Der Datenbestand enthält für die Fläche von Nordrhein-Westfalen die Verkehrsnetze in der INSPIRE-Datenstruktur (abgeleitet aus ATKIS Basis-DLM). Der Aktualisierungszyklus beträgt einen Monat. Stand der verwendeten Daten: 31.08.2025.
Veranlassung „Algenblüten“ sind deutlich sichtbare Zeichen für die multiplen Belastungen, denen unsere Binnengewässer ausgesetzt sind, wie z. B. Nährstoffeinträge, Folgen des Klimawandels – insbesondere Dürren und Starkregen – oder physische und biologische Strukturveränderungen. Diese können mit erheblichen Nutzungseinschränkungen einhergehen. Das massenhafte Fischsterben in der Oder 2022 hat eindrücklich gezeigt, welche Auswirkungen auf Ökosysteme durch das Freisetzen von Algentoxinen entstehen können, und dass dafür verantwortlichen Prozesse möglicherweise so schnell und großräumig ablaufen, dass klassische Monitoring-Strategien diese nicht erfassen. Die Gewässerfernerkundung bietet die Möglichkeit, Algenblüten über die Chlorophyll-a-Konzentration großflächig mittels Satellitendaten zu erheben und Informationen in nahe-Echtzeit bereitzustellen. Eine bundesweite Überwachung von Algen in Fließ- und Standgewässern ist aufgrund des umfassenden Copernicus-Programms der EU technisch möglich und inhaltlich notwendig, um den Behörden zukünftig ein effizientes Gewässermonitoring und z. B. eine Früherkennung kurzzeitig auftretender Ereignisse mit Algenmassenentwicklungen zu ermöglichen. Zudem bieten die Daten wichtige Informationen für die Bewirtschaftung von Trinkwassertalsperren und Badegewässern. Ziele - Automatisierte, skalierbare Ableitung von Chlorophyll-a-Konzentrationen und ergänzenden Gewässergüteparametern aus räumlich- und zeitlich hochaufgelösten, großflächig verfügbaren Satellitendaten für Beispielgewässer (Fließ- und Standgewässer). - Kalibrierung, Validierung und Qualitätssicherung der erzeugten Daten mittels vorhandener In-situ-Daten - Entwicklung und automatisierte Erzeugung anwendungsbezogener, maßgeschneiderter Indikatoren, Produkte und Visualisierungen - Entwicklung einer digitalen Anwendung auf der Cloud-Plattform CODE-DE inkl. Bereitstellung der erzeugten Daten und Produkte - Planspiele für konkrete Anwendungsfelder – u. a. zur Einbindung von Fernerkundung in die Berichterstattung Der Algenmonitor wird auf diesen Grundlagen eine wissenschaftlich fundierte Anwendung demonstrieren, die für den behördlichen Einsatz frei verfügbare, zeitlich hochaufgelöste Gewässerfernerkundungsdaten von Beispielgewässern zur Verfügung stellt. Da die Anwendung auf Open-Source-Bausteinen beruht, schafft dies eine Basis für eine Skalierung auf das ganze Bundesgebiet. Die Bundesanstalt für Gewässerkunde, das Helmholtz-Zentrum für Umweltforschung und das Umweltbundesamt starteten im August 2024 das Verbundprojekt „Algenmonitor“, gefördert vom Deutschen Zentrum für Luft- und Raumfahrt (DLR) und Bundesministerium für Digitales und Verkehr (BMDV).Grundlegende Ziele des Verbundprojektes sind, auf Basis von Satellitendaten räumlich- und zeitlich hochaufgelöste Chlorophyll-a-Konzentrationen, für die Anwendungen maßgeschneiderte Produkte und weitere spezifische Indikatoren für (schädliche) Algenblüten bereitzustellen. Die Anwendung des Algenmonitors soll in diesem Projekt anhand von Beispielgewässern erprobt werden; angestrebt sind je nach Verfügbarkeit von In-situ-Daten mindestens drei große Fließgewässer und drei Standgewässer. Die erforderlichen Prozessierungsschritte werden auf der cloudbasierten Prozessierungsplattform CODE-DE implementiert. Anhand der Beispielgewässer können dieprozessierten Gewässerfernerkundungsdaten von Flüsse und Seen mit In-situ-Daten des Bundes, der Bundesländer und aus wissenschaftlichen Messnetzen (z. B. eLTER) validiert und ergänzt werden. Durch die Einbeziehung der Copernicus-Daten und -Dienste entsteht eine Grundlage, die es den Behörden von Bund und Ländern potentiell ermöglicht, wichtige Wassergüte-Parameter für die bundesweite Gewässerüberwachung großflächig zu erheben und in Wert zu setzen. Ziel des Vorhabens ist es, Gewässerfernerkundungsdaten für die weitere Verwendung zu erschließen und konkrete Anwendungsmöglichkeiten aufzuzeigen.
