Das Projekt "Änderungen der Cant Speicherung und Änderungen in den Bildungsraten für Zwischen- Tiefen- und Bodenwasser im globalen Ozean, 1982 - 2015" wird/wurde gefördert durch: Deutsche Forschungsgemeinschaft. Es wird/wurde ausgeführt durch: Universität Hamburg, Fachbereich Erdsystemwissenschaften, Institut für Meereskunde.Die erste Antragsphase war auf die Bildungsraten und die Speicherung von anthropogenem Kohlenstoff (Cant) im Antarktischen Zwischenwasser (AAIW) fokussiert. Mit Hilfe von Freon (CFC) Daten konnten wir eine signifikante Reduktion der AAIW Bildungsrate von den 1990ern zu den 2000ern Jahren feststellen. Dies führte zu einer geringeren Steigerung der Cant Speicherung als vom atmosphärischen Cant Anstieg und einem unveränderten Ozean zu erwarten war. Um den Schwierigkeiten mit den Randbedingungen auszuweichen (Pazifisches AAIW strömt über die Drake Passage auch in den Atlantik und weiter in den Indischen Ozean) planen wir nun ein globales Vorgehen um in allen Ozeanen die Bildungsraten und Cant Speicherungen in den Zwischen- Tiefen- und Bodenwassermassen zu berechnen. Darüber hinaus wird der Zeitraum bis 2015 ausgedehnt, und wo immer die Datenlage es zulässt, Pentaden- anstatt Dekadenmittelwerte gebildet. Verwendet wird der aktualisierte GlODAPv2 Datensatz und eigene Daten.Die Berechnungen aus den Beobachtungen werden mit den Ergebnissen eines wirbelauflösenden globalen Ozeanmodells (1/10 Grad) kombiniert. Das POP Modell (Los Alamos Laboratory Parallel Ocean Program) mit eines horizontalen Auflösung von 0.1 Grad und 42 Tiefenstufen wird für die letzten 20 Jahre mit einem realistischen Forcing angetrieben und enthält außerdem die Freone als Tracer. Neben dem Vergleich mit einem klimatologischen Antrieb wird das Modell zur Weiterentwicklung der Tracer-Methode verwendet wir z.B. die Unsicherheit von zu wenig Datenpunkten und der Extrpolationsroutine auf die Bildungsraten / Cant Speicherungen. Ein weiterer wichtiger Punkt wird die Bestimmung der TTDs aus Lagrange Trajektorien und der Vergleich mit TTDs aus Tracermessungen sein, sowie die Untersuchung der Rolle der Wirbel, der Vermischung durch Wirbel und der vertikalen Vermischung.
Für die sehr persistente und sehr mobile Verbindung Trifluoracetat (TFA) wird das abgeschätzte Bildungspotential aus Vorläufersubstanzen, welche als Aktivsubstanzen in Pflanzenschutzmitteln zum Einsatz kommen, dargestellt. Die Abschätzung wurde im Rahmen des Gutachtens „Trifluoracetat (TFA): Grundlagen für eine effektive Minimierung schaffen - Räumliche Analyse der Eintragspfade in den Wasserkreislauf“ (Laufzeit: August 2021-November 2022) vorgenommen. Hier dargestellt ist das flächennormierte TFA-Bildungspotential in kg/km².
Für die sehr persistente und sehr mobile Verbindung Trifluoracetat (TFA) wird das abgeschätzte Bildungspotential aus flüssigem Wirtschaftsdünger dargestellt. Die Abschätzung wurde im Rahmen des Gutachtens „Trifluoracetat (TFA): Grundlagen für eine effektive Minimierung schaffen - Räumliche Analyse der Eintragspfade in den Wasserkreislauf“ (Laufzeit: August 2021-November 2022) vorgenommen. Hier dargestellt ist das flächennormierte TFA-Bildungspotential je Landkreis in kg/km².
