Aufgrund ihrer Symbiosenatur stellen die Flechtenlager die empfindlichsten Zeigerpflanzen (Bioindikatoren) des Festlandes dar. Nicht zuletzt deshalb wurde in den letzten Jahrzehnten vielerorts damit begonnen, die gross- und kleinraeumige Flechtenverteilung in Form von Punktrasterkarten zu erfassen, wobei Nordrhein-Westfalen weit hinter anderen Bundeslaendern wie Baden-Wuerttemberg, Bayern oder dem Saarland zuruecksteht. Nach aelteren Florenlisten sind aus NRW knapp 1000 Flechtensippen bekannt; 19 davon muessen als ausgestorben bzw verschollen, ueber 100 als mehr oder minder bedroht gelten. Die Auswertung der Punktrasterkarten verspricht grundlegende Aufschluesse ueber Sippengefaehrdung und Schadstoffbelastung im Zusammenhang mit Landschaftsgestaltung und Naturschutz im Bezugsgebiet. Inzwischen konnte derjenige Teilbereich, welcher die Laub- und Strauchflechten der Eifel betrifft, abgeschlossen werden. Hierbei wurden auch die suedlichen, politisch zu Rheinland-Pfalz gehoerenden Gebiete dieses Mittelgebirges beruecksichtigt.
- Alle Informationen über Deutschlands Fortschritt bei der Erfüllung des Global Biodiversity Framework Target 3, auch 30 x 30 Target genannt, insbesondere wie hoch der Anteil der terrestrischen Fläche unter Schutz spezifisch zur Erfüllung von GBF Target 3 ist. Begründung: Es liegen uneindeutige öffentlich einsehbare Informationen vor. Im REPORTNET3 Datensatz zum Reporting von "Protected Area Pledges" (EEA; Eionet. Link: https://cdr.eionet.europa.eu/help/pledge) liegt der Flächenanteil bei rund 16 - 17%. Auf den Websiten des BISE (https://biodiversity.europa.eu/countries/germany) und Protected Planet (https://www.protectedplanet.net/country/DEU) werden alle Category V Gebiete (Landschaftsschutzgebiete) mitgezählt und suggerieren, dass Deutschland das Ziel bereits weit übertrifft. - Warum liegen hier unterschiedliche Daten zu Grunde und welcher Anteil stimmt? - Können Landschaftsschutzgebiete ihrer Gesetzgebung nach mit dem vornehmlichen Schutzzweck des Landschaftscharakters überhaupt vollumfänglich zur Erfüllung des Target 3 hinzugerechnet werden oder bedarf es hier einer fallbasierten Einzelprüfung? Ich bedanke mich für Ihre Mühe!
Dieses Projekt untersucht, wie Luo-Migranten aus Westkenia den Maßstab ihres Handelns durch ergebnisoffenes Umherstreifen und zielorientiertes Infrastrukturieren im Rift Valley neu definieren, um an gross-skalige Intensivierungsprojekte Anschluss zu finden. Um zu erforschen, wie Luo-Migranten zwischen Zonen der Intensivierung, der Konservierung und des Zerfalls ihre Zukunft ausbilden und gestalten, liegt der Fokus der Forschung auf a) Lohnarbeit in multinationalen Firmen, b) agrikultureller Nutzbarmachung angemieteter Landflächen und c) Fischfang und Tourismus im Rift Valley.
Im Rahmen der Nationalen Strategie zur Biologischen Vielfalt (NBS) möchte die Bundesregierung dauerhaft eine natürliche Waldentwicklung (NWE) auf 5 % der Waldfläche Deutschlands und 10 % der öffentlichen Wälder sichern. Darüber hinaus soll sich die Natur auf mindestens 2 % der Landfläche Deutschlands wieder nach ihren eigenen Gesetzmäßigkeiten als Wildnisgebiete entwickeln. Der Dienst dokumentiert für den Landeswald Brandenburgs den aktuellen Ausweisungsstand der NWE- und Wildnisflächen.
