Other language confidence: 0.8979669286405316
The Amazon Tall Tower Observatory (ATTO) is a joint German-Brazilian project launched in 2009. ATTO is with its tall tower, the associated research infrastructure and scientific plots a unique interdisciplinary scientific platform in a region of global significance. Its core objective is to obtain a detailed understanding of the biogeochemical cycles and energy fluxes at the geo-, bio-, atmosphere interface in the Amazon, and to integrate this knowledge into diverse climate and Earth system models to improve our prognostic abilities regarding climatic and ecological processes as well as our understanding of the various effects of global climate change. The ATTO Data Portal is a data management platform, built for storing, sharing, exchanging and publishing data of the ATTO research consortium scientists.
Die Gesundheitsfolgen des Klimawandels sind bisher aufgrund ihrer Komplexität unzureichend erforscht. So beeinflusst der Klimawandel die menschliche Gesundheit auf verschiedenen, oft indirekten Wegen: Typische Wirkungspfade in Sub-Sahara Afrika sind verringerte landwirtschaftliche Erträge mit Auswirkungen auf Ernährung, Hitzestress und hydro-klimatische Extreme und deren Auswirkungen auf die Malariaprävalenz. Es reicht also nicht, nur direkte Klimavariablen als erklärende Größen zu verwenden. Dieses Teilprojekt liefert deshalb neben raum-zeitlich hoch aufgelösten Klimagrößen auch bio-physikalische Klimafolgenindikatoren wie hydro-klimatischer Extreme (Dürren und Hochwasser) und landwirtschaftliche Ertragsdynamiken zur Beschreibung von Gesundheitsfolgen. Die Übersetzung historisch beobachteter Klimadaten und hochaufgelöster Klimaprojektionen in relevante Klimafolgenindikatoren (landwirtschaftliche Erträge, Wasserverfügbarkeit, Überflutungsflächen, etc.) erfolgt über ein regionales Klimafolgenmodell, das hydrologische und Vegetationsprozesse sowie landwirtschaftliches Management und Produktion integriert. Die Daten stehen dann als erklärende Variablen zur Ableitung der Klimawirkungsfunktionen aus Gesundheitsdaten zur Verfügung, wo entsprechende Beobachtungsdaten fehlen. Einmal definiert, werden die Wirkungsfunktionen verbunden mit den Klima- und biophysikalischen Klimafolgensimulationen genutzt, um i) Gesundheitsprojektionen für die Zukunft zu erstellen und dabei nichtlineare Wirkungen des Klimawandels über bio-physikalische Indikatoren zu berücksichtigen, ii) mögliche Anpassungsoptionen zu bewerten und iii) die Gesundheitsfolgen für die Zielländer über räumlich aufgelöste Prädiktoren hochzuskalieren und für die sozio-ökonomische Folgenuntersuchung bereit zu stellen. In den ersten 3 Jahren lag der Schwerpunkt auf technischen Aspekten und methodischen Arbeiten in Bezug auf das Klima-Downscaling und die Modellierung der biophysikalischen Eingangsdaten für die Gesundheitsreaktionsfunktionen. Mit den neuen 1 km-Klimadaten sind wir sogar über das ursprünglich geplante Ziel der räumlichen Detaillierung hinausgegangen, was folglich eine höhere Auflösung der biophysikalischen Wirkungsdaten für die Wirkungsreaktionsfunktionen ermöglichte. Damit ist ein klarer Fahrplan für die in der nächsten Projektphase geplanten Studien vorgegeben, welche zum Ziel haben, den Teilprojekten die von ihnen benötigten Klimafolgendaten zur Verfügung zu stellen und sie bei der mathematischen Modellierung zu unterstützen: i) Zusammenstellung und Prüfung der 1 km-Klimadaten für Burkina Faso und Kenia ii) 1 km kontrafaktische Klimadaten zur Zuordnung von Gesundheitsauswirkungen iii) Simulation und Test von hochauflösenden biophysikalischen Daten für Burkina Faso und Kenia unter Szenariobedingungen iv) Zusammen mit den Projektpartnern Formulierung von Adaptation-Response-Functions v) Bereitstellung von biophysikalischem und gesundheitsbezogenem Input für ökonomische Modellierung
Within WASCAL a large number of heterogeneous data are collected. These data are mainly coming from different initiated research activities within WASCAL (Core Research Program, Graduate School Program) from the hydrological-meteorological, remote sensing, biodiversity and socio economic observation networks within WASCAL, and from the activities of the WASCAL Competence Center in Ouagadougou, Burkina-Faso.
