Other language confidence: 0.8988793471830417
Die Kontamination des Untergrunds durch nicht mischbare Schwerphasen (DNAPLs) birgt nachteilige Auswirkungen auf Mensch und Umwelt und gefährdet die Sicherheit von Grundwasserressourcen. ‚Natural Attenuation‘ von wassergelösten DNAPLs ist ein typischer Sanierungsansatz bei DNAPL-Schadensfällen. Dennoch bleibt das Schicksal von derartigen Standorten trotz einer Reihe von Untergrund-Erkundungstechnologien als langfristige Kontaminationsherde unklar. Grund hierfür sind unzureichende Daten und Kenntnisse über Quellzonen. Zusätzlich können Klimawandel und anthropogene Aktivität gemeinsam neue Gefahrenpotenziale schaffen. Letztere induzieren hydraulische und thermische Stressoren, welche potenziell die Quellzonen beeinflussen. Ein solides Verständnis der Prozesse, die mit der Bildung von DNAPL-Quellzonen unter sich ändernden Bedingungen verbunden sind, ist entscheidend, um eine effiziente Bewertung kontaminierter Standorte sicherzustellen. Das Projekt ReCAp zielt darauf ab, die transiente Dynamik der DNAPL-Quellzonenbildung systematisch zu untersuchen, um die Relevanz sich ändernder externer Stressoren im Vergleich zu anderen Systemeigenschaften zu bewerten. Durch den Einsatz experimenteller und modellbasierter Methoden wird ein vereinfachtes Dreiphasen-Strömungssystem im Labormaßstab evaluiert (physische Aquifermodelle). Sich ändernde externe Stressoren (hydraulisch, thermisch) werden durch Signalvariationen (Grundwasserstand, Untergrundtemperatur) nachgebildet. Dazu werden hydrologische Mess- und Klimaprojektionsdaten repräsentativer Standorte analysiert, um eine Reihe von Simulationsszenarien im Labormaßstab zu definieren. ‘Reflective Optical Imaging‘ in Kombination mit einem Bildverarbeitungs- und Analyse-Framework dient der Generierung experimenteller Beobachtungsdaten für die Phasensättigungsverteilung. Letztere Daten werden zur Kalibrierung eines numerischen Mehrphasenströmungsmodells verwendet, das in der Softwaresuite TOUGH implementiert ist. Hierzu wird eine Zielfunktion mit unterschiedlichen Kriterien bezüglich Proxy-Quellzoneneigenschaften definiert und an einen semi-automatischen inversen Modellierungsansatz (z. B. PEST++) gekoppelt. Eine statistische Analyse unter Variation von Messunsicherheits-behafteten Parametern wird abschließend durchgeführt, um die Relevanz sich ändernder externer Stressoren im Vergleich zu den Eigenschaften des Untergrunds und der Fluide abzugrenzen. Die wissenschaftlichen Ergebnisse sollen nicht nur für ein verbessertes Verständnis der Quellzonenbildung unter sich ändernden Systembedingungen sorgen, sondern auch zur Optimierung von Labormethoden zur Visualisierung der Phasenmigrationsdynamik beitragen. In Zukunft können die Projektergebnisse die Grundlage für die Entwicklung prozessgesteuerter Modelle sein, die sorgfältig anhand robuster Beobachtungsdaten im Labormaßstab verifiziert werden.
