s/maschinelles-lernen/Maschinelles Lernen/gi
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 qualitativ sowie rechtlich gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download über das CDC-Portal mitgeliefert. Die Messungen sind einem Zeitstempel in UTC zugeordnet, welcher das Ende des 10-min Intervalls markiert. Die Werte sind Mittelwerte über die Minute, welche zum Zeitstempel endet.
des Landesamtes für Umwelt Rheinland-Pfalz (LfU) [Redaktioneller Hinweis: Die folgende Beschreibung ist eine unstrukturierte Extraktion aus dem originalem PDF] JAHRESBERICHT 2024 des Landesamtes für Umwelt Rheinland-Pfalz (LfU) Impressum: Herausgeber: Landesamt für Umwelt Rheinland-Pfalz Kaiser-Friedrich-Straße 7 • 55116 Mainz Telefon: 06131 6033-0 www.lfu.rlp.de Redaktion und Layout: Stabsstelle Planung und Information Titelfoto: Kartenausshnitt aus der LfU-Cold- und Hotspotkarte Abbildungsnachweis: S. 11: marwin55 – stock.adobe.com; S. 18 unten; Heinz Waldukat – stock.adobe.com; S. 41: Павел Чигирь – stock.adobe.com; S. 48 oben: nd700 – stock.adobe.com alle weiteren Abbildungen, falls nicht anders angegeben: LfU Druck: LM DRUCK + MEDIEN GmbH, Obere Hommeswiese 16, D-57258 Freudenberg © Landesamt für Umwelt Rheinland-Pfalz Mai 2025 Nachdruck und Wiedergabe nur mit Genehmigung des Herausgebers Aus Gründen der besseren Lesbarkeit wird auf die gleichzeitige Verwendung der Sprachformen männlich, weiblich und divers (m/w/d) verzichtet. Sämtliche Personenbezeichnungen gelten gleichermaßen für alle Geschlechter. INHALT VORWORT5 ÜBER DAS LANDESAMT6 Hier Messen, Beraten und Bewerten wir6 Zahlen & Fakten8 LfU bietet vielfältige Jobs9 Arbeitskreis Fernerkundung10 KLIMA 12 Neue Karten des LfU zeigen Cold- und Hotspots in Rheinland-Pfalz13 Zukunftsplan Wasser – LfU als oberste Fachbehörde des Landes in zentraler Rolle eingebunden15 UMWELT 18 Sondermessprogramm zu organischen Spurenstoffen im Grundwasser19 Auswirkungen von Mikroplastik auf Mensch und Umwelt – Fachtagung im Rahmen der 3. Mainzer Umwelttage23 Luftschadstoffe: Positiver Trend gebremst25 Messtechnisches Kolloquium in Mainz26 Leitfäden, Handbücher, Arbeitshilfen im Bereich des Bodenschutzes – Einblick in die Arbeitsgruppenarbeit28 Informationsveranstaltung „Gewässerentwicklung aktuell“ 202431 NATUR 34 Start des Monitorings der EU-Vogelschutzgebiete in Rheinland-Pfalz35 Lebensraum-Extremist: die „Sandtaucher“-Steinfliege in den Pfälzerwald-Bächen38 Erster Handlungsleitfaden Saatkrähe veröffentlicht40 Burgunderblutalgen in rheinland-pfälzischen Seen43 Bachpatentage 202546 BEVÖLKERUNG 48 Pfingsthochwasser im südwestlichen Rheinland-Pfalz49 Erster landesweiter Lärmaktionsplan für Rheinland-Pfalz52 Gefährdung von Industriebetrieben durch Starkregen55 Jordanische Fachleute zu Besuch in der Hochwasservorhersagezentrale58 Webseite badeseen.rlp.de in neuem Gewand60 3 4 Rheinallee 97-101, 55118 MainzWallstraße 1, 55122 MainzRheingütestation Worms, Am Rhein 1, 67547 Worms (RA)(WA)(RGS) ohne Zusatz: Kaiser-Friedrich-Str. 7, 55116 Mainz Standorte: Telefonnummer 06131 6033-Durchwahl Dieter Welzel Jens Grünberg Referat 27 DV-Fachanwendungen Gewerbeaufsicht 1213 Janina Sehr 1407 1436 1406 1420 1401 (WA) Wallstraße 1, 55122 Mainz