Flying alternative trajectories for the benefit of ClimateF4ECLIM's primary aim is to advance aCCFs by integrating weather forecasts and climate science to address uncertainties tied to CO2, contrails, ozone, methane, and water vapor climate effects. This involves evolving aCCFs to version 2.0, broadening their geographical scope (currently limited to the North Atlantic), considering diverse weather and seasonal patterns, and incorporating various climate metrics. These advancements will feed into a climate service for the aviation community. Additionally, F4ECLIM will explore aviation's potential to reduce its climate impact through the development of robust flight planning algorithms. These algorithms will identify eco-efficient aircraft trajectories, assessing the associated climate impact reduction and costs. Backtesting procedures will be employed to scrutinize trajectories and climate models, providing insights into model specifications. The project will culminate in recommendations and the introduction of key performance indicators (KPIs) to guide stakeholders in implementing eco-efficient trajectories, reducing uncertainties, and advancing understanding of the non-CO2 impact of aviation for a greener future.
Klimafolgen werden typischerweise aus kombinierten Ereignissen (CEs) verursacht, also multivariate Kombinationen von klimatischen Treibern. Beispielsweise kann ein gleichzeitig heißer und trockener Sommer zu Vegetationsschäden führen, deren Auswirkungen oft die von Hitzewellen und Dürren für sich genommen übertreffen; gleichzeitige Waldbrände in mehreren europäischen Ländern können gemeinsam genutzte Einsatzmittel wie Löschflugzeuge überlasten und somit zu größeren Schäden führen. In den letzten Jahren ist aufgrund der Erkenntnis, dass eine univariate Perspektive auf Gefahren Klimarisiken möglicherweise stark unterschätzen und zu Fehlanpassungen führen kann, eine wachsende Zahl wissenschaftlicher Literatur zu CEs entstanden. Unser Verständnis von CEs, einschließlich der Quantifizierung, wie häufig sie auftreten und wie sie sich in Zukunft ändern werden, ist jedoch noch sehr begrenzt. Besonders die begrenzte Anzahl von Beobachtungen und routinemäßig verwendeten Klimamodellergebnissen macht die Forschung zu CEs sehr herausfordernd. Beispielsweise könnte man auf der Grundlage von einem kleinen Stichprobenumfang schlussfolgern, dass CEs an Orten selten sind, wo sie stattdessen sehr häufig sind. Das Hauptziel von ADVICE besteht darin, das volle Potenzial neuartiger Ensembles von Klimamodellen (SMILEs) auszuschöpfen, die Hunderte bis Tausende von Jahren an Daten des gegenwärtigen und zukünftigen Klimas liefern, um unser Verständnis von CEs zu erweitern. ADVICE baut auf früheren bahnbrechenden Beiträgen zur Erforschung von CEs durch den PI auf. Zwei Doktorand*innen werden gleichzeitig auftretendes Feuerwetter in europäischen Ländern und mehrjährige Dürren untersuchen, welche Ökosystemauswirkungen verstärken können, während ein Postdoc und der PI eine Reihe anderer CE-Typen untersuchen werden. ADVICE wird CE-Häufigkeiten und die damit verbundenen Unsicherheiten quantifizieren und so Informationen über Regionen mit erhöhtem CE-Risiko liefern. ADVICE wird Worst-Case-CEs untersuchen, die besonders extreme sozioökonomische Auswirkungen haben können. Die angemessene Kommunikation von Unsicherheiten in Prognosen ist unerlässlich, um irreführende Risikobewertungen zu vermeiden. Daher wird ADVICE verschiedene zukünftige Klimaentwicklungen abschätzen, einschließlich plausibler Worst-Case-Szenarien. Darüber hinaus werden Methoden zur Reduzierung von Unsicherheiten in CE-Projektionen untersucht. Insgesamt wird ADVICE die wichtigsten Vorteile von SMILEs für die Untersuchung von CEs sowie Informationen über die Fähigkeit von Klimamodellen bei der Darstellung von CEs herausarbeiten, was für Klimawissenschaftler*innen wichtig ist. Angesichts der Notwendigkeit einer multivariaten Perspektive in der Risikobewertung, werden die Ergebnisse von ADVICE zu verbesserten Klimarisikoabschätzungen beitragen, was letztendlich die Entwicklung der Anpassung an den Klimawandel unterstützen wird.
