Verlässliche Vorhersagen über den Export von organischem Kohlenstoff (OC) bezogen auf den Gletscherabfluss sind sehr begrenzt. Bestehende Studien kombinieren hauptsächlich den OC-Gehalt einzelner Eisproben und Massenbilanzen, um einen mittleren jährlichen OC-Export zu berechnen. Dieser Ansatz berücksichtigt keine potentiellen tages- und jahreszeitlichen Veränderungen und spiegelt daher möglicherweise die gletscherbedingten OC-Exportraten nicht genau wider. Daher ist es wichtig, zeitliche Veränderungen in der Gletscherhydrologie in hoher zeitlicher Auflösung (saisonal, ereignisbezogen, tageszeitlich) zu berücksichtigen und relevante Abflusskomponenten zu berücksichtigen. Dieses Projekt hat das Ziel, den Export von OC aus Gletschern (Konzentration, Zusammensetzung und Bioverfügbarkeit) in hoher zeitlicher Auflösung systematisch zu untersuchen und die biochemische zeitliche Variabilität mit Variationen der hydrologischen Prozesse im Gletscher zu verbinden. Nur durch ein detailliertes Verständnis der Auswirkungen der Hydrologie der Gletscher auf den OC-Export können verlässliche Vorhersagen für die zukünftige Freisetzung von OC durch den Gletscherrückzug gemacht werden. Die Untersuchungen finden am temperierten Gletscher Falljökull (Island) statt, der Teil des Öraefajökull und der Vatnajökull-Eiskappe ist und dessen Eisfront seit 1932 jährlich vermessen wird. Innovative Methoden, wie z.B. maschinelle Lernverfahren, in Kombination mit einer Abflussganglinienseparation, helfen, das zeitliche Zusammenspiel verschiedener Quellgebiete des Gletscherabflusses und dessen tages- und jahreszeitliche Variabilität zu verstehen. Die Verbindung von Prozessverständnis unter Einbeziehung der OC und Abflussdynamik wird die Modellierung des OC-Exports unter Berücksichtigung der OC-Zusammensetzung ermöglichen. Insgesamt werden 972 Eis-, Schnee- und Wasserproben genommen entnommen. Mit einer mobilen Multiparametersonde, die direkt am Gletschertor installiert wird, werden automatisch die Wassertemperatur, elektrischer Leitfähigkeit, Trübung, der Wasserstand und fluoreszierendem DOM im 1h min-Intervall gemessen. Mit modernsten Labormethoden (C/N- und TOC-Analyzer, Picarro) werden BDOC, DOC, POC, optische Eigenschaften (Fluoreszenz, Absorption), Nährstoffe (PO4, NO3, NO2, NH4) und stabile Isotope (18O, 2H) analysiert. Mit dem Einsatz multivariat statistischer Verfahren (z.B. PCA, CCA) sowie Modellen (PARAFAC, SIMMR, LOADest) werden zeitliche Muster, Prozesse und Treiber identifiziert sowie der OC-Export quantifiziert. Diese systematische Untersuchung des OC-Exports wird das aktuelle Prozesswissen über tageszeitliche und saisonale Veränderungen in der Konzentration, Zusammensetzung und Bioverfügbarkeit von glazialem OC wesentlich erweitern. Dadurch kann die (zukünftige) Dynamik des gletscherbedingten OC-Exports aufgrund von klimawandelbedingten Variationen in Gletscherschmelzprozessen zuverlässig vorgesagt werden.
