API src

Found 961 results.

Related terms

Entwicklung einer selbstopt. Regelung zum effizienten und netzdienlichen Betrieb von (regenerativen) Energiesystemen unter Verwendung von maschinellem Lernen, Teilvorhaben: Entwicklung der Prognose- und Regelungsalgorithmen

Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Das Hermann-Rietschel-Institut hat als Arbeitsschwerpunkt die Entwicklung des Heizlastprognosemodells und dem Regelungsalgorithmus für die Wärmeerzeuger.

Forschergruppe (FOR) 2416: Space-Time Dynamics of Extreme Floods (SPATE), Teilprojekt: Vorhersagbarkeit extremer Hochwasser

Das übergeordnete Ziel der Arbeit sind Untersuchungen zur Vorhersagbarkeit extremer Hochwässer in Abhängigkeit von Eigenschaften der Einzugsgebiete und des Klimas unter Berücksichtigung unterschiedlicher räumlicher und zeitlicher Maßstäbe. Vorhersage von Hochwasser ist hier definiert als Schätzung von Hochwasserwahrscheinlichkeitsverteilungen für unbeobachtete Orte und/ oder zukünftige Zeitperioden. Die Vorhersagbarkeit bezieht sich auf die Quantifizierung und Attributierung der Unsicherheit der Vorhersage. Mit 'Extrem' werden Hochwasser bezeichnet, die besonders groß (hinsichtlich des Scheitels) und anderer Charakteristiken (Volumen, Form, räumliche Ausdehnung, etc.) sind. Zuerst erfolgt eine Daten-basierte Analyse, die die Hochwasser zu ihren treibenden Kräften wie Wetter, Klima und Einzugsgebietseigenschaften in Beziehung setzt. Methodisch werden hier lokale und regionale Hochwasserstatistik angewandt und verglichen. Ziel dieses ersten Teils ist die Quantifizierung der Vorhersagbarkeit allein auf Basis der Daten. Im zweiten Schritt wird ein multivariater Wettergenerator entwickelt, der an großskaligen meteorologischen Variablen bedingt werden kann. Damit steht ein Werkzeug zur Verfügung, mit dem Niederschlag und andere meteorologische Oberflächenvariablen für unbeobachtete Gebiete und Zeitperioden generiert werden können. Im dritten Schritt werden mit dem Wettergenerator zunächst eine Vielzahl hochwasserrelevanter Niederschlags- und Klimaszenarien erzeugt. Diese werden dann im Rahmen von Monte-Carlo-Simulationen zusammen mit einem hydrologischen Modell für lokale und regionale abgeleitete Hochwasserstatistik eingesetzt. Ziel ist die Quantifizierung der Vorhersagbarkeit der Hochwasser durch hydrologische Modellierung. Dabei wird eine Fehlerzuweisung in Abhängigkeit von Niederschlag, Klima und Einzugsgebietseigenschaften durchgeführt.

Deutscher Wetterdienst Open Data Server

The Deutscher Wetterdienst (DWD) Open Data Server is the official open data portal of Germany's national meteorological service. Established under a legal mandate from the German Weather Service Act, its primary purpose is to provide free public access to a vast and diverse collection of weather, climate, and environmental spatial data. The repository serves a wide range of users, from researchers and developers to businesses and the general public, by offering data essential for applications in science, technology, and public information. The scope of data is comprehensive and includes: Weather Data: Numerical model forecasts, radar data, and current measurements/observations. Climate Data: A large archive of historical and processed climate data, accessible via the integrated Climate Data Center (CDC) subtree. Specialized Formats: Many datasets are also available through OGC-compatible web services (WMS, WFS) for integration into Geographic Information Systems (GIS). The platform operates on the principle of free provision, though it notes that service and availability levels for the open server are not guaranteed. For critical business or operational processes requiring higher data integrity, dedicated service agreements are available. The repository is actively maintained, with news feeds and change logs to inform users of updates and extensions to the data offerings.

