API src

Found 2290 results.

Related terms

Modellversuche zur Schadensentwicklung am Deckwerk

Es handelt sich um Daten aus Modellversuchen in einer Wellengrube, welche in den Jahren 2018 und 2019 primär zur Beschreibung der Schadensentwicklung an losen Schüttsteindeckwerken durchgeführt wurden. Es sind Messungen der hydraulischen Einwirkungen (Wellen und Strömungen) sowie Scanneraufnahmen vom Deckwerk nach jedem Belastungszyklus vorhanden.

Numerische Abbildung von Deckwerken mittel CFD-DEM

Ziel des Forschungsprojekts ist die Ermittlung optimierter Deckwerksausbildungen für charakteristische Randbedingungen an Seeschifffahrtsstraßen. Ein gekoppeltes CFD-DEM Model wird entwickelt zur Simulation der Interaktion der Deckwerkssteine mit schiffsinduzierten Wellen und Strömungen. Aufgabenstellung und Ziel Deckwerke aus losen Wasserbausteinen werden regelmäßig zum Schutz von Uferböschungen an Schifffahrtsstraßen vor Erosion durch hydraulische Belastungen aus schiffs- und windinduzierten Wellen und Strömungen verbaut. Die derzeitigen Berechnungsgrundlagen zur Deckwerksbemessung basieren hauptsächlich auf physikalischen Versuchen und Erfahrungen aus dem Betrieb von Binnenwasserstraßen oder Küstenschutzbauwerken. Für die komplexen und vielfältigen Randbedingungen an Seeschifffahrtsstraßen und im Tidegebiet sind die derzeitigen Berechnungsgrundlagen unzulänglich und die Bemessung daher mit wenig quantifizierbaren Unsicherheiten verbunden. Regelwerke, wie sie für Binnenwasserstraßen entwickelt wurden (GBB, BAW 2010; MAR, BAW 2008), existieren nicht. Für eine sichere und nachhaltige Bemessung der Deckwerke an Seeschifffahrtsstraßen werden numerische Simulationen zur Untersuchung der Stabilität von Deckwerken unter typischen hydraulischen Belastungen im Tidegebiet eingesetzt. Insbesondere ein gekoppeltes Computational Fluid Dynamics - Discrete Element Method (CFD-DEM) Modell wird weiterentwickelt, um die Interaktion zwischen Deckwerksteinen und schiffsinduzierten Wellen und Strömungen zu untersuchen. Ziel des Forschungsprojekts ist die Ermittlung optimierter Deckwerksausbildungen für charakteristische Randbedingungen an Seeschifffahrtsstraßen. Aufbauend auf diesem FuE-Projekt können Regelbauweisen hergeleitet werden und in ein Merkblatt münden. Bedeutung für die Wasserstraßen- und Schifffahrtsverwaltung des Bundes (WSV) Erweiterte Kenntnisse über die Interaktion zwischen Deckwerksteinen und hydraulischen Belastungen im Tidegebiet werden zu einer optimierten Deckwerksausbildung für charakteristische Randbedingungen an Seeschifffahrtsstraßen führen. Geringere Bau- und Unterhaltungskosten sind bei einem ausreichendem Sicherheitsniveau und höherer Nachhaltigkeit zu erwarten. Untersuchungsmethoden Im Rahmen des Vorgängerprojekts (B3952.06.04.70270) wurde bereits ein CFD-DEM-Modell zur Untersuchung der Stabilität von losen Deckwerken gegenüber Wellen- und Strömungsangriff entwickelt (Petzold 2018; Sorgatz 2023). Physikalische Modellversuche sowie Messungen in der Natur wurden durchgeführt und mit dem Modell numerisch simuliert. Das Modell hat jedoch einige Einschränkungen, die nunmehr behoben werden sollen. Insbesondere soll ein neues Modell erstellt werden, bei dem die Fluidzellen kleiner als die Steine sind, um Strömungseffekte und Turbulenzen zwischen Deckwerksteinen zu berücksichtigen. Außerdem sollen nicht-sphärische Geometrien zur Darstellung der Steine verwendet werden, um diese exakter zu simulieren. Zur Entwicklung dieses neuen Modells soll die Software CFDEM® (Goniva 2012) verwendet werden, die zudem den Vorteil besitzt, multi-core zu rechnen. Messungen von Schiffsbelastungen in der Natur sowie von Strömungsbelastungen in der hydraulischen Rinne dienen als Eingangswerte zur Erzeugung der numerischen Wellen und Strömungen. Weitere repräsentative Messungen der resultierenden Zustandsgrößen im Feld und/oder in physikalischen Modellversuchen bilden die Grundlage für die numerische Simulationen und für die Modellkalibrierung und Modellvalidierung. Die bereits vorhandenen Messdaten werden verwendet, aber auch neue Messkampagnen sind geplant. Vorhandenes sowie neues Messequipment soll dabei zum Einsatz kommen (instrumentierte Wasserbausteine, autarke Wasserdruck- und Strömungssonden, ggf. eine Porenwasserdrucksonde). Mit dem neuen numerischen Modell werden zunächst die bereits erfolgten physikalischen Versuche nachgerechnet und verglichen. (Text gekürzt)