Datenschutzbeauftragter 1211 Martin Franz (RGS) Rheingütestation Worms, Am Rhein 1, 67547 Worms ohne Zusatz: Kaiser-Friedrich-Str. 7, 55116 1511 Mainz Gleichstellungsbeauftragte Eva Finsterbusch (RA) Rheinallee 97-101, 55118 Mainz 1207 Vertrauensperson der Menschen mit Behinderung Standorte: Diana Faller Dr. Dirk Paustian Referat 55 Abwasser N. N. Referat 54 (RGS) Rhein N.N. Referat 53 Gewässerchemie Fulgor Westermann Referat 52 Gewässerökologie, Fischerei Christoph Linnenweber Referat 51 Flussgebietsentwicklung Dr. Jochen Fischer 1526 1580 1516 1513 1517 1501 1619 1601 1606 1637 N.N. Referat 67 (WA) 1681 Radioaktivitätsbestimmungen und radiologische Gewässerbeurteilung Petra Enoch Referat 66 (WA) 1683 Organische Spurenanalytik Wasser Dr. Stefan Ullrich Referat 65 (WA) Allg. Wasseranalytik, Anorganische Spurenanalytik, Badegewässerüberwachung Dr. Michael Weißenmayer Referat 62 (RA) Immissionen und Emissionen Luft Dr. Matthias Zimmer Referat 61 (RA) 1644 Klimawandel, Umweltmeteorologie Markus Willeke Abteilung 6 (RA) Umweltlabor Dr. Heinrich Lauterwald Stabsstelle (RA) Allgemeine Qualitätssicherung Abteilung 5 Gewässerschutz 1203 Thomas Isselbächer Referat 45 1414 Kompetenzzentrum für Staatlichen Vogelschutz und Artenvielfalt in der Energiewende (KSVAE) Steffen Gorell Referat 44 Daten zur Natur, DV-Fachanwendungen Naturschutz Kathrin Linnemann (Vertretung) Referat 43 Mensch und Natur Dr. Marlene Röllig Referat 42 Biologische Vielfalt und Artenschutz Ulrich Jäger Referat 41 Biotopsysteme und Großschutzprojekte Dr. Jana Riemann Abteilung 4 Naturschutz 1102 Vorsitzender des Personalrats Hans AppelReferat 35 1304 DV-Fachanwendungen Kreislaufwirtschaft und Bodenschutz Markus Schmitt N. N. 1271 1307 1308 1332 1317 1301 Referat 26 Lärm, Erschütterungen und nichtionisierende Strahlung Referat 34 Deponietechnik, emissionsbezogener Grundwasserschutz N. N. Referat 33 Bodenschutz Julia Borrmann (Vertretung) Referat 32 Betriebliches Stoffstrommanagement, Sonderabfallwirtschaft Eva Bertsch Referat 31 Kommunales Stoffstrommanagement, Siedlungsabfallwirtschaft Tel. 1902 Allgemeine Vertretung des Präsidenten Paul Burkhard Schneider Eva Bertsch (Vertretung) Abteilung 3 Kreislaufwirtschaft 1917 Martin FranzReferat 25 1211 Sozialer und technischer Arbeits- schutz, Koordinierungsaufgaben Gewerbeaufsicht 1140 Referat 14 Informations- und Kommunikationstechnik 1214 Dr. Jens Schadebrodt Referat 24 Strahlenschutz Marc Deißroth Referat 13 Haushalt, Vergabe 1135 Referat 23 1203 Chemikaliensicherheit, Gefahrgut- transport, Biotechnik, Geräte- u. Produktsicherheit, Geräte- untersuchung N. N. Jennifer Klein (ab 01.06.2025) N. N.Referat 12 Organisation, Innerer Dienst und Fahrdienst 1140 N.N.Referat 21 1244 Emissionshandel, Luftreinhaltung, Anlagensicherheit 1110 1201 Referat 11 Personal, Recht, Aus- und Fortbildung Abteilung 2 Gewerbeaufsicht Dr. Frank Wissmann (komm.) 1102 Milan Sell Stabsstelle Planung und Information Paul Burkhard Schneider Abteilung 1 Zentrale Dienste Landesamt für Umwelt Rheinland-Pfalz+ Zentrale: 06131 6033-0 Mail: poststelle@lfu.rlp.de Internet: www.lfu.rlp.de Präsident PD Dr. Frank Wissmann 1712 1712 1710 1717 1701 Stand: 15.05.2025 Salvador Gámez-Ergueta Referat 75 