Das Eis der höchsten Alpengipfel enthält bislang nicht untersuchte, aber überaus wertvolle Klimainformationen. Die interne Altersstruktur der Gipfelgletscher resultiert aus der Reaktion auf Klimabedingungen, die sie Masse gewinnen, verlieren oder stagnieren lassen. Dieses Klimaarchiv ist noch unerforscht, aber akut bedroht von der gegenwärtigen Erwärmung und Extremereignissen. Zum Beispiel ist unzureichend verstanden wie Klimafluktuationen der letzten 1000 Jahre, speziell die so genannte "kleine Eiszeit", die Gipfelgletscher beeinflusst haben. Um diese Frage zu beantworten braucht es Altersinformation über die Gletscherschichtung. Da Abzählen von Jahresschichten nicht möglich ist, muss die Datierung über radiometrische Verfahren erfolgen. Im Altersbereich zwischen 100 und 1000 Jahre vor heute hat nur das Radioisotop des Edelgases Argon, 39Ar, eine passende Halbwertszeit von 269 Jahren, um als Datierungswerkzeug eingesetzt werden zu können. Allerdings ist das Vorkommen von 39Ar in der Natur so gering, dass 1 kg modernes Eis nur etwa 10.000 Atome an 39Ar beinhaltet. Technische Durchbrüche in der Messung von 39Ar in einer Atomfalle (ArTTA) haben es ermöglicht, die benötigte Probenmenge von Tonnen auf ein paar Kilogramm zu reduzieren. Erst dadurch wird die Anwendung zur Gletschereisdatierung durchführbar. Dieses Projekt wird die Methode der ArTTA Datierung für Gletschereis entwickeln, validieren und zur Entschlüsselung neuartiger Klimaarchive anwenden. Bereits bestehende Forschung an der ÖAW und der Uni Heidelberg bieten eine einzigartige Möglichkeit, dieses Vorhaben umzusetzen. Eine in Zusammenarbeit durchgeführte Pilotstudie hat bereits die Machbarkeit des Vorhabens belegt. Daran anschließend soll nun systematisch das Potential der Methode beurteilt werden. Zur Validierung werden Gletscher mit bereits bekannter Altersinformation und zusätzliche radiometrische Datierungen (z.B. über 14C) eingesetzt. Das 39Ar-Datierungsverfahren wird exemplarisch angewendet, um die Klimainformation in der Altersstruktur eines Gipfelgletschers zu rekonstruieren. Die Kenntnis der heutigen Energie- und Massenbilanz ermöglicht die Zuordnung von Akkumulationsänderungen der Vergangenheit zu den ursächlichen Klimaänderungen. Ihre Infrastruktur und hohe Informationsdichte machen die Alpen ein ideales Forschungsfeld für dieses Vorhaben. Schlussendlich wird das 39Ar-Datierungsverfahren für die Paläoklimaforschung erschlossen, mit einem möglicherweise ähnlichen Innovationsschub wie die Anwendung von 14C zur Eisdatierung. Den Einfluss vergangener Klimaschwankungen auf Gipfelgletscher besser zu verstehen wird auch ihre Zukunft besser vorhersagbar machen, mit direkter Relevanz zur Adaption an die sich ändernden Klimabedingungen, aber auch als Beitrag zum Verständnis kleinräumiger Klimaschwankungen und zur Bewusstseinsbildung im Hinblick auf den Klimawandel im Alpenraum.