Binnengewässer sind wichtiger Teil des globalen Kohlenstoffkreislaufs, da sie der terrestrischen Biosphäre entstammende Biomasse (organisches Material, OM) aufnehmen und umsetzen. Gelöstes OM beeinflusst Farbe und Zustand der Gewässer und subventioniert als Energieträger das aquatische Nahrungsnetz. Der Umsatz des OM wird von dessen oxidativer Mineralisation getrieben, daher wird die Sauerstoffverfügbarkeit als kritischer Einflussfaktor gesehen. Jedoch findet auch in sauerstofffreien, anoxischen Zonen rege Produktion, Mineralisation und Transformation von OM statt. Die chemische Zusammensetzung des OM wird in anoxischen Zonen auf spezifischen Reaktionspfaden transformiert. Zu diesen Pfaden gehört (1.) der bevorzugte Abbau von energiereichen OM-Fraktionen, (2.) die Anreicherung von mikrobiellem OM, sowie (3.) der Einbau von anaerob entstandenem Wasserstoff in OM. Anoxische Zonen sind in kontinentalen und marinen Gewässern bereits heute weit verbreitet. Ihre weitere Ausdehnung ist vorhergesagt. Trotzdem ist unklar, unter welchen Bedingungen die anoxischen Reaktionspfade aktiviert werden und wie sie gemeinsam den Kohlenstoffkreislauf und aquatische Ökosystemfunktionen beeinflussen. Ziel dieses Projekts ist es daher, das Zusammenspiel anoxisch ablaufender OM Transformationen aufzuklären. Zu diesem Zweck entwickeln wir eine OM Charakterisierung basierend auf der (Gibbs-) Energie seiner molekularen Bestandteile. Die Energieeigenschaften des OM dienen als Bezugssystem, mit dem sich aktive Reaktionspfade einschließlich ihre spezifischen Einflussfaktoren unterscheiden lassen. Auf Grundlage dieses Bezugssystems können wir die orts- und substratspezifischen Faktoren identifizieren, die mit der molekulare OM Zusammensetzung variieren. Entlang aquatischer Netzwerke werden wir dann analysieren, wie anoxische Zonen einen spezifischen Fingerabdruck im OM formen. Die Ergebnisse dieses Projekts werden eine neuartige, energiezentrierte Charakterisierung von organischem Material begründen. Damit können wir langfristig unser Verständnis des Umweltverhaltens von OM, insbesondere unter anoxischen Bedingungen, verbessern.
Das Wasserfahrzeug als Messgeräteplattform besteht aus einem durch zwei Motoren angetriebenen Katamaran. Das Sensorpaket beinhaltet Messtechnik zur gleichzeitigen Erfassung der Gewässergüte (Multiparametersonde), der Gewässertopografie (Vertikal-Echolot, Seitensichtsonar) sowie hochaufgelöster Strömungsverhältnisse im Fließquerschnitt (9-strahlige Akustik-Doppler-Sonde). Weiter ist ein LiDAR-Sensor zur Erfassung und Kartierung der Ufervegetation bzw. Bebauung an und in Gewässerrandstreifen vorgesehen. Für eine georeferenzierte Datenerfassung soll die Messgeräteplattform mit einem GNSS-Empfänger (RTK-Genauigkeit) ausgestattet werden und ergänzend eine Zielmarke erhalten, sodass ein Tracking über Kopter und Vermessungsdrohnen (UAVs) ermöglicht wird. Mit den Messgeräten sollen Forschungsfragen in den Handlungsfeldern „Digitalisierung der Wasserwirtschaft“, „Resilienz gegenüber Hoch- und Niedrigwasserereignissen“ und „Neue Verfahren zur Datenerhebung in der Wasserwirtschaft“ beantwortet werden. Grundlegend wird mit dem Großgerät die Aufnahme von Messdaten angestrebt, die möglichst viele gewässerbezogene Parameter enthalten. So soll eine Datenbasis geschaffen werden, welche die Grundlage für die Beantwortung der folgenden Forschungsfragen darstellt: - Inwiefern sind datengetriebene Modelle in der Lage, strukturelle Veränderungen im Gewässer abzubilden und diese auf Wasserstand-Abfluss-Beziehungen zu übertragen bzw. ebendiese zu aktualisieren? - Lassen sich räumliche und raumzeitliche (Auto-) Korrelationen von Niederschlag- und Abflussdaten mittels maschineller Lernverfahren (ML) (insbesondere Long Short-Term Memory-Methoden) modellieren und welchen Einfluss haben Menge und Qualität der Eingangsdaten auf die Genauigkeit der Systemantwort „Abfluss“? - Wann und wo finden Sedimentationsprozesse in Speichersystemen (z. B. Talsperren) statt und können diese durch gezielte Bewirtschaftungspläne verhindert werden? - Welche Auswirkungen hat die Volumenänderung auf die Bewirtschaftung von Speichersystemen und die Bereitstellung bzw. Aufrechterhaltung der Wasserversorgung?