1713 DV-Fachanwendungen Wasser Dr. Stephan Sauer (Vertretung) Referat 74 Grundwasserbewirtschaftung Dr. Stephan Sauer Referat 73 Hydrologischer Dienst des Grundwassers, Grundwasserbeschaffenheit Norbert Demuth Referat 72 Hydrometeorologie, Hochwassermeldedienst Yvonne Henrichs (komm.) Referat 71 Hydrologischer Dienst der oberirdischen Gewässer, Hochwasserschutz Dr. Thomas Bettmann Abteilung 7 Hydrologie VORWORT Liebe Leserinnen und Leser, mit unserem Jahresbericht 2024 möchten wir Ih- nen einen Einblick in unsere besonderen Projekte und umfangreichen Umweltdaten des vergange- nen Jahres bieten. Die Beiträge, gegliedert in un- sere vier Themenfelder „Klima“, „Umwelt“, „Na- tur“ und „Bevölkerung“, nehmen Sie mit auf einen Streifzug durch unsere Arbeit für die Bürgerinnen und Bürger in Rheinland-Pfalz.Besonders freut es mich, dass wir für diese wich- tigen Tätigkeiten in den letzten Jahren zahlreiche neue engagierte Mitarbeiterinnen und Mitarbei- ter gewinnen konnten. Fast ein Drittel unserer Be- schäftigen kam in den letzten Jahren neu zu uns, während langjährige Mitarbeiterinnen und Mit- arbeiter sich in den verdienten Ruhestand verab- schiedet haben – ein echter Generationenwechsel. Als Umweltfachbehörde des Landes messen und erheben wir nicht nur zahlreiche Daten, wie zum Beispiel aus Fließ- und Stehgewässern, Grund- wasservorkommen sowie aus Luft und Böden.Aber nicht nur die Zusammensetzung der Be- schäftigten hat sich geändert, auch bei der Tech- nik und der Datenerhebung ist viel in Bewegung. Mit einem Special zum Thema „Fernerkundung“ in diesem Jahresbericht zeigen wir auf, welche Möglichkeiten Satelliten aus dem All bei der Um- weltbeobachtung bieten. Auch im Bereich der Künstlichen Intelligenz sind vielversprechende Ansätze für unsere Arbeit erkennbar – so betei- ligen wir uns seit diesem Jahr im Rahmen eines Forschungsprojekts mit dem Einsatz von KI in der Hochwasservorhersage. Wir helfen daneben auch beim Schutz der Bevöl- kerung, indem wir unter anderem die Hochwas- servorhersagezentrale des Landes Rheinland-Pfalz betreiben, Radioaktivität in der Umwelt messen oder die Gewerbeaufsicht mit unserem Know- how untersützen. Unsere gut 280 Mitarbeiterinnen und Mitarbei- ter des LfU ordnen und analysieren diese erhobe- nen Daten und stellen sie Behörden, Kommunen sowie der breiten Öffentlichkeit zur Verfügung. Damit lassen sich der Zustand unserer Umwelt in Rheinland-Pfalz bewerten und zielgerichtete Maßnahmen für Verbesserungen ergreifen. Die meisten dieser Daten sind darüber hinaus über unser Online-Angebot abrufbar. Durch unseren Austausch mit den Umweltämtern der Länder und des Bundes vernetzen wir uns und bleiben hier immer am Ball. Ich wünsche Ihnen einen spannende Lektüre. Ihr Dr. Frank Wissmann Präsident des Landesamtes für Umwelt Rheinland-Pfalz 5
HYRAS-DE-HURS ist ein relative Feuchteprodukt für Deutschland in einem 1 km x 1 km Raster für den Zeitraum 1951 bis zum Vortag und basiert auf täglichen Mittelwerten der relativen Feuchte-Messungen. Der Datensatz kann beispielweise zur Analyse des vergangenen Klimas, zur Bias-Adjustierung von regionalisierten Klimaprojektionsdaten und als Eingangsdaten für die hydrologische Modellierung verwendet werden.
