The 12th Sternfahrt of the ElbeXtreme and MOSES projects took place in 2024 from September 02 to 13, within the area of the German Bight (North Sea). Its objective was to get a more systematic grid of sampling data by spatially integrated onboard sensors. Therefore, the MOSES-laboratory container was installed again. Water samples were taken from the surface with a rosette or via Niskin bottles. The first part of the cruise was conducted by the research vessel (RV) Ludwig Prandtl, starting on the 2nd of September on Heligoland. From there, the crew navigated towards Cuxhaven covering some stations from previous MOSES cruises. For the next days, the ship followed a rectangular track, shifting northward each day, heading towards Heligoland again. Due to strong winds, the sampling stations were reduced to three on the last day. On Heligoland the RV Mya II took over the laboratory container and other sampling equipment for the second part of the cruise. Persistent strong winds delayed the start of the cruise until September 11. Since most of the planned stations were already covered from the RV Ludwig Prandtl, the crew decided to expand the sampling area using a more systematic zig-zag line. With the return of Mya II in the afternoon of the 13th September 2024, the campaign was successfully finished.
Die Messwerte wurden mittels des Sensor-Modells "Bosch BME280" erfasst.
This dataset contains annual oceanographic observations collected at the Helgoland underwater observatory (54°11.594′ N, 07°52.762′ E; WGS84) from 2013 onwards. Measurements include water temperature, salinity, oxygen saturation, chlorophyll-a concentration, and turbidity. The observatory is located at a water depth of approximately 10 m (± tidal variation) and is equipped with one or more sensors for each measured parameter. Observations are recorded at an hourly temporal resolution. All data have undergone quality control using the four-step plausibility and quality assurance procedure described by Waldmann et al. (2022). The cabled observatory infrastructure and sensor configuration are described in detail on the AWI COSYNA underwater observatory webpage. For comprehensive information on instrumentation, sensor deployment, calibration procedures, and data processing, please refer to the annual metadata documents entitled metadata_heluwobs_yyyy_hydrography.pdf associated with each yearly dataset.
Die Messwerte wurden mittels des Sensor-Modells "Sensirion AG SPS30" erfasst.
Das Verhalten anthropogener Schadstoffe im Landschaftsmaßstab stellt eine der größten Herausforderungen heutiger Umweltwissenschaften dar. Forschungsergebnisse der letzten zehn Jahre haben wiederholt gezeigt, dass Umsatzraten von Schadstoffen, die im Labor ermittelt wurden, im Widerspruch zu Feldbeobachtungen stehen. Dies weist darauf hin, dass wir die relevanten Prozesse, die den Schadstoffumsatz in der Natur bestimmen, nur unvollständig verstehen. Entsprechend sind wir nicht in der Lage, zukünftige Entwicklungen der Wasser- und Bodenqualität in Folge des Klima- und Landnutzungswandels zuverlässig vorherzusagen. Der SFB CAMPOS beruht auf der Hypothese, dass auf der Feldskala Prozesse maßgeblich sind, die in Laborexperimenten nur schwer zu erfassen sind. Viele Schadstoffe, die unter Laborbedingungen vergleichsweise schnell abgebaut werden, zeigen eine unerwartete Langlebigkeit im Feld; sie werden in Böden und Grundwasserleitern über lange Zeiträume gespeichert und können noch Jahre, nachdem der anthropogene Eintrag aufgehört hat, nachgewiesen werden. Während wichtige, aber langsame Prozesse in Laborstudien möglicherweise übersehen werden, erschwert die ausgeprägte hydrologische und biogeochemische Dynamik die Interpretation konventioneller Beobachtungskampagnen im Feld. CAMPOS zielt darauf ab, reaktive Landschaftselemente zu identifizieren und ihre Prozessdynamik mit ausführlichen Feldstudien zu biogeochemischen Umsätzen von Schadstoffen in einer beispiellosen Auflösung zu quantifizieren. Derartige Studien sind erst durch den enormen Fortschritt in der Analytik und Messtechnik der letzten Jahre (z.B. substanzspezifische Isotopen- und Enantiomeranalytik, 