Die Diversität, Abundanz und Populationsdynamik von Bienen, Wespen und ihren Gegenspielern sollen auf 45 Streuobstwiesen unterschiedlicher Größe, Bewirtschaftung und Landschaftseinbindung über einen Zeitraum von 3 Jahren untersucht werden. Die Aufstellung von insgesamt 540 Nisthilfen für Bienen und Wespen und die jährliche Auswertung der angelegten Nester erlauben Aussagen zur Artenvielfalt und Häufigkeit sowie zur Populationsentwicklung der einzelnen Arten, zu stadienspezifischen Mortalitätsraten, zu Parasitierungsraten und zum Artenspektrum von Gegenspielern sowie dem resultierenden Reproduktionserfolg. Die Landschaftsstruktur wird in acht Radien von 250m bis 3000m um die Streuobstwiesen mit einem Geographischen Informationssystem (GIS) erfasst. Die Bedeutung der Habitatgröße und der Landschaftsstruktur auf unterschiedlichen räumlichen Skalen für die Populationsdynamik kann so getestet werden. Zur Bewertung der Habitatqualität wird der Baumbestand, der Totholzanteil, die Vegetationsstruktur und das Blütenangebot erfasst, um Aussagen zur relativen Bedeutung von Ressourcenverfügbarkeit (Nistmöglichkeiten und Pollenquellen) und Regulation durch Gegenspieler für die Populationsentwicklung auf den Streuobstwiesen zu erhalten. Die Analyse von Pollenproben ermöglicht Aussagen zur Ressourcennutzung und zur relativen Bedeutung der Streuobstwiesen und der umgebenden Landschaft als Nahrungsquelle. Detaillierte Auswertungen und Experimente mit Osmia rufa beinhalten die Entfernung der Gegenspieler an 15 Standorten, die Bestimmung von Kokongewichten und Geschlechterverhältnissen und die individuelle Markierung und Beobachtung schlüpfender Weibchen zur Ermittlung von Sammelzeiten und Ansiedlungsraten.
The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document.
The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications.
In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description).
Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.
Unterstützt durch das IUCN Bonn Challenge-Programm fördert Ruanda die Wiederherstellung von Ökosystemen zur Stärkung von Biodversität und Klimaschutz und zur Sicherung einer lokalen Existenzgrundlage. In der Vergangenheit waren Ruandas Wiederherstellungsbemühungen stark darauf ausgerichtet, mit Hilfe von Eukalyptus-Monokulturen Land zu schützen und Erosion zu mindern. Zu den neueren Initiativen gehören die Integration von Baumschulen verschiedener einheimischer Gehölzarten, welche durch ihre Nutzung positive Biodiversitätseffekte für Ökosystemfunktionen und -leistungen haben. Vor diesem Hintergrund etabliert Sub-Projekt 7 (SP7) ein „Living Lab“ das darauf abzielt, gemeinsam mit Stakeholdern durch Integration von Wissenschaft und Praxis Forschungsexperimente durchzuführen. Dieser transdisziplinäre Ansatz hat zum Ziel, potenzielle soziale, wirtschaftliche und ökologische Vorteile der Wiederherstellung von Ökosystemen zu identifizieren. Hierfür entwickeln, implementieren und evaluieren die involvierten Stakeholder gemeinsam mit den beteiligten Wissenschaftlern Lösungsansätze. SP7 ist eng mit anderen SPs verknüpft: SP4 weist eine besonders hohe analytische und operative Überschneidung auf; zudem findet eine kontinuierliche Spiegelung der Ergebnisse mit SP1 zu Auswirkungen auf die Biodiversität, SP2 zu kontextualisierten Landschaftsanalysen sowie mit SP5 zu Auswirkungen auf die Ernährungssicherheit statt. Das Living Lab wird wissenschaftliche Experimente in zwei verschiedenen Zellen (vergleichbar mit Landkreisen) einrichten, welche zwei unterschiedliche Governance-Modelle repräsentieren. Aktivitäten in diesen Zellen werden sein (1) der Aufbau einer Stakeholder-Plattform, die Schlüsselakteure für das Living Lab zusammenbringt und als Koordinierungseinheit zur Steuerung des Co-Design-Ansatzes verstanden wird; (2) kollaboratives Co-Design von Feldversuchen und Ausweisung von Demonstrationsparzellen, um gemeinsam Wissen über integrative Modelle zur Wiederherstellung von Ökosystemen zu generieren; (3) Durchführung von Feldversuchen in Form von Demonstrationsparzellen, die das Potenzial für die Nutzung des restaurativen Kontinuums untersuchen, um integrative multifunktionale Ergebnisse für Gemeinschaften zu schaffen; und (4) Durchführung einer integrierten Folgenabschätzung zu Biodiversität, Resilienz und Lebensgrundlagen, um die Auswirkungen verschiedener Governance-Systeme auf den Erfolg implementierter Wiederherstellungsmaßnahmen zu ermitteln. Während der gesamten Laufzeit des Projekts werden zwei Governance-Modelle zwischen den beiden Standorten verglichen werden. Die Ergebnisse dieses Teilprojekts werden für das Thema der Nachhaltigkeitstransformation von großer Bedeutung sein, um eine höhere Reproduzierbarkeit als verallgemeinerbares Modell für die Skalierung (up-scaling) von Praktiken der Wiederherstellung von Ökosystemen zu erreichen und das akademische Verständnis dafür zu stärken, welche Faktoren Nachhaltigkeitstransformation am besten umsetzen.