Niedrige Wolken der marinen Grenzschicht kühlen das Erdsystem und spielen somit eine entscheidende Rolle für die Energiebilanz der Erde. Die physikalischen Eigenschaften dieser Wolken werden von Aerosolen beeinflusst. Veränderungen in der Zusammensetzung oder Konzentration atmosphärischer Aerosole können daher die Strahlungswirkung und somit das Kühlungspotential dieser Wolken verändern. Die Quantifizierung der Auswirkungen atmosphärischer Aerosole auf marine Grenzschichtwolken mit Beobachtungsdaten ist eine große Herausforderung, da viele Prozesse gleichzeitig wirken, statistisch schwer zu trennen sind und Wolken gegen Aerosoleinflüsse “gepuffert” sein können. Globale Klimamodelle können diese Prozesse nicht auflösen, sodass sie über Parametrisierungen festgeschrieben werden müssen, welche wiederum mit Unsicherheiten belastet sind. Durch diese Probleme in der Auswertung von Beobachtungen sowie in Modellen ist die Quantifizierung von Aerosol-Wolken-Interaktionen weiterhin eine der größten Unsicherheiten der Klimawissenschaften, was die Abschätzung der Klimasensitivität erschwert.Das beantragte Forschungsprojekt adressiert diese Herausforderungen und wird die Wirkung von Aerosolen auf marine Grenzschichtbewökung mit globalen Beobachtungsdaten quantifizieren und die Parameterisierungen dieser Prozesse in globalen Klimamodellen evaluieren. In aktuellen Studien haben statistische Modelle aus dem Bereich des maschinellen Lernens geholfen, das Aerosol-Wolken-Meteorologie-System besser zu verstehen und zu quantifizieren, da sie in der Lage sind, Effekte von Aerosolen von anderen atmosphärischen Größen zu isolieren. Das beantragte Forschungsprojekt wird sich auf maschinelle Lernmethoden stützen, welche zusätzlich in der Lage sind, alle relevanten Wolkeneigenschaften gleichzeitig vorherzusagen, und damit mögliche Puffer explizit berücksichtigen und quantifizieren können. Die statistischen Modelle werden verwendet, um Zusammenhänge und Prozesse in globalen Beobachtungsdaten und dem Output globaler Klimamodelle zu analysieren. Auf diese Weise kann eine prozessorientierte Evaluierung von Modellparameterisierungen erreicht werden, die sich deutlich von dem üblichen Vergleich klimatologisch gemittelter Wolkenmuster abhebt. So können Modellparametrisierungen beobachtungsgestützt eingegrenzt, und der Strahlungsantrieb durch Wechselwirkungen zwischen Aerosolen und marinen Grenzschichtwolken quantifiziert werden.
Gegenstand des von Kessel + Partner, IVT e.V. und BAG gemeinsam bearbeiteten Projekts ist die Entwicklung eines statistischen Modells, in dessen Rahmen die vom Statistischen Bundesamt laufend bzw. periodisch ermittelten aggregierten Aufkommens- und Leistungsdaten vom Gefahrguttransport (differenziert nach Gefahrgutklassen und Verkehrsrelationen) mit Individualdaten zur Struktur von Transportketten sowie zum Entscheidungsverhalten bei der Transportmittelwahl im Gefahrgutverkehr verknüpft werden, um die von Gral benötigten verkehrsträger- und streckenbezogenen Expositionsgrößen differenziert nach Gefahrklassen zu erhalten.
