Schwermetalle gelangen durch verschiedene Aktivitaeten des Menschen in die Umwelt. Aufgrund ihrer erheblichen Toxizitaet ist eine regelmaessige Untersuchung von Luftstaub, Boden und Pflanzen erforderlich. Als geeignete Methode zur Schwermetallbestimmung in Umweltproben bietet sich die Feststoff-AAS an. Hiermit koennen Proben direkt, ohne vorangehenden Aufschluss analysiert werden. Dieses Analyseverfahren wurde in mehreren Arbeiten angewandt, wobei jeweils die Temperaturprogramme fuer das zu untersuchende Probenmaterial optimiert wurden. Die Kontamination von Heilpflanzen mit Blei erwies sich als standortabhaengig, und die verschiedenen Pflanzenarten zeigten ein unterschiedliches Anreicherungsvermoegen fuer Blei und Cadmium. Im Rahmen zweier Projekte, geleitet von Prof. Dr. Kirschbaum, wurde zur Bioindikation von Luftschadstoffen u.a. die Schwermetallanreicherung von Flechten, Weidelgras und Eiben untersucht. Weiterhin konnte gezeigt werden, dass sich die Feststoff-AAS zur direkten Bestimmung von Arsen in Luftstaub- und Bodenproben eignet.
Ziel des Projektes ist die langfristige Sicherung und Erhaltung von Vorkommen seltener Baumarten, sowie die Etablierung neuer/verjüngter Vorkommen an geeigneten Standorten. Zunächst erfolgt die Evaluierung, Auswahl und Beerntung erhaltungswürdiger Bäume aus südwest-deutschen Wald- und Feldvorkommen (insbes. Elsbeere, Speierling, Wildapfel, Wildbirne, Schwarzpappel, Ulme, Walnuss und Eibe; außerdem Straucharten) mit entsprechender Dokumentation. Anschließend erfolgt eine vegetative und generative Weitervermehrung zum Aufbau von Erhaltungs-Klonsammlungen bzw. zum Aufbau von Erhaltungs-Samenplantagen, (ex-situ Generhaltung). Parallel dazu werden o.g. seltene Baumarten vegetativ und generativ mit 1- bis 3-jähriger Kulturzeit nachgezogen und an interessierte bzw. am Evaluierungsprozess beteiligte Forstämter abgegeben (in-situ Generhaltung) und dort langfristig weiterbeobachtet.
Waldgehölze als Forstliche Genressource Seit 1992 arbeitet die Landesforst an dem Programm zur Erfassung, Erhaltung und Vermehrung von heimischen und forstlich wichtigen Waldgehölzarten als Forstliche Genressource. Wesentliche Projekte im Rahmen dieses Programms: SEBASTRA In diesem Rahmen des Landesprogrammes wurde 1992 eine erste Erfassung für die Waldvorkommen von Holzapfel und -birne, Vogelkirsche, Elsbeere, Flatter-, Berg- und Feldulme, Eibe, Stechpalme sowie Wacholder durchgeführt. Forstliche Generhaltungsobjekte 1998 wurde damit begonnen, für die Waldgehölzarten Generhaltungsobjekte auszuweisen. Diese Objekte sollen die genetischen Variationen (Genpool) der Waldgehölze repräsentieren. Die ausgewählten Generhaltungsobjekte werden langfristig erhalten und, bei seltenen Arten, deren Vorkommen gezielt vermehrt. Erfassung von Erntevorkommen wichtiger Straucharten Für die heimischen Straucharten Gemeiner Hasel, Roter Hartriegel, Faulbaum, Rote Heckenkirsche, Schwarzer Holunder, Purgier-Kreuzdorn, Pfaffenhütchen, Schlehe, Gemeiner Schneeball, Gewöhnliche Traubenkirsche sowie Ein- und Zweigriffliger Weißdorn wurde 2001 eine Erfassung von fruktifizierenden Waldvorkommen durchgeführt. Die Bestände sollen zukünftig beerntet werden. Aus dem Saatgut können dann in Baumschulen Pflanzen für Planzungen im Wald und in der offenen Landschaft gezogen werden.
