Verlässliche Vorhersagen über den Export von organischem Kohlenstoff (OC) bezogen auf den Gletscherabfluss sind sehr begrenzt. Bestehende Studien kombinieren hauptsächlich den OC-Gehalt einzelner Eisproben und Massenbilanzen, um einen mittleren jährlichen OC-Export zu berechnen. Dieser Ansatz berücksichtigt keine potentiellen tages- und jahreszeitlichen Veränderungen und spiegelt daher möglicherweise die gletscherbedingten OC-Exportraten nicht genau wider. Daher ist es wichtig, zeitliche Veränderungen in der Gletscherhydrologie in hoher zeitlicher Auflösung (saisonal, ereignisbezogen, tageszeitlich) zu berücksichtigen und relevante Abflusskomponenten zu berücksichtigen. Dieses Projekt hat das Ziel, den Export von OC aus Gletschern (Konzentration, Zusammensetzung und Bioverfügbarkeit) in hoher zeitlicher Auflösung systematisch zu untersuchen und die biochemische zeitliche Variabilität mit Variationen der hydrologischen Prozesse im Gletscher zu verbinden. Nur durch ein detailliertes Verständnis der Auswirkungen der Hydrologie der Gletscher auf den OC-Export können verlässliche Vorhersagen für die zukünftige Freisetzung von OC durch den Gletscherrückzug gemacht werden. Die Untersuchungen finden am temperierten Gletscher Falljökull (Island) statt, der Teil des Öraefajökull und der Vatnajökull-Eiskappe ist und dessen Eisfront seit 1932 jährlich vermessen wird. Innovative Methoden, wie z.B. maschinelle Lernverfahren, in Kombination mit einer Abflussganglinienseparation, helfen, das zeitliche Zusammenspiel verschiedener Quellgebiete des Gletscherabflusses und dessen tages- und jahreszeitliche Variabilität zu verstehen. Die Verbindung von Prozessverständnis unter Einbeziehung der OC und Abflussdynamik wird die Modellierung des OC-Exports unter Berücksichtigung der OC-Zusammensetzung ermöglichen. Insgesamt werden 972 Eis-, Schnee- und Wasserproben genommen entnommen. Mit einer mobilen Multiparametersonde, die direkt am Gletschertor installiert wird, werden automatisch die Wassertemperatur, elektrischer Leitfähigkeit, Trübung, der Wasserstand und fluoreszierendem DOM im 1h min-Intervall gemessen. Mit modernsten Labormethoden (C/N- und TOC-Analyzer, Picarro) werden BDOC, DOC, POC, optische Eigenschaften (Fluoreszenz, Absorption), Nährstoffe (PO4, NO3, NO2, NH4) und stabile Isotope (18O, 2H) analysiert. Mit dem Einsatz multivariat statistischer Verfahren (z.B. PCA, CCA) sowie Modellen (PARAFAC, SIMMR, LOADest) werden zeitliche Muster, Prozesse und Treiber identifiziert sowie der OC-Export quantifiziert. Diese systematische Untersuchung des OC-Exports wird das aktuelle Prozesswissen über tageszeitliche und saisonale Veränderungen in der Konzentration, Zusammensetzung und Bioverfügbarkeit von glazialem OC wesentlich erweitern. Dadurch kann die (zukünftige) Dynamik des gletscherbedingten OC-Exports aufgrund von klimawandelbedingten Variationen in Gletscherschmelzprozessen zuverlässig vorgesagt werden.
Zuverlässige und genaue Wettervorhersagen spielen eine entscheidende Rolle für das Verständnis sowie die Begrenzung von Risiken, die sich aus dem Klimawandel ergeben, ebenso sind sie entscheidend für die Vorhersage von Output aus erneuerbaren Energiequellen. Heutzutage wird Wettervorhersage über numerische Wettermodelle betrieben. Das Ergebnis eines Modell-Laufes ist eine einzelne deterministische Vorhersage für zukünftige Wetterereignisse. Um die Unsicherheit in so einer Vorhersage quantifizieren zu können, ist es gängige Praxis geworden, ein Ensemble von numerischen Vorhersagen zu verwenden. Dieses Ensemble wird erzeugt, indem man das Wettermodell mehrfach laufen lässt, und jeder Lauf mit jeweils modifizierten Anfangsbedingungen und/oder Modellformulierungen gestartet wird. Das daraus resultierende Vorhersage Ensemble ist aber typischerweise ungenügend kalibriert und benötigt deshalb statistische Nachbearbeitung. Es wurden bislang bereits verschiedene statistische Modelle zur Nachbearbeitung solcher Ensemble Vorhersagen entwickelt, welche auf unterschiedliche Anforderungen z.B. der betrachteten Wetter Variablen zugeschnitten sind. Insbesondere wird es immer wichtiger diese Modelle dahingehend zu erweitern, dass sie räumliche und zeitliche Abhängigkeiten sowie Abhängigkeiten zwischen Wetter Variablen explizit berücksichtigen. Dieses Projekt hat zum Ziel neue Arten von statistischen Modellen zur Nachbearbeitung zu entwickeln, welche auf vine copula basieren. Diese erlauben sehr flexible und Datenbasierte Modellierung aller Arten von multivariater Abhängigkeiten. Konkretes Ziel ist die Entwicklung von vine copula basierten Modellen, die speziell auf verschiedene Wetter Variablen zugeschnitten sind, wie z.B. Temperatur, Windgeschwindigkeit, Niederschlag, Bewölkung und Sonneneinstrahlung. Die vine copula basierte Quantilregression wird dabei auch angepasst, um Wetter Variablen die mit erneuerbaren Energien in Zusammenhang stehen gleichzeitig nachzubearbeiten und in Vorhersagen der entsprechenden gewonnene Nutzleistung zu transformieren. Im nächsten Schritt sollen diese Modelle auf die multivariate Situation erweitert werden, indem sie Abhängigkeiten in der Zeit, im Raum und zwischen Wetter Variablen direkt modellieren, und nach Möglichkeit sogar alle diese Arten von Abhängigkeiten simultan erfassen. Die hier entwickelten Modelle sollen im Statistik Progammpaket R implementiert, und in einer Studie zur Vorhersage-Qualität und Kalibration mit Standard-Modellen vergleichen 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.
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.