Nitrifikationshemmstoffe werden als robuste und skalierbare THG Reduktionsmaßnahme für den Pflanzenbau vorgeschlagen. Ob dies aber eine effiziente, praxisgerechte und umweltschonende Maßnahme zur Verringerung düngungsinduzierter N2O-Emissionen unter mitteleuropäischen Bedingungen ist, wird von Wissenschaft, Politik und Praxis kontrovers diskutiert. Einerseits bestehen die Potenziale, durch die Hemmung der Nitratbildung sowohl die direkten als auch indirekten N2O-Emissionen deutlich zu mindern und dadurch die Effizienz der Stickstoffdüngung zu verbessern. Andererseits fehlen für eine gesicherte Bewertung in mehreren Punkten wissenschaftlich belastbare und standortdifferenzierende Ergebnisse: i) die standortdifferenzierende Bewertung der Wirkung auf die N2O-Jahresemission und Nitratauswaschung, ii) die ökologischen Langzeitwirkungen einer regelmäßigen Ausbringung der Hemmstoffe und ihre Wirkung auf andere umwelt- und klimawirksamen Emissionen sowie iii) die zusammenführende und standortdifferenzierende Gesamtbewertung als Klimaschutzmaßnahme unter Einbeziehung von Klimaschutzeffekten, ökologischen Risiken, sowie ökonomischen und pflanzenbaulichen Effekten. Ziel dieses Teilprojekts ist die standortabhängige pflanzenbauliche Bewertung des Einsatzes von Nitrifikationsinhibitoren und damit verbundener Düngungsstrategien auf die Qualität und Höhe der Erträge und Stickstoffnutzungseffizienz. Neben bereits verfügbaren Daten aus der Literatur fließen hier insbesondere die pflanzenbaulichen Daten aus den Feldversuchen des Verbundprojektes ein. Zur weiteren Extrapolation der Erkenntnisse werden statistische und pflanzenbauliche Modelle herangezogen.
Haushalte im ländlichen Afrika haben typischerweise unterschiedliche Einkommens- und Beschäftigungsquellen innerhalb und außerhalb der Landwirtschaft. Die Diversifizierung der Lebensgrundlagen wird vermutlich in Zukunft weiter zunehmen. Dieses Projekt sammelt Daten von Haushalten und Arbeitgebern in vier Ländern (Kenia, Tansania, Namibia, Sambia), um Trends in der Verfügbarkeit und Qualität von Arbeitsplätzen in unterschiedlichen ländlichen Sektoren zu analysieren. Mit Hilfe statistischer Modelle werden Beschäftigungsmuster und deren Auswirkungen auf Einkommen und andere sozioökonomische Indikatoren untersucht.
Die digitale Berliner Luftkarte – so war Luftqualität an Ihrem Ort 2025 Wo ist die Luftbelastung am höchsten? Warum saubere Luft so wichtig ist Wie funktioniert die Luftkarte? Was bedeutet ein „Bedarf für Luftverbesserungen“ konkret? Wie werden die Werte berechnet? Dank der Unterstützung der Open Data Informationsstelle Berlin (ODIS) wurde die digitale Berliner Luftkarte entwickelt. Sie ermöglicht es den Bewohnerinnen und Bewohnern Berlins, schnell zu überprüfen, wie es um die Luftqualität in verschiedenen Teilen der Stadt bestellt ist. Durch die Eingabe einer Adresse oder einen Klick auf die Karte lässt sich der jeweilige Standort bestimmen. Jeder markierte Bereich umfasst eine Fläche von 50 × 50 Metern. Die Luftkarte basiert auf der Analyse der drei bedeutendsten Luftschadstoffe: Stickstoffdioxid (NO 2 ), grober Feinstaub (PM 10 ) und feiner Feinstaub (PM 2.5 ). Anhand dieser Daten wird bewertet, wie dringend Maßnahmen zur Verbesserung der Luftqualität erforderlich sind. Die Einstufung einer Fläche erfolgt nach dem Schadstoff mit dem höchsten Belastungswert, wobei sie in eine von fünf Kategorien eingeordnet wird: sehr niedriger, niedriger, mäßiger, erhöhter oder hoher Bedarf für Luftverbesserungen. Derzeit existiert in Berlin kein Bereich mit einem sehr