API src

Found 4202 results.

Related terms

Grundwassermessstelle Wrestedt F1, 600041871 im Landkreis Uelzen, Niedersachsen

Der NLWKN betreibt im Rahmen der Tätigkeiten als Gewässerkundlicher Landesdienst Niedersachsens zahlreiche Grundwassermessstellen in ganz Niedersachsen, die je nach Fragestellung unterschiedlichen Messnetzen und Messprogrammen innerhalb des Gewässerüberwachungssystems Niedersachsen (GÜN) zugeordnet sind. Auf diesem Informationsportal werden verschiedene Messwerte und Datenauswertungen veröffentlicht. Die messstellenspezifischen Messwerte und Datenauswertungen liegen sowohl in tabellarischer als auch in graphischer Form vor, der Darstellungszeitraum ist auswählbar. Zusätzlich sind die für die Grundwassermessstellen zugrundeliegenden Stammdaten inklusive Ausbauschema und Bohrprofil verfügbar.

Langjährige Entwicklung der Luftqualität

2022 (aktuell) Wie sauber ist die Berliner Luft? Und wie sauber war sie vor 45 Jahren? Antworten finden Sie hier. Seit dem Jahr 1976 wird die Luftqualität durch das Berliner Luftgüte-Messnetz (BLUME) und ergänzende Messungen dokumentiert und kontinuierlich ausgewertet. Das automatische BLUME-Messnetz besteht aus ortsfesten Stationen, die in den drei verschiedenen Belastungsregimes (Stadtrand, innerstädtischer Hintergrund, Verkehr) an repräsentativen Orten betrieben werden. Bis Ende 2020 wurde außerdem an wechselnden Standorten ein Messbus eingesetzt. Die einzelnen Stationen übertragen alle fünf Minuten Schadstoffwerte an die Messzentrale in der Brückenstraße (Mitte). Sie bilden die Grundlage für weitere Berechnungen und Auswertungen. Seit Mitte der 1990er Jahre wird das automatische Messnetz durch kleine, an Straßenlaternen befestigte “Ruß- und Benzol-Immissionssammler” (RUBIS) und Passivsammler ergänzt. Die Bilanz ist erfreulich: Seit 1989 konnte Berlin die Emissionen stark reduzieren. Stickstoffoxide sind beispielsweise um 73 Prozent zurückgegangen, Schwefeldioxid sogar um 96 Prozent. Grund dafür ist unter anderem die vom Land Berlin seit 1990 geförderte energetische Sanierung der Altbaubestände. Auch die Belastung mit Partikeln (sogenannter Feinstaub) ist geringer geworden: Die Emissionen aus dem Auspuff der Fahrzeuge verringerten sich zwischen 1989 und 2015 um mehr als 90 Prozent. Zur Reduktion der Partikelbelastung trugen aber auch die Minderung des Eintrages durch Ferntransport und die Einführung der Umweltzone wesentlich bei. Seit 2020 konnten alle zum Schutz der menschlichen Gesundheit erlassenen Luftschadstoffgrenzwerte eingehalten werden, die von der Weltgesundheitsorganisation (WHO) vorgeschlagenen Zielwerte werden jedoch weiterhin zum Teil stark überschritten. Auch bestimmte EU-weit festgelegte Ozon-Kennwerte, die lokal kaum beeinflusst werden können, werden nicht eingehalten. Das Land Berlin hat sich verpflichtet, mit einer neuen Luftreinhaltestrategie 2030 ambitioniertere Ziele analog zu den WHO-Empfehlungen zu erreichen, sodass eine genaue Überwachung weiterhin besonders wichtig ist. Hier finden Sie einen Überblick über die Entwicklung der Berliner Luftqualität der vergangenen 45 Jahre – anschaulich dargestellt mittels Karten und Tabellen. Emissionskataster Informationen zur Luftqualität Berliner Luftgütemessnetz Kfz-Verkehr: Verkehrsmengen Emissionskataster Hausbrand: Versorgungsbereiche Gebäudewärme / Überwiegende Heizungsarten Stadtstruktur / Stadtstruktur – Flächentypen differenziert Einwohnerdichte Emissionskataster Gesamtemissionen + Industrie: Genehmigungsbedürftige Anlagen und Nebenanlagen nach §4 BImSchG Brennstoffeinsatz und CO 2 -Emissionen ausgewählter Anlagen Stadtstruktur / Stadtstruktur – Flächentypen differenziert Industrie- und Gewerbeanlagen Emissionskataster

Vorhersage urbaner atmosphärischer Anzahlkonzentrationen ultrafeiner Partikel mit Hilfe von Machine Learning- und Deep Learning-Algorithmen (ULTRAMADE)

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.