Relative Meeresspiegelschwankungen resultieren aus dem Zusammenspiel von Eustasie, Isostasie, Tektonik und Subsidenz. Die Rekonstruktion des holozänen Meeresspiegels erlaubt es sowohl vertikale Landbewegungen als auch geophysikalische Modelle zu Glazialen Isostatischen Ausgleichsbewegungen (GIA) zu definieren, welche im Gegenzug benutzt werden um instrumentelle Meeresspiegelmessungen an Gezeitenpegeln zu korrigieren. Dementsprechend repräsentieren regionale Daten zu relativen Meeresspiegelschwankungen während des Holozäns, welche auf der Grundlage von standardisierten Protokollen erhoben wurden, den Ausgangspunkt für weitere Untersuchungen zu Meeresspiegelschwankungen des vergangenen Jahrhunderts und die Grundlage für eine Bewertung von lokalen und regionalen Meeresspiegelschwankungen während des 21ten Jahrhunderts. Obwohl es für einige Gebiete genaue Daten zu holozänen Meeresspiegelschwankungen gibt sind Rekonstruktionen für Südostasien, einer vom zukünftigen Meeresspiegelanstieg hoch gefährdeten Region, noch immer begrenzt und im Bezug auf die korrekte Interpretation von Meeresspiegelanzeigern, deren Höhenbezug zu Normalnull und die Qualität der Altersbestimmungen, fragwürdig. Das übergeordnete Ziel dieses Antrags ergibt sich daher aus der Frage: Wie können wir unser Verständnis über relative Meeresspiegelschwankungen während des Holozäns in Südostasien und die damit in Zusammenhang stehenden Prozesse verbessern? Um diese Frage zu beantworten werden wir veröffentlichte Meeresspiegeldaten neu Auswerten und einem standardisierten Ansatz entsprechend in einer Datenbank zusammentragen. Diesen Datensatz werden wir anschließend mit den Forschungsergebnissen von einigen Inseln im Spermonde Archipel, einer vom zukünftigen Meeresspiegelanstieg hoch gefährdeten Region, ergänzen. Im Anschluss an die Geländearbeit werden wir einen umfassenden Datensatz an geophysikalischen Modellen erstellen welche sowohl auf den Ergebnissen der Datenbank, als auch auf den neu erhobenen Geländedaten beruhen und welche statistische Unsicherheiten im Bezug auf das gewählte Eismodell und die Mantelviskosität beinhalten. Dies wird es uns ermöglichen die volle Bandbreite von GIA Signalen zu erfassen und den Bereich zu definieren welcher am besten zu den geologischen Geländedaten passt. Die Geländedaten werden außerdem auf der Grundlage eines Bayes'schen Ansatzes statistisch ausgewertet um potentielle Muster innerhalb der holozänen Meeresspiegelschwankungen zu entdecken. Die Resultate der statistischen Auswertung werden mit den Ergebnissen einer Satellitenbildauswertung bezüglich der Bevölkerungsdichte und Landnutzungsmustern auf den Inseln im Spermonde Archipel gegengeprüft. Nicht zuletzt durch die enge Zusammenarbeit mit weltweit führenden Experten auf internationaler Ebene wird innerhalb dieses Projekts ein Doktorand in allen Bereichen der Meeresspiegelforschung ausgebildet, von Labor und Geländetechniken bis hin zur geophysikalischen Modellierung und Datenauswertung.
