API src

Found 1925 results.

Related terms

Humanized River Systems - Der Einfluss von Landnutzungsänderungen und Industrialisierung auf die Morphodynamik kleiner Fließgewässer im Übergang vom Mittelgebirge zum Tiefland: Beispiele aus dem Rureinzugsgebiet

Es werden im Rahmen des Projektes anthropogen induzierte Folgen von Landnutzungsänderungen und der Industrialisierung auf die Morphodynamik von Fließgewässern anhand von Beispielen aus dem Rureinzugsgebiet untersucht. Die Rur ist ein 165 km langer Fluss mit einer Einzugsgebietsgröße von 2340 km2 in Nordrhein-Westfalen und verbindet ein heute überwiegend bewaldetes Mittelgebirge mit einer Quellregion in einer Höhe von 660 m mit einem agrarisch geprägten Tiefland zwischen 200 und 30 m NHN. Wie in vielen anderen Flusssystemen Mitteleuropas sorgten anthropogene Eingriffe für erhebliche Veränderungen der Naturräume und der fluvialen Systeme. Im Einzugsgebiet der Rur wurden die Rur selbst, aber auch ihre Zuflüsse erheblich durch Siedlungsausdehnung, Mühlenbau, Rodungen, Bergbau, Industrieeinleitungen, Talsperrenbau, Wiederaufforstungen, Flurbereinigungen und Naturschutzmaßnahmen (u.a. Nationalpark Eifel) geprägt. Ziel des Projektes ist es, die unterschiedlichen Einflüsse und deren jeweiligen Folgen für die fluvialen Systeme in verschiedenen Zeitabschnitten (u.a. Mittelalter, Neuzeit, heute und Zukunft) mittels geowissenschaftlicher und ingenieurwissenschaftlicher Methoden zu untersuchen. Dies beinhaltet u.a. Kartierungen, Beprobungen fluviale Sedimente, sedimentologische und geochemische Analysen, 14C und 137Cs Datierungen sowie numerische Modellierungen von Fließgewässern und deren Auen einschließlich der Talsperren. Ein besonderer Fokus liegt neben den unterschiedlichen anthropogenen Eingriffen auf den natürlichen Einflüssen und dem Vergleich der fluvialen Dynamik im Mittelgebirge und im Tiefland. Dieser interdisziplinäre Ansatz soll ein möglichst umfassendes Bild des anthropogenen sowie natürlichen Einflusses und seinen Folgen auf das Einzugsgebiet der Rur in der Vergangenheit, Gegenwart und in der Zukunft vermitteln.

Entwickung eines Verfahrens zur Optimierung der Auswahl und Konfigurierung von Anlagen fuer eine oekologische Gewinnung und den umweltschonenden Transport von Lockergestein

Hälterung von Großmuscheln und Identifizierung geeigneter Habitate speziell für die Flussperlmuschel

Am Beispiel der bundesweit vom Aussterben bedrohten bzw. gefährdeten Großmuschelarten (GMA), Flussperlmuschel (Margaritifera margaritifera, FPM) und Malermuschel (Unio pictorum, MM), sollen Managementmaßnahmen zur nachhaltigen Etablierung und Wiederansiedlung umgesetzt werden. Zur Analyse, Bewertung und Lösung der sehr komplexen Gefährdungsursachen der GMA wird eine GMA-Datenbank entwickelt, welche das dezentrale Expertenwissen zusammenfasst und validiert. Ein auf der GMA-Datenbank aufbauendes Entscheidungshilfewerkzeug (EHW) wird zur Identifikation von Habitatdefiziten bzw. von geeigneten Pilothabitaten zur Wiederansiedlung der GMA entwickelt. Bei der Habitatauswahl werden zusätzlich die Auswirkungen des Klimawandels berücksichtigt. Notwendige Maßnahmen zur Optimierung identifizierter Habitate werden mit Hilfe eines Decision Support Systems (DSS) definiert und priorisiert. Diese Maßnahmen werden in enger Kooperation von Umsetzungs- und Wissenschaftspartnern als Best Practice-Beispiele für die Bestandssicherung der GMA-Populationen in Niederbayern und im sächsischen Vogtland erarbeitet, die dann Vorbildfunktion für Maßnahmen in anderen aktuellen oder potentiellen GMA-Lebensräumen haben (z.B. Hotspot OHT).

Beseitigung der Umweltschaeden an der Suedmauer des Klosters Marienstern (einschl. Hochwasserschutz)

Modellvorhaben: Umweltschadenserfassung des Pflanzenbestandes in den Anlagen Woerlitz, Oranienbaum und Luisium, Modellhafte Dokumentation einer Kulturlandschaft unter Beseitigung ihrer Umweltschaeden anhand des Gartenreichs um Woerlitz

Sichere und nachhaltige kunststoffbasierte Batteriegehäuse; Methodenentwicklung zur virtuellen Auslegung gegen Folgen des thermischen Durchgehens, Teilvorhaben: Entwicklung und Validierung von Simulationsmodellen

