Der Download Service ermöglicht das Herunterladen von Geodaten zu Anlagen nach Bundesimmissionsschutzgesetz (BImSchG) im Land Brandenburg. Datenquelle ist das Anlageninformationssystem LIS-A. Die Anlagen werden zum einen gruppiert nach Anlagenarten 1. Ordnung (ohne Anlagenteile), zum anderen nach Tierhaltungs- und Aufzuchtanlagen, nach Blockheizkraftwerken und nach großen Feuerungsanlagen. Die BImSchG-Anlagen 1. Ordnung werden unterschieden nach: - Wärmeerzeugung, Bergbau und Energie (Nr. 1) - Steine und Erden, Glas, Keramik, Baustoffe (Nr. 2) - Stahl, Eisen und sonstige Metalle einschließlich Verarbeitung (Nr. 3) - Chemische Erzeugnisse, Arzneimittel, Mineralölraffination und Weiterverarbeitung (Nr. 4) - Oberflächenbehandlung mit organischen Stoffen, Herstellung von bahnenförmigen Materialien aus - Kunststoffen, sonstige Verarbeitung von Harzen und Kunststoffen (Nr. 5) - Holz, Zellstoff (Nr. 6) - Nahrungs-, Genuss- und Futtermittel, landwirtschaftliche Erzeugnisse (Nr. 7) - Verwertung und Beseitigung von Abfällen und sonstigen Stoffen (Nr. 8) - Lagerung, Be- und Entladen von Stoffen und Gemischen (Nr. 9) - Sonstige Anlagen (Nr. 10) Die Tierhaltungs- und Aufzuchtanlagen werden gemäß 4. BImSchV unterteilt in: - Geflügel (Nr. 7.1.1 bis 7.1.4) - Rinder und Kälber (Nr. 7.1.5 und 7.1.6) - Schweine (Nr. 7.1.7 bis 7.1.9) - gemischte Bestände (Nr. 7.1.11) Die großen Feuerungsanlagen werden gemäß 4. BImSchV unterteilt in: - Wärmeerzeugung, Energie (Nr. 1.1, 1.4.1.1, 1.4.2.1) - Zementherstellung (Nr. 2.3.1) - Raffinerien (Nr. 4.1.12, 4.4.1) - Abfallverbrennung (Nr. 8.1.1.1, 8.1.1.3) Es werden nur Anlagen gemäß 13. und 17. BImSchV berücksichtigt. Die Blockheizkraftwerke werden hinsichtlich ihrer elektrischen Leistung unterschieden.
Der View Service stellt Anlagen nach Bundesimmissionsschutzgesetz (BImSchG) im Land Brandenburg dar. Datenquelle ist das Anlageninformationssystem LIS-A. Die Anlagen werden zum einen gruppiert nach Anlagenarten 1. Ordnung (ohne Anlagenteile), zum anderen nach Tierhaltungs- und Aufzuchtanlagen, nach Blockheizkraftwerken und nach großen Feuerungsanlagen. Die BImSchG-Anlagen 1. Ordnung werden unterschieden nach: - Wärmeerzeugung, Bergbau und Energie (Nr. 1) - Steine und Erden, Glas, Keramik, Baustoffe (Nr. 2) - Stahl, Eisen und sonstige Metalle einschließlich Verarbeitung (Nr. 3) - Chemische Erzeugnisse, Arzneimittel, Mineralölraffination und Weiterverarbeitung (Nr. 4) - Oberflächenbehandlung mit organischen Stoffen, Herstellung von bahnenförmigen Materialien aus - Kunststoffen, sonstige Verarbeitung von Harzen und Kunststoffen (Nr. 5) - Holz, Zellstoff (Nr. 6) - Nahrungs-, Genuss- und Futtermittel, landwirtschaftliche Erzeugnisse (Nr. 7) - Verwertung und Beseitigung von Abfällen und sonstigen Stoffen (Nr. 8) - Lagerung, Be- und Entladen von Stoffen und Gemischen (Nr. 9) - Sonstige Anlagen (Nr. 10) Die Tierhaltungs- und Aufzuchtanlagen werden gemäß 4. BImSchV unterteilt in: - Geflügel (Nr. 7.1.1 bis 7.1.4) - Rinder und Kälber (Nr. 7.1.5 und 7.1.6) - Schweine (Nr. 7.1.7 bis 7.1.9) - gemischte Bestände (Nr. 7.1.11) Die großen Feuerungsanlagen werden gemäß 4. BImSchV unterteilt in: - Wärmeerzeugung, Energie (Nr. 1.1, 1.4.1.1, 1.4.2.1) - Zementherstellung (Nr. 2.3.1) - Raffinerien (Nr. 4.1.12, 4.4.1) - Abfallverbrennung (Nr. 8.1.1.1, 8.1.1.3). Es werden nur Anlagen gemäß 13. und 17. BImSchV berücksichtigt. Die Blockheizkraftwerke werden hinsichtlich ihrer elektrischen Leistung unterschieden. Windkraftanlagen werden nicht dargestellt! Maßstab: 1:500000
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.