Ausreichende Verfügbarkeit von Trinkwasser und entsprechende Langzeitplanung sind wesentliche Voraussetzungen für eine nachhaltige Zukunft. Dazu bedarf es verlässlicher Langzeitprognosen des zukünftigen Wasserbedarfs. Stündliche und tägliche Bedarfsprognosen mithilfe von maschinellem Lernen (ML) sind wohletabliert, sofern ausreichend Daten vorhanden sind. Dennoch gibt es einige Herausforderungen. Erstens verfügen viele lokale Wasserversorger lediglich über monatliche Bedarfsdaten. Zweitens ist das System wegen des Klimawandels und wegen sozialer, rechtlicher und wirtschaftlicher Veränderungen instationär. Drittens sind zukünftige Wetter- und Klimabedingungen sowie die genannten Wandelprozesse unsicher. Insgesamt führt dies zu hoch volatilen und unsicheren Szenarien mit begrenzten Daten, was eine große Herausforderung für Modellierung und ML-Methoden darstellt. Dennoch sollten diese Methoden breit in verschiedenen Klima- und Wirtschaftsregionen anwendbar sein, zuverlässige Vorhersagen über Jahrzehnte ermöglichen und für Experten in Planungsbüros handhabbar sein. Dieses Projekt zielt darauf ab, Langzeitprognosen des Wasserbedarfs zu verbessern, indem wir folgende vier Forschungsfragen bearbeiten: Welche ML-Modelle für datenarme Probleme beschreiben den Wasserbedarf am besten, und kann die Modellauswahl automatisiert werden? Welche erklärenden Variablen sind notwendig, und wie sind diese zukünftig verteilt? Wie können wir der variierenden Aussagekraft von Daten in instationären Problemen begegnen? Wie können wir sinnvolle Unsicherheitsintervalle für Risikobewertungen erreichen? Um diese Fragen zu beantworten, werden wir speziell für datenarme Situationen entwickelte ML-Modelle entwickeln, kombinieren und bewerten sowie deren Auswahl automatisieren. Dies umfasst auch die Auswahl der erklärenden Variablen und die Untersuchung ihrer Wahrscheinlichkeitsverteilungen. Wir werden auf zwei Zeitskalen arbeiten: kurzfristig (lokal Wetter) und langfristig (Klima). Für die kurze Zeitskala werden wir statistische Wettergeneratoren verwenden, während wir für die langfristige Skala Langzeit-Wettervorhersagen des DWD unter verschiedenen Klimaszenarien nutzen werden. Da technische, gesellschaftliche oder wirtschaftliche Veränderungen und ihre Auswirkungen auf den Wasserbedarf schwer vorhersehbar und allgemein modellierbar sind, müssen sie als exogene oder festgesetzte Variablen behandelt werden. Sie können die Aussagekraft von Daten, die unter aktuellen Bedingungen erhoben werden, beeinflussen. Daher werden wir Multi-Fidelity-Ansätze entwickeln, die aus kürzeren Zeitreihen größerer räumlicher Gebiete lernen können. Für das Projekt bauen wir auf Vorarbeiten im Bereich des Polynomiellen Chaos und der Gauß-Prozess-Regression auf. Alle Methoden werden open-source verfügbar gemacht, um Transparenz in der Bedarfsvorhersage zu fördern und somit verbesserte Vorhersagen und Entscheidungsunterstützung öffentlich verfügbar zu machen.
