Das Saarland verfügt über mehrere Zählstellen auf Bundesstraßen und Landstraßen. Die erhobenen Daten dienen der Hochrechnung des durchschnittlichen täglichen Verkehrs (DTV) und bieten daher eine wichtige Grundlage für verkehrs- oder bautechnische Entscheidungen und Maßnahmen. Attribute: DTV: Gesamtverkehr DTV (Kfz / 24h) SV: Schwerverkehr DTV (Kfz / 24h)* TKZST: Zählstellennummer * Schwerverkehr = Busse, LKW mit mehr als 3,5 t zul. Gesamtgewicht Zählstellen, von denen Schätzwerte wegen Vollsperrung und nicht repräsentative Werte wegen Baustellen vorliegen, werden im Geoportal nur als Punkt ohne Informationen dargestellt.
Die bundesweit repräsentativen Stichprobenflächen (SPF) stellen eine wichtige Basis für ein umfassendes nationales Biodiversitätsmonitoring der Gesamtlandschaft in Deutschland dar. Im Jahr 2004 wurden im Auftrag des Bundesamtes für Naturschutz (BfN) für das Monitoring häufiger Brutvögel unter Koordination des Dachverbands Deutscher Avifaunisten (DDA) die heute vorliegenden SPF durch das Statistische Bundesamt (StBA) gezogen. Weitere Anwendung hat das Design der SPF seit 2009 im High-Nature-Value(HNV)-Farmland-Monitoring gefunden sowie nachfolgend auch beim Ökosystem-Monitoring und Insektenmonitoring (beide derzeit im Aufbau befindlich). Der vorliegende Artikel beschreibt das Stichprobendesign und das Verfahren der Stichprobenziehung und erläutert am Beispiel des HNV-Farmland-Monitorings die Anwendung der SPF, um Aussagen auf unterschiedlichen Betrachtungsskalen treffen zu können. Zwei Varianten der Schätzung mit unterschiedlichen Rechenwegen werden vorgestellt: der kombinierte Verhältnisschätzer sowie der modifizierte BfN-Schätzer. Mit Hilfe bundesweit vorliegender Fernerkundungsdaten kann beurteilt werden, wie gut die Hochrechnung auf Grundlage von Daten, die im HNV-Farmland-Monitoring auf den SPF erhoben wurden, die Realität für Gesamtdeutschland abbildet. Die Nutzung der SPF durch mehrere Programme des Biodiversitätsmonitorings lässt erwarten, dass zukünftig über die Erkenntnisse aus den einzelnen Monitoringprogrammen hinaus Synergien genutzt werden können und z. B. Hinweise auf Ursachen des Biodiversitätswandels gefunden werden. Dabei ist darauf zu achten, dass es nicht zur gegenseitigen Beeinträchtigung der Monitoringprogramme kommt und die Repräsentativität der SPF erhalten bleibt. So können nach dem Vorbild des Countryside Survey im Vereinigten Königreich die SPF als wichtiges Instrument für das nationale Biodiversitätsmonitoring genutzt werden.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.
Ziel des Projekts KIMBIF ist die Hochrechnung (Extrapolation) und Prognose (Forecast) der Erzeugungsleistung von Photovoltaik(PV)-Anlagen mit bifazialen PV-Modulen. Durch die Nutzung des auf der Rückseite einfallenden Lichts erreicht einen höheren Ertrag im Vergleich zu monofazialen Modulen. Die Einstrahlungsverhältnisse auf der Rückseite eines Modulfeldes sind jedoch so komplex, dass die Leistung einer solchen PV-Anlage mit rein physikalischen Modellen nicht mit vertretbarem Aufwand und der erforderlichen Genauigkeit aus den aktuellen Betriebsbedingungen abgeschätzt oder vorhergesagt werden kann Im Projekt werden daher datengetriebene Modelle mit Methoden der künstlichen Intelligenz (KI-Modelle) für Monitoring und Einspeisevorhersage von bifazialen PV-Systemen entwickelt und in einem großen, kommerziellen PV-Park zur Anwendung gebracht. Diese generischen Modelle sollen zum einen durch Mehrfachadaption die Extrapolation von einer begrenzten, detailliert vermessenen Referenzeinheit (PV-Modulstrang oder PV-Teilfeld) auf den gesamten PV-Park erlauben und zum anderen auf andere PV-Anlagen übertragbar sein. Dies beinhaltet auch Verfahren zur kontinuierlichen Adaptierung der KI-Modelle mittels Life-long Learning, um eine nahezu unmittelbare Nutzung nach dem Betriebsstart einer PV-Anlage mit einer limitierten Datenbasis sowie eine fortschreitend verbesserte Anpassung der KI-Modelle an das reale Betriebsverhalten zu ermöglichen. Die KI-Modelle werden zur Ermittlung der erwarteten aktuellen Leistungswerte für einen PV-Park, für die Anlagenüberwachung zur Fehlererkennung auf der Ebene der Teileinheiten und für die vorausschauende Wartungsplanung (predictive maintenance) eingesetzt. Des Weiteren wird mit dem Modell ein Leistungsvorhersagesystem (z.B. 24h-Forecast) unter Verwendung von Wetterprognosen für eine optimierte Betriebsführung des PV-Parks erstellt und im Betriebsleitsystem implementiert und erprobt.
Nitrifikationshemmstoffe werden als robuste und skalierbare THG Reduktionsmaßnahme für den Pflanzenbau vorgeschlagen. Ob dies aber eine effiziente, praxisgerechte und umweltschonende Maßnahme zur Verringerung düngungsinduzierter N2O-Emissionen unter mitteleuropäischen Bedingungen ist, wird von Wissenschaft, Politik und Praxis kontrovers diskutiert. Einerseits bestehen die Potenziale, durch die Hemmung der Nitratbildung sowohl die direkten als auch indirekten N2O-Emissionen deutlich zu mindern und dadurch die Effizienz der Stickstoffdüngung zu verbessern. Andererseits fehlen für eine gesicherte Bewertung in mehreren Punkten wissenschaftlich belastbare und standortdifferenzierende Ergebnisse: i) die standortdifferenzierende Bewertung der Wirkung auf die N2O-Jahresemission und Nitratauswaschung, ii) die ökologischen Langzeitwirkungen einer regelmäßigen Ausbringung der Hemmstoffe und ihre Wirkung auf andere umwelt- und klimawirksamen Emissionen sowie iii) die zusammenführende und standortdifferenzierende Gesamtbewertung als Klimaschutzmaßnahme unter Einbeziehung von Klimaschutzeffekten, ökologischen Risiken, sowie ökonomischen und pflanzenbaulichen Effekten. Ziel dieses Teilprojekts ist die standortabhängige pflanzenbauliche Bewertung des Einsatzes von Nitrifikationsinhibitoren und damit verbundener Düngungsstrategien auf die Qualität und Höhe der Erträge und Stickstoffnutzungseffizienz. Neben bereits verfügbaren Daten aus der Literatur fließen hier insbesondere die pflanzenbaulichen Daten aus den Feldversuchen des Verbundprojektes ein. Zur weiteren Extrapolation der Erkenntnisse werden statistische und pflanzenbauliche Modelle herangezogen.