Hochwasser ist eine der größten Naturgefahren. Beobachtung, Vorhersage und Frühwarnung von Hochwasserereignissen ist daher essentiell für die Schadensminderung. Neben Niederschlagseigenschaften sind die Vorfeuchtebedingungen ein wichtiger Faktor für die Abflussbildung und somit für die Ausprägung von Hochwasserereignissen. Seit 2002 wurde es mit der Satellitenmission GRACE (Gravity Recovery and Climate Experiment) und deren Nachfolger GRACE Follow-On (GRACE-FO, ab 2018) möglich, Anomalien der terrestrischen Wasserspeicherung (Terrestrial Water Storage, TWS) aus den zeitlichen Veränderungen des Erdschwerefeldes zu beobachten. Dies eröffnet die Möglichkeit, die Feuchtebedingungen vor und während Hochwasserereignissen zu erfassen. Die Nutzung dieser Daten war bisher jedoch wegen ihrer geringen Auflösung (monatlich, 250 - 300 km) stark eingeschränkt. Daher ist es das Ziel dieses Projektes, die Vorhersage und Beobachtung von Hochwasserereignissen mit täglicher zeitlicher Auflösung und auf 50 km räumlicher Auflösung herunterskalierten globalen TWS-Datensätzen von GRACE/GRACE-FO zu verbessern. Im ersten Schritt werden tägliche Schwerefelder mit einem Kalman-Filter Ansatz erzeugt. Diese Verbesserung gegenüber den Standard-Schwerefeldprodukten geht jedoch mit einer schlechteren räumlichen Auflösung einher. Mit neuen Methoden des Maschinellen Lernens (ML), die TWS-Daten von GRACE/GRACE-FO mit simulierten TWS-Daten hydrologischer Modelle kombinieren, werden hochauflösende TWS-Daten erzeugt. Für die Hochwasserwarnung und -beobachtung werden zudem ML-Methoden zur Erzeugung von TWS-Daten in Echtzeit und zu ihrer Vorhersage entwickelt. Auf Basis der hochauflösenden TWS-Anomalien wird ein Vorfeuchteindex als ein Indikator zur Frühwarnung bei hochwasserträchtigen Bedingungen der Wasserspeicherung in Einzugsgebieten abgeleitet. Der Nutzen des Indizes wird im Vergleich mit anderen Hochwasserfaktoren für verschiedene Umweltbedingungen in Einzugsgebieten mit einer Größe von wenigen 10.000 km² bis einigen Millionen km² weltweit analysiert. Ein ML-Ansatz zur Hochwasservorhersage wird unter Nutzung von Vorfeuchteindex, Niederschlagsvorhersagen und andere Hilfsdaten entwickelt. Die schwerebasierten TWS-Anomalien werden zudem in ein bestehendes Hochwasservorhersagemodell für ausgewählte Einzugsgebiete in Niedersachen integriert. Die Vorhersagegüte des ML-Ansatzes und des Hochwassermodells werden auf der regionalen Skala über die Analyse von Hochwasserereignissen der Vergangenheit und einen Vergleich mit dem bestehenden Hochwasservorhersagesystem evaluiert. Der neue Ansatz hat ein großes Potenzial zur Verbesserung der Genauigkeit und Zuverlässigkeit von Hochwasservorhersagen. Weiterhin können auch andere Anwendungen von den hochauflösenden TWS-Daten profitieren, wie zum Beispiel bei der Beobachtung von Grundwasser- oder Bodenfeuchtedynamiken.