The BPI (Biodiversity Pressure Index) is a global dataset on annual human pressure exerted on biodiversity between 1990-2020 at 0.1° (~ 10 km at the equator) spatial resolution. It shows the potential human pressure on a scale from 0-1 on a per pixel basis for terrestrial land areas. It is based on data products derived from observations, modelling and national statistics and integrates multiple open data streams reflecting the five IPBES-defined drivers of biodiversity loss: land use, resource extraction, climate change, environmental pollution and invasive species. The data of the BPI can be used to e.g. identify areas of high and low pressure, to perform regional and temporal change analysis of pressures and it can help to tailor protective measures to the underlying pressures and thus likely increase the success of biodiversity protection. The BPI is provided in two different forms: 1) Normalised [0-1] data in absolute terms, i.e. not transformed etc. 2) Normalised [0-1] data in relative terms, i.e. ranked data to reduce skewness The BPI consists of a set of global datasets. Each of them was harmonised to matching projection, resolution, extent and subsequently normalised on a scale from 0 to 1. Each individual input variable was then summed up per pixel resulting in the cumulative BPI. After the addition, the BPI was again normalised to [0-1]. For the relative BPI, we ranked all individual inputs in percentiles to reduce skewness of the data. All other processing steps were the same. The data was processed using R and Python.
The BPI (Biodiversity Pressure Index) is a European dataset on annual human pressure exerted on biodiversity between 2020 and 2100 with a spatial resolution of ~ 1 km at the equator. We have produced data for three different SSP-RCP scenarios (SSP1-RCP2.6, SSP3-RCP7.0, SSP5-RCP8.5). The scenarios are a combination of climate projections, mainly based on CO2 emissions (RCP scenarios) and potential future developments of anthropogenic drivers on climate change (SSP scenarios). The SSP-RCP combinations are for example used in IPCC assessments: https://www.ipcc.ch/report/sixth-assessment-report-cycle/. The data shows the potential human pressure per pixel for terrestrial land areas in Europe. It is based on model products from CRAFTY-EU, PLUM v2, LPJ-GUESS, ISIMIP3 and observational/statistical data on mining and pesticides, all reflecting the five IPBES-defined drivers of biodiversity loss: land use, resource extraction, climate change, environmental pollution and invasive species. The data of the BPI can be used to e.g. identify areas of high and low pressure, to perform regional and temporal change analysis of pressures and it can help to tailor protective measures to the underlying pressures and thus likely increase the success of biodiversity protection under different future pathways. The BPI consists of a set of datasets (land use, land use transitions, fertiliser use, pesticides use, nighttime lights, imports, mining, precipitation anomaly, temperature anomaly). Each of them was harmonised to matching projection, resolution, extent and subsequently normalised on a scale from 0 to 1+, where 1 is the global maximum of 2020. Meaning that values above one are higher than the global maximum in the baseline year. Each individual input variable was then summed up per pixel resulting in the cumulative BPI. The data was processed using R.
