Other language confidence: 0.8979669286405316
Data Publication Server Forschungszentrum Juelich is a web server for providing large data sets to the general public. It's main application is publishing data belonging to scientific publications.
Deep Learning (DL) hat sich auch in den Erdsystemwissenschaften in den letzten Jahren rasant entwickelt. Allerdings ist die genaue Art, wie DL Systeme Probleme lösen kaum zugänglich (eine black box). In diesem Projekt werden wir DL und andere Ansätze des maschinellen Lernens entwickeln, um sowohl Land-Atmosphärische (L-A) Rückkopplungsprozesse besser zu verstehen als auch um quantitative Relationen herzuleiten, die aktuelle Ansätze wie die Monin-Obukhov similarity theory (MOST) übertreffen. Die interdisziplinäre Kollaboration in diesem Konsortium und die Daten, die zusammengetragen werden, wird den Erfolg dieses Projektes sicherstellen. Wie werden Daten-getriebene aber wohl-strukturierte DL und andere Ansätze des maschinellen Lernens verfolgen. Wir wollen (1) Satelliten Daten nutzen um die Landoberflächentemperatur und die Feuchtigkeit der Vegetationsschicht zu bestimmen; (2) Möglichkeiten untersuchen, die Energiebalance herzustellen; (3) Abhängigkeiten der Oberflächenflüsse vom Terrain bis hin zum Entrainment untersuchen und identifizieren, um aktuelle Ansätze wie MOST und Bulk-Richardson-Zahl zu verbessern; (4) ein erstes Foundation-Modell entwickeln, um den Phasenraum zu analysieren und multiple L-A Relationen generieren zu können. Wir werden dabei vier Hauptansätze des maschinellen Lernens nutzen: (A) DL Methoden, die darauf optimiert sind, mit Hilfe von redundanten Daten die räumliche Auflösung einer Datengröße zu erhöhen; (B) die Parametrisierung von Physik-basierten Gleichungen und deren Approximation; (C) die Integration von physik-informierten Induktiven Biases in DL, um das Lernen und die Generalisierung zu verbessern; (D) selbst-informiertes und konrastierendes DL zur Entwicklung eines L-A Foundation Modells. Alle Techniken werden die inhärent limitierte Vorhersagbarkeit der Prozesse berücksichtigen. Um unser Verständnis der L-A Kopplungsprozesse zu verbessern, werden wir DL und andere Ansätze des Maschinellen Lernens schachteln und Relevanzanalysen durchführen. Dadurch werden wir fundamentale, teilweise neue Zusammenhänge, Prozessgleichungskomponenten, Prozessparametrisierungen und notwendige Berechnungsschritte ergründen - insbesondere solche, die für die Generierung von akkuraten und allgemein gültigen Relationen zwischen atmosphärischen Variablen notwendig sind. In Kollaboration mit P2 werden wir das Vorhersagepotential von Satellitendaten erforschen. Zusammen mit P1, P3, P5, und P6 werden wir Oberflächen- und Entrainmentflussrelationen ableiten, Komponenten der Energiebalance herleiten, und Evapotranspiration aufspalten. Unser Projekt führt CCWG-DL. Es wird Hilfestellungen und Workshops anbieten, um andere Daten effektiv mit Verfahren des maschinellen Lernens analysieren zu können und weitere Relationen aufdecken zu können - wie zum Beispiel Einflüsse der Landoberflächenstruktur (P5) und die Bestimmung der Blending Height (P1). Beiträge zu O1, O2, O3, O4 und OS sind zu erwarten.
