API src

Found 3028 results.

Similar terms

s/fallstudiei/Fallstudie/gi

Wechselwirkungen von Trend- und Natursportarten mit der Gesellschaft und ihre Auswirkungenn auf Natur und Umwelt

Das Forschungsprojekt will Trend- und Natursportarten in ihren Wechselbeziehungen zu Umwelt Gesellschaft aufzeigen. Die Sportarten werden überwiegend an ausgewählten Naturstandorten ausgeübt und sind mittlerweile ein bedeutender Faktor in der Freizeit- und Tourismusindustrie. Die Auswirkungen dieser Sportarten auf den Naturraum und die Raumstruktur sind erheblich. Der Antragsteller will die empirische Kenntnis über den Umfang, die Ausübung sowie die Auswirkungen der Trend- und Natursportarten erweitern und systematisieren. Die Untersuchung ist nach dem Prinzip von Fallstudien angelegt. Neben der Analyse der regionalen Raumstruktur der Untersuchungsräume sowie der Auswirkungen der Sportarten auf den Raum, die Natur und Umwelt, stehen auch Sportausübenden selbst und weitere an der jeweiligen Sportart beteiligten Personen (z.B. kommerzielle Veranstalter und deren Angetellte) im Mittelpunkt. Aus den Ergebnissen der sozialempirischen Analyse sowie den Untersuchungen über die Umweltauswirkungen soll ein Modell für die umweltverträgliche Nutzung des Naturraums bei der Ausübung von Natursportarten entstehen. Dieses Modell soll schließlich zu einem Entwurf für nachhaltige Entwicklungsmöglichkeiten in peripheren Räumen durch gezielte Förderung und Lenkung von Trend- und Natursportarten führen.

ThWIC: Integratives Water-Assessment: kennzahlgestützte Bewertung des nachhaltigen Umgangs mit Wasser (WatAs), Teilprojekt A

Vorhersage von Schüttungen alpiner Karstquellen im Hinblick auf den Klimawandel unter Verwendung neuer Deep Learning-Methoden

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.

Kartierung von Klimagasen mittels spektroskopischer Messung von reflektiertem Sonnenlicht

Urbane Emissionen von Kohlendioxid (CO2) und Methan (CH4) machen einen Großteil der Treibhausgasemissionen weltweit aus. Deshalb sind Städte auch Vorreiter bei der Entwicklung von Emissionsreduktionsmaßnahmen zur Mitigation des Klimawandels. Solche Maßnahmen müssen durch räumlich und zeitlich hochaufgelöste, vollständige, verlässliche und verifizierte Informationen begleitet und in Bezug auf ihre Effizienz überprüft werden. Unter den Beobachtungsmethoden für Treibhausgase gibt es allerdings eine Lücke im Bereich der horizontalen, flächendeckenden Kartierung auf der Skala einiger Kilometer. Dort braucht es eine Technik, die die Empfindlichkeitslücke zwischen lokalen in-situ Messungen und regional-integrierenden Säulenmessungen durch Fernerkundungsmessungen füllt.Hier schlage ich vor, urbane Treibhausgasquellen mit einer innovativen und portablen Technik zu studieren, die die CO2 und CH4 Konzentrationsfelder flächendeckend kartieren kann und so die Beobachtungslücke erfasst. Die erste Studienregion ist der Großraum Los Angeles, wo sich die CO2 und CH4 Emissionen auf mehr als 100 MtCO2/a und 300 ktCH4/a belaufen, was die Region zu einer der größten, lokalisierten Quellen weltweit macht. Los Angeles wurde in der Vergangenheit vielfältig in Bezug auf seine Treibhausgasquellen untersucht, indem beispielsweise Inventarisierungen durchgeführt und durch atmosphärische Messungen bewertet wurden. Ein herausragendes Experiment läuft gerade im Rahmen des CLARS-FTS (California Laboratory for Atmospheric Remote Sensing - Fourier Transform Spectrometer) – ein Spektrometer, das auf Mt. Wilson stationiert ist und reflektiertes Sonnenlicht aus dem Los Angeles Stadtgebiet einfängt. Wir haben eine portable Variante dieses Instruments entwickelt und schlagen nun vor beide Instrumente gemeinsam mit kalifornischen Partnern bei einer Feldkampagne zu betreiben.Dabei ist es unser Ziel das neue portable Observatorium zu validieren und für zukünftige Langfristvorhaben zu empfehlen. Dazu wollen wir innovative Beobachtungsmuster wie die Definition von Zoom-Regionen oder die Verwendung von gekreuzten Lichtwegen ausprobieren, um die räumliche und zeitliche Auflösung zu optimieren. Zudem werden wir die Genauigkeiten verbessern, indem wir einen neuen Ansatz der Strahlungstransportmodellierung implementieren, der simultan mit der Gasbestimmung auch die Streuung an atmosphärischen Partikeln berücksichtigt. Für die Fallstudie Los Angeles werden wir die Variabilität und die Gradienten der CO2 und CH4 Konzentrationen auf ihre Konsistenz mit den Emissionsinventaren überprüfen und untersuchen, bis zu welchem Grad sich die Einflüsse des meteorologischen Transports, der regionalen Advektion, episodischer Ereignisse und der urbanen Biosphäre unterscheiden lassen.