Transportwege von Feuchte und Wasserdampfisotopologe

Das Zusammenspiel von atmosphärischem Wasser und Zirkulation über Beeinflussung des Strahlungshaushalts, den Transport latenter Wärme und Rückkopplungsmechanismen von Wolken ist eines der bedeutendsten Hindernisse für das Verständnis des Klimasystems. Ein Vergleich zwischen Modellen verschiedener Auflösungen und Parameterisierungen kann wertvolle Einblicke in die Problematik geben. Jedoch werden für aussagekräftige Modelltests Messdaten benötigt. In diesem Zusammenhang können Isotopologen des troposphärischen Wasserdampfs eine wichtige Rolle spielen. Das Isotopologenverhältnis reflektiert die Bedingungen am Ort des Feuchteeintrags sowie verschiedene Umwandlungsprozesse (z.B. in Wolken). Während der letzten Jahre gab es großen Fortschritt beim Modellieren und Messen der Isotopologenverhältnisse, so dass kombinierte Untersuchungen nun global zeitlich und räumlich hochaufgelöst durchführbar sind. Das Ziel dieses Projektes ist es, Wasserdampfisotopologe als neue Methode zu etablieren, um modellierte atmosphärische Feuchteprozesse zu testen und damit einige der größten Herausforderungen der aktuellen Klimaforschung anzugehen. Um statistisch robuste Untersuchungen zu ermöglichen, werden wir eine große Anzahl von (H2O, deltaD)-Paaren messen (deltaD ist das standardisierte Verhältnis zwischen den Isotopologen HD16O und H216O). Zum ersten Mal wird dann ein validierter Beobachtungsdatensatz zur Verfügung stehen, der große Gebiete, lange Zeiträume und verschiedene Tageszeiten abdeckt. Gleichzeitig wird ein hochauflösendes meteorologisches Modell, welches die Isotopologe simuliert, benutzt, um zu untersuchen inwiefern sich Eintrag und Transport von Feuchte in den Isotopologen wiederspiegeln. Diese Kombination von Messung und Modell ist einzigartig zum Testen der Modellierung von Feuchteprozessen. Das Potential der Isotopologen wird anhand von drei klimatisch interessanten Regionen aufgezeigt. Für Europa wird unser Ansatz einen wertvollen Einblick in den Zusammenhang zwischen Feuchteeintrag und den Isotopologen im Falle hochvariablen Wettergeschehens geben. Über dem subtropischen Nordatlantik werden wir Mischprozessen zwischen der marinen Grenzschicht und der freien Troposphäre untersuchen. Die verschiedenartige Einbindung dieser Prozesse in Modelle ist sehr wahrscheinlich ein Grund für die große Unsicherheit bei Rückkopplungsmechanismen von Wolken. Über Westafrika wird die Modellierung des Monsuns getestet (horizontaler Feuchtetransport, Feuchterückfluss von Land in die Troposphäre, und Tagesgänge in Zusammenhang mit vertikalen Mischprozessen). Die Frage, wie organisierte Konvektion die Monsunzirkulation und die Feuchtetransportwege beeinflusst, wird dabei von besonderem Interesse sein. In Kombination werden die Ergebnisse helfen, Defizite in aktuellen Wetter- und Klimamodellen aufzuspüren und besser zu verstehen, und dadurch einen wichtigen Beitrag für zukünftige Modellverbesserungen liefern.