Das Projekt "Transferlernen für KI-Geschäftsmodellinnovationen in digitalisierten, transparenten Verteilnetzen, Teilvorhaben TU Dortmund: Entwicklung einer Simulation as a Service-Architektur für detaillierte Verteilnetzsimulationen on demand" wird/wurde gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz. Es wird/wurde ausgeführt durch: Technische Universität Dortmund, Institut für Energiesysteme, Energieeffizienz und Energiewirtschaft.
Das Projekt "Transferlernen für KI-Geschäftsmodellinnovationen in digitalisierten, transparenten Verteilnetzen, Teilvorhaben PSI: Entwicklung und Erprobung einer State Estimation Validierungsumgebung zur Bewertung innovativer Netzüberwachungsfunktionalitäten" wird/wurde gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz. Es wird/wurde ausgeführt durch: PSI Software AG.
Das Projekt "Transferlernen für KI-Geschäftsmodellinnovationen in digitalisierten, transparenten Verteilnetzen, Teilvorhaben OFFIS: Transferlernen und simulationsunterstützer Trainingsalgorithmus" wird/wurde gefördert durch: Bundesministerium für Wirtschaft und Klimaschutz. Es wird/wurde ausgeführt durch: OFFIS e.V..
Das Projekt "Kann 'Patchiness' (fleckenhafte räumliche Verteilung) die Habitatvariabilität in planktischen Foraminiferen erklären?" wird/wurde gefördert durch: Deutsche Forschungsgemeinschaft. Es wird/wurde ausgeführt durch: Universität Bremen, Zentrum für marine Umweltwissenschaften.Die Schalen planktischer Foraminiferen zeichnen die physikalischen und chemischen Bedingungen in den oberen Wasserschichten des Ozeans zum Zeitpunkt ihrer Kalzifikation auf. In den Schalen eingeschlossene Spurenelemente- und Isotopensignaturen können für die Rekonstruktion der Schlüsselparameter der Wasserschichten in der Vergangenheit verwendet werden. Um das volle Potenzial dieser Signale zu erschließen, muss die Position in der Wassersäule, in welcher die Kalzifikation der Schale stattfindet, genau bestimmt werden. Beobachtungen aus stratifizierten Planktonnetzen und geochemische Analysen von Schalen aus dem Sediment zeigten, dass die Lebend- und Kalzifikationstiefe sowohl zwischen verschieden Arten als auch innerhalb einer Art variiert. Die Faktoren, die diese Variabilität steuern sind schwer zu identifizieren und das Verständnis wird durch Hypothesen, welche Veränderungen der Habitattiefe während des Lebens im Rhythmus mit Tag/Nacht- und Fortpflanzungszyklen beinhalten verkompliziert. Alle diese Konzepte beruhen auf der Annahme, dass die Verteilung der untersuchten Spezies räumlich einheitlich ist. Falls eine fleckenhafte räumliche Verteilung (Patchiness) der Spezies zutrifft könnten viele der beobachteten Muster und die Habitatvariabilität durch unvorhersagbare räumliche Heterogenität erklärt werden. Wir schlagen vor, stratifizierte Planktonproben, die in einem einzigartigen und bisher nicht durchgefürten Probennahmedesign während der RV METEOR-Expedition M140 gesammelt wurden, für die Bestimmung der Existenz und des Ausmaßes der Patchiness in planktischen Foraminiferen zu verwenden. Durch die Kombination von Faunenzählungen mit automatisierter hochauflösender 3D-Bildsegmentation von replizierten Proben werden wir aufklären, wo in der Wassersäule Individuen verschiedener Größen innerhalb einzelner Arten leben und mittels der Analyse ihrer Isotopensignaturen, wie zeitweilig stabil diese Lebensräume sind. Diese Ergebnisse werden das Wissen über das Ausmaß der Populationsstruktur marinen Mikrozooplanktons signifikant verbessern. Dadurch wird sowohl eine realistischere Repräsentation ihres Habitats in Modellen und Proxies als auch die korrekte Interpretation von punktuellen Beobachtungsdaten für globale Kohlenstoffbudgetabschätzungen ermöglicht.
