The FTSN31 TTAAii Data Designators decode as: T1 (F): Forecast T1T2 (FT): Aerodrome (VT >= 12 hours) A1A2 (SN): Sweden (Remarks from Volume-C: NilReason)
Im Rahmen des Projektes soll der spektrale Extinktionskoeffizient des unbeeinflussten atmosphärischen Aerosols bei 3 Wellenlängen (405, 532, 850 nm) mit einem neu entwickelten portablen SAEMS (Spectral Aerosol Extinction Monitoring System) in Kombination mit einem Ramanlidar untersucht werden. Dieses Fernmessverfahren soll weltweit in ausgewählten Quellregionen mit charakteristischen, unterschiedlichen Aerosoltypen (marines Aerosol, Mineralstaubaerosol, Biomasseverbrennungsaerosol) und natürlichen Aerosolmischungen eingesetzt werden. Das Messsystem wird mit Feuchte- und Temperatursensoren ausgestattet sein damit speziell auch die Änderung der optischen Eigenschaften der atmosphärischen Partikel bei realistischen Umgebungsfeuchtebedingungen erfasst wird. Die Wegstreckenauswahl dieses Aufbaus wird für die jeweiligen Aerosolbedingungen optimiert (horizontale Messstreckenlänge 1-3 km, 10-20 m über dem Boden). Die hygroskopischen Eigenschaften des Aerosols im Umgebungsfeuchtebereich sollen spezifisch für den jeweiligen Einsatzort bestimmt werden und eine aerosoltypabhängige Parametrisierung erarbeitet werden. Ziel ist langfristig die Charakterisierung der Aerosolsäule durch Kombination von bodengebundenen in-situ Methoden und Fernmessverfahren und sowie eine systematische Untersuchung des Feuchteeinflusses auf die aerosoloptischen Eigenschaften. Dazu soll die automatisierte Ermittlung des Extinktionskoeffizienten im bodennahen Bereich in den kontinuierlichen Messbetrieb der mobilen Landstation LACROS (Leipzig Aerosol and Cloud Remote Observations System) des TROPOS integriert werden. Derartige Untersuchungen sind von großer Wichtigkeit für die Klimamodellierung (Parametrisierung der Strahlungswechselwirkung von Aerosolen) sowie der Synthese der aktiven Fernerkundung (Bestimmung der optischen Eigenschaften der Aerosolsäule) und der mikrophysikalischen Eigenschaften durch in-situ Bodenmessungen.
The SADL40 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SA): Aviation routine reports A1A2 (DL): Germany (The bulletin collects reports from stations: EDOP;SCHWERIN PARCHIM ;EDVK;KASSEL-CALDEN ;EDMO;OBERPFAFFENHOFEN ;EDXW;WESTERLAND SYLT ;EDTL;LAHR ;EDDV;HANNOVER ;EDDW;BREMEN ;EDFH;FRANKFURT-HAHN ;EDDR;SAARBRUECKEN ;EDDS;STUTTGART ;EDDT;BERLIN-TEGEL INT ;EDDM;MUNICH INT ;EDTD;DONAUESCHINGEN-VILLINGEN ;EDDN;NUERNBERG;EDHI;HAMBURG-FINKENWERDER ;EDHL;LUEBECK BLANKENSEE ;EDDP;LEIPZIG HALLE ;EDFM;MANNHEIM-CITY ;EDHK;KIEL-HOLTENAU ;EDBC;COCHSTEDT ;EDVE;BRAUNSCHWEIG WOLFSBURG ;EDDK;COLOGNE BONN ;EDJA;MEMMINGEN ALLGAU ;EDDL;DUESSELDORF INT ;EDDE;ERFURT ;EDDF;FRANKFURT AM MAIN INT ;EDDG;MUENSTER OSNABRUECK ;EDDH;HAMBURG ;EDLW;DORTMUND ;EDDC;DRESDEN ;EDDB;BERLIN-Brandenburg INT ;EDLV;NIEDERRHEIN ;EDLP;PADERBORN LIPPSTADT ;EDLN;MOENCHENGLADBACH ;EDNY;FRIEDRICHSHAFEN ;EDSB;KARLSRUHE BADEN-BADEN ;EDMA;AUGSBURG ;EDQM;HOF-PLAUEN ;EDRZ;ZWEIBRUECKEN ;EDAC;ALTENBURG-NOBITZ ;EDTY;SCHWAEBISCH HALL ;EDAH;HERINGSDORF ;EDGS;SIEGERLAND ;) (Remarks from Volume-C: COMPILATION FOR REGIONAL EXCHANGE)