Das Klima ist eine der Triebkräfte für die Übertragung, aber auch andere Faktoren wie Bekämpfungsmassnahmen und die sozioökonomische Entwicklung können die Krankheitsdynamik beeinflussen. In der ersten Phase des Projekts haben wir statistische und mathematische Modelle entwickelt, um den Beitrag klimatischer und nichtklimatischer Faktoren zur Malaria zu quantifizieren und den Mehrwert mathematischer Übertragungsmodelle für die Vorhersage von Ausbrüchen im Vergleich zu statistischen Modellen zu bewerten. Daten des HDSS in Kisumu zeigten, dass die Temperatur einen ähnlichen Schutzeffekt wie die Wirkung von Moskitonetzen hat, wobei dieser Effekt jedoch durch Regenfälle aufgehoben wird. Diese Zusammenhänge variierten in den verschiedenen Jahreszeiten. Die hohen Korrelationen zwischen den Klimafaktoren und die nichtlinearen Beziehungen zur Malaria machten es schwierig, mit statistischen Modellen konsistente Ergebnisse zu erzielen. Statistische Modelle sind in der Lage, Assoziationen abzuschätzen, können jedoch weder kausale Zusammenhänge aufzeigen noch nichtlineare Wechselwirkungen zwischen den Malariatreibern berücksichtigen. Die Nichtstationarität der Malariadaten und die unterschiedliche Wirkung der Prädiktoren über die Jahreszeiten hinweg legen nahe, dass Vorhersagemodelle besser funktionieren, wenn die Nichtstationarität gelockert wird. Das übergreifende Ziel des Folgeprojekts besteht darin, unser Verständnis der Auswirkungen des Klimawandels auf die Malariabelastung zu vertiefen, indem wir innovative Methoden entwickeln, die die nichtlinearen Wechselwirkungen der Malariatreiber auf die Übertragungsdynamik und die Nichtstationarität der Daten berücksichtigen. Die spezifischen Ziele bestehen darin: (i) Bewertung zeitverzögerter kausaler Auswirkungen von klimatischen und nichtklimatischen Faktoren auf die Veränderungen der Malariainzidenz über verschiedene Zeiträume und Übertragungsebenen; (ii) Entwicklung altersstrukturierter stochastischer Metapopulations-Malaria-Übertragungsmodelle, die Klima- und Kontrollinterventionseffekte berücksichtigen; (iii) Entwicklung nichtstationärer Modelle für kurz- und mittelfristige Malariaprognosen unter Berücksichtigung von Klimavariationen über unterschiedliche Zeiträume; und (iv) Bewertung der Leistungsfähigkeit dieser Werkzeuge anhand gemeinsamer Datensätze und ihrer Realisierbarkeit in einem modellgestützten Frühwarnsystem. Wir wollen diese spezifischen Ziele erreichen, indem wir (a) Methoden zur Bewertung der Kausalität in Zeitreihendaten zur Vorhersage einsetzen und diese weiterentwickeln, indem wir Wavelets mit maschinellem Lernen und dynamischen, zeitverzögerten Einbettungsmodellen verbinden; (b) leistungsstarke Rechenverfahren wie iterierte Filterung, Partikel-Markov-Chain und Hamilton-Monte-Carlo Simulationen verwenden; und (c) vorhandene Daten der DHSI2, HDSS von Nouna und Kisumu analysieren, die Ergebnisse skalierter Klimamodelle einbeziehen, sowie hydrometeorologische und Satellitendaten verwenden.
