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.
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.
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 2022 to July 2023 within the research unit DynaCom (Spatial community ecology in highly dynamic landscapes: From island biogeography to metaecosystems, https://uol.de/dynacom/ ) of the Universities of Oldenburg, Göttingen, and Münster, the iDiv Leipzig and the Nationalpark Niedersächsisches Wattenmeer. Experimental islands and saltmarsh enclosed plots were created in the back barrier tidal flat and in the saltmarsh zone of the island of Spiekeroog. Local tide and wave conditions were recorded with a RBRduo TDǀwave sensor (RBR Ltd., Ontario/Canada). The sensor was bottom mounted in a shallow tidal creek (0.77 m NHN) through a steel girder (buried 0.3m deep in the sediment) and was positioned 10 cm above sediment surface, as was determined by using a portable differential GPS. This resulted in the sensor falling dry during low tide. For accurate depth calculations, raw pressure data were manually corrected for atmospheric pressure derived from a locally installed weather station. The sensor was pre-calibrated by the manufacturer and the sampling rate was 3 Hz with 1024 samples per burst at a sample interval of 10 min. Recorded data were internally logged until the readout with the Ruskin (V1.13.13) software. Date and time is given in UTC. Data handling was performed according to Zielinski et al. (2018): Post-processing of collected data was done using MATLAB (R2018a). Quality control was performed by (a) erasing data covering maintenance activities, (b) removing outliers, and (c) visually checks. Low-tide data is not removed, but were easily identified through the manually calculated water depth data, where all depths < 0.05m represented low tide data.
Entwicklung und Etablierung einer Methodik zur exakten Beschreibung mehrphasiger bainitischer Gefüge, da die Lichtmikroskopie aufgrund zu hoher Komplexität und zu geringer möglicher Auflösung versagt - Entwicklung einer Bildanalyseroutine zur automatisierten Auswertung von REM-Aufnahmen bainitischer Mikrostrukturen - Anwendung der Routine auf die Stähle HDB, 38MnVS6, 18CrNiMo7-6 und exakte Beschreibung der entstehenden Mikrostrukturen - Identifikation relevanter Gefügeparameter und Verknüpfung mit mechanisch-technologischen Eigenschaften (TP 2, TP 3, TP 4, TP5). Lösungswege: Einstellung definierter Mikrostrukturen der Stähle 38MnVS6, HDB, 18CrNiMo7-6 mittels Dilatometrie - Charakterisierung der Proben mittels LOM, REM und EBSD, sowie Anwendung eines neuen Klassifizierungssystems - Entwicklung einer Bildanalyseroutine für bainitische Gefüge - Anwendung der Bildanalyseroutine auf gesteuert abgekühlte Proben (Kerbschlagbiege-, Zugproben) und Korrelation der mechanischen Eigenschaften mit der Mikrostruktur - Charakterisierung der Mikrostrukturen in Modellbauteilen (Rail-Bauteil und abgesetzte Welle) und Korrelation mit den mechanisch-technologischen Eigenschaften - Ableitung von eigenschafts- bzw. anwendungsbezogenen Richtlinien für kritische Mikrostrukturcharakteristika (Phasenanteile, -verteilungen, -morphologien etc.). Projektstruktur: Arbeitspaket 1: Werkstoffbereitstellung - Bereitstellung des HDB-Stahls für alle Projektpartner. Arbeitspaket 2: Basischarakterisierung : - Charakterisierung des Umwandlungsverhaltens anhand von ZTU- und UZTU-Diagrammen - Vorgaben für die Prozessführung in TP 2, TP 3, TP 4 - Erster Abgleich mit Ergebnissen aus TP 5. Arbeitspaket 3: Rasterelektronenmikroskopie : Ausführliche Charakterisierung kontrolliert abgekühlter Dilatomterproben mittel LOM, REM und EBSD - Entwicklung eines Klassifizierungssystems für bainitische Mikrostrukturen. Arbeitspaket 4: Entwicklung der Bildanalyseroutine : Entwicklung einer Strukturerkennungsroutine für REM-Aufnahmen - Entwicklung einer Klassifizierungsroutine auf Basis der Strukturerkennungsroutine. Arbeitspaket 5: Korrelation von Mikrostruktur und mechanischen Eigenschaften : Untersuchung der mechanischen Eigenschaften kontrolliert abgekühlter Proben mit bainitischen Mikrostrukturen - Identifikation maßgeblicher mikrostruktureller Einflussgrößen auf die mechanischen Eigenschaften und ggf. Quantifizierung des Einflusses. Arbeitspaket 6: Anwendung der Bildanalyseroutine auf die Modellbauteile : Anwendbarkeit der Analyseroutine auf die Mikrostrukturen der Modellbauteile (Rail-Bauteil und abgesetzte Welle) - Verknüpfung der mechanischen Eigenschaften mit Mikrostruktureigenschaften und Abgleich mit AP 5 - Verknüpfung der technologischen Eigenschaften mit Mikrostrukturparametern (aus TP 2 - 5). Arbeitspaket 7: Entwicklung einer Richtreihe für bainitische Mikrostrukturen. Arbeitspaket 8: Dokumentation.