Dieses Gutachten zielt darauf ab, den Begriff „vernachlässigbare Exposition“ gegenüber endokrinen Disruptoren im Zusammenhang mit den europäischen Pflanzenschutzmittelverordnungen zu klären. Es wurde eine gründliche Recherche der wissenschaftlichen, politischen und rechtlichen Literatur durchgeführt. Sie resultierte in 3.087 zwischen 2010 und 2023 veröffentlichten Publikationen, von denen sich 204 überwiegend auf die Verwendung und das Verständnis des Begriffs in den Bereichen Umwelt und menschliche Gesundheit konzentrierten. Definitionen des Begriffs „vernachlässigbare Exposition“ wurden aus einer Untergruppe von 49 Veröffentlichungen zu (chemischen) Stoffen in der Umwelt extrahiert. Die Ergebnisse wurden nach narrativen, qualitativen und quantitativen Definitionen des Begriffs gruppiert. Narrative Definitionen umschrieben „vernachlässigbar“ als nicht signifikant, unwichtig, ohne Bedeutung oder nicht bedenkenswert. Qualitative und quantitative Definitionen waren komplizierter und kontextabhängig und definierten vernachlässigbare Konzentrationen/Expositionen/Auswirkungen anhand von niedrigen Werten, Werten unterhalb der Nachweisgrenze und Vergleichswerten wie einer Kontrolle, einem Benchmark oder einem gesetzlichen Schwellenwert. Aus diesen Erkenntnissen wurde eine Definition der „vernachlässigbaren Exposition von endokrin aktiven Substanzen“ abgeleitet, die von den Ergebnissen der Identifizierung und Umweltrisikobewertung dieser Stoffe und deren Unsicherheiten abhängt. Eine quantitative Definition kann auf die Exposition endokrin aktiver Stoffe gegenüber Arten angewandt werden, bei denen die Wirkungsweise bekannt ist und Testmethoden zur Verfügung stehen, die ein akzeptables Maß an Unsicherheit zulassen (risikobasierter Ansatz). Bei größerer Ungewissheit ist eine Definition angemessener, die darauf abzielt zu verhindern, dass endokrin wirksame Stoffe in die Umwelt gelangen, indem ihre Verwendung auf geschlossene Systeme beschränkt wird (gefahrenbasierter Ansatz).
Das seit über 20 Jahren genutzte Modell WEHAM (Waldentwicklungs- und Holzaufkommensmodellierung) soll für die Modellierung eines datengetriebenen 'Business As Usual' Szenarios zur künftigen Waldentwicklung ertüchtigt werden. Damit soll die Erstellung eines realistischen Post-2020 EU Forest Reference Level Szenarios für die Treibhausgas-Berichterstattung vereinfacht und verbessert werden. Für das datengetriebene Waldbehandlungsmodell ist ein kNN-Ansatz vorgesehen (k-Nearest-Neighbors). Die Grundidee ist, dass sich zu jeder heutigen Situation an einem Plot der Bundeswaldinventur ähnliche Situationen aus früheren Erhebungen finden lassen, zu deren Entwicklung es Informationen aus mindestens einer Wiederholungsaufnahme gibt. Der Algorithmus lernt aus ganz konkreten, tatsächlichen Entwicklungen in der Vergangenheit ('Business as Usual') und kann dann auf die in der neuesten Inventur vorgefundene aktuelle Situation angewendet werden. Eine wissenschaftliche Kernaufgabe ist die Entwicklung eines mehrdimensionalen Parametersets für die Beschreibung der Ähnlichkeit des Waldzustandes zu einem Inventurzeitpunkt und die Analyse der damit korrelierten Waldentwicklung im Zeitraum bis zur Folgeinventur. Das können zum Beispiel die Ähnlichkeit des Alters, der Grundfläche, der Baumartenmischung, der Geländeneigung oder auch die Eigentumsart oder Nutzungseinschränkungen sein. Diese sind verbunden mit bestimmten Mustern der Waldentwicklung. Ergänzend wird ein weiterer Ansatz untersucht, bei dem geprüft wird, ob durch Variation der bislang verwendeten WEHAM-Steuerparameter das tatsächliche Nutzungsmuster annähernd reproduziert werden kann. Methodisch wird die Modifikation der Steuerparameter als Optimierungsproblem gelöst. Das neue datengetriebene Waldbehandlungsmodell wird in die vorhandene WEHAM-Software integriert und kann dann im Rahmen der bestehenden technischen Lösungen zur Auswertung der nationalen Waldinventur direkt genutzt werden.