Die hydrologische Dynamik von Hängen, insbesondere des Zwischenabflusses (SSF), ist komplex und variiert in Raum und Zeit. Verfügbare Studien beschränken sich oft auf einzelne Hänge oder Niederschlagsereignisse, so dass die Übertragung dieser Erkenntnisse auf andere Einzugsgebiete mit großen Unsicherheiten verbunden ist. Eine Regionalisierung erfordert daher eine Quantifizierung der hydrologischen Dynamik von Hängen und der Faktoren, die die räumlichen und zeitlichen Muster des unterirdischen Zwischenabflusses beeinflussen. Eng mit der hydrologischen SSF-Dynamik verbunden ist der Export von organischem Kohlenstoff aus den Böden in den Vorfluter. Woher der Kohlenstoff aber genau kommt, ist noch weitgehend unklar, da die genauen Fließwege des SSF nicht bekannt sind.Wir schlagen daher einen kombinierten hydro-biogeochemischen Ansatz vor, der die Hanggrundwasserdynamik mit stabilen Wasserisotope und die wasserlösliche organische Substanz (WSOM; Konzentration, Absorption und Fluoreszenz) in 480 Standorten an 100 Hängen in vier Einzugsgebieten im Mittel- und Hochgebirge (Sauerland, Erzgebirge, Schwarzwald, Alpen) kombiniert. Ziel ist, empirische Beziehungen zwischen verschiedenen Hangformen (z.B. konvergente, divergente und planare Hangformen, Fließweglängen und Talformen), Gesteins- und Bodeneigenschaften und der Grundwasserdynamik abzuleiten, um die räumliche Variabilität und Stabilität von unterirdischen hydrologischen Prozessmustern (z.B. Fließrichtungen, Verweilzeiten, hydrochemische und biochemische Zusammensetzung) zu quantifizieren.Zur Identifizierung repräsentativer Hänge, werden vor der Instrumentierung eine GIS-basierte Landschaftsanalyse und Modellierung mit dem Abflussmodell RoGeR durchgeführt, die topografische, Boden- und Landnutzungsinformationen sowie die räumliche Verteilung von Gebieten, in denen eine Dominanz von SSF erwartet wird, einbeziehen. Die Grundwasserdynamik wird durch Messungen des durch SSF initiierten Grundwasserspiegels an insgesamt 480 Grundwasserrohren an den ausgewählten Hängen erfasst. An allen 480 Standorten werden zweimal (trockene und nasse Bedingungen) Bodenproben in 12 bzw. 6 Tiefen zur Bestimmung der stabile Isotope und WSOM entnommen, um die vertikalen und lateralen unterirdischen Fließwege sowie die räumliche Diskretisierung der Herkunftsräume für den SSF zu beurteilen. Die Analyse der Bodenproben erfolgt im Labor durch TOC-Analyzer, Fluoreszenz Spektrometrie und Isotopen-Analyzer. Der Einsatz von multivariaten statistischen Techniken und maschinellen Lernwerkzeugen wird helfen, zeitliche und räumliche Muster von unterirdischen hydrologischen Prozessen zu identifizieren. Mit dem Modell RoGeR werden zur Vorhersage von SSF-Flüssen, -Richtungen und -Dynamik die Konnektivität zwischen Hang und Bach untersucht, einschließlich der Ausdehnung der beitragenden Fläche. Diese Kenntnisse können nachfolgend zur Vorhersage des Transports von organischem Kohlenstoff vom Hang zum Bach verwendet werden.
The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document.
The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications.
In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description).
Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.