Die TA Siedlungsabfall schreibt eine Vorbehandlung von Restmuell aus Haushaltungen und Gewerbe sowie von Klaerschlaemmen vor der Deponierung vor. Durch die Inertisierung werden der Sickerwasseranfall, die Gasbildung und Setzungen des Deponiekoerpers, wie fuer unbehandelte Abfaelle typisch, vermieden. Die BMA soll ein aehnlich stabiles Langzeitverhalten des Deponiegutes ermoeglichen, wie die thermische Oxidation des Restmuells. Hierfuer werden verfahrenstechnische Varianten der BMA sowie die erforderlichen Prozessparameter untersucht. Fuer die Senatsverwaltung fuer Stadtentwicklung und Umweltschutz Berlin ist von der ITU 1990 im Rahmen einer Konzeptstudie die BMA entwickelt und in mehreren Bundeslaendern weiterbearbeitet und in Grossversuchen eingesetzt worden. An dem z.Zt. im Land Brandenburg im Technikumsmassstab laufenden Modellprojekt ist die TFH im Rahmen einer Kooperation mit der ITU an der Optimierung der Mieten- und Containerrotte beteiligt. Bei der hier durchgefuehrten biologisch-mechanischen Aufbereitung von Restmuell im technischen Massstab gehen der Intensivrotte in Mieten (Stufe I) und in Rottecontainern (Stufe II) die mechanischen Aufarbeitungsschritte Anlieferung, Sichtung, Zerkleinerung und Siebung des Restmuells voraus und werden in einer der Deponie angeschlossenen Anlage durchgefuehrt. In der Stufe I werden Dreieck- und Trapezmieten unterschiedlicher Groesse und Abdeckung angelegt. Die Rottedauer betraegt 1 bis 5 Monate. Fuer die Optimierung der Intensivrotte in Containern der Stufe II stehen prozessgesteuerte Rottecontainer zur Verfuegung, die ueber eine Temperatur- und Luftregelung, Bewaesserungseinrichtungen, Sickerwassererfassung und Abluftreinigungseinheit verfuegen. Die Fraktion kleiner 60 mm wird zwei Wochen intensiv gerottet und anschliessend drei Monate in Dreiecksmieten nachgerottet. Variiert werden in den Stufen 1 und II die mechanische Aufbereitung, Umsetzintervalle, Belueftung sowie Zuschlagstoffe.
Aerosol-Wolken-Wechselwirkungen führen zu einem effektiven Strahlungsantrieb, der eine der wesentlichen Unsicherheiten im Verständnis und der Interpretation des beobachteten Klimawandels darstellt. Globale Beobachtungen sind nötig, um die relevanten Prozesse besser zu quantifizieren, aber ein wesentlicher Parameter – die Wolkentröpfchenanzahlkonzentration (cloud droplet number concentration, CDNC, Nd) – ist nicht aus operationellen Produkten verfügbar. Auf Basis von substantiellen Vorarbeiten wird CDNC4aci auf verlässliche Satellitenprodukte für Nd hinarbeiten und hier auf einer engen Modell – Daten-Kombination aufbauen: seit Neuem verfügbare wolkenauflösende Simulationen instruieren die Weiterentwicklung der Satellitenprodukte, und umgekehrt werden die Daten genutzt, um das Verständnis und die Bestimmung der Aerosol-Wolken-Wechselwirkungen im Modell und in statistischer Analyse zu verbessern. Konkret wird das Modell Beobachtungen aus verschiedenen Winkel und der Polarisierung für bessere Nd-Produkte nutzen, dazu in den Ableitungsalgorithmen aus dem Modell synthetisierte vertikale Wolkenprofile für unterschiedene Wolkenregime implementieren, eingehend Produktfehler quantifizieren und korrigieren, und statistisch Aerosol-Wolken-Prozesse analysieren. Das Projekt wird in den Datenprodukten enthaltenen Informationen mit Hilfe von Modellsensitivitätsstudien bewerten, Modell und Daten mit Hilfe von Vorwärtsoperatoren kompatibel machen, und Aerosol-Wolken-Wechselwirkungen im globalen Klimamodell untersuchen, nachdem dieses mit Hilfe der neuen Daten evaluiert wurde. Diese Analysen zielen auf eine zwischen Daten und revidiertem Model konsistente und schlüssige Quantifizierung des Aerosol-Wolken-Strahlungsantrieb ab.
