Extreme Temperaturen und Wassermangel verursachen Trockenstress an landwirtschaftlichen Kulturen. Weltweit werden die Auswirkungen von Trockenstress auf wichtige Feldfrüchten untersucht und Methoden zur Überwachung und zur Früherkennung von Trockenstress und anderen Stressfaktoren untersucht. Damit soll der gezielte. Einsatz agrotechnischer Maßnahmen wie Fruchtwechsel, Düngung, Bodenbearbeitung und Bewässerungsplanung unterstützt werden, um Ernteeinbußen zu verhindern. Ein weiterer Aspekt sind mögliche Auswirkungen der globalen Erwärmung auf die landwirtschaftliche Produktion, die sich zu einem der Hauptthemen der Forschung auf dem Gebiet das Klimawandels entwickeln. Erdbeobachtung von Satelliten aus ermöglicht die rationelle Überwachung des Zustands landwirtschaftlicher Kulturen über große Flächen. lü jüngster Zeit wurden neue Sensorsysteme entwickelt und in Erdumlauf gebracht, die neue Möglichkeiten auch für das Monitoring von Trockenstress landwirtschaftlicher Kulturen eröffnen. Die wesentlichen Merkreale dieser neuen optischen Sensoren sind hohe spektrale Auflösung (kleine Bandbreiten bis 10 nm herunter, eine große Anzahl von Spektralkanälen - bis zu einigen hundert, was im Prinzip Spektroskopie vom Satelliten aus ermöglicht), hohe räumliche Auflösung (Bildelementgrößen am Boden bis 60 cm herunter), und hohe zeitliche Auflösung -(bis zu täglicher Aufnahmemöglichkeit jedes Punktes der Erdoberfläche). Das Ziel dieses Projekts ist es, unter Ausnützung der neuen Möglichkeiten optischer Fernerkundung und der synergistischen Effekte der unterschiedlich Sensortypen Fernerkundungsmethoden zur Erkennung und zur Überwachung von Trockenstress an landwirtschaftlichen Kulturen zu entwickeln. Dazu werden physikalische Vegetationsmodelle angepasst und verbessert, die den Zusammenhang zwischen der Trockenstressintensität und Reflexionseigenschaften von Pflanzenbeständen quantitativ beschreiben. Methoden zur Analyse von Fernerkundungsbilddaten unter Verwendung dieser Vegetationsmodelle werden entwickelt. Dabei werden sowohl reflektierte als auch emittierte (thermale) Infrarotstrahlung berücksichtigt. Da es keine Sensoren gibt, die gleichzeitig alle drei der oben angeführten Arten der hohen Auflösung (spektral, räumlich und zeitlich) erfüllen, kommt der Kombination von Daten unterschiedlicher Sensoren besondere Bedeutung zu (image information fusion). Die Methodenwerden für ausgewählte Fruchtarten (Weizen und Mais) unter Anbaubedingungen in Österreich und Deutschland entwickelt und getestet.
Borealen Wälder speichern fast ein Drittel des weltweiten terrestrischen Kohlenstoffs in Biomasse und Böden. Die Stabilität dieser Kohlenstoffvorräte ist in der jüngsten Zeit intensiv diskutiert worden, denn es wird erwartet, dass Waldstörungen wie etwa Insektenausbrüche, Stürme oder Brände im Klimawandel zunehmen werden. Während für die nordamerikanischen und europäischen borealen Wälder eine solide Wissensbasis über sich verändernde Waldstörungen existiert, gibt es für die russischen borealen Wälder nur wenige Fallstudien. Diese wenigen Fallstudien decken jedoch nur einen sehr kleinen Teil der riesigen Ausdehnung des russischen borealen Waldes ab, was wiederum das Kohlenstoffbudget des russischen borealen Waldes höchst unsicher macht. Im Rahmen des BOFOR-Projekts schlagen wir daher vor, diese Wissenslücke zu schließen, indem wir unser Verständnis der sich veränderte Waldstörungen und deren Einfluss auf den Kohlenstoffhaushalt des russischen borealen Waldes verbessern. Das Projekt verfolgt dabei die folgenden sechs Ziele: (1) Entwicklung eines neuen räumlich expliziten Datensatzes für Waldstörungen für den gesamten russischen borealen Wald unter Verwendung von Erdbeobachtungsdaten. (2) Die Zuordnung von Waldstörungen zu ihren kausalen Verursachern wie Feuer, Wind, Insektenbefall und Holzernte. (3) Quantifizierung der Sensitivität von Störungen in borealen Wäldern gegenüber zunehmenden Klimaextremen im Zuge des Klimawandels. (4) Quantifizierung der Erholungsfunktion nach Störung, mit besonderem Blick auf die Biomasse. (5) Quantifizierung der Sensitivität der Erholungsfunktion gegenüber biotischen, bodenkundlichen und klimatischen Faktoren. (6) Erstellung eines vollständigen Kohlenstoffbudgets für den borealen Wald, einschließlich Störungen und Erholung. Das von uns vorgeschlagene Projekt wird eine wichtige Wissenslücke im globalen Kohlenstoffkreislauf schließen und damit unser Verständnis des Klimaschutzpotenzials der Wälder weltweit erheblich verbessern.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.