API src

Found 8791 results.

Related terms

Ready-to-use version of the Eurasian Modern Pollen Database version 2, with 90 pollen taxa and 7634 sites

Ready-to-use version of the Eurasian Modern Pollen Database version 2 (EMPD2; Davis et al., 2020; Chevalier et al., 2019) that includes 90 taxa and 7634 modern pollen samples with pollen sums (excluding Pinus) higher or equal to 100 pollen grains (Tables 1 to 6). Table 7 contains 394 additional sites with pollen sums less than 100 pollen grains when excluding Pinus but higher or equal to 100 pollen grains when Pinus is included. Users can merge Tables 1 and 7 (8028 modern pollen samples) if they consider pollen sums (including Pinus) equal or higher than 100 pollen grains sufficient for accurate reconstructions. This ready-to-use version of the EMPD2 was initially built to do paleoclimatic reconstructions for Southern Europe. For users willing to do paleoclimate reconstructions in regions that may need to re-include some of the taxa that were removed, the intermediate version containing all the counts for the 840 initial taxa and the first grouping to 192 taxa is also available as Table 8.

PROaktive Steuerung von WAsserVErteilungssystemen

Zielsetzung: Klimatische Veränderungen beeinflussen die verfügbare Wassermenge und -qualität in Talsperren, was deutliche Auswirkungen auf die Sicherheit der Trinkwasserversorgung und auf die Ökosysteme der Stauseen und den Landschaftswasserhaushalt hat. Klimaprognosen deuten für Gebiete wie den Harz auf einen Anstieg von Niederschlägen im Winter und häufigere Trockenperioden im Sommer hin, was stärker schwankende Wasserstände bedeutet. Zur Anpassung im Management der Talsperren und deren Ökosystemen mangelt es jedoch oft an präzisen Vorhersagen und den nötigen Instrumenten, um risikobasierte Entscheidungen über notwendige dynamische Betriebsstrategien zu treffen. Vor diesem Hintergrund soll im Rahmen des Projekts ein vorhersagebasiertes, mengen- und gütegewichtetes Entscheidungsunterstützungssystem für Talsperren entwickelt werden, welches auf datengetriebenen Modellen basiert und am Beispiel des Systems der Harzwasserwerke implementiert wird. Das Projekt konzentriert sich darauf, durch die Nutzung moderner Technologien und Methoden der Künstlichen Intelligenz (KI), wie LSTM-Netzwerke (Long Short-Term Memory) und Ensemble-Methoden, zuverlässige Vorhersagen des Wasserbedarfs und -dargebots zu erstellen. Diese Vorhersagen werden in ein hydrodynamisches Optimierungsmodell integriert, um eine flexible und belastbare Entscheidungsunterstützung im Ereignisfall zu ermöglichen. Hierdurch sollen die verschiedenen Bewirtschaftungsziele wie Hochwasserschutz, Versorgungssicherheit, Ökosystemleistungen, Landschaftswasserhaushalt und Energieerzeugung bestmöglich erfüllt werden. Die Kombination von Echtzeit-Sensoren, Open-Source-Datensätzen und fortschrittlichen Datenanalyse-Tools ermöglicht es, komplexe und dynamische Prozesse zu simulieren und in Echtzeit Informationen bereitzustellen. Im Sinne der nachhaltigen Klimawandelanpassung werden so proaktive Maßnahmen zur Unterstützung der Versorgungssicherheit, des Hochwasserschutzes sowie des Landschaftswasserhaushaltes ermöglicht. Die Implementierung des Demonstrators im System der Harzwasserwerke soll die Vorteile einer proaktiven Steuerung demonstrieren und eine multikriterielle Bewertung im Vergleich zu herkömmlichen Methoden ermöglichen. Der Fokus liegt nicht nur auf einem hohen Technology Readiness Level, sondern auch auf der Handhabung von Unsicherheiten und der Berücksichtigung verschiedener Vorhersagehorizonte. Diese sind für die verschiedensten wasserwirtschaftlichen Zielsetzungen von entscheidender Bedeutung.

Wetterstationen Programm Smart Green City 2025

<p><strong>Wetterstationen Programm Smart Green City</strong></p> <p>Im Rahmen des Programms Smart Green City (<strong><a href="https://smart-green-city-konstanz.de/">Startseite | Smart Green City Konstanz (smart-green-city-konstanz.de</a></strong>) sind in Konstanz an 12 verschiedenen Standorten Wetterstationen installiert, die in Echtzeit präzise stadtklimatische Parameter messen. Sie stellen eine wichtige Datengrundlage für die Stadtplanung dar.</p> <p>Dieser Datensatz enthält täglich aktualisierte Messwerte mit der zeitlichen Granularität 15min je Standort mit den Parametern relative Luftfeuchtigkeit, akkumulierter Niederschlag (bis 100mm), Luftdruck, Temperatur, Windrichtung und Windgeschwindigkeit (Durchschnitt, Minimum, Maximum seit letzer Beobachtung).</p> <p>Der Aufbau des Datensatzes sowie die Bezeichnungen der Felder entsprechen dem Standard der Smart Data Models. Weitere Details sind unter <a href="https://github.com/smart-data-models/dataModel.Weather/blob/master/WeatherObserved/doc/spec_DE.md" target="_blank"><strong>Smart Data Model - WeatherObserved</strong></a> einsehbar.</p> <p>Hinweis: Der Zeitstempel im Datensatz ist in UTC (koordiniertierte Weltzeit) angegeben.</p> <p>Die 12 Standorte sind:</p> <ul> <li>Bodanplatz</li> <li>Döbele</li> <li>Fähre Staad</li> <li>Friedrichstraße</li> <li>Herosé-Park</li> <li>Hörnle</li> <li>Mainaustraße</li> <li>Marktstätte</li> <li>Riedstraße</li> <li>Europapark</li> <li>Stadtgarten</li> <li>Stephansplatz</li> </ul> <p>Weitere Infos zum Programm Smart Green City und dem Projekt Klimadatenplattform gibt es hier:</p> <p><strong><a href="https://smart-green-city-konstanz.de/klimadatenplattform">Klimadatenplattform | Smart Green City Konstanz (smart-green-city-konstanz.de)</a></strong></p> <p><strong>Quelle: </strong>Stadt Konstanz - Programm Smart Green City</p>