Data presented here were collected between September 2018 to September 2023 within the research unit DynaCom (Spatial community ecology in highly dynamic landscapes: From island biogeography to metaecosystems) 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). To measure local turbidity, a turbidity recorder equipped with a Seapoint® turbidity meter (RBRsolo Tu, RBR Ltd., Ontario/Canada) was installed in the back-barrier tidal flat near the experimental islands in a shallow tidal creek (0.9 m NHN). Another one was installed at the saltmarsh edge (1.2 m NHN). Both loggers were bottom mounted through a steel girder (buried 0.3 m deep in the sediment) and were positioned 15 cm above sediment surface, as was determined by using a portable differential GPS. This resulted in the sensor falling dry during low tide. The turbidity recorders were pre-calibrated by the manufacturer (Seapoint Sensors, Inc., NH/USA). Recorded data were internally logged and exported using Ruskin software V2.24.3.x (RBR Ltd., Ontario/Canada). Subsequent data processing was done using MATLAB (R2024b). Post-processing and quality control included the removal of (a) low tide data (sensors exposed to air), (b) data covering maintenance activities, (c) data affected by biofouling, and (d) implausible values, i.e. negative values and values exceeding the linear response range of the sensor (1250 NTU). According to manufacturer specifications, the linear measurement range extends up to 1250 NTU, while 750 NTU represent a more conservative estimate of linearity. Therefore, 1250 NTU was adopted as the upper threshold for valid measurements in this dataset.
Die Qualität von Wettervorhersagen, saisonalen Simulationen und Klimaprojektionen hängt entscheidend von der Darstellung von Land-Atmosphäre (L-A) Rückkopplungen ab. Diese Rückkopplungen sind das Ergebnis eines hochkomplexen Netzwerks von Prozessen und Variablen, die mit dem Austausch von Impuls, Energie und Masse im L-A-System zusammenhängen. Derzeit gibt es in diesem Bereich erhebliche Wissenslücken, die das vorgeschlagene Projekt schließen soll. Die Land Atmosphäre Feedback Initiative (LAFI) ist ein interdisziplinäres Konsortium von Wissenschaftler:innen aus Atmosphären-, Agrar- und Bodenwissenschaften, Biogeophysik, Hydrologie und Neuroinformatik, das eine neuartige Kombination fortschrittlicher Forschungsmethoden vorschlägt. Das übergeordnete Ziel von LAFI ist es, L-A-Rückkopplungen durch synergistische Beobachtungen und Modellsimulationen von der turbulenten (ca. 10 m) bis zur Meso-Gamma-Skala (ca. 2 km) über tägliche bis saisonale Zeitskalen zu verstehen und zu quantifizieren. LAFI besteht aus einer Reihe eng miteinander verflochtener Projekte, die sich mit sechs Forschungszielen und Hypothesen befassen zu 1) alternativen Ähnlichkeitstheorien, 2) der Landoberflächen-Heterogenität, 3) der Partitionierung der Evapotranspiration, 4) dem Entrainment, 5) der synergetischen Untersuchung von L-A-Feedback und 6) eine Ad-hoc-Untersuchung von Klimaextremen, falls während des gemeinsamen Feldexperiments Dürren oder Hitzewellen auftreten. Die Zusammenarbeit zwischen den zwölf Projekten wird durch drei Querschnittsarbeitsgruppen zu tiefergehendem Lernen, Sensorsynergie und Upscaling sowie dem LAFI-Multimodell-Experiment gestärkt. Unsere Forschung umfasst A) die Erweiterung und den Betrieb des Land-Atmosphere Feedback Observatory der Universität Hohenheim mit einer einmaligen Synergie von Instrumenten, z. B. die erstmalige Kombination von Messungen von Wasserisotopen, faseroptischen Temperatursensoren und scannende Lidar-Systeme sowie die Auswertung der Langzeitdatensätze des Meteorologischen Observatoriums Lindenberg des Deutschen Wetterdienstes, B) wenig untersuchte und verstandene Prozesse