Reaktion des Photosyntheseapparats in tropischen Pflanzen auf starkes sichtbares und ultraviolettes Licht

Das Vorhaben umfasst Untersuchungen der inhibierenden Wirkung von Sonnenstrahlung auf die Photosynthese in tropischen Pflanzen und deren Akklimatisation an ambiente Lichtbedingungen. Die Reaktion des Photosyntheseapparats auf natürlichen 'Lichtstress' in Schatten- und Sonnenblättern wird mittels verschiedener Messparameter analysiert. Insbesondere werden spezifische Filter für ultraviolettes Licht (UV-B und UV-A) angewandt, um die Reaktion der Blätter auf die solare UV-Strahlung zu untersuchen. Im Vordergrund der Messungen steht der CO2-Gaswechsel, da Studien mit artifizellem UV-Licht eine bevorzugte Inhibition der CO2-Assimilation durch UV-B gezeigt haben. Daneben werden Änderungen der Aktivitäten der Photosysteme II und I durch Chlorophyllfluoreszenz- bzw. Absorptionsmessungen erfasst. Die Akklimatisation von Schattenblättern an tägliche Sonnenexposition wird mehrere Wochen lang anhand der Zusammensetzung der Photosynthesepigmente und Anreicherung von UV-absorbierenden Substanzen verfolgt. Modellversuche mit Mutanten von Arabidopsis thaliana sollen klären, ob das im Xanthophyllzyklus gebildete Zeaxanthin und die assoziierte thermische Dissipation von Anregungsenergie zum Schutz des Photosystems I beiträgt. Die Sonnenexpositions-Experimente und physikalischen Messungen werden weitgehend am Smithsonian Tropical Research Institute in Panama in Kooperation mit Dr. K. Winter durchgeführt. Pigmentanalysen und Datenverarbeitung sowie die Untersuchung einer C4-Pflanzenart und der Arabidopsis-Mutanten erfolgen am Institut für Biochemie der Pflanzen in Düsseldorf.

