Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/. In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.
Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/.
Die Energiewende und der Einstieg in die Kreislaufwirtschaft stellen die chemische Industrie vor enorme Herausforderungen im Bereich der Prozessentwicklung; DiKey stellt zentrale digitale Technologien für deren Bewältigung bereit. Mittels Methoden des Maschinellen Lernen (ML) werden hochgenaue und breit anwendbare Stoffdatenmodelle entwickelt, wobei in einem Federated Learning Ansatz unter Nutzung neuer Verschlüsselungstechnologien erstmals auch die Stoffdaten verschiedener Unternehmen mit denen aus der Wissenschaft zusammengeführt und mit hoch leistungsfähigen neuen digitalen Methoden für die Prozessentwicklung anwendbar gemacht werden; hierbei ergeben sich auch ganz neue Geschäftsmodelle. In DiKey wird demonstriert, dass so die Entwicklung neuer Prozesse erheblich beschleunigt und die transparente Erfüllung von Nachhaltigkeitszielen bei gleichzeitiger Berücksichtigung wirtschaftlicher Kenngrößen überhaupt erst möglich wird.
Die jahreszeitliche Variabilität der globalen Meereisbedeckung ist eine wichtige Komponente des globalen Klimas. Jedoch ist der kleinskalige Einfluss des Meereises in globalen Klimamodellen bis heute nur unzureichend beschrieben. Dieser Antrag hat daher das Ziel, die physikalischen (P) und bio-geo-chemischen (BGC) Schlüsselprozesse im Meereis mit einem hochaufgelösten Zweiskalenmodell mathematisch zu beschreiben. Die Ergebnisse können dann parametrisiert in globale Klimamodelle (GCMs) einfließen, sodass eine verbesserte Prognosefähigkeit erreicht wird.Die Ozeanerwärmung wird die Mikrostruktur des Meereises erheblich verändern. Wir entwickeln daher ein P-BGC-Modell einer antarktischen Meereisscholle, um die komplexen gekoppelten Zusammenhänge zwischen Eisbildung, Nährstofftransport, Salinität und Solekanalverteilung, Photosynthese und Karbonatchemie mathematisch zu beschreiben. Damit simulieren wir verschiedene Szenarien der Meereisbildung und ihrer Auswirkungen auf das Wachstum von Meereisalgen, die einen großen Einfluss auf den vertikalen Kohlenstoff-Export (biologische Kohlenstoffpumpe) besitzen.Damit leistet dieses Projekt einen wesentlichen Beitrag zum Forschungsschwerpunkt ‘3.2.D - Verbessertes Verständnis der polaren Prozesse und Mechanismen’ bei. Im Einzelnen gehen wir auf drei übergeordnete Ziele ein:Schritt 1: Beschreibung der Meereisstruktur Wir verwenden ein gekoppeltes Zweiskalenmodell, mit dem relevante Aspekte des Gefrierens und Schmelzens im Zusammenhang mit Deformation, Salinität und Soletransport beschrieben werden. Auf der Makroebene dient dafür eine kontinuumsmechanische Beschreibung im Rahmen der erweiterten Theorie poröser Medien (eTPM). Damit können über einen gekoppelten Gleichungssatz partieller Differentialgleichungen (PDE) Deformations-, Transport und Reaktionsprozesse beschrieben werden. Für das physikalische Phänomen der Phasentransformation zwischen Wasser und Eis dient das Phasenfeldmodell (PF) als Mikromodell, welches ebenfalls aus gekoppelten PDEs besteht. Daraus resultiert eine PDE-PDE Kopplung.Schritt 2: Kopplung mit dem erweiterten RecoM2 Modul als Mikromodell Damit können die BGC Phänomene beschrieben werden. Das RecoM2 Modul besteht aus einem Gleichungssystem gewöhnlicher Differentialgleichungen, sodass hier eine PDE-ODE Kopplung zu einem P-BGC Modell erfolgt. Schritt 3: Bewertung der Modellansätze Dies beinhaltet die Verifizierung und Validierung des kombinierten P-BGC-Modells mittels Literatur- sowie experimenteller Daten. Für die Verwendung des hochaufgelösten zweiskaligen P-BGC Modells in globalen Klimamodellen muss die Berechnungseffizienz gesteigert werden. Zu diesem Zweck werden Reduzierte-Basis-Modell (ROM) zur Erzeugung von Surrogaten des Vollen-Basis-Modells (FOM) eingesetzt, die die Modellkomplexität verringern, z.B. durch datengetriebene Machine-Learning (ML)-Techniken oder “Generalized Proper Decomposition” (GPD).