'non-target screening', Bioanalytik, insitu Sensoren, molekularbiologische Techniken inklusive omics) ermöglicht worden, die bislang noch nicht in gezielten Felduntersuchungen kombiniert wurden. Jedes im SFB vorgesehene Projekt vereinigt Expertise aus unterschiedlichen Disziplinen, die notwendig sind, um den Verbleib von Schadstoffen in der Natur zu verstehen. Die untersuchten Landschaftselemente umfassen Fließgewässer, den Übergang zwischen Gerinnen und dem Untergrund, Transekten im Grundwasser sowie verschiedene Bodenkompartimente. Ein neuer stochastischer Modellieransatz ermöglicht es, den reaktiven Stofftransport im Landschaftsmaßstab prozessbasiert zu modellieren und die damit verbundene Unsicherheit zu quantifizieren. Unser neuartiger multidisziplinärer Ansatz quantifiziert das langfristige Verhalten anthropogener Schadstoffe in der Umwelt, indem Einzugsgebiete als biogeochemische Reaktoren betrachtet werde. CAMPOS trägt somit zum Fortschritt der Umweltwissenschaften bei und schafft die Grundlage für realistischere Projektionen der zukünftigen Boden- und Wasserqualität unter den Bedingungen des Klima- und Landnutzungswandels.
This dataset provides data from various air quality sensors at a floating platform of the Federal Institute of Hydrology at the river bank of the Rhine in Koblenz, Germany. The data was collected as part of the mFUND project "REIN" which investigated the suitability of low-cost sensors for the determination of ship emissions with high spatial and temporal resolution. Measurement data involves various pollutants, including nitrogen oxides (NO, NO2), carbon dioxde (CO2) and particulate matter (particle number concentration, mass concentration, size distribution, ultrafine particles, black carbon concentration). Averaged data is provided at 1 minute and 1 hour temporal resolution and covers both low-cost and standard instruments. The dataset is related to the publication "Applicability of compact low- and mid-cost sensors to monitor air pollutant emissions from in-land ships".
Die Messwerte wurden mittels des Sensor-Modells "Nova Fitness SDS011" erfasst.
Data presented here were collected between November 2019 to September 2023 within the research unit DynaCom (Spatial community ecology in highly dynamic landscapes: From island biogeography to metaecosystems, https://uol.de/dynacom/ ) involving the Universities of Oldenburg, Göttingen, and Münster, the iDiv Leipzig and the Nationalpark Niedersächsisches Wattenmeer. Experimental islands and saltmarsh enclosed plots were established in the back-barrier tidal flat and in the saltmarsh zone of the island of Spiekeroog (Germany). A recording current meter (RCM; SEAGUARD® Recording Current Meter, Aanderaa Data Instruments AS, Bergen/Norway) was installed in the back-barrier tidal flat near the experimental islands. The sensor was bottom-mounted in a shallow tidal creek (0.59 m NHN) using a steel girder buried in the sediment, which caused the sensor to be exposed during low tide. All low-tide data have been removed from the dataset. The system was equipped with a ZPulse Doppler Current Sensor (DCS), a conductivity sensor, an oxygen optode, and two analogue sensors for chlorophyll-a and turbidity (16445). All sensors were pre-calibrated by the manufacturer. Recorded data were internally logged until readout with the SeaGuard Studio software (V1.5.23). Salinity was derived in the SeaGuard Studio software using temperature-dependent, nonlinear seawater conductivity compensation following the Practical Salinity Scale (PSS-78). Subsequent data processing was done using MATLAB (R2024b). Turbidity and chlorophyll-a data were excluded from the final dataset, as the recorded signals show implausible values and did not pass quality-control criteria. Post-processing and quality control included (a) the removal of low tide data, data covering maintenance activities, and data affected by biofouling, (b) the removal of implausible values, c) an outlier detection using the Hampel filter method, and (d) visual checks. Identified outlier were removed and synchronously removed across all associated parameters of the respective sensor.