Overview: ERA5-Land is a reanalysis dataset providing a consistent view of the evolution of land variables over several decades at an enhanced resolution compared to ERA5. ERA5-Land has been produced by replaying the land component of the ECMWF ERA5 climate reanalysis. Reanalysis combines model data with observations from across the world into a globally complete and consistent dataset using the laws of physics. Reanalysis produces data that goes several decades back in time, providing an accurate description of the climate of the past. Processing steps: The original hourly ERA5-Land air temperature 2 m above ground and dewpoint temperature 2 m data has been spatially enhanced from 0.1 degree to 30 arc seconds (approx. 1000 m) spatial resolution by image fusion with CHELSA data (V1.2) (https://chelsa-climate.org/). For each day we used the corresponding monthly long-term average of CHELSA. The aim was to use the fine spatial detail of CHELSA and at the same time preserve the general regional pattern and fine temporal detail of ERA5-Land. The steps included aggregation and enhancement, specifically: 1. spatially aggregate CHELSA to the resolution of ERA5-Land 2. calculate difference of ERA5-Land - aggregated CHELSA 3. interpolate differences with a Gaussian filter to 30 arc seconds. 4. add the interpolated differences to CHELSA Subsequently, the temperature time series have been aggregated on a daily basis. From these, daily relative humidity has been calculated for the time period 01/2000 - 12/2023. Relative humidity (rh2m) has been calculated from air temperature 2 m above ground (Ta) and dewpoint temperature 2 m above ground (Td) using the formula for saturated water pressure from Wright (1997): maximum water pressure = 611.21 * exp(17.502 * Ta / (240.97 + Ta)) actual water pressure = 611.21 * exp(17.502 * Td / (240.97 + Td)) relative humidity = actual water pressure / maximum water pressure The resulting relative humidity has been aggregated to monthly averages. Resultant values have been converted to represent percent * 10, thus covering a theoretical range of [0, 1000]. File naming scheme (YYYY = year; MM = month): ERA5_land_rh2m_avg_monthly_YYYY_MM.tif Projection + EPSG code: Latitude-Longitude/WGS84 (EPSG: 4326) Spatial extent: north: 82:00:30N south: 18N west: 32:00:30W east: 70E Spatial resolution: 30 arc seconds (approx. 1000 m) Temporal resolution: Monthly Pixel values: Percent * 10 (scaled to Integer; example: value 738 = 73.8 %) Software used: GDAL 3.2.2 and GRASS GIS 8.0.0/8.3.2 Original ERA5-Land dataset license: https://apps.ecmwf.int/datasets/licences/copernicus/ CHELSA climatologies (V1.2): Data used: Karger D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E, Linder, H.P., Kessler, M. (2018): Data from: Climatologies at high resolution for the earth's land surface areas. Dryad digital repository. http://dx.doi.org/doi:10.5061/dryad.kd1d4 Original peer-reviewed publication: Karger, D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E., Linder, P., Kessler, M. (2017): Climatologies at high resolution for the Earth land surface areas. Scientific Data. 4 170122. https://doi.org/10.1038/sdata.2017.122 Processed by: mundialis GmbH & Co. KG, Germany (https://www.mundialis.de/) Reference: Wright, J.M. (1997): Federal meteorological handbook no. 3 (FCM-H3-1997). Office of Federal Coordinator for Meteorological Services and Supporting Research. Washington, DC Data is also available in EU LAEA (EPSG: 3035) projection: https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/ab06ed25-84af-43c9-b1c3-57e3b6ad8d29 Acknowledgements: This study was partially funded by EU grant 874850 MOOD. The contents of this publication are the sole responsibility of the authors and don't necessarily reflect the views of the European Commission.