niedrigen Bedarf für Luftverbesserungen. Ein solcher würde sich durch eine Schadstoffkonzentration auszeichnen, die nach Einschätzung der Weltgesundheitsorganisation (WHO) kaum Gesundheitsrisiken birgt. Die Berliner Senatsverwaltung setzt sich dafür ein, dass die WHO-Grenzwerte in Zukunft eingehalten werden können. Wichtige Hinweise: Die Karte zeigt die durchschnittlichen Werte für das gesamte Jahr 2025 (Jahresmittelwerte). Die Daten beziehen sich ausschließlich auf die Außenluft. Die angezeigten Werte sind unabhängig von kurzfristigen Verkehrsschwankungen, Windverhältnissen oder der Etage, in der man wohnt. Während Wetter-Apps oft aktuelle Momentaufnahmen basierend auf Messwerten und Modellierungen darstellen, bietet die Berliner Luftkarte eine durchschnittliche Bewertung der Luftqualität über ein ganzes Jahr. Ein Blick auf die Verteilung der Kategorien innerhalb Berlins zeigt, dass 28 % der Stadtfläche nur einen geringen Bedarf an Luftverbesserungen haben. Leider liegen diese Gebiete oft nicht dort, wo die Menschen wohnen – nur 1 % der Berliner Bevölkerung lebt in solchen Zonen. Besonders gute Luft findet sich vor allem in Regionen mit wenig Bebauung, wie am Müggelsee oder im Grunewald. Im Gegensatz dazu leben 79 % der Berlinerinnen und Berliner in Gebieten mit mäßigem Handlungsbedarf, obwohl diese nur 64 % der Stadtfläche ausmachen. Meist handelt es sich dabei um Wohngebiete in Straßennähe oder Regionen, in denen häufig mit Holz geheizt wird. 8 % der Stadtfläche weisen eine erhöhte Luftbelastung auf, was sich auf 20 % der Bevölkerung auswirkt. Diese Orte befinden sich oft an stark befahrenen Hauptstraßen oder Autobahnen. Die höchste Belastungskategorie („hoher Bedarf für Luftverbesserungen“) betrifft weniger als 0,3 % der Stadtfläche und Bevölkerung und wird daher in den Diagrammen nicht gesondert ausgewiesen. Ebenso gibt es keine Bereiche, in denen die WHO-Grenzwerte vollständig eingehalten werden. Luftverschmutzung hat nachweislich erhebliche Auswirkungen auf die Gesundheit von Mensch und Natur. Über die Atemwege gelangen Schadstoffe wie Feinstaub in den Körper und verteilen sich über den Blutkreislauf bis in die Organe. Dies kann zu vielfältigen gesundheitlichen Schäden führen: Rußpartikel erhöhen das Krebsrisiko. Schwermetalle können sich im Gehirn ablagern und neurologische Erkrankungen begünstigen. Atemwegsreizungen können chronischen Husten, Asthma oder verstärkte allergische Reaktionen hervorrufen. Ungeborene Kinder sind ebenfalls betroffen: Eine hohe Schadstoffbelastung erhöht das Risiko für geringes Geburtsgewicht und Frühgeburten. Es gibt keinen unbedenklichen Feinstaub Besonders kritisch ist Feinstaub: Je kleiner die Partikel, desto gefährlicher. Winzige Partikel können die natürlichen Schutzbarrieren des Körpers überwinden, tief in Organe eindringen und sich dort ablagern. Einige gelangen sogar über den Riechnerv direkt ins Gehirn. Wissenschaftliche Erkenntnisse belegen, dass selbst geringe Mengen Feinstaub gesundheitsschädlich sind – es gibt also keine unbedenkliche Feinstaubbelastung. Jede markierte Fläche (50 × 50 Meter) enthält folgende Basisinformationen: Zeitraum : Jahresdurchschnitt 2025 Luftschadstoffe : NO 2 , PM 10 und PM 2.5 in Mikrogramm pro Kubikmeter (µg/m³) Die Kategorisierung erfolgt auf Grundlage der WHO-Empfehlungen, die Grenzwerte für eine möglichst geringe Gesundheitsgefährdung definieren. Da diese Werte nur selten eingehalten werden, hat die WHO Zwischenstufen zur schrittweisen Annäherung an das Ziel festgelegt. Diese Zwischenwerte dienen als Basis für die