Niederschlag ist eine wichtige Komponente des hydrologischen Kreislaufs. Um zu verstehen, wie sich der Wasserhaushalt in einem sich erwärmenden Klima verändert, ist ein umfassendes Verständnis der Niederschlagsbildungsprozesse erforderlich. In den mittleren Breiten wird der meiste Niederschlag unter Beteiligung der Eisphase in Mischphasenwolken erzeugt, aber die genauen Interaktionen zwischen Eis, flüssigem Wasser, Wolkendynamik, orografischem Antrieb und Aerosolpartikeln während der Eis-, Schnee- und Regenbildung sind nicht gut verstanden. Dies gilt insbesondere für Bereifungs- und Sekundäre Eisproduktion (SIP) Prozesse, die mit den größten quantitative Unsicherheiten in Bezug auf die Schneefallbildung verbunden sind. Die Lücken in unserem Verständnis von SIP- und Bereifungsprozesse zu schließen, ist vor allem für Gebirgsregionen entscheidend, die besonders anfällig für Änderungen des Niederschlags und des Wasserhaushalts, wie z.B. des Verhältnisses zwischen Regen und Schneefall, sind. In diesem Antrag wird ein Forschungsprojekt vorgeschlagen, das sich dem Verständnis von Bereifungs- und SIP-Prozessen in komplexem Terrain widmet. Dazu werden wir ein innovatives, simultan sendendes und simultan empfangendes (STSR), scannendes W-Band-Wolkenradar zusammen mit einer neuartigen In-situ-Schneefallkamera eine ganze Wintersaison lang in den Rocky Mountains von Colorado, USA betreiben. Die Instrumente werden Teil der Atmospheric Radiation Measurement (ARM) Surface Atmosphere Integrated Field Laboratory (SAIL) Kampagne sein, bei der ein Ka-Band und ein X-Band Radar eingesetzt werden. Durch die Kombination von spektralen polarimetrischen und Multifrequenz-Doppler-Radarbeobachtungen mit empirischen und Bayes'schen Machine Learning Verfahren werden wir Bereifungs- und SIP-Ereignisse identifizieren und deren Einfluss auf die Schneefallrate quantifizieren. Dies erfordert die Erweiterung des Passive and Active Microwave radiative TRAnsfer Modells (PAMTRA) mit zusätzlichen polarimetrischen Variablen und modernsten Berechnungen von Streueigenschaften. Durch die Nutzung der umfangreichen kollokierten Messungen während SAIL wird es ermöglicht, die beobachteten Prozessraten mit Umweltbedingungen wie Temperatur, Luftfeuchtigkeit und Flüssigwasserpfad sowie mit der Wolkendynamik in Beziehung zu setzen. Darüber hinaus werden wir einen besonderen Fokus auf den Einfluss von vertikalen Luftbewegungen legen, die unter orographischen Bedingungen häufig auftreten. Zusammengenommen wird das vorgeschlagene Projekt unser Verständnis von Bereifungs- und SIP-Prozessen in komplexem Gelände verbessern.
Die Marine Dateninfrastruktur Deutschland (MDI-DE) hat das Ziel, Daten und Informationen aus dem Küsteningenieurwesen, dem Küstengewässerschutz, dem Meeresumweltschutz und dem Meeresnaturschutz über ein gemeinsames Internetportal nachzuweisen. Mithilfe von Metadaten und Webservices werden die Suche nach Daten und deren Nutzung unterstützt. Dabei baut MDI-DE synoptische Verzeichnisse mariner Datenbestände mit einer einheitlichen fachlichen Datengrundlage auf. Damit steht ein qualitätsgesichertes Informationsangebot zur deutschen Küstenzone von Nord- und Ostsee sowie den angrenzenden Meeresgebieten zur Verfügung. Dieser standardisierte Zugang zu Fachdaten entlastet die Partnerdienststellen von Dienstleistungs-Routinearbeiten bei der Bedienung von Nutzeranfragen, Maßnahmenplanung und unterstützt die Interoperabilität. Die MDI-DE ist als operationelles Verfahren für den dauerhaften Einsatz der integrativen Datenbereitstellung und Aufbereitung konzipiert. Die Entwicklung und Implementierung internetbasierter integrierter multidisziplinärer Werkzeuge ermöglicht die gezielte Datenrecherche und die Erfüllung bestehender Informationspflichten. Mit den standardisierten Metadaten zur Dokumentation und den zugehörigen OGC-konformen Webservices zur Nutzung mariner Daten erleichtert MDI-DE wesentlich die Erfüllung der gesetzlichen Anforderungen von INSPIRE und anderer EG-Richtlinien. Die dort geforderten Informationsflüsse werden von der MDI-DE-Informationsinfrastruktur optimal unterstützt. Dadurch hilft MDI-DE den Behörden in der Küstenzone bei der Erfüllung ihrer Berichtspflichten für EU-Rahmenrichtlinien wie MSRL und INSPIRE.