Overview: ERA5-Land is a reanalysis dataset providing a consistent view of the evolution of land variables over several decades at an enhanced resolution compared to ERA5. ERA5-Land has been produced by replaying the land component of the ECMWF ERA5 climate reanalysis. Reanalysis combines model data with observations from across the world into a globally complete and consistent dataset using the laws of physics. Reanalysis produces data that goes several decades back in time, providing an accurate description of the climate of the past. Processing steps: The original hourly ERA5-Land air temperature 2 m above ground and dewpoint temperature 2 m data has been spatially enhanced from 0.1 degree to 30 arc seconds (approx. 1000 m) spatial resolution by image fusion with CHELSA data (V1.2) (https://chelsa-climate.org/). For each day we used the corresponding monthly long-term average of CHELSA. The aim was to use the fine spatial detail of CHELSA and at the same time preserve the general regional pattern and fine temporal detail of ERA5-Land. The steps included aggregation and enhancement, specifically: 1. spatially aggregate CHELSA to the resolution of ERA5-Land 2. calculate difference of ERA5-Land - aggregated CHELSA 3. interpolate differences with a Gaussian filter to 30 arc seconds. 4. add the interpolated differences to CHELSA Subsequently, the temperature time series have been aggregated on a daily basis. From these, daily relative humidity has been calculated for the time period 01/2000 - 12/2023. Relative humidity (rh2m) has been calculated from air temperature 2 m above ground (Ta) and dewpoint temperature 2 m above ground (Td) using the formula for saturated water pressure from Wright (1997): maximum water pressure = 611.21 * exp(17.502 * Ta / (240.97 + Ta)) actual water pressure = 611.21 * exp(17.502 * Td / (240.97 + Td)) relative humidity = actual water pressure / maximum water pressure The resulting relative humidity has been aggregated to monthly averages. Resultant values have been converted to represent percent * 10, thus covering a theoretical range of [0, 1000]. The data have been reprojected to EU LAEA. File naming scheme (YYYY = year; MM = month): ERA5_land_rh2m_avg_monthly_YYYY_MM.tif Projection + EPSG code: EU LAEA (EPSG: 3035) Spatial extent: north: 6874000 south: -485000 west: 869000 east: 8712000 Spatial resolution: 1000 m Temporal resolution: Monthly Pixel values: Percent * 10 (scaled to Integer; example: value 738 = 73.8 %) Software used: GDAL 3.2.2 and GRASS GIS 8.0.0/8.3.2 Original ERA5-Land dataset license: https://apps.ecmwf.int/datasets/licences/copernicus/ CHELSA climatologies (V1.2): Data used: Karger D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E, Linder, H.P., Kessler, M. (2018): Data from: Climatologies at high resolution for the earth's land surface areas. Dryad digital repository. http://dx.doi.org/doi:10.5061/dryad.kd1d4 Original peer-reviewed publication: Karger, D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E., Linder, P., Kessler, M. (2017): Climatologies at high resolution for the Earth land surface areas. Scientific Data. 4 170122. https://doi.org/10.1038/sdata.2017.122 Processed by: mundialis GmbH & Co. KG, Germany (https://www.mundialis.de/) Reference: Wright, J.M. (1997): Federal meteorological handbook no. 3 (FCM-H3-1997). Office of Federal Coordinator for Meteorological Services and Supporting Research. Washington, DC Data is also available in Latitude-Longitude/WGS84 (EPSG: 4326) projection: https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/b9ce7dba-4130-428d-96f0-9089d8b9f4a5 Acknowledgements: This study was partially funded by EU grant 874850 MOOD. The contents of this publication are the sole responsibility of the authors and don't necessarily reflect the views of the European Commission.