Klima- und Wetterdaten

Die Datei enthält Messwerte zu Temperatur, Niederschlag und Luftdruck für Stuttgart seit 1980. Die Daten stammen bis 1983 von der Messstelle des Wetteramts Stuttgart, seit 1984 von der automatischen Messstelle des Deutschen Wetterdienstes auf dem Schnarrenberg und werden monatlich aktualisiert. Rechtsgrundlage ist das Gesetz über den deutschen Wetterdienst (DWD-Gesetz) vom 10. September 1998 (BGBl. I S. 2871), zuletzt durch Artikel 1 des Gesetzes vom 11. April 2024 (BGBl. I S. 120) geändert.

Wetterdaten - Projekt iResilience 2022-II

Sensorwetterdaten des nordwärts-Projektes iResilience des Quartal II des Jahres 2022. Die Sensorwetterdaten des gesamten Projektes stehen in einer Datei als Alternativer Export unter Exporte zur Verfügung. Projektzeitraum vom 01.10.20 - 30.09.22.Was ist iResilience? iResilience ist ein Forschungsprojekt, das vom Bundesministerium für Bildung und Forschung in der Initiative Zukunftsstadt unter dem Titel Soziale Innovationen und intelligente Stadtinfrastrukturen für die resiliente Stadt der Zukunft über den Zeitraum von drei Jahren gefördert wird. Ein interdisziplinäres Team aus Forschung und Praxis begleitet den Prozess. TEAMDer Forschungsverbund stellt sich vorDas iResilience-Team setzt sich aus einem interdisziplinären Team aus Wissenschaft und Praxis zusammen. Die Koordination des Gesamtvorhabens liegt bei der Sozialforschungsstelle der Technischen Universität Dortmund (sfs). Co-Koordinator für die Aktivitäten in Köln ist das Deutsche Institut für Urbanistik (Difu) in Köln. Das iResilience-Projektteam unterstützt die Pilotquartiere mit Fachwissen und Methoden, moderiert und dokumentiert Veranstaltungen und andere Formate und fördert die Kommunikation zwischen den aktiven Akteuren. Gefördert vom Bundesministerium für Bildung und Forschung.

Klimahistorische Datenbank Euro-Climist

Ausserordentliche Wetterereignisse und 'Natur'katastrophen wollen in einen längeren Zeitraum eingeordnet werden. Dies ermöglicht die Datenbank Euro-Climhist, die seit den 1970er-Jahren von Prof. em. Dr. Christian Pfister und zahlreichen seiner Mitarbeitenden zusammengetragen wurde. Sie enthält in ihrer ersten Ausbaustufe (Schweiz ab 1500) rund 150 000 Daten auf verschiedenen zeitlichen Ebenen (Tag, Woche, Monat, Jahreszeit), die mit einer benutzerfreundlichen Software zugänglich gemacht werden. Dazu gehören: - Beschreibungen der täglichen Witterung: Himmelsbedeckung, Niederschlag, Lufttemperatur, Windrichtung und -stärke. - Sehr lange Messreihen der mittleren Monatstemperatur (u.a. Basel seit 1755, Genf seit 1768) und des Monatsniederschlags (u.a. Genf ab 1778, Zürich seit 1708 mit Lücken, Bern seit 1760), Tage mit Niederschlag (Zürich 1684-1738, 1864-2011 sowie Genf ab 1768). - Monatliche Witterungsberichte (1820-1999), mit kleinen Lücken. Diese dienen einer raschen Orientierung. - Beschreibungen von Witterungsschäden und Naturgefahren (Sturm, Hagel, Frost, Nässe, Dürre, Überschwemmungen, Erdrutsche, Feuer, Schnee etc.). - Beschreibungen des Blüte- und Reifezeitpunkts von (Kultur-)pflanzen: u.a. Zeitpunkt von Roggenernte und Weinlese (ab 1501), Kirschbaumblüte (ab 1721). - Beschreibungen der Schneebedeckung, Vereisung von Gewässern. - Aus manchen Beschreibungen wird deutlich, warum die Menschen Witterungsereignisse aufgezeichnet haben, von welchen Weltbildern sie geleitet wurden und wie sie auf Extreme reagierten.