Atmosphärische Modelle verwenden eine Schnittstelle zwischen dem Landoberflächenmodell und der Parametrisierung der Flüsse in der atmosphärischen Grenzschicht (ABL). Über eine Parameterisierung der Prandtlschicht (engl. surface layer scheme) werden Impuls-, Wärme- und Feuchtigkeitsflüsse zwischen der Oberfläche und der untersten atmosphärischen Modellschicht ausgetauscht. Bei diesem Ansatz wird eine „Blending Height“ eingeführt, bei der die Oberflächenflüsse über einer heterogenen Landoberfläche als homogen auf der Gitterskala betrachtet werden. In dieser Höhe, die innerhalb der untersten atmosphärischen Modellschicht angenommen wird, findet der Übergang zur ABL-Parametrisierung statt. Bei konvektionserlaubenden (CP) Modellsimulationen (Gitterskala < 3 km) über heterogener Vegetation können die unteren Modellschichten jedoch unterhalb der „Blending Height“ liegen, was zu Fehlern in den simulierten Flüssen führt. Eine große Herausforderung bei der atmosphärischen Modellierung ist die Parametrisierung der Schnittstelle zwischen heterogener dynamischer Vegetation und ABL unter instabilen, stabilen und neutralen Bedingungen mit Advektion aus verschiedenen Windrichtungen. Dementsprechend sind unsere Ziele die Identifizierung der „Blending Height“ in Abhängigkeit von der Heterogenität und dem Zustand der Vegetation sowie von den atmosphärischen Randbedingungen und die Quantifizierung des Einflusses der Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“. Die Ergebnisse werden verwendet, um repräsentative, skalenabhängige Flüsse auf dieser Ebene für Land-Atmosphären (L-A) Rückkopplungsstudien und Turbulenzparametrisierungen abzuleiten. WRF-NoahMP-Gecros-Modellsimulationen von der CP- bis zur Large-Eddy-Skala werden mit Beobachtungen an den LAFO- und MOL-RAO-Standorten verglichen, um die „Blending Height“ und die effektiven Rauhigkeitsparameter der Vegetation für CP-Simulationen in Abhängigkeit von den atmosphärischen Rahmenbedingungen zu ermitteln. Die Simulationen werden über die Cross Cutting Working Group (CCWG)-MME in das Multi Model Experiment (MME) eingebettet. Die Auswirkungen der Heterogenität auf die Stärke der L-A-Rückkopplung werden untersucht und das Verständnis der Austauschprozesse zwischen Oberfläche und Atmosphäre sowie innerhalb der ABL verbessert. Die Synergie dieser Modellergebnisse und 3D-Beobachtungsdaten wird genutzt, um die skalenabhängigen Auswirkungen der dynamischen Vegetationsheterogenität auf die Energieflüsse in der „Blending Height“ zu untersuchen. Dieses Projekt befasst sich mit den LAFI-Hauptzielen 2, 3, 4, S und E. Es ist an der CCWG-MME und der CCWG-DL beteiligt. Die Simulationen werden in Zusammenarbeit mit den Projekten P6, P8 und P9 durchgeführt. P2 liefert den Blattflächenindex und den Anteil der Vegetationsdecke für die Initialisierung des Modells. Die LAFI-Beobachtungen von P1-P5 werden für die Modellevaluation verwendet.