Die Qualität von Wettervorhersagen, saisonalen Simulationen und Klimaprojektionen hängt entscheidend von der Darstellung von Land-Atmosphäre (L-A) Rückkopplungen ab. Diese Rückkopplungen sind das Ergebnis eines hochkomplexen Netzwerks von Prozessen und Variablen, die mit dem Austausch von Impuls, Energie und Masse im L-A-System zusammenhängen. Derzeit gibt es in diesem Bereich erhebliche Wissenslücken, die das vorgeschlagene Projekt schließen soll. Die Land Atmosphäre Feedback Initiative (LAFI) ist ein interdisziplinäres Konsortium von Wissenschaftler:innen aus Atmosphären-, Agrar- und Bodenwissenschaften, Biogeophysik, Hydrologie und Neuroinformatik, das eine neuartige Kombination fortschrittlicher Forschungsmethoden vorschlägt. Das übergeordnete Ziel von LAFI ist es, L-A-Rückkopplungen durch synergistische Beobachtungen und Modellsimulationen von der turbulenten (ca. 10 m) bis zur Meso-Gamma-Skala (ca. 2 km) über tägliche bis saisonale Zeitskalen zu verstehen und zu quantifizieren. LAFI besteht aus einer Reihe eng miteinander verflochtener Projekte, die sich mit sechs Forschungszielen und Hypothesen befassen zu 1) alternativen Ähnlichkeitstheorien, 2) der Landoberflächen-Heterogenität, 3) der Partitionierung der Evapotranspiration, 4) dem Entrainment, 5) der synergetischen Untersuchung von L-A-Feedback und 6) eine Ad-hoc-Untersuchung von Klimaextremen, falls während des gemeinsamen Feldexperiments Dürren oder Hitzewellen auftreten. Die Zusammenarbeit zwischen den zwölf Projekten wird durch drei Querschnittsarbeitsgruppen zu tiefergehendem Lernen, Sensorsynergie und Upscaling sowie dem LAFI-Multimodell-Experiment gestärkt. Unsere Forschung umfasst A) die Erweiterung und den Betrieb des Land-Atmosphere Feedback Observatory der Universität Hohenheim mit einer einmaligen Synergie von Instrumenten, z. B. die erstmalige Kombination von Messungen von Wasserisotopen, faseroptischen Temperatursensoren und scannende Lidar-Systeme sowie die Auswertung der Langzeitdatensätze des Meteorologischen Observatoriums Lindenberg des Deutschen Wetterdienstes, B) wenig untersuchte und verstandene Prozesse im L-A-System wie z. B. Entrainment, C) die Verbesserung und Anwendung von L-A Systemmodellen bis hinunter zu den turbulenz-erlaubenden Skalen mit erweiterter Darstellung von Vegetation und stabilen Wasserisotopen, D) die Anwendung von Methoden des tiefergehenden Lernens zur Identifizierung von potenziell neue Faktoren in Prozessbeschreibungen, die in das L-A-System der nächsten Generation integriert werden sollen. Damit werden wir den mehrdimensionalen Phasenraum von L-A-Systemvariablen mit prozessbasierten Metriken über eine gesamte Vegetationsperiode charakterisieren. Gefördert durch die eng verwobene Verbundforschung ist die LAFI-Forschungsgruppe in der Lage, entscheidende neue Erkenntnisse zu gewinnen, um unser Verständnis von L-A-Rückkopplungen zu vertiefen und die Kopplungsstärken über landwirtschaftliche Regionen in Mitteleuropa zu charakterisieren.
Insbesondere der Einfluss der Eigenschaften von Vegetationskronen und ihrer räumlich-zeitlichen Dynamik auf Rückkopplungen zwischen der Landoberfläche und der Atmosphäre (d. h. Temperatur, Niederschlag, Luftfeuchtigkeit, Eigenschaften der atmosphärischen Grenzschicht) sind nicht abschließend geklärt. Ein Hauptgrund dafür ist, dass hochauflösende Beobachtungsdatenprodukte (z. B. zur Vegetationskronenfeuchte) noch nicht mit hoher räumlicher Auflösung (Dekameter-Skala) und für mehrjährige Zeitserien verfügbar sind: weder aus der Fernerkundung noch von Modellen. Darüber hinaus können Heterogenitäten der Landoberfläche (z. B. Vielfalt in der Vegetationsbedeckung) erhebliche Auswirkungen auf Rückkopplungsprozesse zwischen Baumkronen und benachbarter Atmosphäre haben, ihre Darstellung in Modellen reicht jedoch bei hohen räumlichen Auflösungen nicht aus. Um diese Lücken zu schließen, werden auf der Fernerkundung basierende Produkte entwickelt, um einige der vielfältigen unterschiedlichen Vegetationsbedingungen zu berücksichtigen. In diesem Sinne besteht die Idee von Projekt 2 darin, eine Reihe von Eigenschaften der Vegetationskrone zu überwachen, einschließlich Wassergehalt (z. B. Boden- und Vegetationsfeuchtigkeit) und Flüsse (z. B. Evapotranspiration) sowohl vor Ort (In-situ-Daten) als auch auf regionalen (Erdsystemmodelle) Skalen. Der Ansatz nutzt die potenziellen Synergien zwischen optischen, passiven und aktiven Mikrowellensensoren, die ergänzende Informationen bieten, um Fernerkundungssignale (z. B. Mikrowellendämpfung) in biophysikalische Variablen (z. B. gravimetrische Vegetationsfeuchtigkeit, Evapotranspiration oder Vegetationsstruktur und -dichte) umzuwandeln. Diese einzigartigen und beispiellosen Datensätze der satellitengestützten Multisensor-Fernerkundung werden in Land-Atmosphäre (L-A) Modelle eingespeist, um Grenzschichteigenschaften und L-A-Rückkopplungen zu bestimmen und zu analysieren. Alle diese Landoberflächenvariablen können synergetisch dazu beitragen, den Zusammenhang zwischen Boden, Vegetation und den Prozessen der atmosphärischen Grenzschicht zu verstehen und L-A-Modelle zu initialisieren. P2 konzentriert sich direkt auf die hochauflösende (Dekameter-Skala) Bestimmung von Zuständen und räumlich-zeitlichen Dynamiken der Feuchtigkeit, Temperatur und Topographie der Vegetationskrone, um Feuchtigkeits- und Temperaturverteilungen zur Beurteilung der Transpiration und der Form sowie der 3D-Dynamik der atmosphärischen Rauheitsunterschicht nach zu verfolgen. Dies wird durch die Kombination von Multisensor-Fernerkundungsbeobachtungen (z. B. Copernicus Sentinel-Satelliten und weltraumgestützte LiDARs) erreicht. Räumlich-zeitlich dynamische Informationen dieser Vegetationsvariablen werden für die Integration in die Reihe an Land-Atmosphäre-Modellen von LAFI vorbereitet, um Grenzschichteigenschaften zu bewerten und L-A-Rückkopplungen zu verstehen.
