Karstgrundwasserleiter spielen im Alpenraum eine wichtige Rolle. Sie bedecken etwa 56% der Fläche, und ein erheblicher Teil der Bevölkerung ist ganz oder teilweise von Trinkwasser aus Karstquellen abhängig, die oft mit wertvollen Ökosystemen verbunden sind und zur Wasserkrafterzeugung beitragen. Die Alpen zählen nach Studien zu den am stärksten vom Klimawandel betroffenen Gebieten in Europa. Als Folge der steigenden Temperaturen werden sich die gespeicherten Mengen an Schnee und Eis stark verringern, was zu einer Verschiebung zwischen Wasserhaushaltskomponenten in Verbindung mit einer saisonalen Umverteilung der Niederschläge führt. Außerdem wird erwartet, dass Hoch- und Niedrigwasserereignisse häufiger auftreten werden. Der Stand der Technik bei der Modellierung der Schüttung von Karstquellen, meist mittels konventioneller numerischer Modelle, ist auf standortspezifische, oft aufwändige und nicht übertragbare wissenschaftliche Studien beschränkt, die manuelle Modellabstimmung und Kalibrierung erfordern. Bis heute gibt es keinen leicht übertragbaren Ansatz, der gleichzeitig auf viele Karstquelleinzugsgebiete anwendbar ist. In diesem Projekt werden wir einen modernen, Deep-Learning basierten Ansatz zur Modellierung der Schüttung von Karstquellen entwickeln, der sich besonders gut eignet, übertragbare Modelle, die Informationen von verschiedenen Standorten nutzen können, aufzubauen. Deep Learning ist ein Teilgebiet des maschinellen Lernens, basierend auf künstlichen neuronalen Netzen, das sich sowohl bei akademischen als auch bei industriellen Anwendungen als sehr erfolgreich erwiesen hat. Die vorgeschlagene Studienregion sind die Alpen, mit Karstgebieten in Österreich, der Schweiz, Deutschland, Frankreich, Italien und Slowenien, mit einem Schwerpunkt auf dem besonders vom Klimawandel betroffenen von der Alpenkonvention abgegrenzten Gebirgsgebiet. Als Grundlage der Studie dient das World Karst Spring Database (WoKaS). Es wird im Laufe des Projekts mit zusätzlichen Daten von Behörden und Wasserversorgern ergänzt, insbesondere in Regionen mit bislang schlechter Abdeckung. Die Arbeiten beinhalten die Erstellung eines umfassenden Datensatzes mit Einzugsgebietsattributen und meteorologischen Einflussgrößen für etwa 150 Quellen. Klassische Lumped-Parameter-Modelle werden als Benchmarks aufgesetzt und mit den neu entwickelten Deep-Learning basierten Modellergebnissen verglichen. Ziel ist es, die Eignung neuartiger Deep-Learning Modellansätze für die Abschätzung der Auswirkungen des Klimawandels für eine Vielzahl von kurz- und langfristigen Vorhersagen zu untersuchen. Eine vertiefende Fallstudie des Dachsteingebietes, dessen große Karstregion wesentlich zur Wasserversorgung und Wasserkrafterzeugung beiträgt, wird die vergleichende Untersuchung mit einem numerischen 3D-Modell erweitern. Schließlich werden die entwickelten Modelle dazu verwendet, um Auswirkungen des Klimawandels auf die alpinen Karstgrundwasserressourcen vorherzusagen.