Das Eis der höchsten Alpengipfel enthält bislang nicht untersuchte, aber überaus wertvolle Klimainformationen. Die interne Altersstruktur der Gipfelgletscher resultiert aus der Reaktion auf Klimabedingungen, die sie Masse gewinnen, verlieren oder stagnieren lassen. Dieses Klimaarchiv ist noch unerforscht, aber akut bedroht von der gegenwärtigen Erwärmung und Extremereignissen. Zum Beispiel ist unzureichend verstanden wie Klimafluktuationen der letzten 1000 Jahre, speziell die so genannte "kleine Eiszeit", die Gipfelgletscher beeinflusst haben. Um diese Frage zu beantworten braucht es Altersinformation über die Gletscherschichtung. Da Abzählen von Jahresschichten nicht möglich ist, muss die Datierung über radiometrische Verfahren erfolgen. Im Altersbereich zwischen 100 und 1000 Jahre vor heute hat nur das Radioisotop des Edelgases Argon, 39Ar, eine passende Halbwertszeit von 269 Jahren, um als Datierungswerkzeug eingesetzt werden zu können. Allerdings ist das Vorkommen von 39Ar in der Natur so gering, dass 1 kg modernes Eis nur etwa 10.000 Atome an 39Ar beinhaltet. Technische Durchbrüche in der Messung von 39Ar in einer Atomfalle (ArTTA) haben es ermöglicht, die benötigte Probenmenge von Tonnen auf ein paar Kilogramm zu reduzieren. Erst dadurch wird die Anwendung zur Gletschereisdatierung durchführbar. Dieses Projekt wird die Methode der ArTTA Datierung für Gletschereis entwickeln, validieren und zur Entschlüsselung neuartiger Klimaarchive anwenden. Bereits bestehende Forschung an der ÖAW und der Uni Heidelberg bieten eine einzigartige Möglichkeit, dieses Vorhaben umzusetzen. Eine in Zusammenarbeit durchgeführte Pilotstudie hat bereits die Machbarkeit des Vorhabens belegt. Daran anschließend soll nun systematisch das Potential der Methode beurteilt werden. Zur Validierung werden Gletscher mit bereits bekannter Altersinformation und zusätzliche radiometrische Datierungen (z.B. über 14C) eingesetzt. Das 39Ar-Datierungsverfahren wird exemplarisch angewendet, um die Klimainformation in der Altersstruktur eines Gipfelgletschers zu rekonstruieren. Die Kenntnis der heutigen Energie- und Massenbilanz ermöglicht die Zuordnung von Akkumulationsänderungen der Vergangenheit zu den ursächlichen Klimaänderungen. Ihre Infrastruktur und hohe Informationsdichte machen die Alpen ein ideales Forschungsfeld für dieses Vorhaben. Schlussendlich wird das 39Ar-Datierungsverfahren für die Paläoklimaforschung erschlossen, mit einem möglicherweise ähnlichen Innovationsschub wie die Anwendung von 14C zur Eisdatierung. Den Einfluss vergangener Klimaschwankungen auf Gipfelgletscher besser zu verstehen wird auch ihre Zukunft besser vorhersagbar machen, mit direkter Relevanz zur Adaption an die sich ändernden Klimabedingungen, aber auch als Beitrag zum Verständnis kleinräumiger Klimaschwankungen und zur Bewusstseinsbildung im Hinblick auf den Klimawandel im Alpenraum.
Die Charakterisierung der Land-Atmosphäre (L-A)-Rückkopplung erfordert detaillierte Untersuchungen des Bodens, der Landbedeckung und der Atmosphäre bis hin zur unteren freien Troposphäre. Fast alle aktuellen Observatorien und Beobachtungsnetzwerke konzentrieren sich nur auf Teilkomponenten des L-A-Systems. Ziel des Projekts P1 der Forschungsgruppe Land-Atmosphäre Feedback Initiative (LAFI) ist es, am Land-Atmosphäre Feedback Observatorium (LAFO) der Universität Hohenheim ein umfassendes Feldprogramm auf heterogenem Agrarland zu realisieren, das diese Beobachtungslücken schließt. Dieses wird durch die Messungen von Profilen der Schlüsselvariablen in allen drei Kompartimenten und die Charakterisierung