Niedrige Wolken sind Schlüsselbestandteile vieler Klimazonen, aber in numerischen Modellen oft nicht gut dargestellt und schwer zu beobachten. Kürzlich wurde gezeigt, dass sich während der Haupttrockensaison im Juni und September im westlichen Zentralafrika eine ausgedehnte niedrige Wolkenbedeckung (engl. „low cloud cover“, LCC) entwickelt. Eine derart wolkige Haupttrockenzeit ist in den feuchten Tropen einzigartig und erklärt wahrscheinlich die dichtesten immergrünen Wälder in der Region. Da paläoklimatische Studien auf eine Instabilität hinweisen, kann jede Verringerung des LCC aufgrund des Klimawandels einen Kipppunkt für die Waldbedeckung darstellen. Daher besteht ein dringender Bedarf, das Auftreten, die Variabilität und die bioklimatischen Auswirkungen des LCC in westlichen Zentralafrika besser zu verstehen.Um diese Ziele zu erreichen, wurde ein Konsortium aus französischen, deutschen und gabunischen Partnern aufgebaut, zu dem Meteorologen, Klimatologen und Experten für Fernerkundung und Waldökologie gehören. Die meteorologischen Prozesse, welche die Bildung und Auflösung der LCC im Tagesgang steuern, werden anhand von zwei Ozean-Land-Transekten auf der Grundlage einer synergistischen Analyse von historischen In-situ Beobachtungen, von Daten einer Feldkampagne und anhand von atmosphärischen Modellsimulationen untersucht. Die Ergebnisse werden mit einem kürzlich entwickelten konzeptionellen Modell für LCC im südlichen Westafrika verglichen.Die intrasaisonale bis interannuale Variabilität des LCC wird durch die Analyse von In-Situ-Langzeitdaten und Satellitenschätzungen quantifiziert. Unterschiede im Jahresgang des LCC (d.h. jahreszeitlicher Beginn und Rückzug, wolkenarme Tage) und die Ausdehnung ins Inland werden dokumentiert. Ansätze, die auf Wettertypen und äquatorialen Wellen basieren, werden verwendet, um intrasaisonale Variationen des LCC zu verstehen. Die Auswirkungen lokaler und regionaler Meeresoberflächentemperaturen auf die LCC-Entwicklung und ihre Jahr-zu-Jahr Variabilität werden bewertet, wobei statistische Analysen und spezielle Sensitivitätsversuche mit einem regionalen Klimamodell verknüpft werden.Schließlich wird der Einfluss von LCC auf die Licht- und Wasserverfügbarkeit bzw. die Waldfunktion anhand von In-Situ-Messungen untersucht. Die Ergebnisse werden mit Messungen aus der nördlichen Republik Kongo, wo die Trockenzeit sonnig ist, sowie mit einem einfachen Wasserhaushaltsmodells, das an die Region angepasst ist, verglichen. Die Wasserhaushaltsanalysen sollen die Kompensations- oder Verstärkungseffekte von Regen im Vergleich zur potenziellen Evapotranspiration, beide moduliert durch die LCC, auf das Wasserdefizit aufzeigen.Die Ergebnisse von DYVALOCCA werden zum ersten konzeptionellen Modell für Wolkenbildung und -auflösung im westlichen Zentralafrika führen und eine Hilfestellung für die Bewertung von Klimawandel-Simulationen mit Blick auf potentielle Kipppunkte für die immergrünen Regenwälder in der Region geben.
Der Strahlungsantrieb durch anthropogene Aerosole aufgrund von Aerosol-Wolken-Wechselwirkungen ist die Hauptunsicherheit bezüglich des Antriebs des Klimawandels. Für Flüssigwasserwolken, die den Strahlungsantrieb im solaren (kurzwelligen) Spektrum dominieren, konnten mittlerweile einige Fortschritte in der Quantifizierung erzielt werden. Im Gegensatz dazu gibt es für den Strahlungsantrieb im langwelligen (terrestrischen) Spektralbereich nur sehr grobe Abschätzungen von Klimamodellen. In Vorarbeiten haben wir einen Vorschlag entwickelt, wir aktive Fernerkundung zur Charakterisierung von Eiskristallkonzentrationen und Aerosol benutzt werden könnte, um eine beobachtungsbasierte Abschätzung des Strahlungsantriebs durch Aerosol-Wolken-Wechselwirkungen im langwelligen Spektrum zu ermöglichen. Allerdings sind die Satellitendaten höchst unsicher und benötigen eine Validierung mit Referenzdaten. In FLASH wird vorgeschlagen, (i) die Satelliten-abgeleitete Eiskristallkonzentration sowie ihre Sensitivität bezüglich Temperatur, Vertikalwind und Aerosolbedingungen mit den neuen In-situ-Daten von HALO zu validieren bzw. evaluieren, (ii) die Ableitung der Eiskristallkonzentration vom Satelliten mit der von Lidar und Radar an Bord von HALO zu verifizieren, (iii) Klimamodelle zu evaluieren und zur Interpretation der statistischen Relationen zu benutzen, und (iv) schließlich eine Abschätzung des Strahlungsantriebs durch Aerosol-Wolken-Wechselwirkungen und seines Unsicherheitsbereichs zu erarbeiten. Die Rolle von FLASH im SPP 1294 ist es, die vorhandenen Daten auszuwerten und mit den Daten geplanter Kampagnen in integrierender Weise zu arbeiten mit dem Ziel, eine bessere Abschätzung des Aerosol-Wolken-Strahlungsantriebs zu erreichen, neue innovative Satellitendaten zu validieren, und die relevanten Parametrisierungen in Klimamodellen zu evaluieren und zu verbessern.