The NEARESTproject (Integrated observations from NEAR shore sourcES of Tsunamis: towards an early warning system) aimed at the identification and characterization of potential near-shore sources of tsunamis in the Gulf of Cadiz. This area is well known from the catastrophic earthquake and tsunami that destroyed Lisbon and several other places mainly along the EastAtlantic coast on November 1st, 1755. One of the project's work packages dealed with monitoring of recent seismic activity in the Gulf of Cadiz area. For this purpose 24 broadband ocean-bottom seismometers (OBS) from the German DEPAS instrument pool were deployed for 11 months in addition to the GEOSTAR multi-parameter deep-sea observatory and two temporary land stations in Portugal. The GEOSTAR observatory and the 24 OBS were deployed and recovered during two expeditions with RV Urania in 2007 and 2008. The OBSs consist of three‐component Guralp CMG‐40T‐OBS seismometers and HighTech HTI‐04‐PCA/ULF hydrophones. A wide range of signals was recorded, ncluding teleseismic, regional and local earthquakes, and low‐frequency (∼20 Hz) vocalization of fin whales. The GEOSTAR observatory was again deployed between 2009 and 2011. The Portuguese temporary land station PDRG was additionally recording during the NEAREST project. Originally, the position of recovery on deck was taken to calculate the mean coordinate of the OBS at depth from deployment and recovery coordinates. In most cases the difference in coordinates between deployment and recovery is very small (table 3 and 4 in Carrara et al., 2008). For two stations, the location at the seafloor could be measured by triangulation (Carrara et al., 2008). Due to experience of other experiments over the years, we finally suggest to use the deployment coordinates as the station coordinates for all stations that could not be tri-angulated. The clocks were synchronized with GPS time before the deployment and if possible again after the recovery. Unfortunately, most of the batteries were empty at the end of the recording period. That either made it impossible to realize the second synchronisation (skew time measurement) or in some case also caused erroneous synchronisations. Therefore, the internal clock drift was estimated by ambient noise analysis (Corela, 2014). The internal clock drifts were corrected using a linear interpolation method. Generally, the data quality is very good, especially for the intended study of local and regional earthquakes. Studies relying on wideband seismological recordings can also be carried out. The sensor package and noise conditions hamper the use for broadband and very broadband applications. Unfortunately, also not all channels operated properly, therefore hampering the use of multi-component methods for the relevant stations. We thank the captain E. Gentile, crew, G. Carrara, and all participants of the R/V URANIA expeditions in 2007 and 2008. We are grateful to all people and institutions involved in the NEAREST project. Waveform data is available from the GEOFON data centre, under network code 9H.
Neue Fassung der Roten Liste der Brutvögel in Rheinland-Pfalz veröffentlicht – Mehr Brutvogelarten als je zuvor gefährdet – Es gibt aber auch positive Entwicklungen „Über die Hälfte aller Brutvogelarten in Rheinland-Pfalz gilt als gefährdet. Fast jede fünfte Art muss als vom Aussterben bedroht eingestuft werden. Das ist ein spürbarer Verlust an Artenvielfalt. Grund für diesen Verlust ist unter anderem der Klimawandel, zum Beispiel beim vom Aussterben bedrohten Kiebitz. Starkregenereignisse können zum Verschlammen der Nester des Bodenbrüters führen und damit zum Totalausfall seiner Gelege. Wir führen deshalb zum Beispiel ein Projekt zum Schutz des vom Aussterben bedrohten Kiebitzes durch. Die Rote Liste ist also auch eine Handlungsaufforderung an uns“, sagte Umwelt- und Klimaschutzministerin Katrin Eder. Seit 1976 stellen Rote Listen den Bestand der Brutvögel in Rheinland-Pfalz dar. Sie bieten die Basis für die Naturschutzpolitik des Landes. Die letzte Rote Liste der Brutvögel wurde 2014 veröffentlicht. Für