Deep Learning (DL) hat sich auch in den Erdsystemwissenschaften in den letzten Jahren rasant entwickelt. Allerdings ist die genaue Art, wie DL Systeme Probleme lösen kaum zugänglich (eine black box). In diesem Projekt werden wir DL und andere Ansätze des maschinellen Lernens entwickeln, um sowohl Land-Atmosphärische (L-A) Rückkopplungsprozesse besser zu verstehen als auch um quantitative Relationen herzuleiten, die aktuelle Ansätze wie die Monin-Obukhov similarity theory (MOST) übertreffen. Die interdisziplinäre Kollaboration in diesem Konsortium und die Daten, die zusammengetragen werden, wird den Erfolg dieses Projektes sicherstellen. Wie werden Daten-getriebene aber wohl-strukturierte DL und andere Ansätze des maschinellen Lernens verfolgen. Wir wollen (1) Satelliten Daten nutzen um die Landoberflächentemperatur und die Feuchtigkeit der Vegetationsschicht zu bestimmen; (2) Möglichkeiten untersuchen, die Energiebalance herzustellen; (3) Abhängigkeiten der Oberflächenflüsse vom Terrain bis hin zum Entrainment untersuchen und identifizieren, um aktuelle Ansätze wie MOST und Bulk-Richardson-Zahl zu verbessern; (4) ein erstes Foundation-Modell entwickeln, um den Phasenraum zu analysieren und multiple L-A Relationen generieren zu können. Wir werden dabei vier Hauptansätze des maschinellen Lernens nutzen: (A) DL Methoden, die darauf optimiert sind, mit Hilfe von redundanten Daten die räumliche Auflösung einer Datengröße zu erhöhen; (B) die Parametrisierung von Physik-basierten Gleichungen und deren Approximation; (C) die Integration von physik-informierten Induktiven Biases in DL, um das Lernen und die Generalisierung zu verbessern; (D) selbst-informiertes und konrastierendes DL zur Entwicklung eines L-A Foundation Modells. Alle Techniken werden die inhärent limitierte Vorhersagbarkeit der Prozesse berücksichtigen. Um unser Verständnis der L-A Kopplungsprozesse zu verbessern, werden wir DL und andere Ansätze des Maschinellen Lernens schachteln und Relevanzanalysen durchführen. Dadurch werden wir fundamentale, teilweise neue Zusammenhänge, Prozessgleichungskomponenten, Prozessparametrisierungen und notwendige Berechnungsschritte ergründen - insbesondere solche, die für die Generierung von akkuraten und allgemein gültigen Relationen zwischen atmosphärischen Variablen notwendig sind. In Kollaboration mit P2 werden wir das Vorhersagepotential von Satellitendaten erforschen. Zusammen mit P1, P3, P5, und P6 werden wir Oberflächen- und Entrainmentflussrelationen ableiten, Komponenten der Energiebalance herleiten, und Evapotranspiration aufspalten. Unser Projekt führt CCWG-DL. Es wird Hilfestellungen und Workshops anbieten, um andere Daten effektiv mit Verfahren des maschinellen Lernens analysieren zu können und weitere Relationen aufdecken zu können - wie zum Beispiel Einflüsse der Landoberflächenstruktur (P5) und die Bestimmung der Blending Height (P1). Beiträge zu O1, O2, O3, O4 und OS sind zu erwarten.