Zuverlässige und genaue Wettervorhersagen spielen eine entscheidende Rolle für das Verständnis sowie die Begrenzung von Risiken, die sich aus dem Klimawandel ergeben, ebenso sind sie entscheidend für die Vorhersage von Output aus erneuerbaren Energiequellen. Heutzutage wird Wettervorhersage über numerische Wettermodelle betrieben. Das Ergebnis eines Modell-Laufes ist eine einzelne deterministische Vorhersage für zukünftige Wetterereignisse. Um die Unsicherheit in so einer Vorhersage quantifizieren zu können, ist es gängige Praxis geworden, ein Ensemble von numerischen Vorhersagen zu verwenden. Dieses Ensemble wird erzeugt, indem man das Wettermodell mehrfach laufen lässt, und jeder Lauf mit jeweils modifizierten Anfangsbedingungen und/oder Modellformulierungen gestartet wird. Das daraus resultierende Vorhersage Ensemble ist aber typischerweise ungenügend kalibriert und benötigt deshalb statistische Nachbearbeitung. Es wurden bislang bereits verschiedene statistische Modelle zur Nachbearbeitung solcher Ensemble Vorhersagen entwickelt, welche auf unterschiedliche Anforderungen z.B. der betrachteten Wetter Variablen zugeschnitten sind. Insbesondere wird es immer wichtiger diese Modelle dahingehend zu erweitern, dass sie räumliche und zeitliche Abhängigkeiten sowie Abhängigkeiten zwischen Wetter Variablen explizit berücksichtigen. Dieses Projekt hat zum Ziel neue Arten von statistischen Modellen zur Nachbearbeitung zu entwickeln, welche auf vine copula basieren. Diese erlauben sehr flexible und Datenbasierte Modellierung aller Arten von multivariater Abhängigkeiten. Konkretes Ziel ist die Entwicklung von vine copula basierten Modellen, die speziell auf verschiedene Wetter Variablen zugeschnitten sind, wie z.B. Temperatur, Windgeschwindigkeit, Niederschlag, Bewölkung und Sonneneinstrahlung. Die vine copula basierte Quantilregression wird dabei auch angepasst, um Wetter Variablen die mit erneuerbaren Energien in Zusammenhang stehen gleichzeitig nachzubearbeiten und in Vorhersagen der entsprechenden gewonnene Nutzleistung zu transformieren. Im nächsten Schritt sollen diese Modelle auf die multivariate Situation erweitert werden, indem sie Abhängigkeiten in der Zeit, im Raum und zwischen Wetter Variablen direkt modellieren, und nach Möglichkeit sogar alle diese Arten von Abhängigkeiten simultan erfassen. Die hier entwickelten Modelle sollen im Statistik Progammpaket R implementiert, und in einer Studie zur Vorhersage-Qualität und Kalibration mit Standard-Modellen vergleichen werden.