Bisher wird die Sicherheit von Batteriegehäusesystemen gegenüber thermischem Durchgehen und Propagation im Wesentlichen durch zeit- und kostenintensive, iterative Experimente während der Produktentwicklungsphase überprüft. Nach aktuellem Stand der Technik werden überwiegend metallische Werkstoffe für Batteriegehäuse verwendet. Konzepte für leichtere und nachhaltigere Batteriegehäuse aus Kunststoffen stehen zwar zur Verfügung, der Nachweis der Sicherheit ist allerdings sehr aufwendig und teuer. Von einer stärkeren Integration von Simulationsmethoden wird eine deutliche Verbesserung des Entwicklungsprozesses erwartet. Ziel ist zukünftig die Sicherheit von kunststoffbasierten Batteriegehäusen bei geringeren Kosten und Entwicklungszeiten zu gewährleisten. Es käme dabei sowohl bei der Herstellung der Gehäuse als auch im Betrieb von Elektrofahrzeugen zu einer CO2-Einsparung. Das Projekt SiKuBa setzt bei der Entwicklung und Validierung von Simulationsmodellen zur Auslegung sicherer Kunststoff-Batteriegehäuse unter thermischem Durchgehen an. Die Entstehung und Ausbreitung der gefährlichen Gas- und Partikelströme sowie deren Interaktion mit Strukturelementen wird experimentell analysiert und in strömungs- und strukturmechanische Simulationsmodelle überführt. Die Modelle eröffnen eine effiziente Möglichkeit neuartige Konzepte zur Verlangsamung und Unterdrückung der Propagation virtuell zu untersuchen. Der somit mögliche Einsatz sicherer und nachhaltiger kunststoffbasierter Gehäuselösungen kann dabei einen wesentlichen Beitrag zur Akzeptanz der Elektromobilität leisten. Farasis fokussiert sich auf die Entwicklung eines Simulationsmodells zur Darstellung aller am thermischen Durchgehen beteiligten und relevanten Ereignisse innerhalb des Batteriemoduls. Hieraus werden Ersatzquellterme, die als Eingangsbedingung weiterführender Simulationsmodelle dienen, abgeleitet. Darüber hinaus unterstützt Farasis unteranderem bei der Entwicklung und Auslegung geeigneter Schutzmaßnahmen.

Kompensationsflächenverzeichnis (Landkreis Göttingen)

Rechtsgrundlage ist die Eingriffsregelung nach § 14 ff Bundesnaturschutzgesetz und § 5 ff Niedersächsisches Ausführungsgesetz zum Bundesnaturschutzgesetz. Verursacher von sogenannten Eingriffen in Natur und Landschaft (erhebliche Beeinträchtigungen des Naturhaushaltes oder des Landschaftsbildes) sind verpflichtet diese Beeinträchtigungen durch Ausgleichs- oder Ersatzmaßnahmen auszugleichen. Diese Maßnahmen werden in den jeweiligen Genehmigungen (z.B. Plangenehmigungen, Planfeststellungen, Flächennutzungs- und Bebauungspläne, Baugenehmigungen, …) festgesetzt. Im Kompensationsflächenkataster werden die festgesetzten Ausgleichs- und Ersatzmaßnahmen des Naturschutzes und der Landschaftspflege zu Dokumentations- und Kontrollzwecken und zur Vermeidung von Doppelbelegungen flächenmäßig erfasst und beschrieben.

Predictors of urinary polycyclic aromatic hydrocarbon (PAH) metabolite concentrations in German children and adolescents using data from the German Environmental Survey 2014 – 2017 (GerES V)

Children and adolescents are highly exposed to harmful polycyclic aromatic hydrocarbons (PAHs) that exist as mixtures of hundreds of compounds in air, soil, water, dust and food. This study investigated 21 personal, lifestyle and environmental predictors of urinary PAH metabolites from four PAHs (naphthalene, fluorene, phenanthrene and pyrene), using a dataset of 516 3–17-year-olds from 167 locations in Germany. Spearman correlation analysis showed weak to moderate associations (ρ = 0.2–0.6) between PAH metabolite concentrations. Regression analysis revealed high nicotine exposure, young age, and residence in large cities to be the most important predictors of multiple PAH burden, with estimated changes in metabolite concentrations of 124–1080%, 47–155%, and 22–57% respectively. Other notable predictors included: BMI, socioeconomic status, sex, consumption of chocolate, smoked and barbecued foods, chewing on plastic objects, road traffic, and heating type. Analysis of the ratios of 1-hydroxynaphthalene to 2-hydroxynaphthalene for subgroups with high cotinine level (3-fold increase) or moderate to high chocolate consumption (1.7–3.4-fold increase) was suggestive of exposure to carbaryl, a pesticide not permitted for use in the EU since 2007. Differences in the burden of PAH metabolites between East and West Germany was investigated using subgroup analysis. Consuming smoked food was both more prevalent (p = 0.009) and likely to contribute to a greater 1-hydroxynaphthalene burden in the East German subsample. Gaining a better understanding of exposure factors, especially using population data from a large number of locations, will guide policy makers and regulators in strengthening protective measures. © 2026 The Authors.

Global Biodiversity Pressure Index (BPI) between 1990 and 2020

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.

Biodiversity Pressure Index (BPI) for Europe for three different SSP-RCP scenarios (2020-2100)

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.

1 2 3 4 5 … 191 192 193