Low-lying coral reef islands harbour a distinct, yet highly threatened biological and cultural diversity that is increasingly exposed to climate change impacts. The combination of low elevation, small size, sensitivity to changes in boundary conditions (sea level, waves and currents, locally generated sediment supply) and at some locations high population densities, is why low-lying reef islands (LRIs) are considered among the most vulnerable environments on Earth to climate change. To date, their global distribution and influence of climatic, oceanographic, and geologic setting are only poorly documented or restricted to smaller scales. Here, I present the first detailed global analysis of LRIs utilising freely available global datasets to produce a global reef island database (GRID) and associated intrinsic and extrinsic characteristics that can be used within a coastal vulnerability index (CVI). All datasets used to create the GRID were released between 30 November 2015 and 3 August 2023, while the current version (version 1.1) of the GRID database was completed in August 2026. When developing the GRID, LRIs are defined as landmasses <30 km² located on or within 3 km of coral reef and with an elevation of <16 m. Development of the GRID required: 1) the creation of a global shoreline vector file containing the geographic distribution of LRIs and 2) the development of a comprehensive global database of LRIs including eight intrinsic and ten extrinsic variables extracted from global datasets. Intrinsic variables include: 1) human populations, 2) island area, 3) island perimeter, 4) mean elevation, 5) island circularity/shape, 6) underlying reef type, 7) geographic isolation and 8) distance to the nearest neighbouring reef island. Extrinsic variables include: 1) mean water depth, 2) standard deviation of mean water depth, 3) mean annual significant wave height, 4) mean annual wave period, 5) mean spring tidal range, 6) relative tidal range, 7) wave-tide regime, 8) relative wave exposure, 9) relative tropical storm exposure and 10) year-2100 projected median sea level rise rate. The GRID was initially derived from version 2.1 of the UNEP-WCMC Global Island Database, a global shoreline vector file based on geometry data from Open Street Map® (OSM) and released in November 2015. The initial vector file was projected using the Mollweide projection, an equal-area pseudo cylindrical map projection chosen for its accurate derivation of area, especially in regions close to the equator, where most LRIs are located. The final GRID contains 33,292 individual LRIs distributed throughout tropical regions of the world's oceans, amassing a total land area of nearly 11,000 km² with approximately 60,500 km of shoreline and housing around 2.6 million people. While intrinsic variables are typically spatially homogenous, LRIs are generally highly spatially clustered throughout the GRID with respect to extrinsic variables. The spatial distribution of LRIs within the GRID was validated using: 1) published data and 2) quantitative accuracy assessments using satellite imagery. Spatial distributions of LRIs captured in the GRID are extremely consistent with those published in the literature (r² = 0.96) and those derived from independent analysis of satellite imagery (r² = 0.94). Finally, the GRID was used to develop an island vulnerability index (IVI) for each LRI on a scale of 0-1 with 0 representing no vulnerability and 1 representing maximum vulnerability. The GRID database is provided as a tab-delimited text file as well as ESRI shapefiles (points and polygons in WGS84 and Mollweide projection) and a comma-separated value file.
Hochwasser gefährdeter Bereich Tidegebiet Elbe Hamburg Fachliche Beschreibung: „Der durch Tidehochwasser, insbesondere Sturmfluten, gefährdete Bereich im Tidegebiet der Elbe besteht aus den Landflächen zwischen der Gewässerlinie der Elbe (§ 3) und der Linie der öffentlichen Hochwasserschutzanlagen oder, sofern öffentliche Hochwasserschutzanlagen nicht bestehen, der Linie des amtlich bekannt gemachten Bemessungswasserstands für öffentliche Hochwasserschutzanlagen zuzüglich eines Sicherheitszuschlags von 0,50 m." Auszug aus § 53 HWaG Rechtlicher Hintergrund: § 53 des Hamburgischen Wassergesetzes (HWaG) in der Fassung vom 29.05.2005 über "Hochwassergefährdeter Bereich im Tidegebiet der Elbe"