Das Forsthydrologische Forschungsgebiet Reinhardswald (Nordhessen) umfasst das 420 ha grosse, bewaldete Einzugsgebiet des Elsterbaches. Dort werden seit 1971 Wasser- und Stoffbilanzuntersuchungen durchgefuehrt. Vorrangiges Ziel ist es, die atmogene Saeure- und Schadstoffbelastung dieses repraesentativen Mittelgebirgs-Waldoekosystems zu quantifizieren und die langfristigen Auswirkungen der sauren Deposition auf die forstlichen Standorte, die Waldbestockung, das Abflussverhalten/-regime und die Gewaesserqualitaet zu dokumentieren. Im Rahmen einer normalen forstlichen Bewirtschaftung wird das Forschungsgebiet Reinhardswald also als 'Barometer-Einzugsgebiet' zum Erkennen exogen verursachter Veraenderungen im Wasser- und Stoffhaushalt genutzt
Ziel des Forschungsvorhabens ist die Ausweisung landschaftsökologischer Prozessgefügemuster für ein ca. 120 km2 umfassendes Untersuchungsgebiet der Region um Yingtan, Jianxi-Provinz, China. Durch veränderte sozio-ökonomische Rahmenbedingungen werden zunehmend nachhaltige Landnutzungsformen zugunsten gewinnbringender aber bodenvernichtender Erdnussanbauflächen umgewandelt. Im Projekt durchgeführte Untersuchungen zum Landschaftshaushalt dienen der Beurteilung der ökologischen Nachhaltigkeit (Bodenerosion, Wasser- und Nährstoffeffizienz) verschiedener Landnutzungen. Die Forschungsergebnisse bilden die Planungsgrundlagen für eine angepasste Landnutzung, die erforderlich ist, um die Nahrungsversorgung und die wirtschaftliche Existenzgrundlage der Bevölkerung in der Region langfristig zu sichern. Wegen der Repräsentativität des Untersuchungsgebietes besitzen die Ergebnisse überregionale Bedeutung für den dichtbesiedelten SE Chinas. Die Modellierung landschaftsökologischer Prozessgefüge erfolgt mit Hilfe eines Geographischen Informationssystems (GIS) auf Basis von räumlichen Datensätzen zur Landnutzung, Böden und Relief. Ein wichtiger Bestandteil der Modellierung ist hierbei die Simulation von Wasser- und Stoffflüssen. Die Kalibrierung erfolgt über zeitlich hochaufgelöste Messungen hydrologischer und bodenhydrologischer Kennwerte eines repräsentativen ca. 50 ha großen Intensivuntersuchungsgebietes. Die Instrumentierung besteht aus Standorten mit Tensiometern, Neutronensonden, FDR-Sensoren und Erosionsmessparzellen. Darüber hinaus werden die Abflüsse des Kleineinzugsgebietes mit Messwehren erfasst. Flankiert wird die Messwerterfassung durch Untersuchungsreihen zu den Nährstoffen in Boden, Bodenlösung und in dem Wasser der Be- und Entwässerungskanäle.
Water is an intrinsic component of ecosystems acting as a key agent of lateral transport for particulate and dissolved nutrients, forcing energy transfers, triggering erosion, and driving biodiversity patterns. Given the drastic impact of land use and climate change on any of these components and the vulnerability of Ecuadorian ecosystems with regard to this global change, indicators are required that not merely describe the structural condition of ecosystems, but rather capture the functional relations and processes. This project aims at investigating a set of such functional indicators from the fields of hydrology and biogeochemistry. In particular we will investigate (1) flow regime and timing, (2) nutrient cycling and flux rates, and (3) sediment fluxes as likely indicators. For assessing flow regime and timing we will concentrate on studying stable water isotopes to estimate mean transit time distributions that are likely to be impacted by changes in rainfall patterns and land use. Hysteresis loops of nitrate concentrations and calculated flux rates will be used as functional indicators for nutrient fluxes, most likely to be altered by changes in temperature as well as by land use and management. Finally, sediment fluxes will be measured to indicate surface runoff contribution to total discharge, mainly influenced by intensity of rainfall as well as land use. Monitoring of (1) will be based on intensive sampling campaigns of stable water isotopes in stream water and precipitation, while for (2) and (3) we plan to install automatic, high temporal-resolution field analytical instruments. Based on the data obtained by this intensive, bust cost effective monitoring, we will develop the functional indicators. This also provides a solid database for process-based model development. Models that are able to simulate these indicators are needed to enable projections into the future and to investigate the resilience of Ecuadorian landscape to global change. For the intended model set up we will couple the Catchment Modeling Framework, the biogeochemical LandscapeDNDC model and semi-empirical models for aquatic diversity. Global change scenarios will then be analyzed to capture the likely reaction of functional indicators. Finally, we will contribute to the written guidelines for developing a comprehensive monitoring program for biodiversity and ecosystem functions. Right from the beginning we will cooperate with four SENESCYT companion projects and three local non-university partners to ensure that the developed monitoring program will be appreciated by locals and stakeholders. Monitoring and modelling will focus on all three research areas in the Páramo (Cajas National Park), the dry forest (Reserva Laipuna) and the tropical montane cloud forest (Reserva Biologica San Francisco).
