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.
Im Vergleich zu erdgasbetriebenen Aggregaten können mit baugleichen Wasserstoffmotoren bisher nur geringere spezifische Leistungen erbracht werden, wodurch sich der Wirkungsgrad des Systems verringert, sodass die Technologie noch nicht als wirtschaftliche Alternative zu Erdgassystemen in Frage kommt. Im vorliegenden Teilvorhaben soll eine Erhöhung der spezifischen Leistung mittels aufwendiger messtechnischer sowie simulativer Methoden erreicht werden. Auf Basis der optischen Analyse von Gemischbildung und Verbrennung im aktuellen Entwicklungsstand des H2-BHKW von 2G soll durch numerische Strömungssimulation (CFD, computational fluid dynamics) ein optimiertes Brennraumdesign sowie eine optimierte Form der Brenngaseinbringung gefunden und am Prüfstand umgesetzt und validiert werden. Bei erfolgreicher Leistungs- und Effizienzerhöhung können die gewonnenen Erkenntnisse durch 2G in den nächsten Modellgenerationen übernommen und somit wirtschaftlich verwertet werden.
Welcome to the German Informative Inventory Report 2025 (IIR 2025)! This report covers the preparation, maintenance, and improvement of the German air pollutant emission inventory. Emission estimates are provided for the timeseries from 1990 to 2023 , with exceptions for fine particulate matter with aerodynamic diameters of ≤2.5 (PM 2.5 ) or ≤10µm (PM 10 ) respectively with data as of 1995 , and black carbon (BC) with data as of 2000 . For faster navigation please refer to the TABLE OF CONTENTS .
Welcome to the German Informative Inventory Report 2024 (IIR 2024). This report covers the preparation, maintenance, and improvement of the German air pollutant emission inventory. Emission estimates are provided for the timeseries from 1990 to 2022 , with exceptions for fine particulate matter with aerodynamic diameters of ≤2.5 (PM 2.5 ) or ≤10µm (PM 10 ) respectively with data as of 1995 , and black carbon (BC) with data as of 2000 . For faster navigation please refer to the TABLE OF CONTENTS . The report was produced by the national co-ordination agency (single entity) for the National System of Emissions Inventories (Nationales Systems Emissionsinventare; NaSE), sited within the German Federal Environmental Agency (UBA). Information on agriculture, changes in land use and forestry was provided by the Federal Ministry of Food and Agriculture (BMEL) and the Johann Heinrich von Thünen-Institut, Federal Research Institute for Rural Areas, Forestry and Fisheries, Institute of Agricultural Climate Research (vTI - AK). More information is available on the emission web site of the German Environment Agency (UBA). For further questions contact Michael Kotzulla, Tel. +49 (0)340 2103 3071 or Dr. Kevin Hausmann, Tel. +49 (0)340 2103 2192.
Geysers are localized hydrothermal vents that periodically erupt with gas bubbles at the surface. Understanding their distribution, dynamics, and conduit geometry is critical to understand the fluid and heat transfer through the crust. To explore this at the Geysir geothermal field in Iceland, we analyzed the spatial distribution of thermal features using high-resolution UAV-based optical and infrared cameras. Based on this, Walter et al. (2020) identified 364 distinct thermal spots. Here we release the high-resolution drone orthomosaic dataset at the Geysir geothermal field, Iceland.