im L-A-System wie z. B. Entrainment, C) die Verbesserung und Anwendung von L-A Systemmodellen bis hinunter zu den turbulenz-erlaubenden Skalen mit erweiterter Darstellung von Vegetation und stabilen Wasserisotopen, D) die Anwendung von Methoden des tiefergehenden Lernens zur Identifizierung von potenziell neue Faktoren in Prozessbeschreibungen, die in das L-A-System der nächsten Generation integriert werden sollen. Damit werden wir den mehrdimensionalen Phasenraum von L-A-Systemvariablen mit prozessbasierten Metriken über eine gesamte Vegetationsperiode charakterisieren. Gefördert durch die eng verwobene Verbundforschung ist die LAFI-Forschungsgruppe in der Lage, entscheidende neue Erkenntnisse zu gewinnen, um unser Verständnis von L-A-Rückkopplungen zu vertiefen und die Kopplungsstärken über landwirtschaftliche Regionen in Mitteleuropa zu charakterisieren.
Insbesondere der Einfluss der Eigenschaften von Vegetationskronen und ihrer räumlich-zeitlichen Dynamik auf Rückkopplungen zwischen der Landoberfläche und der Atmosphäre (d. h. Temperatur, Niederschlag, Luftfeuchtigkeit, Eigenschaften der atmosphärischen Grenzschicht) sind nicht abschließend geklärt. Ein Hauptgrund dafür ist, dass hochauflösende Beobachtungsdatenprodukte (z. B. zur Vegetationskronenfeuchte) noch nicht mit hoher räumlicher Auflösung (Dekameter-Skala) und für mehrjährige Zeitserien verfügbar sind: weder aus der Fernerkundung noch von Modellen. Darüber hinaus können Heterogenitäten der Landoberfläche (z. B. Vielfalt in der Vegetationsbedeckung) erhebliche Auswirkungen auf Rückkopplungsprozesse zwischen Baumkronen und benachbarter Atmosphäre haben, ihre Darstellung in Modellen reicht jedoch bei hohen räumlichen Auflösungen nicht aus. Um diese Lücken zu schließen, werden auf der Fernerkundung basierende Produkte entwickelt, um einige der vielfältigen unterschiedlichen Vegetationsbedingungen zu berücksichtigen. In diesem Sinne besteht die Idee von Projekt 2 darin, eine Reihe von Eigenschaften der Vegetationskrone zu überwachen, einschließlich Wassergehalt (z. B. Boden- und Vegetationsfeuchtigkeit) und Flüsse (z. B. Evapotranspiration) sowohl vor Ort (In-situ-Daten) als auch auf regionalen (Erdsystemmodelle) Skalen. Der Ansatz nutzt die potenziellen Synergien zwischen optischen, passiven und aktiven Mikrowellensensoren, die ergänzende Informationen bieten, um Fernerkundungssignale (z. B. Mikrowellendämpfung) in biophysikalische Variablen (z. B. gravimetrische Vegetationsfeuchtigkeit, Evapotranspiration oder Vegetationsstruktur und -dichte) umzuwandeln. Diese einzigartigen und beispiellosen Datensätze der satellitengestützten Multisensor-Fernerkundung werden in Land-Atmosphäre (L-A) Modelle eingespeist, um Grenzschichteigenschaften und L-A-Rückkopplungen zu bestimmen und zu analysieren. Alle diese Landoberflächenvariablen können synergetisch dazu beitragen, den Zusammenhang zwischen Boden, Vegetation und den Prozessen der atmosphärischen Grenzschicht zu verstehen und L-A-Modelle zu initialisieren. P2 konzentriert sich direkt auf die hochauflösende (Dekameter-Skala) Bestimmung von Zuständen und räumlich-zeitlichen Dynamiken der Feuchtigkeit, Temperatur und Topographie der Vegetationskrone, um Feuchtigkeits- und Temperaturverteilungen zur Beurteilung der Transpiration und der Form sowie der 3D-Dynamik der atmosphärischen Rauheitsunterschicht nach zu verfolgen. Dies wird durch die Kombination von Multisensor-Fernerkundungsbeobachtungen (z. B. Copernicus Sentinel-Satelliten und weltraumgestützte LiDARs) erreicht. Räumlich-zeitlich dynamische Informationen dieser Vegetationsvariablen werden für die Integration in die Reihe an Land-Atmosphäre-Modellen von LAFI vorbereitet, um Grenzschichteigenschaften zu bewerten und L-A-Rückkopplungen zu verstehen.