The dataset is about temporal variability of dissolved methane along the freshwater-sea continuum in northern Germany. Sensors were installed at fixed stations at in total three sites at different water depths. This dataset is from the station in Heligoland (54.1833 N, 7.8667 E) at about 9-12m depth (depending on the tide). The data was obtained between 27 April and 28 October in high frequency measurements (1 min) with a methane sensor from Kongsberg (4H Jena model CONTROS HydroC CH4,). Methane concentrations were calculated according to manufacturer's instructions, based on temperature and salinity values from UW-node Heligoland (Fischer, Philipp; Happel, Lea; Brand, Markus; Eickelmann, Laura; Lienkämper, Miriam; Bussmann, Ingeborg; Anselm, Norbert; Brix, Holger (2022): Hydrographical time series data of Helgoland, Southern North Sea, 2021. PANGAEA, https://doi.org/10.1594/PANGAEA.950173). A gap in the salinity data was replaced with the median value of the observed time span (31.66). For the quality control of the data a local range of 0.1 – 1000 nmol/L was set, a technical range for the pump power 2 – 8. Watt, a spike and gradient value of 1. For a more detailed description see the article cited in References.
The dataset is about temporal variability of dissolved methane along the freshwater-sea continuum in northern Germany. Sensors were installed at fixed stations at in total three sites at different water depths. This dataset is from the station in Cuxhaven (53.8771 N, 8.7048 E) taken at about 2-7m depth (depending on the tide). The data was obtained between 11 April and 28 August 2021 in high frequency measurements (1 min) with a methane sensor from Kongsberg (4H Jena model CONTROS HydroC CH4). Methane concentrations were calculated according to manufacturer's instructions, based on temperature and salinity values from COSYNA Container Cuxhaven. For the quality control of the data a local range of 0.1 – 1000 nmol/L was set, a technical range for the pump power 2 – 8 Watt, a spike and gradient value of 1. Due to heavy biofouling the external pump of the sensor failed, resulting in data gaps. For a more detailed description see the article cited in References.
Underway bio-optical sensor measurements of chlorophyll a and turbidity were acquired along the cruise track of RV MARIA S. MERIAN cruise MSM97/2. Measurements were collected with two autonomous measurement systems (RSWS), which are located at 6.5 m below the sea surface. Usually, the RWS-System with measuring container 1 and 2 (MC1 and MC2) interchanged after 6 hours. Only en route data was collected and quality controlled. No data from stationary measurements (in situ) were included. Quality Control specifically for biogeochemical measurements had been applied. For details to all processing steps see Data Processing Report.
Ground reference data are a prerequisite for the calibration, update and validation of land data assimilation systems facilitating large-scale crop monitoring based on Earth Observation data. Here, we provide a comprehensive database which was elaborated to test and validate the recently developed Earth Observation Land Data Assimilation System (EO-LDAS). In situ data was collected for seven crop types cultivated on the agricultural Gebesee test site (central Germany) in 2013 and 2014, i.e., winter barley, winter wheat, spring wheat, durum, winter rape, potato and sugar beet. The database contains information on the evolution of biophysical and biochemical plant parameters, phenology, leaf structure, soil moisture, atmospheric states and illumination conditions. In addition, surface reflectance was recorded with a field spectrometer. Data was collected with an approximately weekly resolution throughout the growing season. In addition, it was attempted to schedule days of field work according to the acquisition plans of RapidEye, SPOT5, Landsat 7 and 8, and on days with a high probability of low cloud coverage. Data was collected on up to three elementary sampling units (ESUs) per acreage. ESUs represent squares with a diagonal length of 24 m and consist of five secondary sampling points (SSPs). This experimental design permits an assessment of spatio-temporal variations of the investigated parameters. Coordinates of survey sites, nearby ground control points (GCPs) and check points (CPs) were recorded with a differential Global Navigation Satellite System (dGNSS) which supports accurate geo-referencing of satellite images. The experimental design of the field campaigns, methods employed in the determination of all parameters, and meteorological conditions in the measurement period are described in detail in Truckenbrodt & Schmullius, 2017.