Der vorliegende Forschungsantrag adressiert die Verbesserung von Starkregen- und Überflutungsvorhersagen insbesondere in urbanen Gebieten. Gegenüber rein physikalisch basierten Modellansätzen sollen in dieser Arbeit datengetriebene Modellansätze aus dem Bereich der Künstlichen Intelligenz (KI), insbesondere des Maschinellen Lernens (ML), weiterentwickelt und angewendet werden. Die Ziele dieses Forschungsantrags resultieren aus den im KIWaSuS-Projekt identifizierten Defiziten der aktuellen ML-Modelle im Anwendungskontext des Nowcastings. Es sollen daher in den Themenfeldern Niederschlags- und Überflutungsvorhersage grundlagenwissenschaftliche Untersuchungen durchgeführt werden, auf deren Basis ein vorwettbewerblicher Prototyp entwickelt werden kann, der beide Komponenten beinhaltet. Dabei steht bei den ML-Modellen zur Niederschlagsvorhersage die Qualitätsverbesserung (Generalisierungsfähigkeit) und die Vertrauenswürdigkeit der Vorhersagen im Vordergrund. Dafür sollen bisher genutzte ML-Modellstrukturen erweitert werden, um spezifische wasserwirtschaftliche Anforderungen besser berücksichtigen (Fusion multimodaler Sensordaten) und eine Unsicherheitsquantifizierung für die hochdimensionalen zeitlichen Datensequenzen räumlich und zeitlich verteilter Zeitreihen (z. B. Radardaten) ermöglichen zu können. Bei den Modellen zur Überflutungsvorhersage werden dagegen primär Methoden zur Skalierung und Generalisierung der Modelle auf größere Gebiete untersucht. Dabei soll u.a. geprüft werden, ob die Methode des aktiven Lernens zu einer Verbesserung führt. Nach einer zunächst separaten Entwicklung beider Modelltypen soll am Ende eine hydro-meteorologische Modellkette aufgebaut werden, in der beide Vorhersagemodelle gekoppelt werden.
Die Gesundheitsfolgen des Klimawandels sind bisher aufgrund ihrer Komplexität unzureichend erforscht. So beeinflusst der Klimawandel die menschliche Gesundheit auf verschiedenen, oft indirekten Wegen: Typische Wirkungspfade in Sub-Sahara Afrika sind verringerte landwirtschaftliche Erträge mit Auswirkungen auf Ernährung, Hitzestress und hydro-klimatische Extreme und deren Auswirkungen auf die Malariaprävalenz. Es reicht also nicht, nur direkte Klimavariablen als erklärende Größen zu verwenden. Dieses Teilprojekt liefert deshalb neben raum-zeitlich hoch aufgelösten Klimagrößen auch bio-physikalische Klimafolgenindikatoren wie hydro-klimatischer Extreme (Dürren und Hochwasser) und landwirtschaftliche Ertragsdynamiken zur Beschreibung von Gesundheitsfolgen. Die Übersetzung historisch beobachteter Klimadaten und hochaufgelöster Klimaprojektionen in relevante Klimafolgenindikatoren (landwirtschaftliche Erträge, Wasserverfügbarkeit, Überflutungsflächen, etc.) erfolgt über ein regionales Klimafolgenmodell, das hydrologische und Vegetationsprozesse sowie landwirtschaftliches Management und Produktion integriert. Die Daten stehen dann als erklärende Variablen zur Ableitung der Klimawirkungsfunktionen aus Gesundheitsdaten zur Verfügung, wo entsprechende Beobachtungsdaten fehlen. Einmal definiert, werden die Wirkungsfunktionen verbunden mit den Klima- und biophysikalischen Klimafolgensimulationen genutzt, um i) Gesundheitsprojektionen für die Zukunft zu erstellen und dabei nichtlineare Wirkungen des Klimawandels über bio-physikalische Indikatoren zu berücksichtigen, ii) mögliche Anpassungsoptionen zu bewerten und iii) die Gesundheitsfolgen für die Zielländer über räumlich aufgelöste Prädiktoren hochzuskalieren und für die sozio-ökonomische Folgenuntersuchung bereit zu stellen. In den ersten 3 Jahren lag der Schwerpunkt auf technischen Aspekten und methodischen Arbeiten in Bezug auf das Klima-Downscaling und die Modellierung der biophysikalischen Eingangsdaten für die