Deep Learning (DL) hat sich auch in den Erdsystemwissenschaften in den letzten Jahren rasant entwickelt. Allerdings ist die genaue Art, wie DL Systeme Probleme lösen kaum zugänglich (eine black box). In diesem Projekt werden wir DL und andere Ansätze des maschinellen Lernens entwickeln, um sowohl Land-Atmosphärische (L-A) Rückkopplungsprozesse besser zu verstehen als auch um quantitative Relationen herzuleiten, die aktuelle Ansätze wie die Monin-Obukhov similarity theory (MOST) übertreffen. Die interdisziplinäre Kollaboration in diesem Konsortium und die Daten, die zusammengetragen werden, wird den Erfolg dieses Projektes sicherstellen. Wie werden Daten-getriebene aber wohl-strukturierte DL und andere Ansätze des maschinellen Lernens verfolgen. Wir wollen (1) Satelliten Daten nutzen um die Landoberflächentemperatur und die Feuchtigkeit der Vegetationsschicht zu bestimmen; (2) Möglichkeiten untersuchen, die Energiebalance herzustellen; (3) Abhängigkeiten der Oberflächenflüsse vom Terrain bis hin zum Entrainment untersuchen und identifizieren, um aktuelle Ansätze wie MOST und Bulk-Richardson-Zahl zu verbessern; (4) ein erstes Foundation-Modell entwickeln, um den Phasenraum zu analysieren und multiple L-A Relationen generieren zu können. Wir werden dabei vier Hauptansätze des maschinellen Lernens nutzen: (A) DL Methoden, die darauf optimiert sind, mit Hilfe von redundanten Daten die räumliche Auflösung einer Datengröße zu erhöhen; (B) die Parametrisierung von Physik-basierten Gleichungen und deren Approximation; (C) die Integration von physik-informierten Induktiven Biases in DL, um das Lernen und die Generalisierung zu verbessern; (D) selbst-informiertes und konrastierendes DL zur Entwicklung eines L-A Foundation Modells. Alle Techniken werden die inhärent limitierte Vorhersagbarkeit der Prozesse berücksichtigen. Um unser Verständnis der L-A Kopplungsprozesse zu verbessern, werden wir DL und andere Ansätze des Maschinellen Lernens schachteln und Relevanzanalysen durchführen. Dadurch werden wir fundamentale, teilweise neue Zusammenhänge, Prozessgleichungskomponenten, Prozessparametrisierungen und notwendige Berechnungsschritte ergründen - insbesondere solche, die für die Generierung von akkuraten und allgemein gültigen Relationen zwischen atmosphärischen Variablen notwendig sind. In Kollaboration mit P2 werden wir das Vorhersagepotential von Satellitendaten erforschen. Zusammen mit P1, P3, P5, und P6 werden wir Oberflächen- und Entrainmentflussrelationen ableiten, Komponenten der Energiebalance herleiten, und Evapotranspiration aufspalten. Unser Projekt führt CCWG-DL. Es wird Hilfestellungen und Workshops anbieten, um andere Daten effektiv mit Verfahren des maschinellen Lernens analysieren zu können und weitere Relationen aufdecken zu können - wie zum Beispiel Einflüsse der Landoberflächenstruktur (P5) und die Bestimmung der Blending Height (P1). Beiträge zu O1, O2, O3, O4 und OS sind zu erwarten.