Informationssystem 'Schnee und Lawinen in den Schweizer Alpen' (FP 104)

Das Institut betreibt seit 50 Jahren ein Messnetz mit rund 100 Stationen in den Schweizer Alpen. Taeglich werden nivologische Parameter erhoben (Neuschnee, Wasserwert, Totalschnee, Temperaturen, Oberflaechenstrukturen, Lawinen). Seit Mai 1989 ist ein umfassendes Informationssystem im Aufbau. Fuer die operationelle Lawinenwarnung existieren Hilfsprogramme, Warnmodelle mit Expertencharakter sind im Test. Klimatologische Auszuege (Extremwertstatistiken ueber maximale Schneehoehen, Schneesicherheiten usw.) ermoeglichen das Relativieren von Einzelereignissen. Das System laeuft gegenwaertig nur unter der institutsinternen EDV-Struktur. Das Institut ist bereit, Daten und Programme auch Dritten zur Verfuegung zu stellen. Im Projekt sollen dabei die neuen Medien und Kommunikationstechniken zur Anwendung gelangen. Ziele: - EDV-Unterstuetzung mit Hilfe eines Informationssystems bei der operationellen Lawinenwarnung und bei der Auskunftserteilung ueber Schnee, - Modernisierung des Zugriffs auf Archivdaten, - Aufbau eines Geographischen Informationssystems (GIS) unter ArcInfo (Mitarbeit IENU). Neben dem Winterbericht (Annalen) soll der Interessierte auch Zugriff zur Datenbasis bekommen, - Bereitstellen von periodisch erneuerten Klimatabellen (Extremwertstatistiken), - Bereitstellen von Zusatzprodukten zum Lawinenbulletin (Regionale Daten, Datenbox etc.).

Wetterdaten (Jahreszahlen)

Daten zur Lufttemperatur, Sonnenscheindauer und Niederschlägen.

Klima- und Wetterdaten

Die Datei enthält Messwerte zu Temperatur, Niederschlag und Luftdruck für Stuttgart seit 1980. Die Daten stammen bis 1983 von der Messstelle des Wetteramts Stuttgart, seit 1984 von der automatischen Messstelle des Deutschen Wetterdienstes auf dem Schnarrenberg und werden monatlich aktualisiert. Rechtsgrundlage ist das Gesetz über den deutschen Wetterdienst (DWD-Gesetz) vom 10. September 1998 (BGBl. I S. 2871), zuletzt durch Artikel 1 des Gesetzes vom 11. April 2024 (BGBl. I S. 120) geändert.

Continuous meteorological observations at DynaCom automatic weather station, Spiekeroog, Germany, 2025-01 to 2025-12

Data presented here were collected between January 2025 to December 2025 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. Meteorological data were collected near the experimental setup, with a locally installed weather station located approximately 500m north of the southern shoreline. The weather station system used here was a ClimaSensor US 4.920x.00.00x that was pre-calibrated by the manufacturer (Adolf Thies GmbH & Co. KG, D-Göttingen). Data were recorded and saved within the Processcontrol Weather (c) -4H- JENA engineering GmbH (v20.1.0.1 2020) software in a sampling interval of 1 min, with an averaging time of 10 s. Date and time were given in UTC and the position was derived from the internal GPS system. Data handling was performed according to Zielinski et al. (2018): Post-processing of collected data was done using MATLAB (R2024b). Quality control was performed by (a) erasing data covering maintenance activities, (b) removing outliers, defined as data exhibiting changes of more than two standard deviations within one time step, and (c) visually checks.

1 2 3 4 5 … 95 96 97