Repository der KI-Ideenwerkstatt: robbenblick

# robbenblick A Computer Vision project for object detection and annotation management using YOLOv8, SAHI, and FiftyOne, with the primary aim of counting objects (Robben) in large aerial images. ## Overview This repository provides a complete MLOps pipeline for: * **Data Preparation:** Converting raw CVAT annotations (XML) and large images into a tiled, YOLO-compatible dataset. * **Automated Experiments:** Systematically training and tuning YOLOv8 models. * **Tiled Inference:** Running optimized inference (SAHI) on large, high-resolution images for object counting. * **Evaluation:** Assessing model performance for both detection (mAP) and counting (MAE, RMSE, R²). * **Visualization:** Analyzing datasets and model predictions interactively with FiftyOne. ## Pretrained Model Weights Pretrained model weights are available on Hugging Face: https://huggingface.co/ki-ideenwerkstatt-23/robbenblick/ ## Project Workflow The project is designed to follow a clear, sequential workflow: 1. **Prepare Data (`create_dataset.py`):** Organize your raw images and CVAT `annotations.xml` in `data/raw/` as shown below. ```text data/raw/ ├── dataset_01/ │ ├── annotations.xml │ └── images/ └── dataset_02/ ... ``` Run the script to generate a tiled, YOLO-formatted dataset in `data/processed/` and ground truth count CSVs. 2. **Tune Model (`run_experiments.py`):** Define a set of hyperparameters (e.g., models, freeze layers, augmentation) in `configs/base_iter_config.yaml`. Run the script to train a model for every combination and find the best performer. 3. **Validate Model (`yolo.py`):** Take the `run_id` of your best experiment and run validation on the hold-out `test` set to get **detection metrics (mAP)**. 4. **Infer & Count (`predict_tiled.py`):** Use the best `run_id` to run sliced inference on new, large images. This script generates final counts and visual outputs. 5. **Evaluate Counts (`evaluate_counts.py`):** Compare the `detection_counts.csv` from inference against the `ground_truth_counts.csv` to get **counting metrics (MAE, RMSE)**. 6. **Visualize (`run_fiftyone.py`):** Visually inspect your ground truth dataset or your model's predictions at any stage. ## Configuration This project uses two separate configuration files, managed by `robbenblick.utils.load_config`. * **`configs/base_config.yaml`** * **Purpose:** The single source of truth for **single runs**. * **Used By:** `create_dataset.py`, `predict_tiled.py`, `run_fiftyone.py`, and `yolo.py` (for validation/single-predict). * **Content:** Defines static parameters like data paths (`dataset_output_dir`), model (`model`), and inference settings (`confidence_thresh`). * **`configs/base_iter_config.yaml`** * **Purpose:** The configuration file for **experiments and tuning**. * **Used By:** `run_experiments.py`. * **Content:** Any parameter defined as a **YAML list** (e.g., `model: [yolov8n.pt, yolov8s.pt]`) will be iterated over. `run_experiments.py` will test every possible combination of all lists. ## Environment Setup 1. Clone the repository: ```sh git clone git@github.com:ki-iw/robbenblick.git cd robbenblick ``` 2. Create the Conda environment: ```sh conda env create --file environment.yml conda activate RobbenBlick ``` 3. (Optional) Install pre-commit hooks: ```sh pre-commit install ``` ## Core Scripts & Usage ### `create_dataset.py` * **Purpose:** Converts raw CVAT-annotated images and XML files into a YOLO-compatible dataset, including tiling and label conversion. * **How it works:** * Loads configuration from a config file. * Scans `data/raw/` for dataset subfolders. * Parses CVAT XML annotations and extracts polygons. * Tiles large images into smaller crops based on `imgsz` and `tile_overlap` from the config. * Converts polygon annotations to YOLO bounding box format for each tile. * Splits data into `train`, `val`, and `test` sets and writes them to `data/processed/dataset_yolo`. * Saves a `ground_truth_counts.csv` file in each raw dataset subfolder, providing a baseline for counting evaluation. * **Run:** ```sh # Do a 'dry run' to see statistics without writing files python -m robbenblick.create_dataset --dry-run --config configs/base_config.yaml # Create the dataset, holding out dataset #4 as the test set python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 4 ``` * **Key Arguments:** * `--config`: Path to the `base_config.yaml` file. * `--dry-run`: Run in statistics-only mode. * `--test-dir-index`: 1-based index of the dataset subfolder to use as a hold-out test set. * `--val-ratio`: Ratio of the remaining data to use for validation. ### `run_experiments.py` * **Purpose:** **This is the main training script.