Gesundheitsreaktionsfunktionen. Mit den neuen 1 km-Klimadaten sind wir sogar über das ursprünglich geplante Ziel der räumlichen Detaillierung hinausgegangen, was folglich eine höhere Auflösung der biophysikalischen Wirkungsdaten für die Wirkungsreaktionsfunktionen ermöglichte. Damit ist ein klarer Fahrplan für die in der nächsten Projektphase geplanten Studien vorgegeben, welche zum Ziel haben, den Teilprojekten die von ihnen benötigten Klimafolgendaten zur Verfügung zu stellen und sie bei der mathematischen Modellierung zu unterstützen: i) Zusammenstellung und Prüfung der 1 km-Klimadaten für Burkina Faso und Kenia ii) 1 km kontrafaktische Klimadaten zur Zuordnung von Gesundheitsauswirkungen iii) Simulation und Test von hochauflösenden biophysikalischen Daten für Burkina Faso und Kenia unter Szenariobedingungen iv) Zusammen mit den Projektpartnern Formulierung von Adaptation-Response-Functions v) Bereitstellung von biophysikalischem und gesundheitsbezogenem Input für ökonomische Modellierung
In aquatischen Ökosystemen ist der Nährstoffkreislauf eine entscheidende Ökosystemfunktion. Sowohl Stickstoff (N) als auch Phosphor (P) sind essentielle Nährstoffe für aquatische Lebensformen, doch im Übermaß verursachen Stickstoff und Phosphor Eutrophierung. Eutrophierung ist eine globale Beeinträchtigung des Ökosystems, bei der ein Überschuss an Nährstoffen die Struktur und Funktion von Süßwasserökosystemen verändert. Die wichtigsten Auswirkungen der Eutrophierung sind eine übermäßige Zunahme der Algenbiomasse und -produktivität, eine Beeinträchtigung der physikalisch-chemischen Wasserqualität (d. h. Zunahme von Farbe, Geruch und Trübung), anoxische Gewässer, Fischsterben und Einschränkungen der Wassernutzung für Erholungszwecke. Die Eutrophierung ist seit den späten 1980er Jahren in ganz Europa als erhebliches Umweltproblem erkannt worden und stellt auch heute noch eine Herausforderung dar. Um ein gesundes Ökosystem zu erhalten, sollte der Phosphorgehalt im Wasser kontrolliert werden. Phosphor wird nicht vollständig aus dem aquatischen Ökosystem entfernt, sondern von einem Kompartiment (d. h. Wasser) in ein anderes (d. h. Flussbettsubstrate und/oder Biota) immobilisiert. Bei dieser P-Immobilisierung spielen mikrobielle Biofilme eine Schlüsselrolle, indem sie gelösten Phosphor aus dem Wasser einschließen. Dieser Einschluss kann in zwei verschiedenen Pools erfolgen (d. h. intrazellulär oder extrazellulär). Das Wissen über die biologischen Mechanismen des Biofilm-P-Einschlusses in aquatischen Ökosystemen ist jedoch nach wie vor begrenzt. Außerdem kann die Fähigkeit von Biofilmen, P einzuschließen, von ihren Stoffwechselprofilen abhängen. Genauer gesagt bestimmt der C-bezogene Stoffwechsel die Fähigkeit von Biofilmen, organische Verbindungen zu mineralisieren und für ihr Wachstum zu nutzen, und der P-bezogene Stoffwechsel ist mit ihrer Fähigkeit verbunden, verschiedene P-Quellen aufzunehmen. Aus diesem Grund erwarte ich, dass die Fähigkeit aquatischer Ökosysteme, P aus aquatischen Ökosystemen aufzunehmen, von der Struktur und Aktivität der Biofilme abhängt. Das Hauptziel dieses Projekts ist es, zu verstehen, wie Energiequellen in Flussökosystemen die Wege der P-Einlagerung innerhalb von Biofilmen beeinflussen. Insbesondere soll (i) geklärt werden, wie die Kombination von autotrophen und heterotrophen Energiequellen (d. h., (ii) die Auswirkung autotropher und heterotropher Energiequellen auf den C- und P-Stoffwechsel in Biofilmen und ihre Verbindung zu den P-Einlagerungspools zu testen und (iii) die Muster der intrazellulären P- und extrazellulären P-Einlagerungswege in Biofilmen und die Stoffwechselprofile mit den Längsgradienten des Lichts und der Qualität des gelösten Sauerstoffs in Flussökosystemen zu verknüpfen.