Das seit über 20 Jahren genutzte Modell WEHAM (Waldentwicklungs- und Holzaufkommensmodellierung) soll für die Modellierung eines datengetriebenen 'Business As Usual' Szenarios zur künftigen Waldentwicklung ertüchtigt werden. Damit soll die Erstellung eines realistischen Post-2020 EU Forest Reference Level Szenarios für die Treibhausgas-Berichterstattung vereinfacht und verbessert werden. Für das datengetriebene Waldbehandlungsmodell ist ein kNN-Ansatz vorgesehen (k-Nearest-Neighbors). Die Grundidee ist, dass sich zu jeder heutigen Situation an einem Plot der Bundeswaldinventur ähnliche Situationen aus früheren Erhebungen finden lassen, zu deren Entwicklung es Informationen aus mindestens einer Wiederholungsaufnahme gibt. Der Algorithmus lernt aus ganz konkreten, tatsächlichen Entwicklungen in der Vergangenheit ('Business as Usual') und kann dann auf die in der neuesten Inventur vorgefundene aktuelle Situation angewendet werden. Eine wissenschaftliche Kernaufgabe ist die Entwicklung eines mehrdimensionalen Parametersets für die Beschreibung der Ähnlichkeit des Waldzustandes zu einem Inventurzeitpunkt und die Analyse der damit korrelierten Waldentwicklung im Zeitraum bis zur Folgeinventur. Das können zum Beispiel die Ähnlichkeit des Alters, der Grundfläche, der Baumartenmischung, der Geländeneigung oder auch die Eigentumsart oder Nutzungseinschränkungen sein. Diese sind verbunden mit bestimmten Mustern der Waldentwicklung. Ergänzend wird ein weiterer Ansatz untersucht, bei dem geprüft wird, ob durch Variation der bislang verwendeten WEHAM-Steuerparameter das tatsächliche Nutzungsmuster annähernd reproduziert werden kann. Methodisch wird die Modifikation der Steuerparameter als Optimierungsproblem gelöst. Das neue datengetriebene Waldbehandlungsmodell wird in die vorhandene WEHAM-Software integriert und kann dann im Rahmen der bestehenden technischen Lösungen zur Auswertung der nationalen Waldinventur direkt genutzt werden.
Das seit über 20 Jahren genutzte Modell WEHAM (Waldentwicklungs- und Holzaufkommensmodellierung) soll für die Modellierung eines datengetriebenen 'Business As Usual' Szenarios zur künftigen Waldentwicklung ertüchtigt werden. Damit soll die Erstellung eines realistischen Post-2020 EU Forest Reference Level Szenarios für die Treibhausgas-Berichterstattung vereinfacht und verbessert werden. Für das datengetriebene Waldbehandlungsmodell ist ein kNN-Ansatz vorgesehen (k-Nearest-Neighbors). Die Grundidee ist, dass sich zu jeder heutigen Situation an einem Plot der Bundeswaldinventur ähnliche Situationen aus früheren Erhebungen finden lassen, zu deren Entwicklung es Informationen aus mindestens einer Wiederholungsaufnahme gibt. Der Algorithmus lernt aus ganz konkreten, tatsächlichen Entwicklungen in der Vergangenheit ('Business as Usual') und kann dann auf die in der neuesten Inventur vorgefundene aktuelle Situation angewendet werden. Eine wissenschaftliche Kernaufgabe ist die Entwicklung eines mehrdimensionalen Parametersets für die Beschreibung der Ähnlichkeit des Waldzustandes zu einem Inventurzeitpunkt und die Analyse der damit korrelierten Waldentwicklung im Zeitraum bis zur Folgeinventur. Das können zum Beispiel die Ähnlichkeit des Alters, der Grundfläche, der Baumartenmischung, der Geländeneigung oder auch die Eigentumsart oder Nutzungseinschränkungen sein. Diese sind verbunden mit bestimmten Mustern der Waldentwicklung. Ergänzend wird ein weiterer Ansatz untersucht, bei dem geprüft wird, ob durch Variation der bislang verwendeten WEHAM-Steuerparameter das tatsächliche Nutzungsmuster annähernd reproduziert werden kann. Methodisch wird die Modifikation der Steuerparameter als Optimierungsproblem gelöst. Das neue datengetriebene Waldbehandlungsmodell wird in die vorhandene WEHAM-Software integriert und kann dann im Rahmen der bestehenden technischen Lösungen zur Auswertung der nationalen Waldinventur direkt genutzt werden.