ihrer horizontalen Strukturen in einer heterogenen Landschaft ermöglicht. Darüber hinaus werden wir einen 20-Jahres-Datensatz analysieren, der am MOL-RAO des DWD gesammelt wurde und die wichtigsten L-A-Systemvariablen für die Ableitung statistischer Metriken, Oberflächenflüsse und die Schließung des Energiehaushalts mit besonderem Schwerpunkt auf Hitzewellen und Dürren abdeckt. Am LAFO werden wir über mindestens eine Vegetationsperiode (Frühling-Herbst 2025) eine General Operations Period (GOP) in Kombination mit fünf Intensiven Observations Periods (IOPS) durchführen, um L-A-Feedbackprozesse zu charakterisieren. Neben etablierten Messtechniken wie Flusskammern und Eddy-Kovarianz-Systemen sowie Doppler-Lidar-Systemen werden wir neue Techniken einsetzen. Dazu gehören Isotopensensoren zur Unterscheidung zwischen Verdunstung und Transpiration, faseroptische Sensoren im Boden, in der Vegetation und in der Prandtl-Schicht für Temperatur- und Windmessungen, die Messung von Profilen der Strahlung, der Temperatur und Luftfeuchtigkeit in der Vegetation sowie unbemannte Luftfahrzeuge zur Kartierung von Landoberflächeneigenschaften und hochauflösende scannende Raman- und Differentialabsorptions-Lidarsysteme zusammen mit Doppler-Lidar-Systemen zur Ableitung dreidimensionaler turbulenter Eigenschaften der Oberflächenschicht und der atmosphärischen Grenzschicht mit besonderem Schwerpunkt auf Entrainment. P1 ist für alle anderen Projekte von unmittelbarer Bedeutung und dient als Schwerpunkt von LAFI. P2-P6 und P11 werden zur Sensorsynergie beitragen und die Daten unter verschiedenen wissenschaftlichen Aspekten analysieren. P7-P9 modellieren die gesamte GOP und verwenden die P1-Daten für Vergleiche von Feedback-Metriken und Prozessdarstellungen sowie für die Modellevaluation. P10 wird die P1-Daten mithilfe von Deep-Learning-Methoden analysieren. Die in P1 durchgeführten Messungen liefern die wesentliche Grundlage, um alle sechs Forschungsziele zu erreichen und alle Hypothesen von LAFI zu überprüfen. Ebenso stützen sich alle bereichsübergreifenden Arbeitsgruppen auf die Beobachtungen von P1. Durch das Design und die Durchführung der LAFI GOP und IOPs erwarten wir neue Erkenntnisse über L-A-Rückkopplungen und -Prozesse in Agrarlandschaften.
Defizite atmosphärischer Modelle, niederschlagsbildende Prozesse adäquat abzubilden, sind zumindest teilweise für die mangelhafte Reproduktion beobachteter regionaler Trends im Gesamtwasserspeicher verantwortlich. Mit polarimetrischen Radarbeobachtungen und ihrem Informationsgehalt über niederschlagsbildende Prozesse quantifizieren wir solche Defizite im Integrierten Monitoring System (IMS). Polarimetrische, mikrophysikalische Retrieval und die Evaluation von Klimamodellläufen im Radarbeobachtungsraum ermöglichen den Vergleich beobachteter und simulierter Auswirkungen von Treibhausgasantrieben und anthropogenen Eingriffen auf die Niederschlagsbildung.
The World Data Center for Remote Sensing of the Atmosphere, WDC-RSAT, offers scientists and the general public free access (in the sense of a “one-stop shop”) to a continuously growing collection of atmosphere-related satellite-based data sets (ranging from raw to value added data), information products and services. Focus is on atmospheric trace gases, aerosols, dynamics, radiation, and cloud physical parameters. Complementary information and data on surface parameters (e.g. vegetation index, surface temperatures) is also provided. This is achieved either by giving access to data stored at the data center or by acting as a portal containing links to other providers.