Das Projekt "Ensemble projections of hydro-biogeochemical fluxes under climate change" wird/wurde gefördert durch: Deutsche Forschungsgemeinschaft. Es wird/wurde ausgeführt durch: Universität Gießen, Institut für Landschaftsökologie und Ressourcenmanagement, Professur für Landschafts-, Wasser- und Stoffhaushalt.Uncertainty estimation in hydro-biogeochemical modeling is an ongoing area of research that focuses primarily on the investigation of stochastic model uncertainty. The evaluation of structural model uncertainty remains unusual, however there are various techniques available to quantify structural uncertainty. Ensemble modeling is one such technique that is commonly used in climatology and meteorology; disciplines where the structural uncertainty of predictive models has long been established. Its application in hydrological modeling is, however, much less common. Here we propose to evaluate structural uncertainty through *P ensemble modeling, using a set of four models to predict hydrological and nitrogen fluxes: SWAT, LASCAM, HBV-N and CMF-N. The models were selected to represent the range of complexity found in catchment scale modeling, from conceptual models to physically-based approaches, and from lumped to fully distributed descriptions. The GLUE concept is applied to quantify parameter uncertainty. This approach leads to the formulation of single-model ensembles. These single-model ensembles are then combined to produce different sets of probabilistic and deterministic multi-model ensembles. These multi-model ensembles are used to quantify the contribution of structural errors to overall predictive uncertainty. The development of conditional multi-model ensembles represents a large component of the work plan. In this case, the selection of the multi-model ensemble members is based on the capability of different model structures and parameterizations to capture certain conditions of the investigated catchments such as high-low flow, freeze-thaw cycles, or rewetting after extended droughts. The ensemble model is applied to German, Swedish and Australian catchments, and covers a broad range of different climatic boundary conditions, land uses and levels of anthropogenic disturbances.
Das Projekt "Emissions-Inventur Landwirtschaft für Österreich für den Teilbereich Manure Management" wird/wurde gefördert durch: Umweltbundesamt GmbH. Es wird/wurde ausgeführt durch: Universität für Bodenkultur Wien, Institut für Landtechnik.Die verbesserte Emissionsinventur für CH4-, N2O und NH3-Emisionen aus dem Bereich Landwirtschaft wurde in Zusammenarbeit mit einem Projektteam der ARC Seibersdorf research GmbH erstellt. Dieses Team bearbeitete die Teilbereiche Enteric fermentation, Agricultural soils und Indirect N2O emissions from agricultural activities. Das ILUET erstellte die Inventur für den Bereich Wirtschaftsdüngermanagement für die Jahre 1980 bis 2001. Die Vorgehensweise bei der Berechnung und Darstellung der Ergebnisse orientierte sich an international anerkannten Methoden: IPCC-Guidelines für CH4- und N2O-Emissionen und CORINAIR für NH3-Emissionen. Zusätzlich wurden Unsicherheiten der Emissionsangaben quantifiziert. Grundlage dieser Quantifizierung war das Kapitel 6 des IPCC-Handbuches Good Practice Guidance and Uncertainty Management in National Greenhouse Gas Inventories. Die Berechnungen erlauben neben der Abschätzung der tatsächlichen Emissionen auch die Darstellung des Einflusses der Bewirtschaftungsform. Von besonderer Bedeutung ist hier die Umstellung von intensiver Landbewirtschaftung auf mehr extensive Formen der Landbewirtschaftung wie beispielsweise dem biologischen Landbau. Diese Umstellung kann Auswirkungen auf den Umfang von Emissionen während der Wirtschaftsdüngerlagerung