Mit Hilfe der Satelliten-Fernerkundung soll ein kontinuierliches Ueberwachungsprogramm zur Erfassung wichtiger glaziologischer Parameter aufgebaut werden, insbesondere von ELA (Equilibrium-Line-Altitude) und AAR (Accumulation Area Ratio). Daraus lassen sich wiederum Gletscher-Massenbilanz-Klimabeziehungen ableiten. Durch laengerfristige Beobachtung des Verhaltens eines Gletschers und durch regionale Vergleiche sollen sowohl Hinweise auf Klimaschwankungen und -veraenderungen abgeleitet, als auch Rueckschluesse auf Massenbilanz der Gletscher und damit auf das Abflussregime gewonnen werden.
Der Kartendienst (WMS Gruppe) stellt ausgewählte Wasserdaten des Saarlandes dar.:Messstelle Oberflächenwasser Pegel; Betrachtungsobjekt im GDZ, punkthafte Featureklasse (GDZ2010.wlowpgl);exportiert in Filegeodatabase Außer zahlreichen Datenbankinterenen Attributen sind folgende anwenderrelevante Attribute vorhanden: PGLG1 = Pegel Lage (Entfernung von der Mündung) PGLG2 = Pegel Lage (Entfernung und Seite oberhalb der Mündung) PGNP = Pegelnullpunkt MSTNR = Messstellennummer MSTBEM = Messstelle Bemerkung
Der Kartendienst (WMS-Gruppe) stellt die Daten der Hochwassergefahrenkarte und der Hochwasserrisikokarte der saarländischen Gewässer dar.:Messstelle Oberflächenwasser Pegel; Betrachtungsobjekt im GDZ, punkthafte Featureklasse (GDZ2010.wlowpgl);exportiert in Filegeodatabase Außer zahlreichen Datenbankinterenen Attributen sind folgende anwenderrelevante Attribute vorhanden: PGLG1 = Pegel Lage (Entfernung von der Mündung) PGLG2 = Pegel Lage (Entfernung und Seite oberhalb der Mündung) PGNP = Pegelnullpunkt MSTNR = Messstellennummer MSTBEM = Messstelle Bemerkung; Maßstabsbeschränkung: Min 1:50.000, Max entfällt.
Die Extremwerte des Niederschlags mit einer Wiederkehrzeit T größer 100 Jahre zur Bemessung wasserwirtschaftlicher Anlagen des Hochwasserschutzes stellen eine Extrapolation der zum 01.01.2023 veröffentlichten Daten der Koordinierten Starkniederschlagsregionalisierung und auswertung des Deutschen Wetterdiensts (KOSTRA-DWD 2020) dar. Mit KOSTRA-DWD 2020 werden Niederschlagshöhen in Abhängigkeit von einer Niederschlagsdauer D = 5 Minuten bis D = 7 Tage und einer Wiederkehrzeit (Jährlichkeit) T = 1 Jahr bis T = 100 Jahre als Raster in einer Auflösung von 5x5 km für ganz Deutschland bereitgestellt. Die wasserwirtschaftliche Bemessungspraxis im Bereich des Hochwasserschutzes an Oberflächengewässer erfordert darüber hinaus jedoch auch Wiederkehrzeiten des Niederschlags größer 100 Jahre. Insbesondere für die Betrachtung der Hochwasserbemessungsfälle BHQ1 und BHQ2 für Stauanlagen nach DIN19700 sind diese Niederschlagsjährlichkeiten erforderlich. Aufgrund des sogenannten Heavy-Tail-Verhaltens der gewählten 3-parametrigen Generalisierten Extremwert-Verteilung (GEV) für KOSTRA-DWD 2020 ist eine direkte Extrapolation der GEV zur Schätzung von Niederschlagshöhen für Wiederkehrzeiten größer 100 Jahre nicht zu empfehlen. Interimsweise, bis die Praxisrelevanten Extremwerte des Niederschlags (PEN) der Bund/Länder-Arbeitsgemeinschaft Wasser (LAWA) an die neue Grundlage KOSTRA-DWD 2020 angepasst und veröffentlicht sind, werden für Baden-Württemberg daher eigens extrapolierte Extremwerte des Niederschlags zur Verfügung gestellt. Die Verwendung wird entsprechend der Arbeitshilfe zur DIN 19700 für Hochwasserrückhaltebecken in Baden-Württemberg (https://pd.lubw.de/93810) empfohlen. Die Extrapolation umfasst die Bereitstellung der Wiederkehrzeiten T = 200, 500, 1.000, 2.000, 5.000 und 10.000 Jahre über die Dauerstufen gemäß KOSTRA-DWD 2020. Die Schätzung von Niederschlagshöhen mit einer Wiederkehrzeit größer 100 Jahre basiert auf einer Anpassung der Parameter u(D) und w(D) der KOSTRA-DWD-2010-Basisgleichung hN(D,T) = u(D) + w(D) · ln(T), welche zu bisherigen Extrapolation der Niederschläge für Jährlichkeiten größer 100 Jahre in Baden-Württemberg eingesetzt wurde. Die beiden Parameter sind dabei auf die KOSTRA-DWD 2020 Niederschlagshöhen der Wiederkehrzeiten T=1 Jahr und T=100 Jahre je Dauerstufe angepasst. Die nach dieser Methodik geschätzten Bemessungsniederschläge einer Wiederkehrzeit größer 100 Jahre sind bei Verwendung ebenso wie die daraus modellierten Abflussganglinien auf Plausibilität zu prüfen.
An den staugeregelten Bundeswasserstraßen ist eine genaue Einhaltung der vertraglich festgelegten Wasserstände erforderlich. Die Automatisierung hilft hier mit einer standardisierten Vorgehensweise und sorgt für einen reibungsfreien Betrieb. Effizient und erneuerbar: Wasser bewegt! Deutschland verfügt über ein wirtschaftlich leistungsfähiges Wasserstraßennetz, das die Seehäfen an Nord- und Ostsee mit den Binnenhäfen verbindet. Die 7.350 km Binnenwasserstraßen bestehen zu 25 Prozent aus Kanalstrecken, zu 35 Prozent aus frei fließenden und zu 40 Prozent aus staugeregelten Flussabschnitten. Im Zusammenhang mit dem Staustufenbau wurden an den größeren Flüssen vielfach Laufwasserkraftwerke errichtet, die mit der erneuerbaren Ressource Wasser Strom erzeugen. Zu den staugeregelten Bundeswasserstraßen mit Wasserkraftnutzung zählen Weser, Oberrhein, Neckar, Main, Mosel, Saar und Donau mit einer installierten Leistung von derzeit ca. 750 Megawatt. Damit wird mit den Laufwasserkraftwerken etwa so viel Energie erzeugt, wie alle Schiffstransporte auf dem Wasser verbrauchen (vgl. Verkehrsinvestitionsbericht 2008).
| Organisation | Count |
|---|---|
| Bund | 235 |
| Europa | 5 |
| Kommune | 1 |
| Land | 43 |
| Weitere | 1 |
| Wirtschaft | 7 |
| Wissenschaft | 115 |
| Zivilgesellschaft | 2 |
| Type | Count |
|---|---|
| Daten und Messstellen | 1 |
| Förderprogramm | 224 |
| Taxon | 1 |
| Text | 13 |
| Umweltprüfung | 1 |
| unbekannt | 19 |
| License | Count |
|---|---|
| Geschlossen | 22 |
| Offen | 230 |
| Unbekannt | 7 |
| Language | Count |
|---|---|
| Deutsch | 231 |
| Englisch | 63 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Bild | 3 |
| Datei | 4 |
| Dokument | 22 |
| Keine | 158 |
| Webseite | 81 |
| Topic | Count |
|---|---|
| Boden | 219 |
| Lebewesen und Lebensräume | 248 |
| Luft | 198 |
| Mensch und Umwelt | 254 |
| Wasser | 240 |
| Weitere | 259 |