Ultrafeine Partikel (UFP) mit einem aerodynamischen Durchmesser kleiner als 100 nm stehen unter dem Verdacht die menschliche Gesundheit zu schädigen, allerdings fehlt bisher die abschließende wissenschaftliche Evidenz aus epidemiologischen Studien. Zur Herleitung von Expositionskonzentrationen gegenüber UFP wurden zum Teil statistische Modellierungsverfahren genutzt um UFP-Anzahlkonzentrationen vorherzusagen. Ein häufig genutztes Verfahren ist eine auf Flächennutzung basierte lineare Regression („land-use regression“, LUR). Allerdings wurden in luftqualitativen Studien auch andere, ausgefeiltere Modellansätze benutzt, z.B. „machine learning“ (ML) oder „deep learning“ (DL), die eine bessere Vorhersagegenauigkeit versprechen. Das Ziel des Projekts ist die Modellierung von UFP-Anzahlkonzentration in urbanen Räumen basierend auf ML- und DL-Algorithmen. Diese Algorithmen versprechen eine bessere Vorhersagegenauigkeit gegenüber linearen Modellansätzen. Mit unserem Modellansatz wollen wir sowohl räumliche als auch zeitliche Variabilität der UFP-Anzahlkonzentrationen abbilden. In einem ersten Schritt werden die Messergebnisse aus mobilen Messkampagnen genutzt um ein ML-basiertes LUR Modell zu kalibrieren. Zusätzlich werden urbane Emissionen aus lokalen Quellen, abseits vom Straßenverkehr, identifiziert und explizit in das Modell einbezogen. In einem zweiten Schritt wird ein DL-Modellansatz basierend auf Langzeit-UFP-Messungen mit dem ML-Modell gekoppelt um die Repräsentierung der zeitlichen Variabilität zu verbessern. Unser vorgeschlagenes Arbeitsprogramm besteht aus fünf Arbeitspaketen (WP): WP 1 beinhaltet mobile Messungen mittels eines mobilen Labors und eines Messfahrads. WP 2 besteht aus stationären Messungen, die an Stationen des German Ultrafine Aerosol Network durchgeführt werden. In WP 3 werden wichtige UFP-Emissionsquellen, insbesondere Nicht-Verkehrsemissionen, mit Hilfe von zusätzlichen kurzzeitigen stationären Messungen identifiziert und quantifiziert. In WP 4 werden ML-Algorithmen genutzt um ein statistisches Modell aufzubauen. Als Kalibrierungsdatensatz werden die Messungen aus WP 1 benutzt. Das Modell wird UFP-Anzahlkonzentrationen mit Hilfe eines Datensatzes aus erklärenden Variablen, u.a. meteorologische Größen, Flächennutzung, urbaner Morphologie, Verkehrsmengen und zusätzlichen Informationen zu UFP-Quellen nach WP 3, vorhersagen. In WP 5 werden die UFP-Anzahlkonzentrationen aus WP 2 für einen DL-Modellansatz genutzt, der die zeitliche Variabilität repräsentieren wird. Dieser wird dann mit dem ML-Modell aus WP 4 gekoppelt. Der Nutzen der Modellkopplung wird mit dem Datensatz aus WP 3 validiert. Aus unserem Projekt wird ein Modell hervorgehen, das in der Lage ist die räumliche und zeitliche Variabilität urbaner UFP-Anzahlkonzentrationen in einer hohen Genauigkeit zu repräsentieren. Damit wird unsere Studie einen Beitrag zur Quantifizierung von Expositionskonzentrationen gegenüber UFP z.B. in epidemiologischen Studien leisten.
Neue Technologien und Betriebsführungssysteme gelten als entscheidend, um die Nachhaltigkeit und Ressourceneffizienz der Landwirtschaft zu steigern. Jedoch sind unsere Datenquellen, die Auskunft darüber geben, welche Technologien in den Betrieben tatsächlich eingesetzt werden sehr begrenzt. Das macht es schwierig zu beurteilen, ob die Technologien tatsächlich die versprochenen Umwelteffekte erzielen können und schränkt unsere Möglichkeiten ein Technologiediffusion zu untersuchen und zu verstehen. Wir argumentieren, dass Satellitendaten und neuartige Deep Learning-Ansätze derzeit ungenutzte Möglichkeiten bieten, um diese Limitationen zu überwinden. Die vorhandene Literatur hat bereits gezeigt, dass anhand von Satellitendaten Technologien auf Feldebene erkannt werden können. Bislang werden diese Datensätze jedoch nicht in vollem Umfang genutzt, um das Adoptionsverhalten oder Diffusionsprozesse zu untersuchen. Die vorhandenen Datenprodukte bieten zwar erhebliches Potential, sind aber in Bezug auf die von ihnen abgedeckten Regionen/Technologien begrenzt. Eine Ausweitung auf andere Regionen/Technologien ist nur begrenzt möglich, da für das Lernen neuer maschineller Lernmodelle oder die Erweiterung bestehender Modelle in der Regel große Mengen an gelabelten Referenzdaten (d. h. Beobachtungen mit bekannten