Das Wasserfahrzeug als Messgeräteplattform besteht aus einem durch zwei Motoren angetriebenen Katamaran. Das Sensorpaket beinhaltet Messtechnik zur gleichzeitigen Erfassung der Gewässergüte (Multiparametersonde), der Gewässertopografie (Vertikal-Echolot, Seitensichtsonar) sowie hochaufgelöster Strömungsverhältnisse im Fließquerschnitt (9-strahlige Akustik-Doppler-Sonde). Weiter ist ein LiDAR-Sensor zur Erfassung und Kartierung der Ufervegetation bzw. Bebauung an und in Gewässerrandstreifen vorgesehen. Für eine georeferenzierte Datenerfassung soll die Messgeräteplattform mit einem GNSS-Empfänger (RTK-Genauigkeit) ausgestattet werden und ergänzend eine Zielmarke erhalten, sodass ein Tracking über Kopter und Vermessungsdrohnen (UAVs) ermöglicht wird. Mit den Messgeräten sollen Forschungsfragen in den Handlungsfeldern „Digitalisierung der Wasserwirtschaft“, „Resilienz gegenüber Hoch- und Niedrigwasserereignissen“ und „Neue Verfahren zur Datenerhebung in der Wasserwirtschaft“ beantwortet werden. Grundlegend wird mit dem Großgerät die Aufnahme von Messdaten angestrebt, die möglichst viele gewässerbezogene Parameter enthalten. So soll eine Datenbasis geschaffen werden, welche die Grundlage für die Beantwortung der folgenden Forschungsfragen darstellt: - Inwiefern sind datengetriebene Modelle in der Lage, strukturelle Veränderungen im Gewässer abzubilden und diese auf Wasserstand-Abfluss-Beziehungen zu übertragen bzw. ebendiese zu aktualisieren? - Lassen sich räumliche und raumzeitliche (Auto-) Korrelationen von Niederschlag- und Abflussdaten mittels maschineller Lernverfahren (ML) (insbesondere Long Short-Term Memory-Methoden) modellieren und welchen Einfluss haben Menge und Qualität der Eingangsdaten auf die Genauigkeit der Systemantwort „Abfluss“? - Wann und wo finden Sedimentationsprozesse in Speichersystemen (z. B. Talsperren) statt und können diese durch gezielte Bewirtschaftungspläne verhindert werden? - Welche Auswirkungen hat die Volumenänderung auf die Bewirtschaftung von Speichersystemen und die Bereitstellung bzw. Aufrechterhaltung der Wasserversorgung?
Ziel des Verbundprojekt 'EnerVi - Individualisierte Visualisierung von Energiewendemaßnahmen' ist es, im Rahmen von partizipativ-gesellschaftlichen Prozessen systemübergreifend Innovationen zu entwickeln, um Stakeholder:innen und Verbraucher:innen die Folgen der Energiewende transparent zu machen, nachhaltiges Verhalten zu aktivieren und zu festigen. Das Vorhaben umfasst technische, soziale, institutionelle und organisationale Innovationen in den Modellregionen (Stadt Berlin und die Ortsgemeinde Neuerkirch). Die Modellregionen unterscheiden sich sehr deutlich in den soziokulturellen Lebensbedingungen und den energiewirtschaftlichen Voraussetzungen und bilden damit eine große Spannweite der in Deutschland vorhandenen gesellschaftlichen und energetischen Milieus ab. Ein zentrales Element des Vorhabens ist die Entwicklung eines Webtools, das mit Hilfe künstlicher Intelligenz (KI) individualisiert auf die konkrete Person die Folgen der Energiewende in den Modellregionen visualisiert. Es werden die Potentiale der Energiewende und mögliche Klimaveränderungen im regionalen Umfeld anhand von mit KI 'gemorphten' Bildern mittels unterschiedlicher Zukunftsszenarien transparent gemacht. Dabei werden auch die Auswirkungen eigener persönlicher und kollektiver Entscheidungen (z.B.eigene/kommunale Energieversorgung, eigene/kommunale Energienutzung, Konsumverhalten, etc.) berücksichtigt und die Auswirkungen etwa auf die persönlichen Energiekosten, den Energieverbrauch oder auch von nachhaltigen Konsummöglichkeiten dargestellt.
| Organisation | Count |
|---|---|
| Bund | 1683 |
| Europa | 13 |
| Global | 1 |
| Kommune | 16 |
| Land | 102 |
| Schutzgebiete | 1 |
| Weitere | 88 |
| Wirtschaft | 11 |
| Wissenschaft | 533 |
| Zivilgesellschaft | 25 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 4 |
| Förderprogramm | 1567 |
| Hochwertiger Datensatz | 6 |
| Text | 165 |
| Umweltprüfung | 1 |
| unbekannt | 100 |
| License | Count |
|---|---|
| Geschlossen | 213 |
| Offen | 1623 |
| Unbekannt | 10 |
| Language | Count |
|---|---|
| Deutsch | 1787 |
| Englisch | 340 |
| Resource type | Count |
|---|---|
| Archiv | 5 |
| Bild | 19 |
| Datei | 7 |
| Dokument | 77 |
| Keine | 1505 |
| Webdienst | 2 |
| Webseite | 284 |
| Topic | Count |
|---|---|
| Boden | 906 |
| Lebewesen und Lebensräume | 1145 |
| Luft | 750 |
| Mensch und Umwelt | 1846 |
| Wasser | 562 |
| Weitere | 1692 |