Atmospheric CO2 concentrations present a repetitive pattern of gradual decline and rapid increase during the last climate cycles, closely related to temperature and sea level change. During the Last Glacial Maximum (LGM; 23-19 kyr BP), when sea level was ca. 120 m below present, the ocean must have stored additionally about 750 Gt carbon. There is consensus that the Southern Ocean represents a key area governing past and present CO2 change. The latter is not only of high scientific but also of socio-economic and political concern since the Southern Ocean provides the potential for an efficient sink of anthropogenic carbon. However, the sensitivity of this carbon sink to climate-change induced reorganizations in wind patterns, ocean circulation, stratification, sea ice extent and biological production remains under debate. Models were not yet able to reproduce the necessary mechanisms involved, potentially due to a lack of the dynamic representation/resolution of atmospheric and oceanic circulation as well as missing carbon cycling. Data on past Southern Ocean hydrography and productivity are mainly from the Atlantic sector, thus do not adequately document conditions in the Pacific sector. This sector is not only the largest part of the Southern Ocean, but it also represents the main drainage area of the marine-based West Antarctic Ice Sheet (WAIS). In the proposed study we aim to generate paleo-data sets with a newly established proxy method from sediment core transects across the Pacific Southern Ocean. This will enhance the baselines for the understanding and modeling of the Southern Ocean's role in carbon cyling, i.e. ocean/atmosphere CO2 exchange and carbon sequestration. It will also allow insight into the response of the WAIS to past warmer than present conditions. Paired isotope measurements (oxygen, silicon) will be made on purified diatoms and radiolarians to describe glacial/interglacial contrasts in physical and nutrient properties at surface and subsurface water depth. This will be used to test (i) the impact of yet unconsidered dust-borne micronutrient deposition on the glacial South Pacific on shifts of primary productivity, Si-uptake rates and carbon export, (ii) the 'silicic-acid leakage' hypothesis (SALH) and (iii) the formation and extent of surface water stratification. Diatom and radiolarian oxygen isotopes will provide information on the timing of surface ocean salinity anomalies resulting from WAIS melt water. Climate model simulations using a complex coupled atmosphere ocean general circulation model (AOGCM) in combination with a sophisticated ocean biogeochemical model including Si-isotopes will be used for comparison with the paleo records. The analysis will cover spatial as well as temporal variability patterns of Southern Ocean hydrography, nutrient cycling and air-sea CO2-exchange. With the help of the climate model we aim to better separate and statistically analyse the individual impacts of ocean circulation and bio
Ultrafeine Partikel (UFP) mit einem aerodynamischen Durchmesser kleiner als 100 nm stehen unter dem Verdacht die menschliche Gesundheit zu schädigen, allerdings fehlt bisher die abschließende wissenschaftliche Evidenz aus epidemiologischen Studien. Zur Herleitung von Expositionskonzentrationen gegenüber UFP wurden zum Teil statistische Modellierungsverfahren genutzt um UFP-Anzahlkonzentrationen vorherzusagen. Ein häufig genutztes Verfahren ist eine auf Flächennutzung basierte lineare Regression („land-use regression“, LUR). Allerdings wurden in luftqualitativen Studien auch andere, ausgefeiltere Modellansätze benutzt, z.B. „machine learning“ (ML) oder „deep learning“ (DL), die eine bessere Vorhersagegenauigkeit versprechen. Das Ziel des Projekts ist die Modellierung von UFP-Anzahlkonzentration in urbanen Räumen basierend auf ML- und DL-Algorithmen. Diese Algorithmen versprechen eine bessere Vorhersagegenauigkeit gegenüber linearen Modellansätzen. Mit unserem Modellansatz wollen wir sowohl räumliche als auch zeitliche Variabilität der UFP-Anzahlkonzentrationen abbilden. In einem ersten Schritt werden die Messergebnisse aus mobilen Messkampagnen genutzt um ein ML-basiertes LUR Modell zu kalibrieren. Zusätzlich werden urbane Emissionen aus lokalen Quellen, abseits vom Straßenverkehr, identifiziert und explizit in das Modell einbezogen. In einem zweiten Schritt wird ein DL-Modellansatz basierend auf Langzeit-UFP-Messungen mit dem ML-Modell gekoppelt um die Repräsentierung der zeitlichen Variabilität zu verbessern. Unser vorgeschlagenes Arbeitsprogramm besteht aus fünf Arbeitspaketen (WP): WP 1 beinhaltet mobile Messungen mittels eines mobilen Labors und eines Messfahrads. WP 2 besteht aus stationären Messungen, die an Stationen des German Ultrafine Aerosol Network durchgeführt werden. In WP 3 werden wichtige UFP-Emissionsquellen, insbesondere Nicht-Verkehrsemissionen, mit Hilfe von zusätzlichen kurzzeitigen stationären Messungen identifiziert und quantifiziert. In WP 4 werden ML-Algorithmen genutzt um ein statistisches Modell aufzubauen. Als Kalibrierungsdatensatz werden die Messungen aus WP 1 benutzt. Das Modell wird UFP-Anzahlkonzentrationen mit Hilfe eines Datensatzes aus erklärenden Variablen, u.a. meteorologische Größen, Flächennutzung, urbaner Morphologie, Verkehrsmengen und zusätzlichen Informationen zu UFP-Quellen nach WP 3, vorhersagen. In WP 5 werden die UFP-Anzahlkonzentrationen aus WP 2 für einen DL-Modellansatz genutzt, der die zeitliche Variabilität repräsentieren wird. Dieser wird dann mit dem ML-Modell aus WP 4 gekoppelt. Der Nutzen der Modellkopplung wird mit dem Datensatz aus WP 3 validiert. Aus unserem Projekt wird ein Modell hervorgehen, das in der Lage ist die räumliche und zeitliche Variabilität urbaner UFP-Anzahlkonzentrationen in einer hohen Genauigkeit zu repräsentieren. Damit wird unsere Studie einen Beitrag zur Quantifizierung von Expositionskonzentrationen gegenüber UFP z.B. in epidemiologischen Studien leisten.