Referenzinformationen) erforderlich sind, an denen es jedoch häufig mangelt. Die Ziele dieses Projekts sind daher zweifach. Erstens wollen wir vorhandene Datenprodukte aus Satellitendaten nutzen, um Diffusionsprozesse zu untersuchen, insbesondere die Dynamik der Adoption (“Disadoption”) und räumlich Peer-Effekte. Hier können wir einen bestehenden Datensatz für bodenschonender Bodenbearbeitung in den USA nutzen, der aus Satellitendaten abgeleitet wurde. Zweitens zielen wir darauf ab, die Anzahl der benötigten gelabelten Referenzdaten für Deep Learning-Ansätze deutlich zu reduzieren. Dazu wollen wir neuartige Lernverfahren entwickeln und insbesondere untersuchen, ob die Einbeziehung von agronomischen Domänenwissen dazu beitragen kann, die Anzahl der benötigten gelabelten Referenzdaten zu reduzieren. Wir vergleichen die entwickelten Ansätze mit den vorhandenen US-Daten und wenden sie an um neue Datenprodukte für andere Regionen (Deutschland) und Technologien (bodenschonender Bodenbearbeitung und Glyphosateinsatz) zu erstellen. Der Daten werden öffentlich zugänglich gemacht. Wir nutzen sie um die Diffusionsdynamiken von bodenschonender Bodenbearbeitung und Glyphosateinsatz in Deutschland abzuleiten, was einen wichtige Betrag für die aktuelle politische Debatte über diese Technologien liefern kann.
Insekten und Grasländer sind wegen ihrer großen Vielfalt, ihrer Empfindlichkeit gegenüber Umwelteinflüssen und ihrer Bedeutung für zahlreiche Ökosystemfunktionen intensiv untersuchte ökologische Modelle. In den Biodiversitätsexploratorien und andernorts wurde ein erheblicher Rückgang der Insektenabundanz und -vielfalt dokumentiert und die Intensivierung der Landnutzung wurde als eine der wichtigsten Ursachen für den weltweiten Artenverlust ermittelt. Die Intensivierung der Grünlandbewirtschaftung führt nachweislich zu einer Verringerung der Abundanz und Vielfalt von Arthropoden, aber die Auswirkungen variieren je nach Landnutzungskomponente und untersuchter Arthropodengruppe. Ein mechanistisches Verständnis dieser Variabilität wird durch die fehlende räumliche und zeitliche Auflösung des Insektenmonitorings behindert, die aufgrund der Arbeitsintensität etablierter Monitoring-Methoden und durch die beschränkte Ressourcenverfügbarkeit bedingt ist. Daher sind neue Methoden für das Insektenmonitoring erforderlich, um die erforderlichen hochauflösenden Daten zu generieren und unser Verständnis der Auswirkungen der Landnutzung auf Insektengemeinschaften zu verbessern. Digitales Monitoring auf der Grundlage von Fotos und KI-gestützter Bilderkennung sind vielversprechende Techniken, die dies ermöglichen. Das vorliegende Projekt zielt darauf ab, fliegende Insekten in den Grünlandflächen der Biodiversitätsexploratorien mit sehr hoher zeitlicher Auflösung zu dokumentieren. Wir werden verfügbare RGB-Kamera-Fallensysteme verwenden und Deep-Learning-Algorithmen entwickeln, um die Abundanz der Insekten, die Diversität von Morphogruppen und die Verteilung der Körpergrößen zu quantifizieren. Wir werden auf den vorhandenen Insektendaten aus den Biodiversitätsexploratorien aufbauen, um Trainingsdaten zu erhalten und die Leistung der KI-Bilderkennung zu überprüfen. Durch den Einsatz eines eingebetteten Sensorsystems mit mobiler Konnektivität zum Monitoren von Insekten wollen wir kontinuierliche in-situ-Messungen in den Grünlandflächen der drei Regionen der Biodiversitätsexploratorien vor, während und nach verschiedenen Landmanagementaktivitäten durchführen. Aufgrund der hohen zeitlichen Auflösung unserer Daten können wir untersuchen, wie sich Landnutzungsaktivitäten auf die Dynamik und Stabilität der Insektengemeinschaften auswirken, indem wir den Referenzzustand, Störungseffekte und Erholungsphasen direkt quantifizieren. Wir werden zwischen demografischen Prozessen und (Wieder-)Besiedlungsprozessen als Reaktion auf Störungen durch die Landnutzung unterscheiden und dabei ausnutzen, dass demografische und verhaltensbasierten Prozesse auf unterschiedlichen Zeitskalen ablaufen; z. B. ist die Wiederbesiedlung viel schneller als die Reproduktion. Durch die hier vorgeschlagene Forschung wird dieses Projekt die verfügbare Technologie für das Insektenmonitoring und das mechanistische Verständnis der Auswirkungen der Landnutzung auf Insektengemeinschaften vorantreiben.