Zielsetzung und Anlass Die erste globale Studie über den weltweiten Rückgang von Insekten - basierend auf 73 Studien aus den USA und Europa - kommt zu dem Schluss, dass 40 % der Insektenarten bedroht sind. Der dramatische Rückgang der Insekten wird vor allem auf die Ausweitung der intensiven Landwirtschaft und den Klimawandel zurückgeführt. Auch der IPBES-Bericht 2019 identifiziert die intensive Landwirtschaft als Hauptursache für den Verlust an Biodiversität und Insekten. Gegenwärtig hat die Bodendegradation die Produktivität auf 23 % der weltweiten Landfläche verringert, und zwischen 235 Milliarden und 577 Milliarden Dollar jährlicher weltweiter Ernteerträge sind durch den Verlust von Bestäubern gefährdet. Alle EU-Mitgliedsstaaten verzeichnen einen massiven Rückgang von Insekten. In Deutschland beträgt der Biomasseverlust bei Insekten bis zu 76,7 % (Vegetationsperiode April bis Oktober). 90 % der Untersuchungsgebiete haben eine intensive Landwirtschaft in der Umgebung und sind damit typisch für Schutzgebiete in Deutschland. Der Rückgang der Insektenpopulationen ist ein globales Phänomen, das laut Fachliteratur vor allem durch vier Ursachenkomplexe ausgelöst wird: • Veränderungen der Lebensräume • Fragmentierung der Lebensräume • Zunehmende Mechanisierung der Landwirtschaft • Umweltbelastungen durch Stoffeinträge wie Pflanzenschutzmittel oder Düngemittel. Der Insektenschwund hat negative Folgen. Neben einer zunehmenden allgemeinen Artenarmut und einem Rückgang an Biodiversität kommt es v.a. zu einem Rückgang der Bestäubungsleistung. In Deutschland sind ~ 80 % der heimischen Wild- und Kulturpflanzen auf die Bestäubung durch Insekten angewiesen. Zum anderen sind Insekten wichtige Nahrungsquelle für eine Vielzahl von Vögeln, Fledermäusen, anderen Kleinsäugern und Amphibien. Die Populationsentwicklung vieler Vogelarten hängt direkt vom Vorkommen geeigneter Nahrungsinsekten ab. Insekten leisten als Gegenspieler von Schädlingen in landwirtschaftlichen und gartenbaulichen Kulturen wichtige Beiträge im System des integrierten Pflanzenschutzes. Insekten übernehmen damit zentrale Ökosystem-Dienstleistungen und sind für das Funktionieren der Ökosysteme unverzichtbar. Die Studien über Insektenverluste und die damit verbundenen Bedrohungen haben viele Landwirt*innen und Lebensmittelunternehmen in Deutschland und Europa alarmiert. Immer mehr Unternehmen initiieren Bestäuber-Initiativen und immer mehr Landwirt*innen sind bereit, sich daran zu beteiligen. Es besteht jedoch nach wie vor ein massives Defizit bzgl. des Know-hows der Landwirtschaft und Lebensmittelfirmen insbesondere in Bezug auf Insekten sowie der flächendeckenden Umsetzung entsprechender Maßnahmen. Es ist dringend erforderlich, dass die Lebensbedingungen für Insekten und die biologische Vielfalt in Deutschland verbessert werden, um dem Insektenschwund entgegenzuwirken. Das Projekt unterstützt den Schutz der Biodiversität und speziell der Insekten auf der regionalen Ebene. Der Anspruch besteht darin, nicht nur gängige Maßnahmen zur Förderung von bestäubenden Insekten in der Landwirtschaft zu propagieren, sondern zusätzlich die ökologische Wirksamkeit und Praktikabilität von weitergehenden Anbaupraktiken zu testen. Kleine ökologische Trittsteine in der Flur und ökologisch vorteilhafte Streifen mit Blühaspekten sind wichtig. Für eine dauerhaft wirksame Förderung von Insekten und der Biodiversität insgesamt auf landwirtschaftlichen Flächen braucht es jedoch eine deutlich stärkere Flächenwirkung als bisher. Dazu müssen die Anbauflächen nicht nur mit Streifen am Rand flankiert, sondern insgesamt insekten- und biodiversitätsfreundlicher bewirtschaftet werden. Mit dem Konzept der insektenfördernden Regionen können Landwirtschaft und Lebensmittelbranche zu einer Trendwende beim Insektenschwund beitragen. (Text gekürzt)