** It automates hyperparameter tuning by iterating over parameters defined in `base_iter_config.yaml`. * **How it works:** * Finds all parameters in the config file that are lists (e.g., `freeze: [None, 10]`). * Generates a "variant" for every possible combination of these parameters. * For each variant, it calls `yolo.py --mode train` as a subprocess with a unique `run_id`. * After all runs are complete, it reads the `results.csv` from each run directory, sorts them by `mAP50`, and prints a final ranking table. * **Run:** ```sh # Start the experiment run defined in the iteration config python -m robbenblick.run_experiments --config configs/base_iter_config.yaml # Run experiments and only show the top 5 results python -m robbenblick.run_experiments --config configs/base_iter_config.yaml --top-n 5 ``` ### `predict_tiled.py` * **Purpose:** **This is the main inference script.** It runs a trained YOLOv8 model on new, full-sized images using Sliced Aided Hyper Inference (SAHI). * **How it works:** * Loads a trained `best.pt` model specified by the `--run_id` argument. * Loads inference parameters (like `confidence_thresh`, `tile_overlap`) from the `base_config.yaml`. * Uses `get_sliced_prediction` from SAHI to perform tiled inference on each image. * Saves outputs, including visualized images (if `--save-visuals`), YOLO `.txt` labels (if `--save-yolo`), and a `detection_counts.csv` file. * **Run:** ```sh # Run inference on a folder of new images and save the visual results python -m robbenblick.predict_tiled \ --config configs/base_config.yaml \ --run_id "best_run_from_experiments" \ --source "data/new_images_to_count/" \ --output-dir "data/inference_results/" \ --save-visuals ``` ### `evaluate_counts.py` * **Purpose:** Evaluates the *counting* performance of a model by comparing its predicted counts against the ground truth counts. * **How it works:** * Loads the `ground_truth_counts.csv` generated by `create_dataset.py`. * Loads the `detection_counts.csv` generated by `predict_tiled.py`. * Merges them by `image_name`. * Calculates and prints key regression metrics (MAE, RMSE, R²) to assess the accuracy of the object counting. * **Run:** ```sh # Evaluate the counts from a specific run python -m robbenblick.evaluate_counts \ --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" \ --pred-csv "data/inference_results/detection_counts.csv" ``` ### `yolo.py` * **Purpose:** The core engine for training, validation, and standard prediction. This script is called by `run_experiments.py` for training. You can use it directly for validation. * **How it works:** * `--mode train`: Loads a base model (`yolov8s.pt`) and trains it on the dataset specified in the config. * `--mode validate`: Loads a *trained* model (`best.pt` from a run directory) and validates it against the `test` split defined in `dataset.yaml`. This provides **detection metrics (mAP)**. * `--mode predict`: Runs standard (non-tiled) YOLO prediction on a folder. * **Run:** ```sh # Validate the 'test' set performance of a completed run python -m robbenblick.yolo \ --config configs/base_config.yaml \ --mode validate \ --run_id "best_run_from_experiments" ``` ### `run_fiftyone.py` * **Purpose:** Visualizes datasets and predictions using FiftyOne. * **How it works:** * `--dataset groundtruth`: Loads the processed YOLO dataset (images and ground truth labels) from `data/processed/`. * `--dataset predictions`: Loads images, runs a specified model (`--run_id`) on them, and displays the model's predictions. * **Run:** ```sh # View the ground truth annotations for the 'val' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset groundtruth \ --split val \ --recreate # View the predictions from 'my_best_run' on the 'test' split python -m robbenblick.run_fiftyone \ --config configs/base_config.yaml \ --dataset predictions \ --split test \ --run_id "my_best_run" \ --recreate ``` ### `streamlit_app.py` * **Purpose:** Quick test runs with the trained model of your choice for counting the seals in the image(s) and visualization. * **How it works:** * Loads the selected YOLO model from `runs/detect/`. * Upload images, run model, then displays the counts and model's predictions as image visualization. * **Run:** ```sh # View the ground truth annotations for the 'val' split export PYTHONPATH=$PWD && streamlit run robbenblick/streamlit_app.py ``` ## Recommended Full Workflow 1. **Add Raw Data:** * Place your first set of images and annotations in `data/raw/dataset_01/images/` and `data/raw/dataset_01/annotations.xml`. * Place your second set (e.g., from a different location) in `data/raw/dataset_02/images/` and `data/raw/dataset_02/annotations.xml`. 