Der Umsetzungsplan der COP27 enthält eine sehr klare Aussage. "Ein Drittel der Welt, darunter 60% von Afrika, hat keinen Zugang zu Frühwarn- und Klimainformationsdiensten". Dies gilt vor allem für niederschlagsbezogene Warnungen. Der Grund dafür ist das fast vollständige Fehlen von Wetterradaren auf in Afrika und die mangelnde Dichte von Niederschlagsmessstationen. Im Gegensatz dazu sind geostationäre Satelliten (GEOsat) und potentiell auch kommerzielle Richtfunkstrecken (CML) und Satelliten-Mikrowellenverbindungen (SML) nahezu in Echtzeit verfügbar und können zur Niederschlagsschätzung verwendet werden. Die quantitative Niederschlagsschätzung (QPE) aus GEOsat-Daten ist jedoch aufgrund der indirekten Beziehung zwischen der Niederschlagsmenge und den tatsächlichen Messungen, die im sichtbaren und infraroten Spektrum durchgeführt werden, eine Herausforderung. Für die QPE aus SML- und CML-Daten, insbesondere auf der Grundlage groß angelegter CML-Studien in Europa, wurde gezeigt, dass sie mit der QPE aus Radar- und Regenmessern gleichwertig sein kann. In Ermangelung von Referenzdaten, wie es in Entwicklungsländern häufig der Fall ist, sind die bestehenden maßgeschneiderten semi-empirischen Prozessierungsmethoden jedoch oft nicht direkt anwendbar. GEOsat-Daten haben das Potenzial, die CML/SML-Prozessierung in diesen Regionen zu unterstützen, und umgekehrt könnte die CML/SML-QPE zur Anpassung der GEOsat-QPE verwendet werden. Das übergeordnete Ziel des Projekts MERGOSAT ist daher die Entwicklung neuartiger Methoden zur Erstellung verbesserter Echtzeit-Niederschlagskarten für datenarme Regionen durch eine Kombination von GEOsat-Daten und CML/SML-QPE. Um dieses Ziel zu erreichen, werden wir uns auf drei Aspekte konzentrieren: 1) Schaffung einer Grundlage für allgemeinere CML/SML-QPE-Modelle durch Verbesserung des Verständnisses der Prozesse die die EM-Ausbreitung von CML und SML beeinflussen. 2) Entwicklung geeigneter CML/SML-QPE-Modelle, die in datenarmen Regionen anwendbar sind, aufbauend auf den neuen Erkenntnissen über WAA und DSD und unter innovativer Nutzung von GEOsat-Daten. 3) Verbesserung der GEOsat-QPE mit DeepLearning-Methoden und Entwicklung eines neuen Verfahrens, das die Zusammenführung mit CML/SML-Daten mit sub-stündlicher Auflösung ermöglicht. Wir werden unsere Forschung auf unser umfangreiches Archiv von CML-Daten, auch aus Afrika, und die zunehmende Verfügbarkeit von SML-Daten stützen. Zusätzliche Daten aus Feldexperimenten werden mit modernsten Simulationen der EM-Ausbreitung kombiniert. Darüber hinaus werden wir neueste Techniken des DeepLearnings und unsere Hochleistungs-Recheninfrastruktur nutzen. In Kombination mit den erweiterten Fähigkeiten des kürzlich gestarteten MTG GEOsat wird uns dies ermöglichen, unsere Ziele erfolgreich anzugehen und die methodische Grundlage zu schaffen, die erforderlich ist, um datenarme Regionen mit verbesserten und zuverlässigen Niederschlagsinformationen nahezu in Echtzeit zu versorgen.
| Organisation | Count |
|---|---|
| Bund | 25 |
| Europa | 2 |
| Wissenschaft | 35 |
| Type | Count |
|---|---|
| Förderprogramm | 25 |
| Repositorium | 16 |
| License | Count |
|---|---|
| Geschlossen | 1 |
| Offen | 37 |
| Unbekannt | 3 |
| Language | Count |
|---|---|
| Deutsch | 27 |
| Englisch | 39 |
| Resource type | Count |
|---|---|
| Webseite | 41 |
| Topic | Count |
|---|---|
| Boden | 29 |
| Lebewesen und Lebensräume | 27 |
| Luft | 37 |
| Mensch und Umwelt | 41 |
| Wasser | 24 |
| Weitere | 41 |