The Risk Index Outcome (RIO) is a critical component of the Polar Operational Limit Assessment Risk Indexing System (POLARIS) developed by the International Maritime Organization (IMO, 2016). RIO evaluates the operational risks for ships navigating in ice-infested waters by evaluating ice conditions and offers a quantifiable measure of risk that aids in decision-making for safe navigation in polar regions based on ship ice class, sea ice type/stage of development (SOD) and sea ice concentration (SIC). The DMI-led Automated Sea Ice Products (DMI-ASIP; Wulf et al., 2024, dataset) provides daily maps of SOD and SIC based on Sentinel-1 SAR imagery, AMSR-2 Passive Microwave and Ice Charts from the Greenland and Canadian Ice Services, combined with novel AI retrieval and processing techniques. In the framework of EU funded Arctic PASSION project, we produced 10 years of satellite observation based weekly RIO maps referred as the Arctic PASSION-RIO (AP-RIO) by leveraging DMI-ASIP datasets. The AP-RIO dataset will provide weekly risk assessment maps for the given ship classes and will support the establishment of a 10 year climatology thereby enabling the assessment of RIO variability in the years covered by the input DMI-ASIP products. The AP-RIO dataset will enhance the safety and efficiency of maritime operations in the polar seas, providing a robust reference for evaluating normal and extreme ice conditions. AP-RIO is produced in the framework of the Arctic PASSION project (European Union's Horizon 2020 research and innovation program under grant agreement No. 101003472) and supported by the DMI-ASIP development team. Algorithm and Processing Scheme: SIC and SOD from ASIP are processed (by taking the mean and mode respectively) into a weekly field based on the daily files for that week. This is done for the time period of 3 Oct. 2014 - 3 Oct. 2024. The weekly SOD is used to find the Risk Value (RV) by looking at the lookup table (Dybkjær et al. 2025a). Risk Index Outcome (RIO) values are computed for each pixel in the field based on the RIO formula (RIO = SIC x RV) using the SIC from ASIP and the found RV. The meaning of the computed RIO values can be interpreted using the table in (Dybkjær et al. 2025b). The RIO field is finally saved to weekly NetCDF files.
Gebrauchte oder minderwertige native Fette und Öle sind eine interessante Energiequelle für Dieselmaschinen, die sich durch eine ausgezeichnete Ökobilanz auszeichnen und nicht in Konkurrenz zu Nahrungs- oder Futtermitteln stehen. Dem Einsatz in Dieselmschinen stehen der i.d.R. hohe Gehalt an Schlackebildnern (Ca, Mg, Na, K, P) und an freien Fettsäuren entgegen. Ziel des Vorhabens ist es, ein Verfahren zu entwickeln, mit dem die o.g. Rohstoffe so aufzuarbeiten sind, dass sie ohne weiteres in Dieselmaschinen eingesetzt werden können. Dazu wurde der Rohstoff einer sauer katalysierten Veresterung mit biogenem Ethanol unterworfen, mit dem die Gehalte sowohl an freien Fettsäuren, als auch an den genannten Schlackebildnern soweit gesenkt werden konnten, dass die Maßgaben der DIN-VN 51 605 erfüllt werden. Abgesehen davon, dass die so gewonnen Treibstoffe aus rein biogenen Rohstoffen bestehen, weisen sie Stockpunkte von teilweise unter -20 Grad Celsius auf.