Der Nachweis und die Zuordnung von anthropogenen Klimaänderungen ist von großer Bedeutung, da Maßnahmen zur Abminderung oder Vermeidung zukünftiger Klimaänderungen dadurch begründet werden. Wegen der verbundenen ökonomischen Werte sind statistisch belastbare Aussagen zwingend. Die Anwendung der Bayesischen Statistik auf Klassifikationsprobleme zeigt einen Weg auf, den Nachweis und die Zuordnung anthropogener Klimaänderungen zu bestimmten Ursachen einheitlich durchzuführen. Basierend auf eigenen Vorarbeiten und vorhandenen Klimasimulationen ist deshalb die Erweiterung des bestehenden Bayes-Verfahrens auf regionale Temperatur- und Bodenluftdruckverteilungen das methodische Ziel. Wissenschaftliches Ziel ist die Quantifizierung der Unsicherheit bei der Zuordnung der Beobachtungen zu den Modellsimulationen der natürlichen Variationen bzw. der Szenariobeschreibungen anthropogener Klimaänderungen unter Berücksichtigung der Unschärfen, die durch die unterschiedlichen Formulierungen verschiedener Klimamodelle entstehen. Ein wissenschaftspolitisches Ziel ist es, einen fundierten und belastbaren Beitrag zum geplanten vierten Sachstandsbericht des IPCC zur Nachweis- und Zuordnungsproblematik zu liefern.
Quellen stellen den Ausgangspunkt des Flusskontinuums dar und sind wichtige Ökotone zwischen Grund- und Oberflächenwasser. Insbesondere intermittierende Quelltypen, die in oberflächennahen, nicht begrenzten Grundwasserleitern mit einem variierenden, vorübergehend grundwassergetrennten Fließregime, kurzen Verweilzeiten und potenziell höheren Konzentrationen an organischem Kohlenstoff (OC) auftreten, haben das Potenzial, die Kohlenstoffflüsse in den anschließenden Quellbächen erheblich zu beeinflussen. Allerdings gibt es hierzu nur wenige Studien und es ist noch unklar, wie sich das variable Fließregime auf die zeitliche Variabilität des OC in diesen für Mittelgebirge typischen vielfältigen Ökotonen auswirkt. In diesem Projekt werden daher die räumliche und zeitliche Dynamik des OC in intermittierenden Quellen, die umweltrelevanten Einflussfaktoren und ihre Auswirkungen auf die Quellbäche in verschiedenen Mittelgebirgen (Rheinisches Schiefergebirge, Erzgebirge, Schwarzwald) untersucht. Insgesamt werden 44 Quellen hydrologisch und biogeochemisch erfasst und die OC-Dynamik auf verschiedenen zeitlichen und räumlichen Skalen quantifiziert. Neben dem permanenten Monitoring der Quellschüttung, elektrischen Leitfähigkeit und Wassertemperatur werden saisonale und ereignisbasierte Messungen des OC, Nährstoffe und stabilen Isotope durchgeführt. Modernste Labormethoden (C/N- und TOC-Analyzer, Picarro) werden zur Erfassung der zeitlichen und räumlichen Variabilität von DOC, POC, optischen Eigenschaften (Fluoreszenz, Absorption), Nährstoffen (PO4, NO3, NO2, NH4) und stabilen Isotopen (18O, 2H) eingesetzt. Zur Identifizierung räumlicher und zeitlicher Muster, Prozesse, Stoffflüsse und Einflussfaktoren werden verschiedene multivariate statistische Verfahren und Modelle eingesetzt (z.B. PCA, PARAFAC, SIMMR, LOADest, machine learning). Funktionelle Nahrungsgruppen der gegenwärtigen Wirbellosenfauna werden bestimmt, um Artengemeinschaften und -vielfalt zu charakterisieren. Diese skalenübergreifende Untersuchung der hydrologischen und biogeochemischen Eigenschaften intermittierender Quellen und ihrer räumlichen und zeitlichen Dynamik wird die Wissenslücke bezüglich der Rolle intermittierender Quellen innerhalb des Flusskontinuums schließen und zum Verständnis der zukünftigen Dynamik von Quellen aufgrund der durch den Klimawandel verursachten Variationen von Niederschlag und Abfluss und der Auswirkungen ihrer Veränderungen sowohl auf das Quellökosystem als auch auf die damit verbundenen Quellbäche beitragen.