Agroecological Transitions for Climate Adaptation and Mitigation

Globally, agriculture covers 40% of the earth’s surface and food systems are responsible for one-third of humanity’s contribution to global climate change. Yet, smallholder and subsistence farmers are among the most vulnerable to climate change, with extreme weather events and related food price volatility affecting livelihoods, biodiversity, and food security at multiple scales. This project builds on transdisciplinary research on agroecological transitions in vulnerable farming communities in Canada, Germany, India and Brazil. We will examine the influence of agroecological networks (farming organizations, institutional actors, and consumer groups) in promoting the perennialization of agriculture to support climate adaptation (improving resilience in livelihoods and food security) and mitigation (increasing carbon sequestration). Perennialization of agriculture integrates annual and perennial crops and trees into the same farming system. Compared to annual cropping systems which currently dominate global agriculture and markets, perennial crops show promise for climate adaptation and mitigation because of their contributions to carbon sequestration in tree biomass and soil organic carbon, and their buffering effects against soil degradation, drought, and other forms of extreme weather and climate variability. From a social wellbeing perspective, agroforestry and other diversified perennial systems offer opportunities to adapt to climate change and escape poverty traps, including higher and more stable farm incomes, balanced agricultural labour across growing seasons, improved working conditions compared to more input-intensive forms of agriculture and improved nutrition and health. Using a participatory action research approach, this project will use a novel methodology to test the relationships between personal, political, and practical leverage points driving the adoption of agroforestry and other practices supporting agricultural perennialization. We will sample farms and organizations in each case study across a diversification gradient from low-diversity farming systems to perennial and agroforestry-based management systems. We will then use qualitative and quantitative methods to assess climate resilience outcomes and estimate the potential of scaling adoption of perennial and agroforestry practices. A cross-case synthesis will take local institutional, environmental, and relational contexts into account to inform decision-making.

Künstliche Intelligenz in der forstlichen Standortskartierung, Teilvorhaben 2: Operationalisierung pedogener Merkmale als Grundlage für die KI-unterstützte Ansprache von Waldböden - Herleitung von Algorithmen und Anwendung in Fallstudien

Innovative Management- und Betriebskonzepte für zukunftssichere und resiliente Wasserinfrastrukturen, Teilprojekt 1

ClimXtreme II, Modul C 'Impacts', ClimXchange: Austausch über Klimaextreme zwischen Wissenschaft und Stakeholdern zur Verringerung von Katastrophenrisiken

OPTIMice-close: Optimierte Kombination von polarimetrischen und Dreifrequenzradarmethoden zum verbesserten Verständnis der mikrophysikalischen Prozesse in kalten Wolken und dazugehörigen Regenfällen

Wolken und Niederschlag gehören zu den größten Herausforderungen für derzeitige Wetter- und Klimamodelle. Der letzte IPCC Bericht stellt heraus, dass insbesondere die mikrophysikalischen Prozesse in Mischphasenwolken bestehend aus Eis und flüssigen Wasser bislang nur unzureichend verstanden sind was wiederum eine bessere Modellierung dieser Wolken erschwert. Mischphasenwolken kommen besonders häufig in den höheren Breiten vor, aber auch die meisten Wolken und Niederschlagprozesse in mittleren Breiten sind eng mit den Eis- und Schneepartikeln im Oberteil der Wolke verknüpft.Um unser Verständnis von diesen zentralen Prozessen zu verbessern, wie etwa die Frage wie Eisteilchen entstehen oder wie sie zu Schnee- oder Graupelpartikel anwachsen, benötigen wir umfangreiche Beobachtungsdatensätze als Basis um Modellparametrisierungen weiter zu verbessern.Daher möchten wir in diesem Projekt neueste Fernerkundungsverfahren, wie etwa Radarpolarimetrie, Dreifrequenzradar und die Radardopplerspektren, optimal mit passiven Beobachtungen und neuartigen in-situ Sensoren kombinieren. Nur durch die Kombination verschiedener Beobachtungstechniken, hat man die Möglichkeit die verschiedenen Einflussgrößen der zugrunde liegenden Prozesse zu unterscheiden. Dazu werden wir die Beobachtungsmöglichkeiten bestehender Infrastruktur mit neuen Messgeräten grundlegend erweitern, um die beschriebenen Prozesse in bislang unerreichter Genauigkeit zu beobachten.Da Fernerkundungsmessungen (z.B. Radarreflektivität) immer eine indirekte Messung der eigentlichen Modellgröße (etwa Eiswassergehalt) sind, werden wir einen Forwärtsoperator entwickeln, mit dem man aus den Modellsimulationen synthetische Beobachtungen erzeugen kann. Damit lassen sich reale und synthetische Messgrößen direkt vergleichen. Ein zentraler neuer Bestandteil des Forwärtsoperators wird dabei eine Datenbank der Streueigenschaften von Schnee- und Eispartikel sein. Um einen frei-zugänglichen Streudatensatz zu erzeugen, werden wir bereits zur Verfügung stehende Datensätze mit eigenen Streurechnungen kombinieren.Schließlich werden die Kombination aus neuen Beobachtungsverfahren und Forwärtsoperator nutzen, um die Parametrisierungen im Wettervorhersagemodell des Deutschen Wetterdienstes zu untersuchen. Des Weiteren werden wir für spezielle Fallstudien, bei denen sich ein bestimmter Prozess über längere Zeit erkennen lässt, Simulationen mit einem 1D Modell durchführen. Das 1D Modell erlaubt eine Vielzahl an detaillierten Parametrisierungen zu testen und Lücken im generellen Prozessverständnis zu identifizieren. Diese Erkenntnisse können dann wiederum zu Verbesserungen vereinfachter Parametrisierungen in Wetter- und Klimamodellen genutzt werden. Am Ende des Projektes wollen wir nicht nur einen neuartigen Daten und Methoden zur Verfügung stellen, sondern auch neue Wege aufzeigen, wie die Informationen der Beobachtungen für die Verbesserung von Modellparametrisierungen am besten nutzbar gemacht werden können.