The SISN30 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SI): Intermediate synoptic hour A1A2 (SN): Sweden (Remarks from Volume-C: NilReason)
The ISND41 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. 0100, 0200, 0400, 0500, ... UTC) A2 (D): 90°E - 0° northern hemisphere (Remarks from Volume-C: NilReason)
The SAEU63 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SA): Aviation routine reports A1A2 (EU): Europe (The bulletin collects reports from stations: EDDS;STUTTGART ;EDDM;MUNICH INT ;EDDN;NUERNBERG;LOWS;SALZBURG ;EDMA;AUGSBURG ;) (Remarks from Volume-C: COMPILATION FOR REGIONAL EXCHANGE)
The SAEN40 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SA): Aviation routine reports A1A2 (EN): Northern Europe (The bulletin collects reports from stations: EKRK;COPENHAGEN ROSKILDE ;ESSA;STOCKHOLM-ARLANDA ;ESMS;MALMOE STURUP ;EKCH;COPENHAGEN KASTRUP ;) (Remarks from Volume-C: COMPILATION FOR REGIONAL EXCHANGE)
The SAEW40 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SA): Aviation routine reports A1A2 (EW): Western Europe (The bulletin collects reports from stations: LFPB;PARIS-LE BOURGET ;LFST;STRASBOURG ;LFSB;EURO BASEL-MULHOUSE-FREIBURG AIRPORT;LFPG;CHARLES DE GAULLE INT ;LFJL;METZ-NANCY-LORRAINE ;) (Remarks from Volume-C: COMPILATION FOR REGIONAL EXCHANGE)
The ISID04 TTAAii Data Designators decode as: T1 (I): Observational data (Binary coded) - BUFR T1T2 (IS): Surface/sea level T1T2A1 (ISI): Intermediate synoptic observations from fixed land stations A2 (D): 90°E - 0° northern hemisphere(The bulletin collects reports from stations: 10022;Leck;10028;Sankt Peter-Ording;10042;Schönhagen (Ostseebad);10093;Putbus;10097;Greifswalder Oie;10129;Bremerhaven;10130;Elpersbüttel;10139;Bremervörde;10142;Itzehoe;10146;Quickborn;10150;Dörnick;10152;Pelzerhaken;10156;Lübeck-Blankensee;) (Remarks from Volume-C: SYNOP)
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.
| Organisation | Count |
|---|---|
| Bund | 1347 |
| 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 | 968 |
| Hochwertiger Datensatz | 2 |
| Repositorium | 4 |
| Text | 4 |
| unbekannt | 374 |
| License | Count |
|---|---|
| Geschlossen | 3 |
| Offen | 981 |
| Unbekannt | 375 |
| Language | Count |
|---|---|
| Deutsch | 775 |
| Englisch | 770 |
| Resource type | Count |
|---|---|
| Archiv | 3 |
| Datei | 3 |
| Dokument | 4 |
| Keine | 763 |
| Webseite | 589 |
| Topic | Count |
|---|---|
| Boden | 771 |
| Lebewesen und Lebensräume | 1107 |
| Luft | 1359 |
| Mensch und Umwelt | 1359 |
| Wasser | 734 |
| Weitere | 1336 |