Abflussprognosen zur Bewältigung von Extremwetterlagen Um das Transportaufkommen in Deutschland auch unter schwierigen Bedingungen zu bewältigen und dies aufrecht zu erhalten bzw. zu steigern, sind verkehrsträgerübergreifende Lösungsansätze notwendig. Ziel dieses Projekt ist es, die Resilienz und die Verfügbarkeit des Verkehrsträgers Wasserstraße bei extremen Wetterereignissen zu erhöhen. Aufgabenstellung und Ziel Etwa 3.000 km der Bundeswasserstraßen sind mit Staustufen ausgebaut, die meist aus einem beweglichen Wehr, einer Schleuse und einem Laufwasserkraftwerk bestehen. Durch das Ändern des Abflusses über das Kraftwerk und über das Wehr hält ein lokaler Regler den gewünschten Oberwasserstand innerhalb der vorgegebenen Stauzieltoleranz. Die Abfluss- und Stauregelung soll dabei mehrere, mitunter gegensätzliche Ziele erfüllen: Einhaltung des Stauziels innerhalb der festgelegten Toleranz, Verminderung von Abflussschwankungen, optimale Nutzung der Wasserkraft und Minimierung des Verschleißes der Wehrverschlüsse. Im Zuge des Klimawandels ist mit einer Zunahme extremer Wetterereignisse zu rechnen. Die Abfluss- und Stauregelung steht gerade in Niedrigwasserperioden vor wachsenden Herausforderungen. Schwankungen des Abflusses sind in diesen Phasen schwierig auszugleichen und Über- bzw. Unterschreitungen der Stauzieltoleranz sind nicht auszuschließen. Dadurch entsteht eine Gefahr für die Schifffahrt. Ziel des vorgestellten Vorhabens ist es, anhand einer fundierten Datenanalyse und der Methode des maschinellen Lernens Zusammenhänge zwischen Niederschlagsereignissen und Abflussschwankungen vertieft zu untersuchen. Zusätzlich sollen Abflussprognosen erstellt werden, welche die Abfluss- und Stauregelung unterstützen. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Die Verwendung maschinellen Lernens für Abflussvorhersagen auf der Basis von Niederschlags- und Zuflussdaten stellt ein vielversprechendes Werkzeug für die WSV dar. Prognosen schaffen einen vorausschauenden Handlungsspielraum für die Abfluss- und Stauregelung, sodass starke Wasserstandsund Abflussschwankungen minimiert und damit die Sicherheit und Leichtigkeit der Schifffahrt erhöht werden. Die Resilienz der Wasserstraße wird dadurch auch unter den zunehmenden Auswirkungen des Klimawandels gesteigert. Untersuchungsmethoden Das Verfahren wird exemplarisch an einer Stauhaltung der Mosel getestet. Die Niederschlagsdaten des Einzugsgebiets der Stauhaltung werden vom Deutschen Wetterdienst im Rahmen der Zusammenarbeit im BMDV-Expertennetzwerk bereitgestellt. Die Pegeldaten der oberliegenden Stauhaltung sowie die der untersuchten Stauhaltung selbst werden von der WSV zur Verfügung gestellt. In einem ersten Schritt werden die Pegeldaten untersucht. Anhand einer Kreuzkorrelation können Abhängigkeiten zwischen dem oberliegenden Pegel und dem Pegel in der untersuchten Stauhaltung aufgezeigt werden. In einem weiteren Schritt werden ebenfalls die Niederschlags- und Wehrdaten betrachtet und deren Zusammenhang mit den Pegeldaten untersucht. Zusätzlich wird eine Methode erarbeitet, um Wasserstandsschwankungen so zu filtern, dass die Werte möglichst unbeeinflusst von Schleusungen und Schifffahrt sind. Im Anschluss an die Aufbereitung der Daten wird nach einer geeigneten Methode des Maschinellen Lernens (ML) gesucht. Dabei werden unterschiedliche ML-Modelle in Python implementiert und trainiert. Der vielversprechendste Modelltyp soll weiter genutzt und mit unterschiedlichen Parametrierungen getestet werden. Hierbei wird immer auf einen Prognosezeitraum von drei Stunden hingearbeitet. Für die Abfluss- und Stauregelung ist eine dreistündige Prognose wünschenswert, um Schwankungen des Abflusses effektiv zu bewältigen.
| Origin | Count |
|---|---|
| Bund | 3057 |
| Land | 39 |
| Schutzgebiete | 1 |
| Wissenschaft | 37 |
| Type | Count |
|---|---|
| Daten und Messstellen | 17 |
| Förderprogramm | 2955 |
| Kartendienst | 1 |
| Taxon | 1 |
| Text | 76 |
| Umweltprüfung | 7 |
| unbekannt | 72 |
| License | Count |
|---|---|
| geschlossen | 127 |
| offen | 2983 |
| unbekannt | 18 |
| Language | Count |
|---|---|
| Deutsch | 2672 |
| Englisch | 617 |
| Resource type | Count |
|---|---|
| Archiv | 24 |
| Bild | 3 |
| Datei | 25 |
| Dokument | 76 |
| Keine | 1849 |
| Unbekannt | 4 |
| Webdienst | 1 |
| Webseite | 1198 |
| Topic | Count |
|---|---|
| Boden | 2290 |
| Lebewesen und Lebensräume | 2001 |
| Luft | 1510 |
| Mensch und Umwelt | 3128 |
| Wasser | 1599 |
| Weitere | 3128 |