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.
Es wurden die Verbesserungsmoeglichkeiten von Salzboeden im Iran mittels organischer Duengung und Auswaschung sowie die Moeglichkeiten des Futterpflanzenanbaus untersucht.
Bei verschiedenen Kulturpflanzen (Reis, Bohnen, Weizen, Teff, Mais, Futterpflanzen) werden Naehrstoffaufnahme und Ertragsbildung in Abhaengigkeit von der Duengung und des Bodens auf tropischen Standorten (Kolumbien, Aethiopien, Iran, Nigeria) untersucht.
Das Wattengebiet Khowr-e Mussa (Nordküste des Persischen Golfes) ist Untersuchungsgegenstand vergleichender Wattforschung. Vor dem Hintergrund der Ökosystemforschung Wattenmeer wird ein exotisches Wattenmeer charakterisiert, vor allem im Hinblick auf den voll vorhandenen landwärtigen Teil (der in Deutschland durch Deiche abgeschnitten ist).
Fauna of South Iranian shore lines and the Persian Gulf in general is hardly investigated at all, and only few studies document the occurrence of marine Heterobranchia, many of them generally known as sea slugs. We investigate biodiversity of these slugs analysing molecular data, as well as anatomical data by using Histology, Micro-Computer Tomography and Scanning Electron microscopy.
Untersuchung der Flora und Vegetation unter Salzeinfluss (natuerlich und/oder anthropogen). Oekologische Adaption, Ionenverhaeltnisse, Ionenmuster, Halophytentypen; Vegetationstypen, Verjuengung und Konkurrenzverhaeltnisse, oekologische Bedeutung der Blasenhaare bei Atriplex.
Verbundforschungsprojekt zur Aufklaerung der Zusammenhaenge zwischen carcinogenen Faktoren in der Nahrung und der bekannten hohen Speiseroehrenkrebsrate im Schwerpunktgebiet.
Ziel des Teilprojekts P2 ist es, zur Entwicklung eines flexiblen Ansatzes zur Kalibrierung und Datenassimilierung (C/DA) für das globale hydrologische Modell WaterGAP beizutragen, der es ermöglicht, dass WaterGAP Wasserflüsse und -speicherung dadurch realitätsnäher simulieren kann, dass multiple Beobachtungsdaten für Modellausgabevariablen bestmöglich genutzt werden. P2 wird zum Design und zur Evaluierung des C/DA-Ansatzes beitragen, Modellvarianten zur Verfügung stellen, C/DA-Ergebnisse validieren und die Unsicherheiten der Modellergebnisse evaluieren. Zusätzliches Ziel ist es, die Simulation hydrologischer Prozesse durch neue WaterGAP-Modellkomponenten zu verbessern, mit Fokus auf die Entwicklung und Integration eines globalen gradienten-basierten Grundwassermodells, das die Simulation der Grundwasser-Oberflächenwasser-Interaktionen verbessern und die Quantifizierung des kapillaren Aufstiegs ermöglichen soll. Daneben sollen ein Algorithmus für die Überflutung von Feuchtgebieten sowie Gletscherwasserbilanzen integriert werden. Bezüglich der Analyse von Wasserflüssen und -speicherung in großen kritischen Regionen wird P2 die Studie zur Region Tigris-Euphrates-Western Iran leiten.