Die Datenserie beinhaltet alle flächenhaft erfassten Generhaltungsbestände der Baumarten Aspe, Bergahorn, Bergkiefer, Bergulme, Baumweiden (sonstige), Coloradotanne, Douglasie, Eibe, Eichen (sonstige), Elsbeere, Europäische Lärche, Feldahorn, Feldulme, Fichten (sonstige), Flatterulme, Gemeine Birke, Gemeine Eberesche, Grünerle, Gemeine Esche, Gemeine Fichte, Gemeine Hainbuche, Gemeine Hasel, Gemeine Kiefer, Gemeine Robinie, Gemeine Roßkastanie, Gemeiner Wacholder, Gewöhnliche Traubenkirsche, Hartlaubbaumarten (sonstige), Hemlockstanne, Hybridlärche, Japanische Lärche, Lebensbäume, Moorbirke, Murraykiefer, Nadelbaumarten (sonstige), Nordmannstanne, Omorikafichte, Pappeln, Rotbuche, Roteiche, Roterle, Rumelische Kiefer, Salweide, Schwarzkiefer, Schwarzpappel, Sommerlinde, Spirke, Spitzahorn, Stechfichte, Stieleiche, Scheinzypressen, Tannen (sonstige), Traubeneiche, Vogelkirsche, Weißerle, Weißtanne, Weymouthskiefer, Winterlinde, Weichlaubbaumarten (sonstige), Wildapfel, Wildbirne. Generhaltungsbestände sind ausgewählte Waldgebiete oder Einzelbäume, die für die Erhaltung forstlicher Genressourcen von Bedeutung sind. Zu jedem flächenhaften Bestand oder Einzelobjekt wird die Baumart, die Anzahl der Einzelbäume, das Datum der Datenerhebung und das Jahr der Zulassung für die Generhaltung angegeben. Die Grundlage der digitalen Datenerfassung bilden die Erhebungsunterlagen des Fachreferates zur Dokumentation der Generhaltungsobjekte.
Die Datenserie beinhaltet alle einzeln erfassten Generhaltungsbestände der Baumarten Aspe, Bergahorn, Bergkiefer, Bergulme, Baumweiden (sonstige), Coloradotanne, Douglasie, Eibe, Eichen (sonstige), Elsbeere, Europäische Lärche, Feldahorn, Feldulme, Fichten (sonstige), Flatterulme, Gemeine Birke, Gemeine Eberesche, Grünerle, Gemeine Esche, Gemeine Fichte, Gemeine Hainbuche, Gemeine Hasel, Gemeine Kiefer, Gemeine Robinie, Gemeine Roßkastanie, Gemeiner Wacholder, Gewöhnliche Traubenkirsche, Hartlaubbaumarten (sonstige), Hemlockstanne, Hybridlärche, Japanische Lärche, Lebensbäume, Moorbirke, Murraykiefer, Nadelbaumarten (sonstige), Nordmannstanne, Omorikafichte, Pappeln, Rotbuche, Roteiche, Roterle, Rumelische Kiefer, Salweide, Schwarzkiefer, Schwarzpappel, Sommerlinde, Spirke, Spitzahorn, Stechfichte, Stieleiche, Scheinzypressen, Tannen (sonstige), Traubeneiche, Vogelkirsche, Weißerle, Weißtanne, Weymouthskiefer, Winterlinde, Weichlaubbaumarten (sonstige), Wildapfel, Wildbirne. Generhaltungsbestände sind ausgewählte Waldgebiete oder Einzelbäume, die für die Erhaltung forstlicher Genressourcen von Bedeutung sind. Zu jedem flächenhaften Bestand oder Einzelobjekt wird die Baumart, die Anzahl der Einzelbäume, das Datum der Datenerhebung und das Jahr der Zulassung für die Generhaltung angegeben. Die Grundlage der digitalen Datenerfassung bilden die Erhebungsunterlagen des Fachreferates zur Dokumentation der Generhaltungsobjekte.
