Raw data acquired by GPS1 position sensors on board research aircraft Polar 5 during the campaign P5-256_COMPEX-EC_2025 were processed to receive a validated master track which can be used as reference of further expedition data. Novatel FlexPak6 GPS receiver was used as navigation sensors during the campaign. Data were downloaded from AWI Datamanagement System (https://dms.awi.de) with a resolution of 1 sec. Processed data are provided as a master track with 1 sec resolution and a generalized track with a reduced set of the most significant positions of the master track. A detailed report on processing is also available for each flight.
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. Der Arbeitsschwerpunkt für Green Fusion liegt hierbei in der Entwicklung einer modularen Simulationsbibliothek des Energiesystems im Gebäude sowie der Anbindung der Objekte an die Kommunikationsschnittstelle durch die Cloud.
ICON-EPS 0.5º x 0.5º regular lat/lon grid, up to +180h every 6h, runs 00/12 UTC varios parameter, varios level, varios threshold
The FCDL36 TTAAii Data Designators decode as: T1 (F): Forecast T1T2 (FC): Aerodrome (VT < 12 hours) A1A2 (DL): Germany (The bulletin collects reports from stations: ETMN;NORDHOLZ ;ETNL;ROSTOCK-LAAGE ;ETSI;INGOLSTADT MANCHING ;EDZO;)
The ISND78 TTAAii Data Designators decode as: T1 (I): Observational data (Binary coded) - BUFR T1T2 (IS): Surface/sea level T1T2A1 (ISN): Synoptic observations from fixed land stations at non-standard time (i.e. 01, 02, 04, 05, ... UTC) A2 (D): 90°E - 0° northern hemisphere (Remarks from Volume-C: NATIONAL AUTOMATIC SYNOP)
The FTDL33 TTAAii Data Designators decode as: T1 (F): Forecast T1T2 (FT): Aerodrome (VT >= 12 hours) A1A2 (DL): Germany (The bulletin collects reports from stations: EDDE;ERFURT ;EDDG;MUENSTER OSNABRUECK ;EDDR;SAARBRUECKEN ;EDFH;FRANKFURT-HAHN ;EDDN;NUERNBERG;EDDS;STUTTGART ;EDZO;)
The SAEU30 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SA): Aviation routine reports A1A2 (EU): Europe (The bulletin collects reports from stations: LGAT;ATHINAI AP HELLINIKON;EFHK;HELSINKI VANTAA ;EGCC;MANCHESTER ;ESMS;MALMOE STURUP ;EKCH;COPENHAGEN KASTRUP ;EGSS;LONDON STANSTED ;EBBR;BRUSSELS ;ENFB;STATFJORD B;LGTS;THESSALONIKI MACEDONIA INT ;LGEL;ELEFSIS ;LOWW;VIENNA INT ;EGKK;LONDON GATWICK ;EGPK;GLASGOW PRESTWICK ;EGLL;LONDON HEATHROW ;ESSA;STOCKHOLM-ARLANDA ;ESGG;GOTHENBURG-LANDVETTER ;) (Remarks from Volume-C: COMPILATION FOR REGIONAL EXCHANGE)
Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/. In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.
Niederschlag ist eine wichtige, aber schlecht verstandene Komponente unseres Klimasystems. Die genauen Prozesse, durch die Eiskristalle, flüssiges Wasser, Wolkendynamik und Aerosolpartikel bei der Niederschlagsbildung zusammenwirken, sind nicht ausreichend verstanden. Da überall außer über den subtropischen Ozeanen der meiste Niederschlag in Wolken über die Eisphase gebildet wird, sind die Prozesse der Schneefallbildung nicht nur in den polaren, sondern auch in den mittleren Breiten von großer Bedeutung: Wachstum in übersättigter Luft führt zu unzähligen Kristallformen, die von Temperatur, Feuchtigkeit und deren turbulenten Schwankungen abhängen. Durch Aggregation verbinden sich einzelne Kristalle zu komplexen Schneeflocken. Bereifung beschreibt das Anfrieren kleiner Tröpfchen an den Eiskristallen, so dass diese schnell an Masse gewinnen. Dadurch ist die Form der Schneeteilchen - wenn sie beobachtet wird, bevor das Teilchen zu einem Regentropfen schmilzt - ein Fingerabdruck der vorherrschenden Prozesse während der Schneefallbildung. In EMPOS schlagen wir vor, diese Fingerabdrücke zu nutzen, um zu quantifizieren, wie die verschiedenen Prozesse der Schneefallbildung zu Masse oder Häufigkeit des Gesamtniederschlag beitragen. Zu diesem Zweck werden wir die Datenprodukte des innovativen Video In Situ Snowfall Sensors (VISSS) weiterentwickeln, um Riming und Aggregation während einer speziellen Messkampagne in Hyytiälä, Finnland, zu quantifizieren. Die Beobachtungen werden mit dem ICON-Modell verglichen, in welches das fortschrittliche P3 Mikrophysikschema (Predicted Particle Properties) mit einem neuartigen Ansatz zur Behandlung von bereiften Partikeln implementiert ist. Durch dieses kombinierte Beobachtungs- und Modellierungsprojekt wird es möglich zu quantifizieren, wie die einzelnen Wolkenprozesse an der Schneefallbildung beteiligt sind, und zwar in Bezug auf die Häufigkeit des Auftretens und die Gesamtschneemasse. Darüber hinaus werden wir diese Wolkenprozesse in Abhängigkeit von makrophysikalischen Wolkeneigenschaften wie Wolkentiefe und synoptischen Einflüssen analysieren. Auf der Grundlage von Vergleichen zwischen Modell und Beobachtungen, die sowohl mittels Fallstudien als auch für einen längeren Zeitraum durchgeführt werden, werden wir die Schneefallsimulation in ICON im Standard-Zweimomentenschema und im P3-Mikrophysikschema bewerten und verbessern.
| Organisation | Count |
|---|---|
| Bund | 1348 |
| Europa | 37 |
| Global | 1 |
| Kommune | 6 |
| Land | 387 |
| Weitere | 2 |
| Wirtschaft | 8 |
| Wissenschaft | 605 |
| Zivilgesellschaft | 4 |
| Type | Count |
|---|---|
| Daten und Messstellen | 6 |
| Ereignis | 1 |
| Förderprogramm | 969 |
| Hochwertiger Datensatz | 2 |
| Repositorium | 4 |
| Text | 4 |
| unbekannt | 374 |
| License | Count |
|---|---|
| Geschlossen | 3 |
| Offen | 982 |
| Unbekannt | 375 |
| Language | Count |
|---|---|
| Deutsch | 776 |
| Englisch | 770 |
| Resource type | Count |
|---|---|
| Archiv | 3 |
| Datei | 3 |
| Dokument | 4 |
| Keine | 764 |
| Webseite | 589 |
| Topic | Count |
|---|---|
| Boden | 772 |
| Lebewesen und Lebensräume | 1111 |
| Luft | 1360 |
| Mensch und Umwelt | 1360 |
| Wasser | 735 |
| Weitere | 1337 |