Im Rahmen des Forschungsprojekts "Klimaerlebnis Würzburg" am Zentrum Stadtnatur und Klimaanpassung (ZSK) wurden im Jahr 2018 acht Messstationen in Würzburg und Gerbrunn eingerichtet. Diese zeichnen seitdem an jedem Standort das Wetter und/oder die Leistungen der dortigen Bäume auf. Das Forschungsprojekt endete im Jahr 2022. Die Messstationen, durch orangefarbene Baumfässer erkennbar, werden seitdem aber weitergeführt.Das Projekt sollte aufzeigen,inwieweit sich das Klima und die Leistung der Bäume an verschiedenen Standorten in der Stadt unterscheiden undinwieweit sich Stadtbäume und Klima an einem Standort gegenseitig beeinflussen.Die bis heute weiter aufgezeichneten Messergebnisse sollen verdeutlichen, wie mit Hilfe von Bäumen und ihrer Ökosystemdienstleistungen die nachhaltige Stadt der Zukunft an die Folgen des Klimawandels angepasst werden kann. Zudem kann die Öffentlichkeit mit diesen Datenreihen für das Thema Stadtklima und Stadtgrün sensibilisiert werden. Um dies voranzutreiben, werden davon ausgewählte Datenspalten seit November 2024, unbereinigt und zu stündlichen Daten automatisiert zusammengefasst, hier auf dem Open Data Portal Würzburg veröffentlicht.An der Station in der Zu Rheinstraße sind mehrere Bäume der Art Robinia und Linde Tilia mit Sensoren versehen. Die Daten einer der Linden stehen in diesem Datensatz in der oben beschriebenen, verarbeiteten Form zur Verfügung.Allgemeines zu den Standorten wie der grobe Messaufbau, Hinweise zur Datennutzung und Verlinkungen zu weiterführenden Papern finden Sie im Folgenden.Messaufbau des Baumlabors und der WetterstationMithilfe des Saftflusssensors (1) kann der Wasserverbrauch des Baums bestimmt werden. Davon lässt sich die Kühlleistung durch Verdunstung ableiten und der Trockenstress abschätzen. Im Kronenraum wird die Temperatur für den Vergleich mit der Klimastation gemessen (2), um die Abkühlwirkung des Baumes zu bestimmen. Das Dendrometer (3) misst das Dickenwachstum des Stammes. Dadurch kann man berechnen, wieviel der gesamte Baum an Biomasse zunimmt und an CO2speichert. Der Bodenfeuchtesensor (4) misst den Wassergehalt im Wurzelraum. Damit kann auf die Wasserversorgung des Baumes geschlossen werden.Der Temperatur- und Feuchtesensor (6) misst die Lufttemperatur und die relative Luftfeuchtigkeit. Der Windsensor (7) erfasst Windrichtung und Windgeschwindigkeit. Mit diesen beiden Messgrößen kann der Frischlufteintrag, aber auch die Anströmungsrichtung festgestellt werden. Der Strahlungssensor (8) misst, wieviel Energie die Sonne am Erdboden freisetzt. Mit diesem Wert lässt sich feststellen, wie stark sich Flächen aufheizen. Ebenso lässt sich hiermit die photosynthetische Leistung des Baumes bestimmen. Aus Temperatur, Luftfeuchte, Windgeschwindigkeit und Solarstrahlung lässt sich die gefühlte Temperatur berechnen. Der Niederschlagssensor (9) erfasst Regen und Schnee.In den Datenloggern (10) werden die Messwerte gesammelt, gespeichert und alle 10 Minuten online versendet, um sie auf dem Smart City Hub Würzburg zu speichern und hier auf dem Open Data Portal stündlich aggregiert darzustellen. Bei einigen der Wetterstationen ist zudem ein Luftdruck-Barometer verbaut.Hinweis:Bei den zur Verfügung gestellten Daten handelt es sich um eine automatisiert abgeänderte Version der Rohdaten der einzelnen Stationen. Eine Qualitätskontrolle durch den Plattformbetreiber findet vorab nicht statt. Es ist daher punktuell mit Messfehlern und Messlücken zu rechnen. Für die Korrektheit der Daten wird keine Haftung übernommen. Quellenangabe:Quelle im Rohdatenformat: [Bis 13.11.2024 13 Uhr](https://opendata.smartandpublic.eu/datasets/74e7c788-0882-4ffe-b0dc-74cb0e0fb782), [ab 13.11.2024 14 Uhr](https://opendata.smartandpublic.eu/datasets/b976e56e-9fbf-42dd-86db-1677c2a5dc91?locale=en#iss=https%3A%2F%2Fidp.smartcityhub.smartandpublic.eu%2Frealms%2Fsmartcityhub)Autor(en): Projekt Klimaerlebnis Würzburg (2018-2022), Stadt Würzburg (2023-jetzt)Hinweis: Es gelten keine zusätzlichen Bedingungen.Für weiterführende Informationen, lesen Sie die aus dem Projekt "Klimaerlebnis Würzburg" hervorgegangenen Paper:Hartmann, Christian, et al. "The footprint of heat waves and dry spells in the urban climate of Würzburg, Germany, deduced from a continuous measurement campaign during the anomalously warm years 2018–2020; The footprint of heat waves and dry spells in the urban climate of Würzburg, Germany, deduced from a continuous measurement campaign during the anomalously warm years 2018–2020." Meteorologische Zeitschrift 32.1 (2023): 49-65.Rahman, M.A., Franceschi, E., Pattnaik, N. et al. Spatial and temporal changes of outdoor thermal stress: influence of urban land cover types. Sci Rep 12, 671 (2022). [https://doi.org/10.1038/s41598-021-04669-8](https://doi.org/10.1038/s41598-021-04669-8)Rahman, Mohammad A., et al. "Tree cooling effects and human thermal comfort under contrasting species and sites." Agricultural and Forest Meteorology 287 (2020): 107947.Rötzer, T., et al. "Urban tree growth and ecosystem services under extreme drought." Agricultural and Forest Meteorology 308 (2021): 108532.Bildquelle und mehr Informationen zu den Messstationen: [Webarchiv: Klimaerlebnis Würzburg](https://webarchiv.it.ls.tum.de/klimaerlebnis.wzw.tum.de/das-projekt/index.html)
Die Messwerte wurden mittels des Sensor-Modells "Sensirion AG SPS30" erfasst.
Raw physical oceanography data was acquired by a ship-based Seabird SBE911plus CTD-Rosette system onboard RV HEINCKE . The CTD was equipped with duplicate sensors for temperature (SBE3plus) and conductivity (SBE4) as well as one sensor for oxygen (SBE43). Additional sensors such as a WET Labs C-Star transmissometer, a WET Labs ECO-AFL fluorometer (FLRTD) and an altimeter (Teledyne Benthos PSA-916) were mounted to the CTD. The data was recorded using pre-cruise calibration coefficients. No correction, post-cruise calibration or quality control was applied. Processed profile data are available via the link below.
The permeable sandy sediments of beach aquifers receive a high input of electron acceptors, such as oxygen (O2), as well as fresh organic matter through seawater infiltration, driving the biogeochemical turnover in the subterranean estuary. Here, we experimentally determined seasonal sedimentary O2 consumption rates of intertidal sediments along a transect in the seawater infiltration zone at Spiekeroog Island North Beach, Germany, and present the data together with measurements of organic carbon and grain sizes, oxygen concentration of pore waters and beach topography. The samples were taken down to 1 m depth during two-monthly sampling campaigns from May 2022 to April 2023. Preliminary investigations of O2 consumption rates took place in in March, June and August 2017. Sediment and porewater sampling procedures were carried out as described by Massmann et al. (2023). O2 consumption rates were determined in slurry incubations of the retrieved sediments using gas tight vials (Labco Exetainer® 12 ml) equipped with O2 sensor spots (Pyroscience, OXSP5). Incubations were carried out in the dark at in situ temperatures, and vials were mounted on a rotating wheel to mimic porewater advection. The sediment's total organic carbon content was determined in a CS analyser (Eltra CS 800). Additionally, the fine fraction of the sediment was washed out and the organic carbon content of the fine sediments was measured in a CHNSO analyser (Hekatech Euro EA). The grain size distribution of the sediments was detemined using dynamic image analysis (Sympatec QICPIC). The O2 concentration in the pore water along the transect was measured immediately after the sample was taken using a flow-through oxygen optode (Pyroscience, OXFTC). The data was collected to investigate the impact of seasonal inputs and filtration efficiency on the O2 consumption during seawater infiltration into the permeable sands of beach aquifers.