Web Map Service (WMS) zur Karte der Hintergrundwerte von anorganischen Stoffen in Böden in Deutschland. Durch die LABO wurden 2017 für 16 Elemente neue, bundesweite Hintergrundwerte veröffentlicht. Sie beruhen auf Profilinformationen und Messdaten von Königswasserauszügen, die durch die BGR zusammengeführt und homogenisiert wurden. Daten mit hohen Bestimmungsgrenzen wurden nach bestimmten Kriterien von der weiteren Auswertung ausgeschlossen, damit die Bestimmungsgrenzen nicht die Hintergrundwerte beeinflussen. Um die Hintergrundwerte nicht durch Regionen mit hoher Stichprobendichte überproportional beeinflussen zu lassen, wurde in Teilen eine räumliche Ausdünnung durchgeführt. Die Werte mehrerer Horizonte eines Standortes wurden durch tiefengewichtete Mittelwerte zu einem Wert zusammengezogen. Zur Auswertung wurden die vorhandenen Messwerte verschiedenen Gruppen von Bodenausgangsgesteinen zugeordnet. Zudem wurde unterschieden, ob die Proben im Oberboden, im Unterboden oder im Untergrund genommen wurden. Bei den Oberböden wurde bei der Auswertung auch die unterschiedliche Nutzung (Acker, Grünland, Forst) berücksichtigt. Lockergesteine wurden aufgrund ihrer unterschiedlichen Zusammensetzung getrennt nach Nord- und Süddeutschland ausgewertet. Durch die Aufteilung der Daten in Teilkollektive wurden nicht in allen Fällen verlässliche Fallzahlen erreicht, sodass nur Hintergrundwerte mit Fallzahlen ?20 dargestellt werden. Das genaue Vorgehen bei der Ableitung ist dem Bericht der LABO-Bund/Länder-Arbeitsgemeinschaft Bodenschutz (2017): 'Hintergrundwerte für anorganische und organische Stoffe in Böden', 4. überarbeitete und ergänzte Auflage, zu entnehmen.
Durch die LABO wurden 2017 für 16 Elemente neue, bundesweite Hintergrundwerte veröffentlicht. Sie beruhen auf Profilinformationen und Messdaten von Königswasserauszügen, die durch die BGR zusammengeführt und homogenisiert wurden. Daten mit hohen Bestimmungsgrenzen wurden nach bestimmten Kriterien von der weiteren Auswertung ausgeschlossen, damit die Bestimmungsgrenzen nicht die Hintergrundwerte beeinflussen. Um die Hintergrundwerte nicht durch Regionen mit hoher Stichprobendichte überproportional beeinflussen zu lassen, wurde in Teilen eine räumliche Ausdünnung durchgeführt. Die Werte mehrerer Horizonte eines Standortes wurden durch tiefengewichtete Mittelwerte zu einem Wert zusammengezogen. Zur Auswertung wurden die vorhandenen Messwerte verschiedenen Gruppen von Bodenausgangsgesteinen zugeordnet. Zudem wurde unterschieden, ob die Proben im Oberboden, im Unterboden oder im Untergrund genommen wurden. Bei den Oberböden wurde bei der Auswertung auch die unterschiedliche Nutzung (Acker, Grünland, Forst) berücksichtigt. Lockergesteine wurden aufgrund ihrer unterschiedlichen Zusammensetzung getrennt nach Nord- und Süddeutschland ausgewertet. Durch die Aufteilung der Daten in Teilkollektive wurden nicht in allen Fällen verlässliche Fallzahlen erreicht, sodass nur Hintergrundwerte mit Fallzahlen ?20 dargestellt werden. Das genaue Vorgehen bei der Ableitung ist dem Bericht der LABO-Bund/Länder-Arbeitsgemeinschaft Bodenschutz (2017): 'Hintergrundwerte für anorganische und organische Stoffe in Böden', 4. überarbeitete und ergänzte Auflage, zu entnehmen.