2. **Create Dataset:** * Run `python -m robbenblick.create_dataset --dry-run` to see your dataset statistics. Note the indices of your datasets. * Let's say `dataset_02` is a good hold-out set. Run: `python -m robbenblick.create_dataset --config configs/base_config.yaml --test-dir-index 2` * This creates `data/raw/dataset_02/ground_truth_counts.csv` for later. 3. **Find Best Model:** * Edit `configs/base_iter_config.yaml`. Define your experiments. ```yaml # Example: Test two models and two freeze strategies model: ['yolov8s.pt', 'yolov8m.pt'] freeze: [None, 10] yolo_hyperparams: scale: [0.3, 0.5] ``` * Run the experiments: `python -m robbenblick.run_experiments`. * Note the `run_id` of the top-ranked model, e.g., `iter_run_model_yolov8m.pt_freeze_10_scale_0.3`. 4. **Validate on Test Set (Detection mAP):** * Check your best model's performance on the unseen test data: `python -m robbenblick.yolo --mode validate --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --config configs/base_config.yaml` * This tells you how well it *detects* objects (mAP). 5. **Apply Model for Counting:** * Get a new folder of large, un-annotated images (e.g., `data/to_be_counted/`). * Run `predict_tiled.py`: `python -m robbenblick.predict_tiled --run_id "iter_run_model_yolov8m.pt_freeze_10_scale_0.3" --source "data/to_be_counted/" --output-dir "data/final_counts/" --save-visuals` * This creates `data/final_counts/detection_counts.csv`. 6. **Evaluate Counting Performance (MAE, RMSE):** * Now, compare the predicted counts (Step 5) with the ground truth counts (Step 2). Let's assume your "to_be_counted" folder *was* your `dataset_02`. `python -m robbenblick.evaluate_counts --gt-csv "data/raw/dataset_02/ground_truth_counts.csv" --pred-csv "data/final_counts/detection_counts.csv"` * This gives you the final MAE, RMSE, and R² metrics for your **counting task**. ## Additional Notes This repository contains only the source code of the project. The training data and the fine-tuned model weights are not included or published. The repository is currently not being actively maintained. Future updates are not planned at this time. For transparency, please note that the underlying model used throughout this project is based on **YOLOv8 by Ultralytics**. ## License Copyright (c) 2025 **Birds on Mars**. This project is licensed under the **GNU Affero General Public License v3.0 (AGPL-3.0)**. This aligns with the license of the underlying **YOLOv8** model architecture used in this project. Please note: **Training data and fine-tuned model weights are not part of the licensed materials** and are not included in this repository. For full details, see the LICENSE file. ## Troubleshooting ### FiftyOne: images (partially) not visible Try using `--recreate` flag to force FiftyOne to reload the dataset: ```sh python robbenblick/run_fiftyone.py --dataset groundtruth --split val --recreate ``` ### FiftyOne: failed to bind port If you get: ``` fiftyone.core.service.ServiceListenTimeout: fiftyone.core.service.DatabaseService failed to bind to port ``` Try killing any lingering `fiftyone` or `mongod` processes: ```sh pkill -f fiftyone pkill -f mongod Then rerun your script. ``` # Collaborators The code for this project has been developed through a collaborative effort between [WWF Büro Ostsee](https://www.wwf.de/themen-projekte/projektregionen/ostsee) and [KI-Ideenwerkstatt](https://www.ki-ideenwerkstatt.de), technical implementation by [Birds on Mars](https://birdsonmars.com). <p></p> <a href="https://ki-ideenwerkstatt.de" target="_blank" rel="noopener noreferrer"> <img src="assets/kiiw.jpg" alt="KI Ideenwerkstatt" height="100"> </a> <p></p> Technical realization <br> <a href="https://birdsonmars.com" target="_blank" rel="noopener noreferrer"> <img src="assets/bom.jpg" alt="Birds On Mars" height="100"> </a> <p></p> An AI initiative by <br> <a href="https://www.bundesumweltministerium.de/" target="_blank" rel="noopener noreferrer"> <img src="assets/bmukn.svg" alt="Bundesministerium für Umwelt, Klimaschutz, Naturschutz und nukleare Sicherheit" height="100"> </a> <p></p> In the context of <br> <a href="https://civic-coding.de" target="_blank" rel="noopener noreferrer"> <img src="assets/civic.svg" alt="Civic Coding" height="100"> </a>