Hydrologische Modelle beruhen auf physikalischen Gesetzen und Expertenwissen, formuliert als konzeptionelle Beziehungen oder partielle Differentialgleichungen. Solche physikalisch-basierten Modelle sind oft zu starr in ihrer Struktur und produzieren Modellfehler, die sich negativ auf die Vorhersagegüte auswirken. Daher haben datengetriebene Ansätze zur hydrologischen Modellierung an Aufmerksamkeit gewonnen: sie extrahieren die in den Daten enthaltenen Informationen und leiden nicht unter strukturellen Vorgaben. Insbesondere Deep-Learning-Methoden haben eine hohe Vorhersagekraft in der räumlichen Extrapolation bewiesen, doch es fehlt ihnen an Interpretierbarkeit und einer theoretischen Grundlage für Vorhersagen unter sich ändernden Bedingungen. Um Abhilfe zu schaffen, wurden physikalisch informierte datengetriebene Ansätze entwickelt. Durch die Einbeziehung von Expertenwissen gewinnen die datengetriebenen Modelle an Interpretierbarkeit und Prognosefähigkeit. Wir bezeichnen solche Ansätze im Modellkontinuum zwischen den beiden Reinformen als "Hybridmodelle". Die Verschmelzung von datengetriebener und physikalisch-basierter Modellierung erfordert aus unserer Sicht auch neue Standards auf der Ebene der statistischen Bewertung: Wir brauchen methodische Fortschritte, um die (fehlende) Information in physikalisch-basierten Modellen und die Information in Daten in die gleiche Einheit zu übersetzen. Bislang fehlen Diagnoseinstrumente, die speziell auf die Bewertung hybrider Modelle zugeschnitten sind. Für die „reinen“ Modellierungsansätze gibt es etablierte Gütemaße, aber es ist unklar, wie hybride Modelle zu behandeln sind. Es fehlt daher der Anreiz, konkurrierende Hybridmodelle aufzubauen und zu vergleichen. Wir sehen jedoch ein enormes Potenzial in der Analyse von echt-alternativen Modellen (die sich in Struktur und Modellierungsart unterscheiden, nicht nur in Details der Parametrisierung) für individuelle Fallstudien, da wir aus dem Vergleich der Defizite konkurrierender Modellstrukturen am meisten über Lücken in unserem Systemverständnis und in unserer Modellierungskompetenz lernen können. Das Ziel dieses Projekts ist die Entwicklung eines einheitlichen diagnostischen Bewertungsrahmens (UNITE) für hybride Modelle auf der Grundlage informationstheoretischer Maße. Informationsmaße sind bestens zur umfassenden diagnostischen Bewertung von Modelltrajektorien in hochdimensionalen Zustandsräumen geeignet. Unser Schwerpunkt bei der Entwicklung des Bewertungsrahmens liegt darauf, modellinterne Mechanismen zu identifizieren und zu vergleichen, um wissenschaftliche Erkenntnis und Modellierungsfortschritt zu ermöglichen. Wir werden die vorgeschlagene Toolbox anhand einer detaillierten Fallstudie zur Niederschlags-Abfluss-Modellierung testen und demonstrieren. Durch den allgemeingültigen Ansatz werden die erarbeiteten Methoden für beliebige Arten von dynamischen Hybridmodellen in einer Vielzahl von Disziplinen mit gesellschaftlicher Bedeutung nützlich sein.
| Organisation | Count |
|---|---|
| Bund | 269 |
| Europa | 4 |
| Land | 24 |
| Weitere | 1 |
| Wissenschaft | 89 |
| Zivilgesellschaft | 5 |
| Type | Count |
|---|---|
| Förderprogramm | 264 |
| Text | 12 |
| unbekannt | 1 |
| License | Count |
|---|---|
| Geschlossen | 9 |
| Offen | 268 |
| Language | Count |
|---|---|
| Deutsch | 258 |
| Englisch | 58 |
| Resource type | Count |
|---|---|
| Bild | 3 |
| Dokument | 8 |
| Keine | 183 |
| Webseite | 90 |
| Topic | Count |
|---|---|
| Boden | 208 |
| Lebewesen und Lebensräume | 232 |
| Luft | 173 |
| Mensch und Umwelt | 277 |
| Wasser | 176 |
| Weitere | 274 |