The dataset contains temperature, salinity, oxygen saturation, chlorophyll a and turbidity data from the Helgoland MarGate underwater observatory from the year 2019 in a temporal resolution of 1 hour. The cabled observatory is located in 10m water depth and comprises single or multiple sensors for a specific parameter (see https://www.awi.de/en/science/biosciences/shelf-sea-system-ecology/main-research-focus/cosyna/underwater-node-helgoland.html). For a detailed description of the data see associated metadatafile "metadata_heluwobs_2019_hydrography.pdf"
The dataset contains temperature, salinity, oxygen saturation, chlorophyll a and turbidity data from the Helgoland MarGate underwater observatory from the year 2020 in a temporal resolution of 1 hour. The cabled observatory is located in 10m water depth and comprises single or multiple sensors for a specific parameter (see https://www.awi.de/en/science/biosciences/shelf-sea-system-ecology/main-research-focus/cosyna/underwater-node-helgoland.html). For a detailed description of the data see associated metadatafile "Metadata_description_heluwobs_data_2020.pdf"
As part of the MOSES Project, in April 2023 methane measurements were started in the north-western part of the island Heligoland in the German Bight (North Sea). The objective was to complement the measurements of the Sternfahrten to identify the carbon cycle and its flow from the start of the Elbe river into the North Sea. Therefore, a Contros methane sensor for dissolved methane was deployed under water at about 10 to 12 meter depth (depending on the tide) close to the underwater observatory (UW-OBS) MarGate (54°11' N, 7°52' E), from the COSYNA Project. To ensure correct values latter was cleaned frequently from growing organisms by scientific divers. The present data contains the data from 2024, the second year running the sensors. Based on the concentrations of dissolved methane the methane emissions (diffusive flux) was calculated.
Niederschlag ist eine wichtige, aber schlecht verstandene Komponente unseres Klimasystems. Die genauen Prozesse, durch die Eiskristalle, flüssiges Wasser, Wolkendynamik und Aerosolpartikel bei der Niederschlagsbildung zusammenwirken, sind nicht ausreichend verstanden. Da überall außer über den subtropischen Ozeanen der meiste Niederschlag in Wolken über die Eisphase gebildet wird, sind die Prozesse der Schneefallbildung nicht nur in den polaren, sondern auch in den mittleren Breiten von großer Bedeutung: Wachstum in übersättigter Luft führt zu unzähligen Kristallformen, die von Temperatur, Feuchtigkeit und deren turbulenten Schwankungen abhängen. Durch Aggregation verbinden sich einzelne Kristalle zu komplexen Schneeflocken. Bereifung beschreibt das Anfrieren kleiner Tröpfchen an den Eiskristallen, so dass diese schnell an Masse gewinnen. Dadurch ist die Form der Schneeteilchen - wenn sie beobachtet wird, bevor das Teilchen zu einem Regentropfen schmilzt - ein Fingerabdruck der vorherrschenden Prozesse während der Schneefallbildung. In EMPOS schlagen wir vor, diese Fingerabdrücke zu nutzen, um zu quantifizieren, wie die verschiedenen Prozesse der Schneefallbildung zu Masse oder Häufigkeit des Gesamtniederschlag beitragen. Zu diesem Zweck werden wir die Datenprodukte des innovativen Video In Situ Snowfall Sensors (VISSS) weiterentwickeln, um Riming und Aggregation während einer speziellen Messkampagne in Hyytiälä, Finnland, zu quantifizieren. Die Beobachtungen werden mit dem ICON-Modell verglichen, in welches das fortschrittliche P3 Mikrophysikschema (Predicted Particle Properties) mit einem neuartigen Ansatz zur Behandlung von bereiften Partikeln implementiert ist. Durch dieses kombinierte Beobachtungs- und Modellierungsprojekt wird es möglich zu quantifizieren, wie die einzelnen Wolkenprozesse an der Schneefallbildung beteiligt sind, und zwar in Bezug auf die Häufigkeit des Auftretens und die Gesamtschneemasse. Darüber hinaus werden wir diese Wolkenprozesse in Abhängigkeit von makrophysikalischen Wolkeneigenschaften wie Wolkentiefe und synoptischen Einflüssen analysieren. Auf der Grundlage von Vergleichen zwischen Modell und Beobachtungen, die sowohl mittels Fallstudien als auch für einen längeren Zeitraum durchgeführt werden, werden wir die Schneefallsimulation in ICON im Standard-Zweimomentenschema und im P3-Mikrophysikschema bewerten und verbessern.
| Organisation | Count |
|---|---|
| Bund | 100 |
| Europa | 10 |
| Global | 3 |
| Land | 4 |
| Schutzgebiete | 1 |
| Wirtschaft | 2 |
| Wissenschaft | 84 |
| Type | Count |
|---|---|
| Daten und Messstellen | 30 |
| Förderprogramm | 87 |
| Text | 10 |
| unbekannt | 23 |
| License | Count |
|---|---|
| Geschlossen | 11 |
| Offen | 128 |
| Unbekannt | 11 |
| Language | Count |
|---|---|
| Deutsch | 61 |
| Englisch | 101 |
| Resource type | Count |
|---|---|
| Archiv | 4 |
| Datei | 30 |
| Dokument | 1 |
| Keine | 76 |
| Webseite | 43 |
| Topic | Count |
|---|---|
| Boden | 130 |
| Lebewesen und Lebensräume | 128 |
| Luft | 99 |
| Mensch und Umwelt | 150 |
| Wasser | 124 |
| Weitere | 150 |