Die rasche Verstädterung und das Bevölkerungswachstum haben in den heutigen Gesellschaften neue Probleme geschaffen. Zu diesen Problemen gehören die Verknappung der Trinkwasserressourcen, Schwierigkeiten bei der Abfallbewirtschaftung, Luftverschmutzung, Verkehrsstaus und eine sich verschlechternde und veraltete Infrastruktur. Neben der zunehmenden Dringlichkeit einer nachhaltigen Entwicklung haben Fortschritte in der Mathematik und im Data Science das Konzept der "Smart Cities" zur Lösung dieser Probleme hervorgebracht. Die Versorgung der Menschen mit einer sicheren, zuverlässigen und kostengünstigen Trinkwasserversorgung ist von größter Bedeutung für die Gesundheit in der Gesellschaft, die Wirtschaft und die Politik. Daher ist der Zugang zu sauberem Wasser und sanitären Einrichtungen als eines der 17 Ziele in der Agenda 2030 für nachhaltige Entwicklung der Vereinten Nationen enthalten (https://sdgs.un.org/goals). In diesem Zusammenhang sind die Wasserversorgungsnetze (WDN) das Herzstück jeder intelligenten Stadt und erfordern neue Überlegungen und Entwicklungen, um intelligenter verwaltet und betrieben zu werden. Eines der Hauptprobleme in WDNs sind Lecks im System. Leckagen führen zu einem spürbaren Verlust von sauberem Wasser, was zu umgekehrten Leckagen, Verunreinigungen durch Grundwasser und ernsthaften Betriebsschwierigkeiten führen kann. Eine frühzeitige Leckerkennung spart Wasser und verhindert, dass sich kleine Lecks zu Wassereinbrüchen ausweiten. Daher sind Einrichtungen zur frühzeitigen Leckerkennung für jedes intelligente WDN unerlässlich, um Verluste und die Gefahr von Leckagen zu verringern. SMARTWINE zielt darauf ab, das Potenzial einer Kombination aus maschinellem Lernen (ML), Graphentheorie und Optimierungstechniken zu erforschen und zu nutzen, um zuverlässige, schnelle und einfach zu bedienende Methoden zur Echtzeit-Leckerkennung und Alarmierung in WDNs zu entwickeln.
Die Klimakrise verändert zunehmend die räumliche und zeitliche Verfügbarkeit von Grundwasser, der wichtigsten globalen Süßwasserressource. Das quantitative Verständnis der Interaktion von Grundwasser und Klima, vor allem auf nationaler und kontinentaler Skala, ist wichtig für ein optimal angepasstes Grundwassermanagement. Bisher ist das Wissen über die großskalige Sensitivität der Grundwasserressourcen auf den Klimawandel jedoch sehr limitiert. Das Ziel des hier vorgestellten Projektes ist die Erforschung der Auswirkungen des Klimawandels und der damit einhergehenden Umweltveränderungen auf den quantitativen Zustand von Grundwasserressourcen auf national-kontinentaler Skala. Etablierte prozessbasierte Modelle (PBMs) zur hydro(geo)logischen Modellierung auf großer Skala (meist „Global Hydrological Models“ - GHMs) sind starke Vereinfachungen der Realität und unterliegen daher deutlichen Limitationen und Unsicherheiten. Im Gegensatz zu anderen PBMs, weisen GHMs daher begrenzte physikalische Konsistenz und Interpretierbarkeit auf und ihre Anwendung kann zu irreführenden Schlussfolgerungen über die Verfügbarkeit von Grundwasser vor dem Hintergrund des Klimawandels führen. Vor allem die Übertragbarkeit auf datenarme Regionen ist nur eingeschränkt möglich. In den letzten Jahren haben sich Deep Learning (DL) Modelle als präziser und leicht übertragbarer alternativer Ansatz in der Modellierung von Wasserressourcen etabliert. Für die Modellierung von Oberflächengewässern wurde zudem gezeigt, dass DL auch spezialisierte PBMs übertreffen kann. Das vorgeschlagene Projekt möchte sich die gewonnenen Erkenntnisse zunutze machen und ein DL-Modell zur Untersuchung der Sensitivität von Grundwasser auf den Klimawandel auf kontinentaler Skala aufbauen. Hierfür wird ein „big data“ Ansatz gewählt, der Daten von >2200 Einzugsgebieten in Nordamerika nutzt (Erweiterung denkbar). Ein solches Modell kann lernen, Wissen über verschiedene Regionen zu transferieren, gewinnt somit stark an Generalisierungsfähigkeit (z.B. auf datenarme Regionen) und schlussendlich an Vertrauenswürdigkeit. Weiterhin soll das Problem von fehlenden, interpretierbaren und physikalisch konsistenten Modellen im nationalen Maßstab angegangen werden, indem physikalisches Wissen und Prozesse in die DL-Modelle eingebaut werden. Durch diese Ansätze soll ein plausibles, interpretierbares und vor allem vertrauenswürdiges Modell entstehen, welches sich zur Untersuchung von Klimawandelszenarien eignet. Die genannten Aspekte sind hierbei besonders kritisch, da für Zeiträume in der Zukunft keine Validierung möglich ist. Das entwickelte Modell dient anschließend der Beantwortung der übergeordneten Fragestellung, und die Auswirkungen des Klimawandels auf die Grundwasserressourcen werden anhand der Daten von Klimamodellen auf Basis von RCP bzw. SSP Szenarien untersucht. Weiterhin werden spezialisierte Untersuchungen (Szenarien) zum Einfluss einzelner Einflussfaktoren (z.B. Landnutzung) durchgeführt.