Durchfuehrung des Modellversuchs 'Oekologische Grundbildung im Lernorte-Netz - Konzeptbausteine fuer Schule und Lehrerbildung

1. Gletscherinventare Bolivien, Kolumbien, Ecuador; Peru von den Peruanern selbst. 2. Monitoring der raumzeitlichen Veraenderungen vom Pleistozaen bis zu aktuellen Ablaeufen. 3. Korrelation der Beziehung Wetter-Klima-Gletscherentwicklung 4. Deutlich staerkerer Gletscherschwund als an aussertropischen Gletschern.

Aerodynamische Modelluntersuchungen zu Standprobelaeufen von Strahltriebwerken in Laermschutzhallen

Standprobelaeufe von Strahltriebwerken werden immer mehr in Laermschutzhallen verlagert, um die Geraeuschemission zu verringern. Neben der akustischen Auslegung der Laermschutzhalle sind die aerodynamischen Aspekte nicht zu vernachlaessigen, die einen problemlosen Betrieb der Triebwerke in der Halle gewaehrleisten. Fuer die aerodynamische Konzeption werden vorab Modellversuche im Massstab 1:50 durchgefuehrt. Der Aufbau besteht aus einer massstabsgerechten Modellhalle aus Plexiglas, den Triebwerkssimulatoren, dem Flugzeugmodell und einer Windmaschine fuer Versuche mit Querwindeinfluss. Die Triebwerkssimulatoren bilden das Kernstueck der Versuche. Ueber eine vorhandene Luftversorgungseinrichtung wird Luft ueber den Simulatoreintritt angesaugt, verdichtet und ueber getrennte Rohrleitungen dem Simulator als Primaer- und Sekundaerluft wieder zugefuehrt. Regelorgane in den Rohrleitungen sind fuer die Einstellung bestimmter Betriebspunkte zustaendig. In der Modellhalle wird die Stroemung mit Faeden und mit Nebel sichtbar gemacht, um Rueckstroemgebiete oder Wirbelgebiete zu detektieren. Durch geeignete bauliche Veraenderungen gilt es, diese Gebiete zu vermeiden bzw so stark einzuschraenken, dass aus aerodynamischer Sicht ein gefahrloser Betrieb der Triebwerke erfolgen kann.

Massstabseffekte bei Modellversuchen zur Wechselwirkung Schiff - Wasserstraße, für Binnen - und Seeschiffe

Zur Kalibrierung des Manövrierverhaltens der Schiffe in Schiffsführungssimulationen stehen meist nur Daten aus Modellversuchen zur Verfügung. Dieses Projekt bestimmt den Übertragungsfehler bei Anwendung von Maßstabsgesetzen für alle für die Bemessung von Wasserstraßen und Seehafenzufahrten relevanten Flachwassereffekte.

Forschergruppe (FOR) 1898: Mehrskalendynamik von Schwerewellen, Spontanes Ungleichgewicht (SI)

Schwerewellen (GWs) sind zu kleinskalig, um in den heutigen Wetter- und Klimamodellen aufgelöst zu werden. Sie müssen daher parametrisiert werden, da sie einen starken Einfluss auf die Dynamik der großen Skalen haben. Parametrisierungen existieren für orographisch und konvektiv erzeugte GWs, während für die GW-Quellen entlang großskaliger Jets noch keine etablierte Parametrisierung vorliegt. Die Quellen resultieren aus einer spontanen Imbalance (SI) der großskaligen quasi-geostrophischen Strömung. Die Untersuchung von Schwerewellenabstrahlung durch SI ist schwierig, da die GWs in ein sehr komplexes zeitabhängiges Strömungsfeld eingebettet sind, mit einer großen Zahl von interagierenden Prozessen. Auch die Validierung von Parametrisierungen wird dadurch erschwert. Daher kombinieren wir Theorie und numerische Modellierung mit ergänzenden Laborexperimenten. Laborexperimente garantieren eine Reproduzierbarkeit der betrachteten großskaligen Strömungssituation. Die direkte Korrespondenz zwischen den experimentellen Daten und den Modelldaten und die erwähnte Reproduzierbarkeit machen das Laborexperiment zu einem idealen Prüfstand für Parametrisierungen und für die Untersuchung klimarelevante Prozesse. Das differenziell beheizte rotierende Zylinderspalt-Experiment, welches an der BTU (Brandenburg Technische Universität Cottbus-Senftenberg) aufgebaut und betrieben wird, stellt die Referenzdaten für Benchmark-Simulationen an der GU-F (Goethe Universität Frankfurt) und dem IAP (Leibniz Institut für Atmosphärische Physik, Kühlungsborn) bereit. Dabei stehen Experimente im Vordergrund, die zeigen sollen, welche baroklinen Strömungen eine besonders ausgeprägte GW-Abstrahlung aufweisen. Ergänzend dazu werden idealisierte numerische Simulationen an der GU-F und dem IAP durchgeführt, um die Variabilität der GWs und den Abstrahlungsprozess zu untersuchen. Wichtig ist dabei, einen Zusammenhang zwischen verschiedenen großskaligen Strömungen und der mesoskaligen GW-Quelle herzustellen und diesen Zusammenhang mittels grob aufgelöster Wellenstrahlenmodelle zu validieren. Ziel ist es, eine skalenabhängige SI-Parametrisierung zu konstruieren. Diese Parametrisierung soll mit Hilfe der Labor-Referenzdaten validiert werden. Begleitet wird dies von einer Analyse grob- und feinaufgelöster Daten aus UA-ICON Simulationen. Schließlich soll die Parametrisierung an das Wellenstrahlenmodell MS-GWaM angekoppelt werden, welches in UA-ICON implementiert ist.