die Rote Liste der Brutvögel von diesem Jahr haben mehrere Hundert ehrenamtliche Ornithologinnen und Ornithologen unter der Leitung der Vogelschutzwarte des Landesamts für Umwelt (LfU) die Situation von Brutvögeln in Rheinland-Pfalz von 2017 bis 2022 beobachtet. Für die Untersuchungen wurden Bestandserfassungen, Kartierungen, Experteneinschätzungen und Auswertungen wissenschaftlicher Publikationen kombiniert. Der vom Klimaschutzministerium finanzierte Auf- und Ausbau standardisierter Vogelmonitoring-Programme hat zu einer deutlichen Verbesserung der Datengrundlage dieser Roten Liste gegenüber den vergangenen geführt. „Rote Listen sind unser Frühwarnsystem und eine wichtige Voraussetzung für unsere Fachplanungen. Sie zeigen uns auch, ob Schutzprogramme wirken, und helfen bei der Einrichtung von Schutzgebieten. Das LfU hat mittlerweile Rote Listen für 14 Organismengruppen und für Biotoptypen erarbeitet. Zuletzt erschien 2023 die Rote Liste der Farn- und Blütenpflanzen“, erläuterte Dr. Dirk Grünhoff, Präsident des Landesamtes für Umwelt. Ergebnisse Insgesamt wurden 174 regelmäßig in Rheinland-Pfalz brütende Vogelarten untersucht. Rund 55 Prozent davon, das heißt 95 Arten, sind in ihrem Bestand bedroht. Das sind 15 Prozent mehr als 2014 und mehr als je zuvor. Knapp 38 Prozent, das heißt 66 Arten, sind ungefährdet. 13 Arten beziehungsweise 7,5 Prozent befinden sich auf der sogenannten Vorwarnliste, das heißt sie verzeichnen merkliche Rückgänge, sind aber aktuell noch nicht bedroht. Besonders bedenklich ist, dass fast jede fünfte Art als „vom Aussterben bedroht“ eingestuft werden muss. 36 Arten haben sich im Vergleich mit der Roten Liste von 2014 hinsichtlich ihrer Kategorisierung verschlechtert. Stark gefährdet ist zum Beispiel die Zippammer. Sie ist als eine Art der trockenwarmen offenen bis lichten Hanglagen mit Geröll und Mauern ein typischer Bewohner unserer Weinanbaugebiete an Rhein, Mosel, Ahr und Nahe. Rund 75 Prozent ihres deutschen Bestandes leben in Rheinland-Pfalz. Damit kommt Rheinland-Pfalz eine besondere Verantwortung für ihren Schutz zu. Das Umweltministerium investiert daher in Datenerhebungen, um gezielte Schutzmaßnahmen ergreifen zu können. Eine Neuerung bei der Roten Liste von diesem Jahr ist die Einteilung der Brutvögel nach Lebensräumen. Sie ermöglicht eine detailliertere Erfassung der Gründe für die Gefährdung und dann eine gezieltere Bekämpfung. Unterschieden werden Agrarlandschaft, Feuchtgebiete, Gesteinsbiotope, Kleingehölze, Siedlungsraum und Wälder. Den größten Anteil gefährdeter Arten (85 Prozent) verzeichnen die Vögel, die auf landwirtschaftlich genutzten Flächen leben. Hierzu zählen zum Beispiel die vom Aussterben bedrohten Arten Braunkehlchen und Wiesenpieper sowie das Rebhuhn und die Feldlerche. Intensivierung und Industrialisierung der Landwirtschaft lassen Insektenlebensräume und damit Nahrungsquellen verschwinden. Sie verschlechtern außerdem die Brutbedingungen von Wiesenbrütern. Im Westerwald beispielsweise gibt es daher ein vom Klimaschutzministerium finanziertes Projekt, in dem Landwirtschaft und Naturschutz zusammenarbeiten. Der Klimawandel gefährdet viele Vogelarten. Denn anhaltende Trockenheit führt dazu, dass Wasserquellen in allen Lebensräumen wegfallen und damit Brut- und Nahrungsplätze. Die Rote Liste der Brutvögel zeigt auch positive Entwicklungen. Sechs Arten werden aktuell in einer niedrigeren Gefährdungskategorie geführt als 2014. Dazu zählen der Gänsesäger und die Bartmeise, die sich neu in Rheinland-Pfalz etabliert haben. „Die Ansiedlung zweier neuer Brutvogelarten zeigt: Erhalt und Wiederherstellung von Lebensräumen zahlen sich aus. Wir werden uns auch künftig mit Naturschutzmaßnahmen in Zusammenarbeit mit der Landwirtschaft dafür einsetzen, den Lebensraum von Brutvögeln zu erhalten und damit unsere Natur und unser Klima zu schützen. Ich danke allen Ehrenamtlichen für ihre wertvolle Arbeit, ohne die eine wirksame Naturschutzpolitik nicht möglich wäre“, schloss Katrin Eder. Die Rote Liste der Brutvögel ist hier einsehbar. Ein Video zur Roten Liste der Brutvögel gibt es hier .