Experimental evaluation of airborne pollutants using sensor-based monitoring

As part of the AIAMO (Artificial Intelligence and Mobility) project funded by the BMDV, a comprehensive environmental monitoring network is currently set up in order to use this for the implementation of environmentally sensitive traffic management. To monitor air quality within the pilot region of Leipzig, air quality sensors from Robert Bosch GmbH (Bosch Air Quality Solutions, Immission Measurement Box, Model IMB 6, F041.B00.003-00) are being installed at various locations within the city. To gain a better understanding of the sensors, a test experiment was set up before they were installed in the city. In this study, the reaction of environmental sensors to following pollutants in the air is analysed under controlled conditions: NO2 (nitrogen dioxide) PM10 (particulate matter 10) PM2.5 (particulate matter 2.5) O3 (ozone) CO (carbon monoxide) The experiment was conducted on 12 August 2024 and consisted of five different test phases: Vehicle Exhaust, Cigarette Smoke, Particulate Matter, Pollen and Fossil Fuel Combustion. Each phase included specific pollutant sources, including diesel vehicles, tobacco smoke, particulate matter and simulated rain effects. The collection of real-time sensor data was complemented by controlled environmental variables such as ventilation and artificial dispersion. The results aim to improve sensor calibration, increase the accuracy of pollutant detection and provide insights into real-world environmental monitoring applications.

Gewässerüberwachung in Sachsen-Anhalt

Das Monitoring hat u.a. folgende grundsätzliche Zielstellungen: Kontrolle der Einhaltung der Umweltziele der EU-Wasserrahmenrichtlinie Ermittlung und Quantifizierung der Ursachen für das Nichterreichen des guten Zustandes als Grundlage für Bewirtschaftungspläne und Maßnahmeprogramme Erfolgskontrolle nach der Durchführung von Maßnahmen Überwachung von Schutzgebieten. Beobachtung der Wasserbeschaffenheit als Grundlage für Entscheidungen der zuständigen Wasserbehörden Beobachtung der Entwicklung natürlicher Gegebenheiten Datenerhebung zur Erfüllung von Berichtspflichten und anderer Verpflichtungen auf nationaler und internationaler Ebene wie z.B.: Verwaltungsvereinbarung über den Datenaustausch im Umweltbereich zwischen Bund und Ländern (Datenbereitstellung für die Europäische Umweltagentur) Berichtspflichten aufgrund verschiedener EG-Richtlinien (z.B. Nitratrichtlinie, Fischgewässerrichtlinie) Datenbereitstellung für die Länderarbeitsgemeinschaft Wasser (LAWA), die Arbeitsgemeinschaft zur Reinhaltung der Elbe (ARGE Elbe) sowie die Internationale Kommission zum Schutz der Elbe (IKSE). Das Monitoring umfaßt die Ermittlung der physikalisch-chemischen Beschaffenheit der Gewässer, die Erfassung biologisch-ökologischer Parameter sowie verschiedene Sondermessprogramme (z.B. Arzneimittelwirkstoffe, Pflanzenschutzmittel). Die zu untersuchenden Gewässer (Messnetz) und der erforderliche Untersuchungsumfang (Parameter und Untersuchungshäufigkeit) werden jährlich im „Gewässerüberwachungsprogramm Sachsen-Anhalt“ (GÜSA) festgelegt. In drei „Automatischen Messstationen – Beschaffenheit“ (AMB) werden an der Elbe (Wittenberg), Saale (Groß Rosenburg) und der Mulde (Dessau) neben der kontinuierlichen Messung einiger Parameter auch Wochenmischproben des Wassers und Monatsmischproben der schwebstoffbürtigen Sedimente gewonnen. Darüber hinaus werden Seesedimente sowie mittels einer mobilen Zentrifuge Schwebstoffe aus Fließgewässern untersucht. Die Daten der online-Parameter der beiden Messstationen sind auf der Informationsplattform Undine der Bundesanstalt für Gewässerkunde veröffentlicht und unter den nachfolgenden links abrufbar: online-Parameter Elbe, Wittenberg online-Parameter Saale, Groß Rosenburg online-Parameter Mulde, Dessau

Gewässernetz

Das Gewässernetz wurde mit der Gebietskennzahl entsprechend den in Sachsen ausgewiesenen Einzugsgebietsgrenzen attributiert. Gewässer mit einer Einzugsgebietsgröße größer 10 km² sind vollständig mit der Gewässerkennzahl attributiert. Weiterhin ist eine Auswahl bzw. Abfrage der Fließgewässern nach Einzugsgebietsgröße (10, 50, 100, 500 km²) und nach der Ordnung entsprechend SächsWG möglich.

