API src

Found 1778 results.

Related terms

Entwicklung der Fehlerschätzungsmethode für Datenassimilation für allgemeine Ozean-Zirkulationsmodelle

Die 4D-Var Datenassimilation (4D-var DA) ist eine spezielle Methode, die zur Initialisierung von Klima- und Wettervorsagen durch die Schätzung von Klimamodellparametern benutzt wird, in dem Modelle an beobachtende Daten angepasst werden. Aus verschiedenen Gründen führen DA unvermeidliche methodische Fehler ein, die sich auf die Genauigkeit der Modellvorhersagen auswirken. Aktuelle Methoden zur Fehlerkorrektur brauchen erhebliche Computerressourcen. Dies ist ein Grund, warum die Verwendung dieser Methoden in der Klimamodellierung begrenzt ist und sie nur in vereinfachten Versionen angewandt werden. Die Entwicklung einer konzeptuell neuartigen, robusten und effizienten, nichtlinear-variationellen Fehlerschätzungsmethode (NOVFEM) ist Ziel dieses Projekts. Diese Methode wird Fehler von DA Methoden schätzen und die notwendigen Korrekturen bestimmen. Im Besonderen ist es geplant, VOVFEM im Rahmen einer Anwendung in Klimavorhersagesystemen zu entwickeln. Der Vorteil der vorgeschlagenen Methode ist, dass der Algorithmus auf einer abstrakten mathematischen Formulierung basiert und deshalb in vielen geophysikalischen Bereichen angewandt werden kann. Eine weitere Innovation dieses Projekts ist die Entwicklung einer Methode zur schnellen und einfachen Berechnung von inversen Kovarianzmatrizen, die z. B. Anwendung in DA finden. Die vorgeschlagenen Methode ist im Vergleich mit existieren Methoden effizienter. Es wird erwartet, dass die theoretischen Ergebnisse dieses Projekt national und international veröffentlicht werden und ein freier Zugang zur NOVFEM Software wird bereitgestellt werden.

Arctic PASSION - High Resolution Synthetic Aperture Radar based Risk Index Outcome (AP-RIO)

The Risk Index Outcome (RIO) is a critical component of the Polar Operational Limit Assessment Risk Indexing System (POLARIS) developed by the International Maritime Organization (IMO, 2016). RIO evaluates the operational risks for ships navigating in ice-infested waters by evaluating ice conditions and offers a quantifiable measure of risk that aids in decision-making for safe navigation in polar regions based on ship ice class, sea ice type/stage of development (SOD) and sea ice concentration (SIC). The DMI-led Automated Sea Ice Products (DMI-ASIP; Wulf et al., 2024, dataset) provides daily maps of SOD and SIC based on Sentinel-1 SAR imagery, AMSR-2 Passive Microwave and Ice Charts from the Greenland and Canadian Ice Services, combined with novel AI retrieval and processing techniques. In the framework of EU funded Arctic PASSION project, we produced 10 years of satellite observation based weekly RIO maps referred as the Arctic PASSION-RIO (AP-RIO) by leveraging DMI-ASIP datasets. The AP-RIO dataset will provide weekly risk assessment maps for the given ship classes and will support the establishment of a 10 year climatology thereby enabling the assessment of RIO variability in the years covered by the input DMI-ASIP products. The AP-RIO dataset will enhance the safety and efficiency of maritime operations in the polar seas, providing a robust reference for evaluating normal and extreme ice conditions. AP-RIO is produced in the framework of the Arctic PASSION project (European Union's Horizon 2020 research and innovation program under grant agreement No. 101003472) and supported by the DMI-ASIP development team. Algorithm and Processing Scheme: SIC and SOD from ASIP are processed (by taking the mean and mode respectively) into a weekly field based on the daily files for that week. This is done for the time period of 3 Oct. 2014 - 3 Oct. 2024. The weekly SOD is used to find the Risk Value (RV) by looking at the lookup table (Dybkjær et al. 2025a). Risk Index Outcome (RIO) values are computed for each pixel in the field based on the RIO formula (RIO = SIC x RV) using the SIC from ASIP and the found RV. The meaning of the computed RIO values can be interpreted using the table in (Dybkjær et al. 2025b). The RIO field is finally saved to weekly NetCDF files.

Umweltprobenbank des Bundes (German Environmental Specimen Bank)

Die Umweltprobenbank des Bundes (UPB) mit ihren Bereichen Bank für Umweltproben und Bank für Humanproben ist eine Daueraufgabe des Bundes unter der Gesamtverantwortung des Bundesumweltministeriums sowie der administrativen und fachlichen Koordinierung des Umweltbundesamtes. Es werden für die Bank für Umweltproben regelmäßig Tier- und Pflanzenproben aus repräsentativen Ökosystemen (marin, limnisch und terrestrisch) Deutschlands und darüber hinaus für die Bank für Humanproben im Rahmen einer Echtzeitanalyse Blut-, Urin-, Speichel- und Haarproben studentischer Kollektive gewonnen. Vor ihrer Einlagerung werden die Proben auf eine Vielzahl an umweltrelevanten Stoffen und Verbindungen (z.B. Schwermetalle, CKW und PAH) analysiert. Der eigentliche Wert der Umweltprobenbank besteht jedoch in der Archivierung der Proben. Sie werden chemisch veränderungsfrei (über Flüssigstickstoff) gelagert und somit können auch rückblickend Stoffe untersucht werden, die zum Zeitpunkt ihrer Einwirkung noch nicht bekannt oder analysierbar waren oder für nicht bedeutsam gehalten wurden. Alle im Betrieb der Umweltprobenbank anfallenden Daten und Informationen werden mit einem Datenbankmanagementsystem verwaltet und aufbereitet. Hierbei handelt es sich insbesondere um die biometrischen und analytischen Daten, das Schlüsselsystem der UPB, die Probenahmepläne, die Standardarbeitsanweisungen (SOP) zu Probenahme, Transport, Aufbereitung, Lagerung und Analytik und die Lagerbestandsdaten. Mit einem Geo-Informationssystem werden die Karten der Probenahmegebiete erstellt, mit denen perspektivisch eine Verknüpfung der analytischen Ergebnisse mit den biometrischen Daten sowie weiteren geoökologischen Daten (z.B. Daten der Flächennutzung, der Bodenökologie, der Klimatologie) erfolgen soll. Ausführliche Informationen und eine umfassende Datenrecherche sind unter www.umweltprobenbank.de abrufbar.

Monthly mean snow depth: grid data

Grids of monthly mean snow depth derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly mean snow depth: maps

Maps of monthly mean snow depth derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly number of snowdays: maps

Maps of monthly number of snowdays derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly maximum snow depth: maps

Maps of monthly maximum snow depth derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly maximum snow depth: grid data

Grids of monthly maximum snow depth derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly number of snowdays: grid data

Grids of monthly number of snowdays derived from SYNOP observations on a 0.1x0.1 degree grid, provided by WMO RA VI Regional Climate Centre (RCC) on Climate Monitoring WMO-RA6-RCC-CM

Monthly means of cloud fractional cover

Maps of mean monthly mean values of cloud fractional cover derived from satellite and in-situ observations ('satellite weather') on a 0.25x0.25 degree grid (near realtime product), provided by WMO Regional Climate Centre (RCC) on Climate Monitoring

1 2 3 4 5 … 176 177 178