Low-lying coral reef islands harbour a distinct, yet highly threatened biological and cultural diversity that is increasingly exposed to climate change impacts. The combination of low elevation, small size, sensitivity to changes in boundary conditions (sea level, waves and currents, locally generated sediment supply) and at some locations high population densities, is why low-lying reef islands (LRIs) are considered among the most vulnerable environments on Earth to climate change. To date, their global distribution and influence of climatic, oceanographic, and geologic setting are only poorly documented or restricted to smaller scales. Here, I present the first detailed global analysis of LRIs utilising freely available global datasets to produce a global reef island database (GRID) and associated intrinsic and extrinsic characteristics that can be used within a coastal vulnerability index (CVI). All datasets used to create the GRID were released between 30 November 2015 and 3 August 2023, while the current version of the GRID database was completed in November 2024. When developing the GRID, LRIs are defined as landmasses <30 km² located on or within 1 km of coral reef and with an elevation of <16 m. Development of the GRID required: 1) the creation of a global shoreline vector file containing the geographic distribution of LRIs and 2) the development of a comprehensive global database of LRIs including eight intrinsic and ten extrinsic variables extracted from global datasets. Intrinsic variables include: 1) human populations, 2) island area, 3) island perimeter, 4) mean elevation, 5) island circularity/shape, 6) underlying reef type, 7) geographic isolation and 8) distance to the nearest neighbouring reef island. Extrinsic variables include: 1) mean water depth, 2) standard deviation of mean water depth, 3) mean annual significant wave height, 4) mean annual wave period, 5) mean spring tidal range, 6) relative tidal range, 7) wave-tide regime, 8) relative wave exposure, 9) relative tropical storm exposure and 10) year-2100 projected median sea level rise rate. The GRID was initially derived from version 2.1 of the UNEP-WCMC Global Island Database, a global shoreline vector file based on geometry data from Open Street Map® (OSM) and released in November 2015. The initial vector file was projected using the Mollweide projection, an equal-area pseudo cylindrical map projection chosen for its accurate derivation of area, especially in regions close to the equator, where most LRIs are located. The final GRID contains 34,404 individual LRIs distributed throughout tropical regions of the world's oceans, amassing a total land area of nearly 11,000 km² with approximately 60,740 km of shoreline and housing around 2.6 million people. While intrinsic variables are typically spatially homogenous, LRIs are generally highly spatially clustered throughout the GRID with respect to extrinsic variables. The spatial distribution of LRIs within the GRID was validated using: 1) published data and 2) quantitative accuracy assessments using satellite imagery. Spatial distributions of LRIs captured in the GRID are extremely consistent with those published in the literature (r² = 0.96) and those derived from independent analysis of satellite imagery (r² = 0.94). Finally, the GRID was used to develop an island vulnerability index (IVI) for each LRI on a scale of 0-1 with 0 representing no vulnerability and 1 representing maximum vulnerability. The GRID database is provided as a tab-delimited text file as well as ESRI shapefiles (points and polygons in WGS84 and Mollweide projection) and a comma-separated value file.
| Organisation | Count |
|---|---|
| Bund | 269 |
| Europa | 2 |
| Kommune | 5 |
| Land | 218 |
| Weitere | 16 |
| Wissenschaft | 82 |
| Zivilgesellschaft | 4 |
| Type | Count |
|---|---|
| Bildmaterial | 1 |
| Daten und Messstellen | 19 |
| Ereignis | 23 |
| Förderprogramm | 160 |
| Hochwertiger Datensatz | 2 |
| Kartendienst | 3 |
| Lehrmaterial | 1 |
| Mitmachportal | 1 |
| Taxon | 1 |
| Text | 199 |
| Umweltprüfung | 23 |
| unbekannt | 53 |
| License | Count |
|---|---|
| Geschlossen | 238 |
| Offen | 224 |
| Unbekannt | 23 |
| Language | Count |
|---|---|
| Deutsch | 452 |
| Englisch | 66 |
| Resource type | Count |
|---|---|
| Archiv | 31 |
| Bild | 71 |
| Datei | 53 |
| Dokument | 111 |
| Keine | 166 |
| Unbekannt | 2 |
| Webdienst | 3 |
| Webseite | 207 |
| Topic | Count |
|---|---|
| Boden | 360 |
| Lebewesen und Lebensräume | 485 |
| Luft | 271 |
| Mensch und Umwelt | 485 |
| Wasser | 411 |
| Weitere | 463 |