Meteogramm bis H+78 EVRA Riga - Meteogram up to H+78 EVRA Riga

3 Tage Vorhersage. Wind, Temperatur, Bodendruck, Bedeckung, Konvektionswolken und Niederschlag. - 3 days forecast. Wind, temperature, pressure mean sea level, cloud cover, convective clouds and precipitation.

Model Output Statistics for Kronach (P066)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for Salzuflen, Bad (10325)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for Magdeburg (10361)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for Quedlinburg (N620)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for TABARKA (60710)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Schwerpunktprogramm (SPP) 2115: Synergie von Polarimetrischen Radarbeobachtungen und Atmosphärenmodellierung (PROM) - Verschmelzung von Radarpolarimetrie und numerischer Atmosphärenmodellierung für ein verbessertes Verständnis von Wolken- und Niederschlagsprozessen; Polarimetric Radar Observations meet Atmospheric Modelling (PROM) - Fusion of Radar Polarimetry and Numerical Atmospheric ..., Untersuchung der konvektiven Entwicklung hin zu stratiformer Niederschlagsbildung mittels Modellierung und polarimetrischer Radarbeobachtungen im C- und Ka-Band (IcePolCKa - Phase 2)

Aktuelle Wettermodelle haben Schwierigkeiten die räumliche Niederschlagsverteilung von konvektiven Wolkensystemen korrekt zu modellieren, was die Vorhersage der Niederschlagsintensität und -dauer erschwert. Ziel dieses Projekts ist es zu untersuchen, wie Eispartikeleigenschaften die Entwicklung stratiformer Niederschlagsregionen innerhalb konvektiver Systeme beeinflussen. Hierzu schlagen wir die synergetische Nutzung zweier polarimetrischer Radarsysteme vor, des C-Band POLDIRAD des DLR in Oberpfaffenhofen und des Ka-Band MIRA-35 der LMU in München. Zum einen werden dazu Details der Eismikrophysik mittels einer neuen Methode beleuchtet. Zum anderen werden die Konvektionszellen mit Hilfe des operationellen DWD Radarnetzwerks verfolgt, um zeitliche Entwicklung und horizontalen Kontext zu erfassen. Für die konkreten Beobachtungstage werden wir die räumliche Entwicklung zwischen konvektiven und stratiformen Regionen mit hochaufgelösten Wettermodellläufen mit unterschiedlichen Mikrophysik-Schemata vergleichen. Ziel dieses Vergleichs ist es zu verstehen, warum die meisten Schemata die Radarreflektivität in konvektiven Regionen noch immer überschätzen und warum gleichzeitig zu wenig stratiformer Niederschlag produziert wird.In Phase 1 konnten wir die Machbarkeit koordinierter C- und Ka-Band Messungen an den beiden Standorten demonstrieren und einen Algorithmus zur Ableitung von Eispartikeleigenschaften entwickeln. Dabei konnten wir ein tieferes Verständnis der bestehenden Mehrdeutigkeiten gewinnen, welche durch die unbekannte Eispartikeldichte verursacht werden. Gleichzeitig wurden für die zahlreichen Beobachtungstage entsprechende Wettermodellläufe mit fünf unterschiedlichen Mikrophysik-Schemata durchgeführt, um die Variabilität klassischer Parameter (z.B. Anzahl, Höhe und räumliche Verteilung der Zellkerne) zwischen den Schemata zu analysieren. In Phase 2 wollen wir unsere Methoden aus Phase 1 weiterentwickeln, um noch unbekannte Größen wie die Eispartikeldichte und die räumliche Struktur des Gesamtsystems bestehend aus konvektivem Zellkern und stratiformen Teil zu erfassen. Dies ermöglicht es uns zu untersuchen wie mikrophysikalische Prozesse wie Bereifung und Aggregation Eispartikel modifizieren und damit deren Transport in den stratiformen Niederschlagsbereich beeinflussen. Um bestehende Mehrdeutigkeiten einzugrenzen, werden wir dazu Messungen der Fallgeschwindigkeit und der linearen Depolarisation mit einbeziehen. Diese Höhen-Zeit-Schnitte werden mit den Zell-Trajektorien in einem Datensatz von etwa 100 konvektiven Tagen zeitlich wie statistisch in Verbindung gebracht, um die beobachtete und modellierte Mikrophysik im konvektiv-stratiformen Übergang einzuordnen. Dazu wird die Verfolgung von Zellen in Messung und Modell auf die umgebende stratiforme Niederschlagsregion ausgeweitet. Die Kombination der horizontalen und vertikalen Perspektive ist dabei eine wesentliche Neuerung unseres Ansatzes im Vergleich zu bisherigen Studien.

1 2 3 4 5 … 878 879 880