API src

Found 1360 results.

Related terms

Master tracks in different resolutions during POLAR 5 campaign P5-256_COMPEX-EC_2025

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.

Entwicklung einer selbstopt. Regelung zum effizienten und netzdienlichen Betrieb von (regenerativen) Energiesystemen unter Verwendung von maschinellem Lernen

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.

Vorausschauende Instandhaltung für Pumpensysteme auf Basis von Federated Learning und Synthese von multiplen Sensordaten, Teilvorhaben: Schwingungsdiagnose, Merkmalsextraktion, Fehlerdiagnose

Untersuchung mikrophysikalischer Prozesse bei der Schneefallformation in mittleren Breiten

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.

Schwerpunktprogramm (SPP) 1158: Antarctic Research with Comparable Investigations in Arctic Sea Ice Areas; Bereich Infrastruktur - Antarktisforschung mit vergleichenden Untersuchungen in arktischen Eisgebieten, COALA – Kontinuierliche Beobachtungen von Aerosol-Wolken-Interaktion in der Antarktis

Das unvollständige Verständnis der Wechselwirkung von Aerosolpartikeln mit Strahlung, Wolken und Niederschlag ist eine Schlüsselfrage der Atmosphärenforschung. Detaillierte Beobachtungen sind erforderlich, um die komplexen Zusammenhänge zwischen den beteiligten Prozessen zu erfassen. Dies gilt insbesondere für die abgelegene Region der Antarktis, wo bodengestützte, vertikal aufgelöste Langzeitbeobachtungen von Aerosol, Wolken und Niederschlag selten sind und Satellitenbeobachtungen technischen Beschränkungen unterliegen. Um die Messlücke mit modernsten Beobachtungen zu schließen, wird TROPOS die Messplattform OCEANET-Atmosphere zwischen den Südsommern 2022/23 und 2023/24 an der Station Neumayer III (70,67°S, 8,27°W) einsetzen. OCEANET-Atmosphere ist ein autonomer, polar-erprobter, modifizierter 20-Fuss-Messcontainer, der erst kürzlich erfolgreich während MOSAiC (Multidisciplinary drifting Observatory for the Study of Arctic Climate) eingesetzt wurde. Die Instrumentierung während COALA umfasst ein Mehrwellenlängen-Polarisations- und ein Doppler-Lidar, ein 35-GHz-Wolkenradar, ein Mikrowellenradiometer sowie jeweils ein 1-d und 2-d-Niederschlags-Disdrometer. OCEANET ist die einzige polare Einzelcontainer-Plattform, die mit Mehrwellenlängen-Lidar, Radar und Mikrowellenradiometer Wolken und Niederschlag sowie mit Doppler-Lidar und -Radar turbulente Luftbewegungen in Wolken an verschiedenen Messstandorten beobachten kann.Die zeitliche und vertikale Auflösung des gewonnenen Datensatzes wird in der Größenordnung von 30 s (2 s für Vertikalgeschwindigkeitsbeobachtungen) und 30 m liegen. COALA ist ein 3-Jahres-Projekt. Ein Postdoktorand wird für den Einsatz von OCEANET-Atmosphere bei Neumayer III und die Datenanalyse verantwortlich sein und dabei von Experten am TROPOS unterstützt. Die Beobachtungen werden in erster Linie dazu dienen, die Schlüsselhypothese von COALA zu untersuchen, dass Aerosol aus dem Südlichen Ozean, den mittleren Breiten und den Subtropen der südlichen Hemisphäre in die Antarktis transportiert wird, wo es die Bildung und Entwicklung von Wolken und Niederschlag beeinflusst. Die Arbeiten konzentrieren sich auf (1) die Untersuchung des Ursprungs, der Häufigkeit und der Eigenschaften des Aerosols über der Station Neumayer III, (2) die Untersuchung des Einflusses von Oberflächen- und Grenzschicht-Kopplungseffekten auf die Eigenschaften und die Entwicklung von tiefen Wolken, (3) die Untersuchung des Beitrags von Dynamik (orographische Wellen), Aerosol und Meteorologie zur Verteilung der Eis- und Flüssigphase in Wolken über Neumayer III, (4) zur Untersuchung der vertikalen Struktur von Wolken und ihrer Beziehung zur Niederschlagsbildung und (5) zur Bewertung regionaler Kontraste in den Eigenschaften von Aerosolen und Wolken und den damit verbundenen Aerosol-Wolken-Wechselwirkungsprozessen, indem die Neumayer-III-Beobachtungen von vorhandenen Datensätzen aus Südchile, Zypern, Deutschland und der Arktis kontrastiert werden.

ICON-EPS GRIB data

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

GTS Bulletin: SPIS31 LLHA - Surface data (details are described in the abstract)

The SPIS31 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SP): Special aviation weather reports A1A2 (IS): Israel (Remarks from Volume-C: NilReason)

GTS Bulletin: ISND33 AMDS - Observational data (Binary coded) - BUFR (details are described in the abstract)

The ISND33 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)

GTS Bulletin: ISND89 AMDN - Observational data (Binary coded) - BUFR (details are described in the abstract)

The ISND89 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)

GTS Bulletin: ISND78 AMDW - Observational data (Binary coded) - BUFR (details are described in the abstract)

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)

1 2 3 4 5 … 134 135 136