Klimafolgen werden typischerweise aus kombinierten Ereignissen (CEs) verursacht, also multivariate Kombinationen von klimatischen Treibern. Beispielsweise kann ein gleichzeitig heißer und trockener Sommer zu Vegetationsschäden führen, deren Auswirkungen oft die von Hitzewellen und Dürren für sich genommen übertreffen; gleichzeitige Waldbrände in mehreren europäischen Ländern können gemeinsam genutzte Einsatzmittel wie Löschflugzeuge überlasten und somit zu größeren Schäden führen. In den letzten Jahren ist aufgrund der Erkenntnis, dass eine univariate Perspektive auf Gefahren Klimarisiken möglicherweise stark unterschätzen und zu Fehlanpassungen führen kann, eine wachsende Zahl wissenschaftlicher Literatur zu CEs entstanden. Unser Verständnis von CEs, einschließlich der Quantifizierung, wie häufig sie auftreten und wie sie sich in Zukunft ändern werden, ist jedoch noch sehr begrenzt. Besonders die begrenzte Anzahl von Beobachtungen und routinemäßig verwendeten Klimamodellergebnissen macht die Forschung zu CEs sehr herausfordernd. Beispielsweise könnte man auf der Grundlage von einem kleinen Stichprobenumfang schlussfolgern, dass CEs an Orten selten sind, wo sie stattdessen sehr häufig sind. Das Hauptziel von ADVICE besteht darin, das volle Potenzial neuartiger Ensembles von Klimamodellen (SMILEs) auszuschöpfen, die Hunderte bis Tausende von Jahren an Daten des gegenwärtigen und zukünftigen Klimas liefern, um unser Verständnis von CEs zu erweitern. ADVICE baut auf früheren bahnbrechenden Beiträgen zur Erforschung von CEs durch den PI auf. Zwei Doktorand*innen werden gleichzeitig auftretendes Feuerwetter in europäischen Ländern und mehrjährige Dürren untersuchen, welche Ökosystemauswirkungen verstärken können, während ein Postdoc und der PI eine Reihe anderer CE-Typen untersuchen werden. ADVICE wird CE-Häufigkeiten und die damit verbundenen Unsicherheiten quantifizieren und so Informationen über Regionen mit erhöhtem CE-Risiko liefern. ADVICE wird Worst-Case-CEs untersuchen, die besonders extreme sozioökonomische Auswirkungen haben können. Die angemessene Kommunikation von Unsicherheiten in Prognosen ist unerlässlich, um irreführende Risikobewertungen zu vermeiden. Daher wird ADVICE verschiedene zukünftige Klimaentwicklungen abschätzen, einschließlich plausibler Worst-Case-Szenarien. Darüber hinaus werden Methoden zur Reduzierung von Unsicherheiten in CE-Projektionen untersucht. Insgesamt wird ADVICE die wichtigsten Vorteile von SMILEs für die Untersuchung von CEs sowie Informationen über die Fähigkeit von Klimamodellen bei der Darstellung von CEs herausarbeiten, was für Klimawissenschaftler*innen wichtig ist. Angesichts der Notwendigkeit einer multivariaten Perspektive in der Risikobewertung, werden die Ergebnisse von ADVICE zu verbesserten Klimarisikoabschätzungen beitragen, was letztendlich die Entwicklung der Anpassung an den Klimawandel unterstützen wird.