Overview: ERA5-Land is a reanalysis dataset providing a consistent view of the evolution of land variables over several decades at an enhanced resolution compared to ERA5. ERA5-Land has been produced by replaying the land component of the ECMWF ERA5 climate reanalysis. Reanalysis combines model data with observations from across the world into a globally complete and consistent dataset using the laws of physics. Reanalysis produces data that goes several decades back in time, providing an accurate description of the climate of the past. Processing steps: The original hourly ERA5-Land air temperature 2 m above ground and dewpoint temperature 2 m data has been spatially enhanced from 0.1 degree to 30 arc seconds (approx. 1000 m) spatial resolution by image fusion with CHELSA data (V1.2) (https://chelsa-climate.org/). For each day we used the corresponding monthly long-term average of CHELSA. The aim was to use the fine spatial detail of CHELSA and at the same time preserve the general regional pattern and fine temporal detail of ERA5-Land. The steps included aggregation and enhancement, specifically: 1. spatially aggregate CHELSA to the resolution of ERA5-Land 2. calculate difference of ERA5-Land - aggregated CHELSA 3. interpolate differences with a Gaussian filter to 30 arc seconds. 4. add the interpolated differences to CHELSA Subsequently, the temperature time series have been aggregated on a daily basis. From these, daily relative humidity has been calculated for the time period 01/2000 - 07/2021. Relative humidity (rh2m) has been calculated from air temperature 2 m above ground (Ta) and dewpoint temperature 2 m above ground (Td) using the formula for saturated water pressure from Wright (1997): maximum water pressure = 611.21 * exp(17.502 * Ta / (240.97 + Ta)) actual water pressure = 611.21 * exp(17.502 * Td / (240.97 + Td)) relative humidity = actual water pressure / maximum water pressure The resulting relative humidity has been aggregated to decadal averages. Each month is divided into three decades: the first decade of a month covers days 1-10, the second decade covers days 11-20, and the third decade covers days 21-last day of the month. Resultant values have been converted to represent percent * 10, thus covering a theoretical range of [0, 1000]. The data have been reprojected to EU LAEA. File naming scheme (YYYY = year; MM = month; dD = number of decade): ERA5_land_rh2m_avg_decadal_YYYY_MM_dD.tif Projection + EPSG code: EU LAEA (EPSG: 3035) Spatial extent: north: 6874000 south: -485000 west: 869000 east: 8712000 Spatial resolution: 1000 m Temporal resolution: Decadal Pixel values: Percent * 10 (scaled to Integer; example: value 738 = 73.8 %) Software used: GDAL 3.2.2 and GRASS GIS 8.0.0 Original ERA5-Land dataset license: https://apps.ecmwf.int/datasets/licences/copernicus/ CHELSA climatologies (V1.2): Data used: Karger D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E, Linder, H.P., Kessler, M. (2018): Data from: Climatologies at high resolution for the earth's land surface areas. Dryad digital repository. http://dx.doi.org/doi:10.5061/dryad.kd1d4 Original peer-reviewed publication: Karger, D.N., Conrad, O., Böhner, J., Kawohl, T., Kreft, H., Soria-Auza, R.W., Zimmermann, N.E., Linder, P., Kessler, M. (2017): Climatologies at high resolution for the Earth land surface areas. Scientific Data. 4 170122. https://doi.org/10.1038/sdata.2017.122 Processed by: mundialis GmbH & Co. KG, Germany (https://www.mundialis.de/) Reference: Wright, J.M. (1997): Federal meteorological handbook no. 3 (FCM-H3-1997). Office of Federal Coordinator for Meteorological Services and Supporting Research. Washington, DC Acknowledgements: This study was partially funded by EU grant 874850 MOOD. The contents of this publication are the sole responsibility of the authors and don't necessarily reflect the views of the European Commission.
| Organisation | Count |
|---|---|
| Bund | 60 |
| Europa | 1 |
| Land | 31 |
| Weitere | 15 |
| Wissenschaft | 8 |
| Zivilgesellschaft | 2 |
| Type | Count |
|---|---|
| Chemische Verbindung | 3 |
| Ereignis | 2 |
| Förderprogramm | 21 |
| Gesetzestext | 3 |
| Taxon | 8 |
| Text | 17 |
| unbekannt | 30 |
| License | Count |
|---|---|
| Geschlossen | 33 |
| Offen | 25 |
| Unbekannt | 23 |
| Language | Count |
|---|---|
| Deutsch | 68 |
| Englisch | 17 |
| Resource type | Count |
|---|---|
| Archiv | 4 |
| Bild | 4 |
| Datei | 9 |
| Dokument | 20 |
| Keine | 35 |
| Unbekannt | 1 |
| Webdienst | 2 |
| Webseite | 36 |
| Topic | Count |
|---|---|
| Boden | 51 |
| Lebewesen und Lebensräume | 79 |
| Luft | 31 |
| Mensch und Umwelt | 77 |
| Wasser | 32 |
| Weitere | 70 |