This dataset presents porewater and bottom water data from 63 stations in the Kiel Bight taken during the research cruises BE03/2016 (08.03.2016), BE10/2016 (19.10.2016), BE10/2018 (23.10.2018), BE03/2019 (15.03.2019), L23-13 (13.09.2023 - 15.09.2023), Sagitta24-1 (16.09.2024), Sagitta24-2 (23.09.2024), L25-2b (09.02.2025 - 17.02.2025) and EMB374 (04.09.2025 - 13.09.2025). Short sediment cores (<50cm) were recovered using a Multicorer (MUC), Minicorer (MIC) or Rumohrlot (RL). At 22 of those stations, bottom water and porewater samples were analysed for total alkalinity (TA), ammonium (NH4+), sulfate (SO42-), hydrogen sulfide (H2S), dissolved iron (Fe2+) and dissolved manganese (Mn2+). At 41 stations, exclusively a bottom water sample was taken for H2S measurements. Bottom waters were sampled from the supernatant water in the sediment cores. Porewater samples were extracted from the sediments using rhizones. TA was determined by titration (METROHM 876 Dosimat Plus), NH4+ and H2S using a photometer (Hitachi U-2900), SO42- by Ion Chromatography (METROHM 761 Compact) and Fe2+ and Mn2+ by Inductively Coupled Plasma Optical Emission Spectroscopy (Varian 720-ES). The collected data will be used to determine the spatial and temporal variability of hydrogen sulfide in bottom waters of the Kiel Bight, (ii) identify the controlling factors governing the accumulation of hydrogen sulfide at the seafloor, and (iii) establish an early warning system of sulfidic seafloor conditions for regional stakeholders in the Baltic Sea.
During the research cruises BE03/2016 (08.03.2016), BE10/2016 (19.10.2016), BE10/2018 (23.10.2018), BE03/2019 (15.03.2019), L23-13 (13.09.2023 - 15.09.2023), Sagitta24-1 (16.09.2024), Sagitta24-2 (23.09.2024), Hai24VE2 (24.09.2024), L25-2b (09.02.2025 - 17.02.2025) and EMB374 (04.09.2025 - 13.09.2025), CTDs were deployed and sediment corers were retrieved at 99 stations in Kiel Bight in the southwestern Baltic Sea. Water column oxygen concentrations were determined using oxygen sensors attached to the CTD framework. At selected water depths, water samples were collected with Niskin bottles for the analysis of nitrate concentrations using an autoanalyzer. Short sediment cores (<50cm) were recovered using a Multicorer (MUC), Minicorer (MIC) or Rumohrlot (RL). Bottom waters were sampled from the supernatant water in the sediment cores. Solid phase sediment samples were analyzed for total organic carbon using an element analyzer. Porewater was extracted from the sediment cores using rhizones and analyzed for total alkalinity (titration), ammonium (photometer), sulfate (ion chromatography), hydrogen sulfide (photometer), dissolved iron (ICP-OES) and dissolved manganese (ICP-OES). The collected data will be used to (i) determine the spatial and temporal variability of hydrogen sulfide in bottom waters of the Kiel Bight, (ii) identify the controlling factors governing the accumulation of hydrogen sulfide at the seafloor, and (iii) establish an early warning system of sulfidic seafloor conditions for regional stakeholders in the Baltic Sea.