Atmosphärische Modelle verwenden eine Schnittstelle zwischen dem Landoberflächenmodell und der Parametrisierung der Flüsse in der atmosphärischen Grenzschicht (ABL). Über eine Parameterisierung der Prandtlschicht (engl. surface layer scheme) werden Impuls-, Wärme- und Feuchtigkeitsflüsse zwischen der Oberfläche und der untersten atmosphärischen Modellschicht ausgetauscht. Bei diesem Ansatz wird eine „Blending Height“ eingeführt, bei der die Oberflächenflüsse über einer heterogenen Landoberfläche als homogen auf der Gitterskala betrachtet werden. In dieser Höhe, die innerhalb der untersten atmosphärischen Modellschicht angenommen wird, findet der Übergang zur ABL-Parametrisierung statt. Bei konvektionserlaubenden (CP) Modellsimulationen (Gitterskala < 3 km) über heterogener Vegetation können die unteren Modellschichten jedoch unterhalb der „Blending Height“ liegen, was zu Fehlern in den simulierten Flüssen führt. Eine große Herausforderung bei der atmosphärischen Modellierung ist die Parametrisierung der Schnittstelle zwischen heterogener dynamischer Vegetation und ABL unter instabilen, stabilen und neutralen Bedingungen mit Advektion aus verschiedenen Windrichtungen. Dementsprechend sind unsere Ziele die Identifizierung der „Blending Height“ in Abhängigkeit von der Heterogenität und dem Zustand der Vegetation sowie von den atmosphärischen Randbedingungen und die Quantifizierung des Einflusses der Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“. Die Ergebnisse werden verwendet, um repräsentative, skalenabhängige Flüsse auf dieser Ebene für Land-Atmosphären (L-A) Rückkopplungsstudien und Turbulenzparametrisierungen abzuleiten. WRF-NoahMP-Gecros-Modellsimulationen von der CP- bis zur Large-Eddy-Skala werden mit Beobachtungen an den LAFO- und MOL-RAO-Standorten verglichen, um die „Blending Height“ und die effektiven Rauhigkeitsparameter der Vegetation für CP-Simulationen in Abhängigkeit von den atmosphärischen Rahmenbedingungen zu ermitteln. Die Simulationen werden über die Cross Cutting Working Group (CCWG)-MME in das Multi Model Experiment (MME) eingebettet. Die Auswirkungen der Heterogenität auf die Stärke der L-A-Rückkopplung werden untersucht und das Verständnis der Austauschprozesse zwischen Oberfläche und Atmosphäre sowie innerhalb der ABL verbessert. Die Synergie dieser Modellergebnisse und 3D-Beobachtungsdaten wird genutzt, um die skalenabhängigen Auswirkungen der dynamischen Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“ zu untersuchen. Dieses Projekt befasst sich mit den LAFI-Hauptzielen 2, 3, 4, S und E. Es ist an der CCWG-MME und der CCWG-DL beteiligt. Die Simulationen werden in Zusammenarbeit mit den Projekten P6, P8 und P9 durchgeführt. P2 liefert den Blattflächenindex und den Anteil der Vegetationsdecke für die Initialisierung des Modells. Die LAFI-Beobachtungen von P1-P5 werden für die Modellevaluation verwendet.