Die Intensität, Häufigkeit und Dauer von Dürren hat während der letzten Jahrzehnte vor allem in Trockengebieten zugenommen, wie beispielsweise im Mittleren Osten. Dies gefährdet die Produktivität und die Nachhaltigkeit von regionalen Waldökosystemen. Das beantragte Projekt untersucht Dürrereaktionen einheimischer Persischer Eichen (Quercus brantii) entlang von Höhen- und Feuchtegradienten im Zagrosgebirge (West-Iran) anhand wachstumsbasierter Resilienzindizes. Multiple intra-annuelle Jahrringparameter von Q. brantii inklusive Frühholzbreite, Spätholzbreite, Frühholz- und Spätholz-Basalflächenwachstum, stabile Kohlenstoffisotope sowie quantitative holzanatomische Parameter im Frühholz- und Spätholz werden berücksichtigt. Die Klimakorrelationen aller Jahrringvariablen und die physiologischen Reaktionen dieser ikonischen Baumart werden über die gemeinsame Periode der letzten 70 Jahre (1953-2022) analysiert, um die wichtigsten Klima- und Umweltfaktoren zu identifizieren, die als Ursachen des großräumigen Eichensterbens in diesem Klimawandel-Hotspot verantwortlich sind. Da die Region über den Jahreslauf unter der Kontrolle zweier unterschiedlicher Zirkulationsmuster ist und das Arbeitsgebiet somit im Sommer und Winter von unterschiedlichen Telekonnektionsmustern beeinflusst wird, bietet die Analyse multipler Jahrringparameter in intra-annueller Auflösung präzisere Informationen über Veränderungen der ökologischen Reaktion der Persischen Eiche auf veränderte saisonale Klimabedingungen. Innerhalb des Projektes sollen, Resistenz, Resilienz und Erholungs-Indizes der untersuchten Baumart entlang von Höhen- und Feuchtegradienten ermittelt werden, um die wichtigsten saisonalen Klimaantriebe, welche für die Verschlechterung der Baumvitalität verantwortlich sein können, zu identifizieren. Diese Ergebnisse sollen regionale Akteure in die Lage versetzen, wissenschaftsbasierte Pläne zum Schutz und zur nachhaltigen Bewirtschaftung der unter Dürrestress leidenden Zagroseichen-Offenwälder zu entwickeln. Die Analyse intra-annueller jahrringökologischer Reaktionen der Eichenart auf extreme Trockenereignisse ist ein wichtiger Beitrag für ökophysiologische Studien an Baumarten im östlichen Mediterranraum und kann zu einem besseren Verständnis mechanistischer Prozesse führen, die der in globalem Maßstab beobachteten Baummortalität zugrunde liegen.
Wir wollen die Rolle von Hyperthermie im Massenaussterben an der Perm/Trias-Grenze, der größten biotischen Krise in der Erdgeschichte, verstehen. Trotz ihrer erheblichen Bedeutung für die Evolution des Lebens werden die auslösenden Mechanismen für diese Krise noch immer sehr kontrovers diskutiert. Dieses Massenaussterben ist das gravierendste vergangene Beispiel einer durch Klimaveränderungen, besonders durch globale Erwärmung, ausgelöste Krise. Sie kann daher als ein Analogon für die Reaktion der Biodiversität auf die zukünftige anthropogene Klimaänderung angesehen werden. Wir schlagen hier ein Forschungsprojekt vor, in welchem die Konsequenzen von Stress durch Erwärmung während des end-Permischen Massenaussterbens und der Erholung in der frühen Trias untersucht wird. Wir wählen die Ostracoden als Modell-Organismen für simultane Untersuchungen ihrer Evolutionsgeschichte und ihrer Reaktion auf Klimaveränderungen (besonders hinsichtlich der Erwärmung am Perm/Trias-Grenzintervall). Die zu untersuchenden Aufschlüsse liegen im Nordwest-Iran (Region von Julfa), Zentraliran (Region von Abadeh) und dem Zagros-Gebirge (Region von Esfahan); diese Regionen repräsentieren Tiefschelf- bis Flachwasser-Habitate. Unsere Studie wird die Untersuchung von Isotopengeochemie (Analysen von delta13C und delta18O) unter Anwendung der SIMS-Technologie von Ostracodenschalen beinhalten. Außerdem werden die Ostracoden-Vergesellschaftungen hinsichtlich ihrer taxonomischen Diversität, morphologischen Disparität, Grad des Endemismus, Veränderungen in der Größe der Individuen usw. untersucht.
| Organisation | Count |
|---|---|
| Bund | 136 |
| Europa | 1 |
| Land | 11 |
| Weitere | 11 |
| Wissenschaft | 45 |
| Zivilgesellschaft | 3 |
| Type | Count |
|---|---|
| Ereignis | 4 |
| Förderprogramm | 110 |
| Taxon | 4 |
| Text | 18 |
| Umweltprüfung | 3 |
| unbekannt | 19 |
| License | Count |
|---|---|
| Geschlossen | 33 |
| Offen | 117 |
| Unbekannt | 8 |
| Language | Count |
|---|---|
| Deutsch | 142 |
| Englisch | 36 |
| Resource type | Count |
|---|---|
| Archiv | 9 |
| Bild | 2 |
| Datei | 11 |
| Dokument | 23 |
| Keine | 90 |
| Unbekannt | 1 |
| Webdienst | 3 |
| Webseite | 46 |
| Topic | Count |
|---|---|
| Boden | 111 |
| Lebewesen und Lebensräume | 155 |
| Luft | 69 |
| Mensch und Umwelt | 156 |
| Wasser | 102 |
| Weitere | 149 |