Das Sozialmonitoring ist als kontinuierliches Beobachtungssystem angelegt und bildet seit 2010 eine wichtige Grundlage für die Stadtteilentwicklung aus gesamtstädtischer Sicht. Die Verwaltung ist damit in der Lage, unterstützungsbedürftige Quartiere frühzeitig zu identifizieren und die Festlegung neuer Fördergebiete der Integrierten Stadtteilentwicklung auf eine objektive Datenbasis zu stützen. Mit dem Sozialmonitoring wird die Aufmerksamkeit wird auf Statistische Gebiete gelenkt, in denen die betrachteten Sozialindikatoren überdurchschnittlich ausgeprägt sind und daher soziale Herausforderungen in den Quartieren vermutet werden können. Es übernimmt so die Funktion eines Frühwarnsystems. Besonders im Fokus sind dementsprechend Statistische Gebiete mit einem „niedrigen“ oder „sehr niedrigen“ Statusindex. Ob in diesen Statistischen Gebieten tatsächlich ein stadtentwicklungspolitischer Handlungsbedarf gesehen wird, kann nicht allein anhand des Sozialmonitorings beurteilt werden. Eine Bewertung der Situation erfordert die Einbeziehung des Expertenwissens zur städtebaulichen Situation in den Bezirken. Die Ergebnisse des Sozialmonitorings werden von Fachbehörden und Bezirksämtern als Grundlage für sozialraumorientierte Planungen genutzt. Sozialmonitoring - Methodik Das Sozialmonitoring ist ein kleinräumiges, datengestütztes System. Räumliche Basis bilden die 941 Statistischen Gebiete. Statistische Gebiete sind kleinräumige Gebietseinheiten mit durchschnittlich 2.200 Einwohnerinnen und Einwohnern. In die Untersuchung fließen aus methodischen Gründen nur Daten zu Statistischen Gebieten mit mehr als 300 Einwohnerinnen und Einwohnern (aktuell 857 der insgesamt 941 Statistischen Gebiete) ein. In diesen leben über 99 % der Hamburger Bevölkerung). Im Sozialmonitoring werden sieben sogenannte "Aufmerksamkeitsindikatoren" betrachtet und jeweils unter dem Gesichtspunkt des Status Quo und der Entwicklung in den vergangenen drei Jahren untersucht. Die Indikatoren werden mit Hilfe eines statistischen Berechnungsverfahrens zu einem „Statusindex“ sowie einem „Dynamikindex“ zusammengefasst und klassifiziert. Es werden vier Status- und drei Dynamikklassen unterschieden („hoch“, „mittel“, „niedrig“, „sehr niedrig“ bzw. „positiv“, „stabil“, „negativ“). Im Ergebnis kann jedem betrachteten Statistischen Gebiet eine Status- und eine Dynamikklasse zugewiesen werden. Diese werden kombiniert (gekreuzt) ausgewertet und in einer Karte wiedergegeben. Die Ergebnisse zeigen, inwieweit die einzelnen Statistischen Gebiete vom Hamburger Durchschnitt abweichen. Ein mittlerer Status entspricht Werten, die nahe am Hamburger Durchschnitt liegen. Und eine stabile Dynamik zeigt, dass die Entwicklung in etwa der Entwicklung Hamburgs folgt. Weitere Informationen im Internet unter <a href="https://www.hamburg.de/sozialmonitoring" target="_blank">www.hamburg.de/sozialmonitoring</a>
| Organisation | Count |
|---|---|
| Bund | 566 |
| Europa | 75 |
| Global | 3 |
| Kommune | 13 |
| Land | 56 |
| Weitere | 29 |
| Wirtschaft | 5 |
| Wissenschaft | 300 |
| Zivilgesellschaft | 5 |
| Type | Count |
|---|---|
| Daten und Messstellen | 2 |
| Ereignis | 6 |
| Förderprogramm | 514 |
| Text | 57 |
| unbekannt | 48 |
| License | Count |
|---|---|
| Geschlossen | 95 |
| Offen | 531 |
| Unbekannt | 1 |
| Language | Count |
|---|---|
| Deutsch | 514 |
| Englisch | 184 |
| Resource type | Count |
|---|---|
| Archiv | 1 |
| Bild | 13 |
| Datei | 6 |
| Dokument | 27 |
| Keine | 310 |
| Unbekannt | 2 |
| Webseite | 307 |
| Topic | Count |
|---|---|
| Boden | 497 |
| Lebewesen und Lebensräume | 569 |
| Luft | 452 |
| Mensch und Umwelt | 624 |
| Wasser | 460 |
| Weitere | 627 |