Kategorisierung der Berliner Luftqualität. Die höchste Schadstoffkonzentration innerhalb einer Zelle bestimmt dabei deren Einordnung. Um die WHO-Grenzwerte für saubere Luft zu erreichen, sind Maßnahmen auf verschiedenen Ebenen notwendig – sowohl durch Behörden als auch durch individuelles Handeln. Beispiele für Handlungsbedarf: Verkehrsreiche Straßen : Maßnahmen wie Umweltzonen, Tempolimits oder der Ausbau umweltfreundlicher Verkehrsmittel können die Belastung durch Stickstoffdioxid (NO 2 ) und durch Feinstaub (PM 10 und PM 2.5 ) verringern. Dabei gilt: jeder vermiedene Autokilometer verbessert die Luftqualität. Auch E-Autos produzieren Feinstaub durch Abriebe. Heizungen : Der Einsatz moderner Filteranlagen oder emissionsarmer Heizsysteme reduziert Schadstoffe wie Feinstaub (PM). Auch Holzöfen können sauber betrieben werden, wie der Ofenführerschein zeigt. Industriegebiete & Überregionale Schadstoffquellen : Schadstoffe können in der Atmosphäre über weite Distanzen transportiert werden. Die Behörden haben die Aufgabe, europaweit für saubere Industrieanlagen zu sorgen. Zur Berechnung der Luftqualität kommt das statistische Modell „FAirQ“ der INWT Statistics GmbH zum Einsatz. Dieses System nutzt Methoden aus den Bereichen „Big Data“ und „Künstliche Intelligenz“, um auf Basis der folgenden Faktoren Prognosen zu erstellen: Messwerte der Berliner Luftgütemessstationen (BLUME) Verkehrsdaten von über 200 Messpunkten in der Stadt Wetterprognosen des Deutschen Wetterdienstes (DWD) Großräumige Schadstoffvorhersagen aus dem COPERNICUS-Programm (CAMS) Das Modell analysiert, wie sich diese Variablen auf die Luftqualität auswirken und nutzt sie zur Berechnung der stündlichen Belastungswerte. Diese werden über das Jahr gemittelt und auf das 50 × 50 Meter Raster übertragen. Da Modellwerte immer eine Annäherung an die Realität darstellen, gibt es kleinere Abweichungen. Besonders an Autobahnen kann die berechnete Schadstoffkonzentration höher ausfallen als in angrenzenden Wohngebieten, da sich Schadstoffe in der Atmosphäre verdünnen. Beispielsweise sinkt die Stickstoffdioxid-Belastung (NO 2 ) bereits innerhalb von 100 Metern von einer Verkehrsquelle erheblich ab. Eine detaillierte Beschreibung des Systems ist hier zu finden: Abschlussbericht zur Luftschadstoffprognose
Niedrige Wolken der marinen Grenzschicht kühlen das Erdsystem und spielen somit eine entscheidende Rolle für die Energiebilanz der Erde. Die physikalischen Eigenschaften dieser Wolken werden von Aerosolen beeinflusst. Veränderungen in der Zusammensetzung oder Konzentration atmosphärischer Aerosole können daher die Strahlungswirkung und somit das Kühlungspotential dieser Wolken verändern. Die Quantifizierung der Auswirkungen atmosphärischer Aerosole auf marine Grenzschichtwolken mit Beobachtungsdaten ist eine große Herausforderung, da viele Prozesse gleichzeitig wirken, statistisch schwer zu trennen sind und Wolken gegen Aerosoleinflüsse “gepuffert” sein können. Globale Klimamodelle können diese Prozesse nicht auflösen, sodass sie über Parametrisierungen festgeschrieben werden müssen, welche wiederum mit Unsicherheiten belastet sind. Durch diese Probleme in der Auswertung von Beobachtungen sowie in Modellen ist die Quantifizierung von Aerosol-Wolken-Interaktionen weiterhin eine der größten Unsicherheiten der Klimawissenschaften, was die Abschätzung der Klimasensitivität erschwert.Das beantragte Forschungsprojekt adressiert diese Herausforderungen und wird die Wirkung von Aerosolen auf marine Grenzschichtbewökung mit globalen Beobachtungsdaten