
| Daten und Messstellen | 3 |
| Förderprogramm | 151 |
| Hochwertiger Datensatz | 7 |
| Text | 30 |
| unbekannt | 48 |
| License | Count |
|---|---|
| geschlossen | 49 |
| offen | 185 |
| unbekannt | 5 |
| Language | Count |
|---|---|
| Deutsch | 200 |
| Englisch | 68 |
| Resource type | Count |
|---|---|
| Archiv | 11 |
| Bild | 4 |
| Datei | 7 |
| Dokument | 20 |
| Keine | 110 |
| Unbekannt | 1 |
| Webdienst | 27 |
| Webseite | 108 |
| Topic | Count |
|---|---|
| Boden | 219 |
| Lebewesen und Lebensräume | 226 |
| Luft | 145 |
| Mensch und Umwelt | 239 |
| Wasser | 132 |
| Weitere | 223 |