Unterirdische laterale Flüsse (ULF) treten entlang von verdichteten Schichten in heterogenen ackerbaulich genutzten Hangböden auf und führen zu erhöhtem Pestizid- und Nährstofftransport in angrenzende Gewässer. Besonders für die heterogenen Böden der hügeligen Grundmoränenlandschaft, die große Teile im Norden Deutschlands bedeckt, ist bis heute ungeklärt, wann und wie oft dieses Phänomen auftritt. Im Vergleich zu bewaldeten Gebieten, in denen ULF bereits häufig untersucht wurden, ist wenig über Auslöser und relevante Fließwege für ULF bekannt. Um zu analysieren wann ULF auftritt und welche Bedingungen ULF auslösen werden die Wavelet-Analyse, die Hauptkomponentenanalyse und eine Bodenwasserhaushaltsberechnung auf langjährige Zeitreihen des Wassergehalts in verschiedenen Tiefen von Lysimetern sowie an deren Entnahmestellen auf der CarboZALF-Fläche in Dedelow (NO Deutschland) angewendet. Die Auslöser von ULF werden anschließend mit statistischer Analyse aus den identifizierten ULF-Ereignissen abgeleitet. Um zu überprüfen, ob Pflanzenwurzeln relevante Fließwege für ULF darstellen, werden rechteckige Bodenproben entlang der Pflugsohle entnommen und darin auftretende Fließbewegungen mit Hilfe von Isotopenanalyse erfasst und anschließend numerisch modelliert. In einem Feldversuch wird analysiert, ob ULF eher in Sandlinsen oder in sich darüber befindlichen von Sandbändern durchzogenen Schichten in Hangböden auftreten. Dazu wird ein Bromid-Tracer aufgetragen und die Ausbreitung der Tracerwolke mittels elektrischer Widerstandstomographie (ERT) überwacht. Die Untersuchungsergebnisse werden zu einem verbesserten Prozessverständnis ULF beitragen und die Erfassung von Transportzeiten sowie Fließwegen von Pestiziden und Nährstoffen in hügeligen Ackerböden verbessern. Es soll die Frage beantwortet werden, ob ULF ein relevantes Phänomen für unterirdische Fließbewegungen in heterogenen ackerbaulich genutzten Hangböden darstellen.
| Organisation | Count |
|---|---|
| Bund | 193 |
| Wissenschaft | 110 |
| Type | Count |
|---|---|
| Daten und Messstellen | 2 |
| Förderprogramm | 193 |
| License | Count |
|---|---|
| Offen | 195 |
| Language | Count |
|---|---|
| Deutsch | 189 |
| Englisch | 190 |
| Resource type | Count |
|---|---|
| Datei | 1 |
| Dokument | 1 |
| Keine | 1 |
| Webseite | 192 |
| Topic | Count |
|---|---|
| Boden | 195 |
| Lebewesen und Lebensräume | 173 |
| Luft | 130 |
| Mensch und Umwelt | 195 |
| Wasser | 195 |
| Weitere | 195 |