quantifizieren und die Parameterisierungen dieser Prozesse in globalen Klimamodellen evaluieren. In aktuellen Studien haben statistische Modelle aus dem Bereich des maschinellen Lernens geholfen, das Aerosol-Wolken-Meteorologie-System besser zu verstehen und zu quantifizieren, da sie in der Lage sind, Effekte von Aerosolen von anderen atmosphärischen Größen zu isolieren. Das beantragte Forschungsprojekt wird sich auf maschinelle Lernmethoden stützen, welche zusätzlich in der Lage sind, alle relevanten Wolkeneigenschaften gleichzeitig vorherzusagen, und damit mögliche Puffer explizit berücksichtigen und quantifizieren können. Die statistischen Modelle werden verwendet, um Zusammenhänge und Prozesse in globalen Beobachtungsdaten und dem Output globaler Klimamodelle zu analysieren. Auf diese Weise kann eine prozessorientierte Evaluierung von Modellparameterisierungen erreicht werden, die sich deutlich von dem üblichen Vergleich klimatologisch gemittelter Wolkenmuster abhebt. So können Modellparametrisierungen beobachtungsgestützt eingegrenzt, und der Strahlungsantrieb durch Wechselwirkungen zwischen Aerosolen und marinen Grenzschichtwolken quantifiziert werden.
Ultrafeine Partikel (UFP) mit einem aerodynamischen Durchmesser kleiner als 100 nm stehen unter dem Verdacht die menschliche Gesundheit zu schädigen, allerdings fehlt bisher die abschließende wissenschaftliche Evidenz aus epidemiologischen Studien. Zur Herleitung von Expositionskonzentrationen gegenüber UFP wurden zum Teil statistische Modellierungsverfahren genutzt um UFP-Anzahlkonzentrationen vorherzusagen. Ein häufig genutztes Verfahren ist eine auf Flächennutzung basierte lineare Regression („land-use regression“, LUR). Allerdings wurden in luftqualitativen Studien auch andere, ausgefeiltere Modellansätze benutzt, z.B. „machine learning“ (ML) oder „deep learning“ (DL), die eine bessere Vorhersagegenauigkeit versprechen. Das Ziel des Projekts ist die Modellierung von UFP-Anzahlkonzentration in urbanen Räumen basierend auf ML- und DL-Algorithmen. Diese Algorithmen versprechen eine bessere Vorhersagegenauigkeit gegenüber linearen Modellansätzen. Mit unserem Modellansatz wollen wir sowohl räumliche als auch zeitliche Variabilität der UFP-Anzahlkonzentrationen abbilden. In einem ersten Schritt werden die Messergebnisse aus mobilen Messkampagnen genutzt um ein ML-basiertes LUR Modell zu kalibrieren. Zusätzlich werden urbane Emissionen aus lokalen Quellen, abseits vom Straßenverkehr, identifiziert und explizit in das Modell einbezogen. In einem zweiten Schritt wird ein DL-Modellansatz basierend auf Langzeit-UFP-Messungen mit dem ML-Modell gekoppelt um die Repräsentierung der zeitlichen Variabilität zu verbessern. Unser vorgeschlagenes Arbeitsprogramm besteht aus fünf Arbeitspaketen (WP): WP 1 beinhaltet mobile Messungen mittels eines mobilen Labors und eines Messfahrads. WP 2 besteht aus stationären Messungen, die an Stationen des German Ultrafine Aerosol Network durchgeführt werden. In WP 3 werden wichtige UFP-Emissionsquellen, insbesondere Nicht-Verkehrsemissionen, mit Hilfe von zusätzlichen kurzzeitigen stationären Messungen identifiziert und quantifiziert. In WP 4 werden ML-Algorithmen genutzt um ein statistisches Modell aufzubauen. Als Kalibrierungsdatensatz werden die Messungen aus WP 1 benutzt. Das Modell wird UFP-Anzahlkonzentrationen mit Hilfe eines Datensatzes aus erklärenden Variablen, u.a. meteorologische Größen, Flächennutzung, urbaner Morphologie, Verkehrsmengen und zusätzlichen Informationen zu UFP-Quellen nach WP 3, vorhersagen. In WP 