Problemstellung: Bei der Herstellung von typischen Serienteilen von Kraftfahrzeugen wie z.B. Achsschenkeln oder Getriebewellen durch Verfahren der Massivumformung und anschließendem Zerspanen entfallen ca. 40-70 Prozent der gesamten Stückkosten auf die mechanische Nachbearbeitung. Oben angedeutetes Potential liegt gerade bei heutzutage immer stärker nachgefragten Hochleistungsbauteilen zum einen in der technologischen Verbesserung spanabhebender Fertigungsverfahren selbst und zum anderen in der Minimierung der kostenintensiven Zerspanung. Die Kombination aus Warm- und Kaltformgebung ist in modernen Schmiedebetrieben bereits Stand der Technik und ermöglicht die Herstellung technisch anspruchsvoller Bauteile mit geringer spanender Nacharbeit. Es sind Bauteile mit verbesserten Maß- und Formgenauigkeiten als durch alleinige Warmumformung herstellbar. Durch die Kaltumformung lassen sich darüber hinaus weitere funktionelle Bauteileigenschaften verbessern, die gerade heutzutage Gegenstand zahlreicher Forschungsarbeiten sind. Die Verfahrensgrenze einer dem Schmiedeprozess nachgeschalteten Kaltumformung wird häufig durch die mechanischen Werkzeugbelastungen aufgrund der hohen und durch Entwicklung neuartiger Stahlgüten immer höher werdenden Werkstofffestigkeiten festgelegt. In modernen Schmiedeprozessketten findet aus energetischen und damit wirtschaftlichen und ökologischen Gesichtspunkten eine Wärmebehandlung zur Einstellung bestimmter Werkstoffeigenschaften direkt aus der Schmiedehitze statt. Die letzte Wärmebehandlungsstufe entspricht bei modernen Legierungskonzepten einer isothermen Haltestufe zur ferritisch-perlitischen oder auch bainitischen Gefügeumwandlung. Neueste Entwicklungen auf dem Gebiet der Sensorik ermöglichen eine intelligente thermomechanische Prozessführung aus Schmieden und definierter Wärmebehandlung direkt aus der Schmiedehitze, wie sie im Rahmen der AiF-Leittechnologie 'Schmieden 2020 - Ressourceneffiziente Prozessketten für Hochleistungsbauteile' entwickelt werden soll. Die ganzheitliche Prozessbetrachtung zeigt, dass in thermomechanisch behandelten Werkstücken nicht nur gezielt funktionelles Gebrauchsgefüge, sondern auch auf eine weitere Verarbeitung (z.B. durch Umformung) technologisch optimierte Verarbeitungsgefüge eingestellt werden könnten. Es fehlt jedoch an wissenschaftlichen Erkenntnissen über günstige Gefügezustände für eine anschließende Kaltumformung oder eine Lauwarmumformung aus der Schmiedehitze im technologischen und funktionellen Sinn. Dies gilt erst recht für mikrolegierte ausscheidungshärtende ferritisch-perlitische und hochfeste duktile bainitische Hochleistungsstähle. Das Potential der Lauwarmumformung im Temperaturbereich zwischen Kaltumformung und industrieller Halbwarmumformung typischer Fließpressstähle an sich, konnte durch neuere Forschungsarbeiten am Institut für Umformtechnik (IFU) der Universität Stuttgart bereits aufgezeigt werden. usw.
| Organisation | Count |
|---|---|
| Bund | 1661 |
| Kommune | 2 |
| Land | 123 |
| Weitere | 95 |
| Wirtschaft | 5 |
| Wissenschaft | 398 |
| Zivilgesellschaft | 66 |
| Type | Count |
|---|---|
| Daten und Messstellen | 83 |
| Ereignis | 1 |
| Förderprogramm | 1386 |
| Gesetzestext | 1 |
| Infrastruktur | 1 |
| Text | 384 |
| Umweltprüfung | 27 |
| unbekannt | 26 |
| License | Count |
|---|---|
| Geschlossen | 257 |
| Offen | 1462 |
| Unbekannt | 188 |
| Language | Count |
|---|---|
| Deutsch | 1736 |
| Englisch | 259 |
| Resource type | Count |
|---|---|
| Archiv | 232 |
| Bild | 27 |
| Datei | 46 |
| Dokument | 310 |
| Keine | 978 |
| Webseite | 597 |
| Topic | Count |
|---|---|
| Boden | 1246 |
| Lebewesen und Lebensräume | 1292 |
| Luft | 1098 |
| Mensch und Umwelt | 1890 |
| Wasser | 954 |
| Weitere | 1907 |