Vulkanogene Massivsulfidlagerstätten (VMS) sind wichtige Kupfer- und Zinkvorkommen und enthalten erhebliche Mengen an Gold, Silber, Blei, Selen, Cadmium, Wismut und Zinn. Auf sie entfallen 22% der weltweiten Zink-Produktion sowie 9,7 % des Bleis und 6 % des Kupfers, was sie zu wichtigen Zielen der Rohstoffindustrie und zu einer essentiellen Quelle von Technologiemetallen für die Energiewende macht. Die Rate mit der neue Mineralvorkommen entdeckt werden, ist jedoch rückläufig, da die meisten hochwertigen Vorkommen an der Erdoberfläche bereits bekannt sind. Um den Erfolg bei der Suche nach verborgenen und tief-liegenden Lagerstätten zu erhöhen, sind neue und wirksamere Instrumente erforderlich, mit denen großräumige Mineralsysteme aufgespürt werden können. Diese helfen dabei von unmineralisierten bzw. schwach mineralisierten geologischen Einheiten auf die wertvollen Bereiche einer Lagerstätte zu schließen. Im Rahmen dieses Projekts soll das Potenzial von akzessorischen Mineralen zur Charakterisierung von erzbildenden Prozessen und als Wegweiser für die Mineralisierung in VMS-Gebieten evaluiert werden, die oftmals metamorph überprägt sind und eine komplexe Geschichte haben. Zu diesem Zweck sollen erzführende, hydrothermal veränderte (proximale) und unveränderte (distale) Gesteine in VMS-Provinzen mit komplexer geologischer Geschichte verglichen werden. Hierfür werden wir petrographische Studien und hochauflösende Verfahren in Kombination mit geochemischen und geochronologischen Methoden (Mikrosonde, LA-ICP-MS-Analysen, stabilen Isotopen und geologische Datierung) durchführen. Dies wird es uns ermöglichen, (1) die paragenetische Abfolge und den Zeitpunkt der Bildung der Minerale zu bestimmen, (2) die chemischen Signaturen der wichtigsten Mineralphasen in der gesamten metallogenetischen Provinz zu identifizieren und (3) mögliche Korrelationen zwischen verschiedenen Provinzen zu finden. Um die gewonnenen Datensätze zu verarbeiten und Muster und Trends in den Datensätzen zu erkennen, werden wir Methoden des maschinellen Lernens benutzen, die zukünftig auch Anwendung in der Rohstoffexploration finden können. Mit dieser Arbeit wollen wir neue Konzepte für die Entstehung der Erzkörper und der damit verbundenen Prozesse entwickeln. Unsere Ergebnisse werden zur Verbesserung der Explorationsstrategien in Europa und darüber hinaus beitragen.
| Organisation | Count |
|---|---|
| Bund | 1683 |
| Global | 1 |
| Kommune | 11 |
| Land | 97 |
| Schutzgebiete | 1 |
| Weitere | 99 |
| Wirtschaft | 10 |
| Wissenschaft | 381 |
| Zivilgesellschaft | 28 |
| Type | Count |
|---|---|
| Agrarwirtschaft | 1 |
| Daten und Messstellen | 2 |
| Ereignis | 9 |
| Förderprogramm | 1568 |
| Hochwertiger Datensatz | 6 |
| Mitmachportal | 3 |
| Text | 209 |
| Umweltprüfung | 2 |
| unbekannt | 64 |
| License | Count |
|---|---|
| Geschlossen | 211 |
| Offen | 1644 |
| Unbekannt | 9 |
| Language | Count |
|---|---|
| Deutsch | 1795 |
| Englisch | 351 |
| Resource type | Count |
|---|---|
| Archiv | 9 |
| Bild | 19 |
| Datei | 9 |
| Dokument | 70 |
| Keine | 1514 |
| Webseite | 302 |
| Topic | Count |
|---|---|
| Boden | 910 |
| Lebewesen und Lebensräume | 1155 |
| Luft | 751 |
| Mensch und Umwelt | 1864 |
| Wasser | 570 |
| Weitere | 1710 |