Klimasensoren - Aktuelle Messung

Letzte Messungen des Klimamessnetzes Stadt Dortmund. Die Messungen erfolgen alle 5 Minuten. Bei Datenübertragungsfehlern kann es dazu führen, dass die betroffenen Sensoren nicht aufgeführt werden. In diesen Fällen bitte etwas später dieses Datenset erneut aufrufen. Die Stadt Dortmund hat ein umfassendes Klimamessnetz aufgebaut, um die klimatische Situation im Stadtgebiet flächendeckend und in Echtzeit zu erfassen. Zentrale Akteure sind die Smart City Dortmund und das Umweltamt, die gemeinsam den Aufbau einer resilienten und datenbasierten Stadtentwicklung vorantreiben. Das Messnetz besteht aus 105 Sensoren an 76 strategisch ausgewählten Standorten und liefert kontinuierlich Rohdaten zu Temperatur, Luftfeuchtigkeit, Wind, Strahlung, Niederschlag und weiteren Klimaparametern. Es wurde im Rahmen des wissenschaftlich begleiteten Projekts Data2Resilience entwickelt, in Zusammenarbeit mit der Ruhr-Universität Bochum und der Leibniz Universität Hannover. Veröffentlicht werden hier die Daten der Sensoren. Für weiterführende Analysen und Kennzahlen verweisen wir auf das Dashboard des Data2Resilience-Projekts:erweisen wir auf das Dashboard des Data2Resilience-Projekts: [https://dashboard.data2resilience.de/](https://dashboard.data2resilience.de/)

Klimasensoren - Standorte

Standorte der Klimasensoren des Klimamessnetzes Stadt Dortmund. Die Daten werden alle 5 Minuten aktualisiert. Die Stadt Dortmund hat ein umfassendes Klimamessnetz aufgebaut, um die klimatische Situation im Stadtgebiet flächendeckend und in Echtzeit zu erfassen. Zentrale Akteure sind die Smart City Dortmund und das Umweltamt, die gemeinsam den Aufbau einer resilienten und datenbasierten Stadtentwicklung vorantreiben. Das Messnetz besteht aus 105 Sensoren an 76 strategisch ausgewählten Standorten und liefert kontinuierlich Rohdaten zu Temperatur, Luftfeuchtigkeit, Wind, Strahlung, Niederschlag und weiteren Klimaparametern. Es wurde im Rahmen des wissenschaftlich begleiteten Projekts Data2Resilience entwickelt, in Zusammenarbeit mit der Ruhr-Universität Bochum und der Leibniz Universität Hannover. Veröffentlicht werden hier die Daten der Sensoren. Für weiterführende Analysen und Kennzahlen verweisen wir auf das Dashboard des Data2Resilience-Projekts: [https://dashboard.data2resilience.de/](https://dashboard.data2resilience.de/)

Klimasensoren - Messdaten

Die letzten 100 Messwerte des Klimamessnetzes Stadt Dortmund. Die Daten werden alle 5 Minuten aktualisiert. Die Stadt Dortmund hat ein umfassendes Klimamessnetz aufgebaut, um die klimatische Situation im Stadtgebiet flächendeckend und in Echtzeit zu erfassen. Zentrale Akteure sind die Smart City Dortmund und das Umweltamt, die gemeinsam den Aufbau einer resilienten und datenbasierten Stadtentwicklung vorantreiben. Das Messnetz besteht aus 105 Sensoren an 76 strategisch ausgewählten Standorten und liefert kontinuierlich Rohdaten zu Temperatur, Luftfeuchtigkeit, Wind, Strahlung, Niederschlag und weiteren Klimaparametern. Es wurde im Rahmen des wissenschaftlich begleiteten Projekts Data2Resilience entwickelt, in Zusammenarbeit mit der Ruhr-Universität Bochum und der Leibniz Universität Hannover. Veröffentlicht werden hier die Daten der Sensoren. Für weiterführende Analysen und Kennzahlen verweisen wir auf das Dashboard des Data2Resilience-Projekts: [https://dashboard.data2resilience.de/](https://dashboard.data2resilience.de/)

Messstellen Grundwasser Saarland

Für die Überwachung des Grundwassers wurde ein Netz von Messstellen für die qualitative und quantitative Analyse aufgebaut. Der Datensatz zeigt die Standorte der Grundwassermessstellen im Saarland an Messstellen Grundwasser: Betrachtungsobjekt im GDZ, punkthafte Featureklasse (GDZ2010.wlgwmst); exportiert in Filegeodatabase GDZ_GDB.gdb Folgende anwenderrelevante Attribute sind vorhanden: MSTART = Messtelle Art-Kürzel MSTARTL = Messstelle Art Langtext MSTBJR = Messstelle Baujahr MSTGELH = Messstelle Geländehöhe in m MSTMPH = Messstelle Messpunkthöhe in m MSTNTZ = Messstelle Messnetz MSTTIEF = Messstelle Tiefe in m OBJBEZ = Objektbezeichnung

1 2 3 4 5 … 419 420 421