haben. Im biologischen Landbau spielen tiergerechte Haltungssysteme eine bedeutende Rolle. Diese beinhalten meist die Verwendung von Stroh, mitunter auch eine Umstellung von Flüssigmist auf Festmist. Die extensivere Fütterung der Tiere verändert die Zusammensetzung der Wirtschaftsdünger. Der Stickstoffgehalt im Wirtschaftsdünger sinkt. Dadurch reduziert sich das Potential für NH3- und N2O-Emissionen. So weit als möglich wurden die Emissionen mit für Österreich typischen Emissionsfaktoren und Activity Data berechnet. Sollten keine österreich-spezifischen Daten verfügbar sein, so wurde auf internationale Vereinbarungen zurückgegriffen. Die Studie widmet der Option Biogaserzeugung besondere Aufmerksamkeit. Biogas ist ein regenerativer Energieträger. Es wird im Blockheizkraftwerk zu Strom und Wärme umgewandelt. Biogaserzeugung verhindert nicht nur während der Wirtschaftsdüngerlagerung das unkontrollierte Entweichen von Methan in die Atmosphäre, sondern reduziert auch CO2-Emissionen, die aus der Verbrennung fossiler Energieträger resultieren. Möglichkeiten zur Verbesserung der Emissionsinventur werden detailliert beschrieben. Die Futteraufnahme von Rindern und Schweinen ist eine wichtige Input-Größe zur Berechnung der Emissionen. Wissenslücken bestehen besonders bei der Zusammensetzung biologischer Futterrationen. Methanemissionen aus Wirtschaftsdüngern werden mit Hilfe des maximalen Methanbildungsvermögens (B0-Wert) und des Methanumwandlungsfaktors (MCF) berechnet. Beide Faktoren sind mit großen Unsicherheiten behaftet. Die Datenqualität muß durch Versuche in Labor und Praxis verbessert werden. Gleiches gilt für N2O-Emissionsfaktoren. U.s.w.
Das Projekt "Integrating Cloud Observations from Ground and Space - a Way to Combine Time and Space Information (ICOS)" wird/wurde gefördert durch: Deutsche Forschungsgemeinschaft. Es wird/wurde ausgeführt durch: Universität Köln, Institut für Geophysik und Meteorologie, Bereich Meteorologie, Arbeitsgruppe Integrierte Fernerkundung.Cloud processes remain one of the largest challenges in atmospheric research partly due to a gap in statistically significant observations of cloud macro- and microphysical properties. The most detailed and continuous observations available today come from the combination of state-of-the-art ground-based sensors at a few 'super sites' worldwide. The integrated profiling technique (IPT) developed by the proposers has been established to provide cloud liquid water (LWC) profiles with their error and the associated environmental conditions (temperature, humidity) from a combination of microwave radiometer, cloud radar and ceilometer. Here we propose to extend this method by incorporating satellite observations by Meteosat SEVIRI into the IPT optimal estimation framework for the additional retrieval of cloud microphysics (effective radius, optical thickness) and cloud radiation budget. In addition SEVIRI measurements will be exploited to provide auxiliary information on a) the history of the cloud observed at the super site (lifetime, microphysical development, environment) and b) the representativeness of the cloud for the cloud field around the site. The method will be developed on the basis of existing data sets from observation sites at Cabauw, Lindenberg and AMF/Murg Valley.
| Origin | Count |
|---|---|
| Bund | 36 |
| Type | Count |
|---|---|
| Förderprogramm | 34 |
| unbekannt | 2 |
| License | Count |
|---|---|
| offen | 36 |
| Language | Count |
|---|---|
| Deutsch | 22 |
| Englisch | 29 |
| Resource type | Count |
|---|---|
| Keine | 23 |
| Webseite | 13 |
| Topic | Count |
|---|---|
| Boden | 30 |
| Lebewesen & Lebensräume | 32 |
| Luft | 26 |
| Mensch & Umwelt | 36 |
| Wasser | 27 |
| Weitere | 36 |