As part of PhytOakmeter (www.phytoakmeter.de), time-domain transmission, soil moisture and -temperature sensors with custom-made logger systems were used to measure time series of soil state variables. The aim of these investigations was to provide data on environmental properties used in a cross-disciplinary approach. The measurement device consisted of two sensors at three different depths. The dataset contains the values of time (UTC), relative permittivity, soil moisture (in % vol) derived from permittivity and soil temperature (in °C). Determination of soil moisture was done using the formula of Topp et al. (1980). As sensors, the SMT100 soil moisture sensors with integrated temperature measurement were used. All sensors were installed within the upper 50cm below ground. The exact depths for each sensor are listed in the dataset and parameter comment.
Temperature and heating-induced temperature difference profiles were measured through the atmosphere, sea ice, and ocean using a SIMBA-type sea ice mass balance buoy equipped with a several meter long thermistor chain. The present dataset was recorded by SIMBA 2022T97 (original name NPOL_0803) installed on drifting sea ice in the Arctic Ocean during the expedition Kronprins Haakon AO22 in 2022. Data is available between 2022-08-06 10:38:00 and 2022-11-22 03:02:00. The thermistor chain was Variable 5 m long and included 241 sensors with a regular spacing of 2 cm. The resulting time series includes the evolution of temperature and temperature differences at 30 s and 120 s during a heating cycle of 120 s as a function of location, depth and time. The sampling intervals were usually between hourly and daily, but were most frequently configured to 6 hours for temperature, and 24 hours for temperature differences. In addition to temperatures and geographic location, barometric pressure, ~1 m air temperature, instrument tilt, and compass heading were measured. The present dataset was processed as follows: obvious inconsistencies (missing values) and unrealistic values of GPS position have been removed. This instrument was deployed as part of the project Arctic Passion.
Die Interpretation der Messergebnisse eines Cosmic Ray Neutron Sensing (CRNS)-Detektors benötigt ein tiefgreifendes Verständnis der zugrunde liegenden physikalischen Prozesse. In diesem Zusammenhang haben sich Monte-Carlo-basierte Vielteilchensimulationen, z.B. MCNPX, als sehr hilfreich erwiesen. Die allgemein akzeptierten Transferfunktionen um aus einer Neutronendichte die Bodenfeuchte zu berechnen, wurden semi-empirisch für idealisierte Bedingungen ermittelt. Die Effekte von Bodenbeschaffenheit, Vegetation und Schneebeschaffenheit werden teilweise durch Hinzufügen phänomenologisch motivierter Parameter berücksichtigt. Allerdings gibt es dazu bisher keine tiefergreifenden theoretischen Untersuchungen und Validierungen. Wir haben daher das Monte-Carlo Werkzeug namens URANOS entwickelt, welches speziell auf die Anforderungen der Umweltphysik und CRNS zugeschnitten wurde. Der benötigte Rechenaufwand konnte durch effektive, problemspezifische Methoden im Vergleich zu herkömmlichen Vielteilchensimulationen stark reduziert werden. In den letzten Jahren konnten wir damit das Verständnis der Signal-Reichweite-Beziehung deutlich verbessern und eine analytische Beschreibung unter Berücksichtigung von Umweltfaktoren herleiten. Das Hauptziel dieses Teilprojektes ist es, die Änderung des CRNS-Signals, hervorgerufen durch verschiedene Umweltfaktoren und Bodenstrukturen innerhalb des Einflussbereichs, zu verstehen. Dabei handelt es sich um folgende Faktoren: Bodenbeschaffenheit, vertikale Wasserverteilung