5 werden die UFP-Anzahlkonzentrationen aus WP 2 für einen DL-Modellansatz genutzt, der die zeitliche Variabilität repräsentieren wird. Dieser wird dann mit dem ML-Modell aus WP 4 gekoppelt. Der Nutzen der Modellkopplung wird mit dem Datensatz aus WP 3 validiert. Aus unserem Projekt wird ein Modell hervorgehen, das in der Lage ist die räumliche und zeitliche Variabilität urbaner UFP-Anzahlkonzentrationen in einer hohen Genauigkeit zu repräsentieren. Damit wird unsere Studie einen Beitrag zur Quantifizierung von Expositionskonzentrationen gegenüber UFP z.B. in epidemiologischen Studien leisten.
Der Eintrag organischen Kohlenstoffs in den Boden ist eine der Hauptsteuergrößen für Prozesse der Verwitterung und Erosion und wird im Wesentlichen durch das Zusammenspiel von Klima und Vegetation gesteuert. Ein wichtiges Ziel des DFG-Schwerpunktprogrammes EarthShape (SPP 1803) ist es, zu verstehen, wie gerade diese Interaktionen den Bodenkohlenstoff, der zum einen eine mikrobielle Energiequelle darstellt und zum anderen als stabilisierender Faktor der Erosion entgegenwirkt, beeinflussen. Das beantragte Projekt hat daher zum Ziel, die organische Kohlenstoffdynamik ausgehend von der Pflanze über die Streu in den Boden zu untersuchen und die Einflüsse des Klimas und der Vegetation zu entkoppeln. Die Bedeutung von Klima- und Pflanzeneigenschaften ist skalenabhängig, daher wird ein skalenübergreifender Forschungsansatz verfolgt, der unterschiedliche räumliche und klimatische Skalen abdeckt. Diese umfassen drei Biome entlang der chilenischen Küstenkordillere (arid, mediterran, nass-gemäßigt) und jeweils 2 unterschiedliche Untersuchungsflächen innerhalb dieser Biome. Die Erfassung verschiedener Pflanzengesellschaften und des entsprechenden Bodenkohlenstoffs auf diesen unterschiedlichen Skalen ermöglicht eine Entkopplung klimatischer und vegetationsgebundener Effekte. Die reziproke Translokation von Bodenmonolithen und Streuauflagen sowohl zwischen den Biomen als auch zwischen den Untersuchungsflächen ermöglicht eine detaillierte Entschlüsselung klimatischer und pflanzlicher Effekte. Letztere wird dabei funktional betrachtet und der Einfluss chemischer, physikalischer und phänologischer Pflanzeneigenschaften dargestellt. Zudem wird an den Untersuchungsflächen Unterbodenmaterial an die Erdoberfläche verlagert, um zu überprüfen, ob der darin gespeicherte organische Kohlenstoff auch bei veränderten Bedingungen (z.B. Temperatur) weiterhin aufgrund seiner molekularen Struktur stabil bleibt oder diese Stabilität lediglich durch Effekte im Unterboden determiniert wurde. Die Anwendung innovativer Labormethoden (HPLC, ICM-PS, EA-IRMS, AQUALOG) erlauben eine detaillierte Beschreibung des Kohlenstoffs und beeinflussender Faktoren (C, N, P, 13C, Lignin, Tannin, Spurenelemente) in Blättern, Streu und im Bodenprofil. Die simultane Messung von Absorption und Fluoreszenz inklusive der Anwendung von EEM und PARAFAC erlaubt eine detaillierte Untersuchung des gelösten organischen Bodenkohlenstoffs. Kooperative Datenanalysen sind ein wesentlicher Aspekt des Projektes, um die vielfältigen Ergebnisse, entsprechend des skalenübergreifenden Forschungsansatzes, in Beziehung zu setzen. Unsere Ergebnisse werden ein statistisches Modell beinhalten, das eine Vorhersage des organischen Bodenkohlenstoffgehalts auf Basis von Klima- und Vegetationsmerkmalen in der Wirkungskette Pflanze-Streu-Boden ermöglicht. Dieses Prozesswissen trägt zum Verständnis und der Modellierung des Kohlenstoffkreislaufs als Grundlage reliefbezogener Bodenprozesse bei.