COMPoSE: Charakterisierung der Verteilung der Eis- und Flüssigphase in Mischphasenwolken

Mischphasenwolken, in denen unterkühltes Flüssigwasser und Eiskristalle gleichzeitig auftreten, sind bisher nur unzureichend beschrieben, denn die akkurate Messung von Mischphasenwolken stellt eine Herausforderung dar. Besonders das Fehlen der vollständigen vertikalen Charakterisierung der Flüssigwasserkomponente ist ein Problem der derzeitig angewendeten Beobachtungsmethoden. Im Rahmen des vorgeschlagenen Projekts soll diese Beobachtungslücke durch Entwicklung neuer Methoden und den Einsatz neuer Modelle geschlossen werden. Mischphasenwolken werden mit modernsten Fernerkundungsinstrumenten wie Doppler-Wolkenradar sowie Doppler- und Polarisationslidar beobachtet werden. Die derzeitig zur Erfassung von unterkühlten Flüssigwasserschichten angewendete synergistische Beobachtung mit Wolkenradar und Lidar ist normalerweise bis zur Höhe limitiert, in der das Signal des Lidars vollständig ausgelöscht ist, was bei einer durchquerten optischen Dicke von etwa 3 geschieht. Das erlaubt meist die Detektion von nur einer Flüssigwasserschicht. Im Gegensatz dazu können Wolkenradare die gesamte Mischphasenwolke auch beim Auftreten mehrerer Flüssigwasserschichten durchdringen. Sie können daher genutzt werden, um die Verteilung der Wolkenphase in der gesamten vertikalen Säule zu bestimmen, wenn geeignete Algorithmen zur Identifikation von Flüssigwasser aus Radarmessungen entwickelt werden. Dafür soll das komplette Radardopplerspektrum analysiert werden, dessen Struktur durch die Mikrophysik und die Dynamik der Wolke bestimmt ist. Zudem soll das Radardopplerspektrum genutzt werden, um Vertikalwinde abzuleiten. Der Fokus des Projekts wird auf der vollständigen Charakterisierung von Fallstudien liegen. Dabei wird insbesondere untersucht werden, wie Vertikalwinde und Lufttemperatur die zeitliche Entwicklung der Partitionierung der Wolkenphasen beeinflussen, um so Einblick in den Lebenszyklus von Mischphasenwolken zu erhalten. In diesem Zusammenhang wird auch der Einfluss von Aerosolpartikeln auf die Wolkenphasenpartitionierung bestimmt werden. Die beobachteten Wolken werden dabei durch Rückwärtstrajektorien in Luftmassenherkunftsklassen unterteilt und es werden Modellvorhersagen sowie eine lidarbasierte Charakterisierung der Aerosoleigenschaften durchgeführt. Das vorgeschlagene Projekt geht über die Entwicklung von Fernerkundungstechniken in Mischphasenwolken hinaus. Ergebnisse eines auf den Messungen basierenden 1D-Mikrophysikmodells sollen als Eingabewerte für einen Vorwärtssimulator für Radardopplerspektren genutzt werden. Dessen Ausgabewerte wiederrum werden mit den beobachteten Dopplerspektren verglichen werden. Dadurch ergibt sich ein geschlossener Kreislauf aus Beobachtung und Modellierung, der es uns möglich machen wird, bestimmte mikrophysikalische Prozesse in Mischphasenwolken, wie z.B. Reif- und Graupelbildung, genauer zu verstehen.

1 2 3 4 5 … 301 302 303