Schwerpunktprogramm (SPP) 1294: Bereich Infrastruktur - Atmospheric and Earth system research with the 'High Altitude and Long Range Research Aircraft' (HALO), CIRRUS-HL – Die HALO Mission zu Zirren in hohen Breiten Umbrella Proposal HALO2020 - CIRRUS-HL

Die Mission CIRRUS-HL – Zirren in hohen Breiten nutzt das Forschungsflugzeug HALO gemeinsam mit Modellen und Satelliten, um die Nukleation, den Lebenszyklus und die Klimawirkung von Eiswolken in hohen Breiten, einer Region mit massiven anthropogenen Klimaänderungen, genauer zu bestimmen. InhaltSchnellste und massivste anthropogen verursachte Änderungen der Erdoberflächentemperatur finden in hohen Breiten statt. Hier führen Eiswolken im Winter zu einem großen positiven Strahlungsantrieb. Direkte Messungen der mikrophysikalischen Eigenschaften von Eiswolken und ihrer Variabilität sind jedoch unvollständig und Eisanzahlkonzentrationen werden in Klimamodellen nicht adäquat repräsentiert, dies schränkt die Aussagekraft von Klimamodellen in hohen Breiten deutlich ein. Die Messkampagne CIRRUS-HL, in den letzten 6 Jahren die einzige HALO Messkampagne mit in situ Wolken-Instrumentierung nutzt neuere Wolkensonden gemeinsam mit umfangreichen Spurengas-, Aerosol- und Strahlungs-Messungen um die Nukleation, den Lebenszyklus und die Klimawirkung von Eiswolken in hohen Breiten genauer zu bestimmen. Die Flugzeugmessungen werden begleitet von Messaktivitäten von Bodenstationen und Satelliten, und liefern Daten für Prozessmodelle und die Evaluierung von globalen Klimamodellen. Die CIRRUS-HL Mission ist eingebunden in einen internationalen Verbund an Messaktivitäten in der Arktis und besitzt als Alleinstellungsmerkmal einen Fokus auf Eiswolken. Von Oktober bis Dezember 2020 werden in Nordeuropa und Kanada 20 Flüge mit dem Forschungsflugzeug HALO, stationiert in Oberpfaffenhofen und Keflavik, Island, durchgeführt, um die Eigenschaften von Eiswolken genau zu vermessen, die sich in verschiedenen dynamischen Regimes wie zum Beispiel Frontensystemen oder orographisch induzierten Hebungen von Luftmassen gebildet haben. Eigenschaften von Zirren, die sich entweder unterhalb von 238 K in situ homogen oder heterogen gebildet haben, oder die ihren Ursprung in einer flüssigen oder Mischphasen-Wolke bei Temperaturen oberhalb von 238 K haben werden differenziert. Die CIRRUS-HL Mission liefert 1.) einen neuen Datensatz der mikrophysikalischen Eigenschaften von Eiswolken in hohen Breiten zur Verbesserung des Prozessverständnisses der Eisnukleation und zum Vergleich mit Satellitenbeobachtungen und Klimamodellen, 2.) neue Einblicke in den Transport von Aerosolen in hohe Breiten und ihre Prozessierung in Mischphasen- und Eiswolken und 3.) umfassende Beobachtungen von Strahlungseigenschaften von Eiswolken in hohen Breiten im Frühwinter. Der umfangreiche Datensatz zu Eiswolken dient dazu, das Verständnis der Rolle von arktischen Zirren im Klimasystem zu erhöhen.

1 2 3 4 5 … 227 228 229