in Boden und Luft, Landnutzung, Schneebedeckung, Bewuchs, und durch solches abgefangenes Wasser bei Regenfällen sowie generelle räumliche Inhomogenität. Um dies zu erreichen werden wir versuchen, Korrekturfunktion basierend auf physikalischen Modellen zu verwenden, um die wachsende Anzahl von empirischen und standortspezifischen Näherungen überflüssig zu machen. Zusätzlich werden die Neutronensimulationen benötigt, um den Einfluss verschiedener Detektoranordnungen zu untersuchen. Unverzichtbar sind die Neutronensimulationen für die Verbesserung bezüglich energieabhängiger Gewichtung und Weiterentwicklung der Neutronendetektoren sowie energiebereichsspezifischer Abschirmung. Des Weiteren werden sie für konzeptionelle Untersuchungen des Einflusses der Vegetation und weiterer Wasserspeicher benötigt. Für die Großversuchskampagne werden wir 3D-Modelle der Sensor-Standorte erstellen und die simulierten Messsignale den Arbeitsbereichen Großflächiges CRNS-Netzwerk und Mobiles CRNS zu Verfügung stellen. Schließlich können zusammen mit den Arbeitsbereichen Hydrologische Modellierung und Grundwasserneubildung räumlich-zeitliche Modellrechnungen durchgeführt werden um komplexe Zusammenhänge im Wasserhaushalt der Umwelt zu verstehen. Für die Weiterentwicklung des URANOS-Programms für den Einsatz im CRNS-Bereich benötigen wir die Vorschläge und Rückmeldungen der Nutzer.
Die Messwerte wurden mittels des Sensor-Modells "Bosch BME280" erfasst.
Cosmic ray neutron sensing (CRNS) sensor, is an innovative technique used to measure soil moisture and snow water equivalent over large areas (Zreda et al., 2012). The advantage of CRNS over traditional point-based sensors is its ability to cover a large footprint of typically 10–20 ha (Köhli et al., 2015), making it ideal for monitoring hydrological processes at the field to landscape scales. In the present study, one CRNS Sensor, Model SP, made by StyX Neutronica GmbH was deployed in a stationary position to provide continuous, non-invasive measurements at the KITcube site near Villingen-Schwenningen.
Underway bio-optical sensor measurements of chlorophyll a and turbidity were acquired along the cruise track of RV MARIA S. MERIAN cruise MSM97/2. Measurements were collected with two autonomous measurement systems (RSWS), which are located at 6.5 m below the sea surface. Usually, the RWS-System with measuring container 1 and 2 (MC1 and MC2) interchanged after 6 hours. Only en route data was collected and quality controlled. No data from stationary measurements (in situ) were included. Quality Control specifically for biogeochemical measurements had been applied. For details to all processing steps see Data Processing Report.
| Organisation | Count |
|---|---|
| Bund | 5104 |
| Europa | 275 |
| Kommune | 50 |
| Land | 260 |
| Schutzgebiete | 3 |
| Weitere | 2627 |
| Wirtschaft | 20 |
| Wissenschaft | 3428 |
| Zivilgesellschaft | 7469 |
| Type | Count |
|---|---|
| Daten und Messstellen | 11195 |
| Ereignis | 2 |
| Förderprogramm | 4917 |
| Gesetzestext | 1 |
| Hochwertiger Datensatz | 7 |
| Repositorium | 4 |
| Text | 197 |
| Umweltprüfung | 1 |
| unbekannt | 464 |
| License | Count |
|---|---|
| Geschlossen | 241 |
| Offen | 16391 |
| Unbekannt | 156 |
| Language | Count |
|---|---|
| Deutsch | 14495 |
| Englisch | 2715 |
| andere | 2 |
| Resource type | Count |
|---|---|
| Archiv | 395 |
| Bild | 16 |
| Datei | 8331 |
| Dokument | 102 |
| Keine | 3370 |
| Unbekannt | 3 |
| Webdienst | 29 |
| Webseite | 11900 |
| Topic | Count |
|---|---|
| Boden | 14173 |
| Lebewesen und Lebensräume | 14229 |
| Luft | 13585 |
| Mensch und Umwelt | 16646 |
| Wasser | 8642 |
| Weitere | 16788 |