Bedingt durch den Klimawandel sind landwirtschaftliche Kulturpflanzen vermehrt Wasserstress und Frostschäden ausgesetzt. Gleichzeitig prognostiziert die FAO einen Anstieg des globalen Wasserbedarfs um 55% (Landwirtschaft um 11%), bei einem Anstieg der gesamten beregneten Fläche um 6% bis 2050. Diese Problematik, kombiniert mit dem Bevölkerungsanstieg, wachsendem Energiebedarf und dem Rückgang der nutzbaren landwirtschaftlichen Fläche in den Industriestaaten, verlangt nach Lösungen. Ein bedarfsgerechter, energiesparender und effizienter Einsatz der Ressourcen Wasser und Energie ist erforderlich, um eine zukunftsfähige und nachhaltige Bewässerung zu gewährleisten und der steigenden Nutzungskonkurrenz, um die Ressource Wasser, zu begegnen. Während eine automatisierte Bewässerung im Gewächshaus bereits Stand der Technik ist, wird die Freiflächen und Tröpfchenbewässerung wie z.B. im Gemüse bzw. Obstbau überwiegend manuell auf Basis von Erfahrungswerten der Anbauer oder aufgrund fest geplanter Bewässerungsintervalle durchgeführt. Dies führt in der Regel zu zu hohen Bewässerungsgaben und kann weiterhin zu Nährstoffauswaschungen führen. Ziel dieses Projektes ist es daher, Daten aus den unterschiedlichsten Quellen auf einer intelligenten Service-Plattform miteinander zu verknüpfen, um dadurch über eine digitale Entscheidungsunterstützung, eine bedarfsgerechte und (teil-)automatisierte Bewässerung zu ermöglichen. Gerade die Integration lokaler Sensoren in einem multivariaten Ansatz, soll dabei auch der zunehmenden Entwicklung von teilabgedeckten Agrarflächen durch Agri-Photovoltaik-Anlagen, Folien und Netzen gerecht werden. Kern des Projekts ist dabei ein Cloud-basierter Bewässerungsplaner, der sich automatisiert an die on-Site gemessenen Klimaparameter, sowie den aktuellen phänologischen Bedingungen in Echtzeit anpasst. Der Planer wird dann mit den bestehenden Systemen der Projektpartner vernetzt, um die Ausführung der Bewässerung zu (teil)-automatisieren.
| Organisation | Count |
|---|---|
| Bund | 5046 |
| Europa | 12 |
| Kommune | 76 |
| Land | 280 |
| Schutzgebiete | 3 |
| Weitere | 121 |
| Wirtschaft | 90 |
| Wissenschaft | 4029 |
| Zivilgesellschaft | 9822 |
| Type | Count |
|---|---|
| Daten und Messstellen | 11218 |
| Ereignis | 2 |
| Förderprogramm | 4851 |
| Gesetzestext | 1 |
| Hochwertiger Datensatz | 9 |
| Mitmachportal | 6 |
| Repositorium | 4 |
| Text | 200 |
| Umweltprüfung | 1 |
| unbekannt | 461 |
| License | Count |
|---|---|
| Geschlossen | 249 |
| Offen | 16353 |
| Unbekannt | 151 |
| Language | Count |
|---|---|
| Deutsch | 14335 |
| Englisch | 2843 |
| andere | 2 |
| Resource type | Count |
|---|---|
| Archiv | 442 |
| Bild | 20 |
| Datei | 1202 |
| Dokument | 7186 |
| Keine | 3344 |
| Webdienst | 6 |
| Webseite | 11757 |
| Topic | Count |
|---|---|
| Boden | 14109 |
| Lebewesen und Lebensräume | 14107 |
| Luft | 13548 |
| Mensch und Umwelt | 16608 |
| Wasser | 8677 |
| Weitere | 16753 |