Atmospheric CO2 concentrations present a repetitive pattern of gradual decline and rapid increase during the last climate cycles, closely related to temperature and sea level change. During the Last Glacial Maximum (LGM; 23-19 kyr BP), when sea level was ca. 120 m below present, the ocean must have stored additionally about 750 Gt carbon. There is consensus that the Southern Ocean represents a key area governing past and present CO2 change. The latter is not only of high scientific but also of socio-economic and political concern since the Southern Ocean provides the potential for an efficient sink of anthropogenic carbon. However, the sensitivity of this carbon sink to climate-change induced reorganizations in wind patterns, ocean circulation, stratification, sea ice extent and biological production remains under debate. Models were not yet able to reproduce the necessary mechanisms involved, potentially due to a lack of the dynamic representation/resolution of atmospheric and oceanic circulation as well as missing carbon cycling. Data on past Southern Ocean hydrography and productivity are mainly from the Atlantic sector, thus do not adequately document conditions in the Pacific sector. This sector is not only the largest part of the Southern Ocean, but it also represents the main drainage area of the marine-based West Antarctic Ice Sheet (WAIS). In the proposed study we aim to generate paleo-data sets with a newly established proxy method from sediment core transects across the Pacific Southern Ocean. This will enhance the baselines for the understanding and modeling of the Southern Ocean's role in carbon cyling, i.e. ocean/atmosphere CO2 exchange and carbon sequestration. It will also allow insight into the response of the WAIS to past warmer than present conditions. Paired isotope measurements (oxygen, silicon) will be made on purified diatoms and radiolarians to describe glacial/interglacial contrasts in physical and nutrient properties at surface and subsurface water depth. This will be used to test (i) the impact of yet unconsidered dust-borne micronutrient deposition on the glacial South Pacific on shifts of primary productivity, Si-uptake rates and carbon export, (ii) the 'silicic-acid leakage' hypothesis (SALH) and (iii) the formation and extent of surface water stratification. Diatom and radiolarian oxygen isotopes will provide information on the timing of surface ocean salinity anomalies resulting from WAIS melt water. Climate model simulations using a complex coupled atmosphere ocean general circulation model (AOGCM) in combination with a sophisticated ocean biogeochemical model including Si-isotopes will be used for comparison with the paleo records. The analysis will cover spatial as well as temporal variability patterns of Southern Ocean hydrography, nutrient cycling and air-sea CO2-exchange. With the help of the climate model we aim to better separate and statistically analyse the individual impacts of ocean circulation and bio
| Organisation | Count |
|---|---|
| Bund | 271 |
| Europa | 4 |
| Land | 27 |
| Weitere | 1 |
| Wirtschaft | 2 |
| Wissenschaft | 126 |
| Zivilgesellschaft | 5 |
| Type | Count |
|---|---|
| Förderprogramm | 262 |
| Text | 15 |
| unbekannt | 2 |
| License | Count |
|---|---|
| Geschlossen | 13 |
| Offen | 266 |
| Language | Count |
|---|---|
| Deutsch | 260 |
| Englisch | 58 |
| Resource type | Count |
|---|---|
| Bild | 3 |
| Dokument | 12 |
| Keine | 181 |
| Webseite | 94 |
| Topic | Count |
|---|---|
| Boden | 211 |
| Lebewesen und Lebensräume | 236 |
| Luft | 176 |
| Mensch und Umwelt | 279 |
| Wasser | 179 |
| Weitere | 276 |