Die Qualität von Wettervorhersagen, saisonalen Simulationen und Klimaprojektionen hängt entscheidend von der Darstellung von Land-Atmosphäre (L-A) Rückkopplungen ab. Diese Rückkopplungen sind das Ergebnis eines hochkomplexen Netzwerks von Prozessen und Variablen, die mit dem Austausch von Impuls, Energie und Masse im L-A-System zusammenhängen. Derzeit gibt es in diesem Bereich erhebliche Wissenslücken, die das vorgeschlagene Projekt schließen soll. Die Land Atmosphäre Feedback Initiative (LAFI) ist ein interdisziplinäres Konsortium von Wissenschaftler:innen aus Atmosphären-, Agrar- und Bodenwissenschaften, Biogeophysik, Hydrologie und Neuroinformatik, das eine neuartige Kombination fortschrittlicher Forschungsmethoden vorschlägt. Das übergeordnete Ziel von LAFI ist es, L-A-Rückkopplungen durch synergistische Beobachtungen und Modellsimulationen von der turbulenten (ca. 10 m) bis zur Meso-Gamma-Skala (ca. 2 km) über tägliche bis saisonale Zeitskalen zu verstehen und zu quantifizieren. LAFI besteht aus einer Reihe eng miteinander verflochtener Projekte, die sich mit sechs Forschungszielen und Hypothesen befassen zu 1) alternativen Ähnlichkeitstheorien, 2) der Landoberflächen-Heterogenität, 3) der Partitionierung der Evapotranspiration, 4) dem Entrainment, 5) der synergetischen Untersuchung von L-A-Feedback und 6) eine Ad-hoc-Untersuchung von Klimaextremen, falls während des gemeinsamen Feldexperiments Dürren oder Hitzewellen auftreten. Die Zusammenarbeit zwischen den zwölf Projekten wird durch drei Querschnittsarbeitsgruppen zu tiefergehendem Lernen, Sensorsynergie und Upscaling sowie dem LAFI-Multimodell-Experiment gestärkt. Unsere Forschung umfasst A) die Erweiterung und den Betrieb des Land-Atmosphere Feedback Observatory der Universität Hohenheim mit einer einmaligen Synergie von Instrumenten, z. B. die erstmalige Kombination von Messungen von Wasserisotopen, faseroptischen Temperatursensoren und scannende Lidar-Systeme sowie die Auswertung der Langzeitdatensätze des Meteorologischen Observatoriums Lindenberg des Deutschen Wetterdienstes, B) wenig untersuchte und verstandene Prozesse im L-A-System wie z. B. Entrainment, C) die Verbesserung und Anwendung von L-A Systemmodellen bis hinunter zu den turbulenz-erlaubenden Skalen mit erweiterter Darstellung von Vegetation und stabilen Wasserisotopen, D) die Anwendung von Methoden des tiefergehenden Lernens zur Identifizierung von potenziell neue Faktoren in Prozessbeschreibungen, die in das L-A-System der nächsten Generation integriert werden sollen. Damit werden wir den mehrdimensionalen Phasenraum von L-A-Systemvariablen mit prozessbasierten Metriken über eine gesamte Vegetationsperiode charakterisieren. Gefördert durch die eng verwobene Verbundforschung ist die LAFI-Forschungsgruppe in der Lage, entscheidende neue Erkenntnisse zu gewinnen, um unser Verständnis von L-A-Rückkopplungen zu vertiefen und die Kopplungsstärken über landwirtschaftliche Regionen in Mitteleuropa zu charakterisieren.
Insbesondere der Einfluss der Eigenschaften von Vegetationskronen und ihrer räumlich-zeitlichen Dynamik auf Rückkopplungen zwischen der Landoberfläche und der Atmosphäre (d. h. Temperatur, Niederschlag, Luftfeuchtigkeit, Eigenschaften der atmosphärischen Grenzschicht) sind nicht abschließend geklärt. Ein Hauptgrund dafür ist, dass hochauflösende Beobachtungsdatenprodukte (z. B. zur Vegetationskronenfeuchte) noch nicht mit hoher räumlicher Auflösung (Dekameter-Skala) und für mehrjährige Zeitserien verfügbar sind: weder aus der Fernerkundung noch von Modellen. Darüber hinaus können Heterogenitäten der Landoberfläche (z. B. Vielfalt in der Vegetationsbedeckung) erhebliche Auswirkungen auf Rückkopplungsprozesse zwischen Baumkronen und benachbarter Atmosphäre haben, ihre Darstellung in Modellen reicht jedoch bei hohen räumlichen Auflösungen nicht aus. Um diese Lücken zu schließen, werden auf der Fernerkundung basierende Produkte entwickelt, um einige der vielfältigen unterschiedlichen Vegetationsbedingungen zu berücksichtigen. In diesem Sinne besteht die Idee von Projekt 2 darin, eine Reihe von Eigenschaften der Vegetationskrone zu überwachen, einschließlich Wassergehalt (z. B. Boden- und Vegetationsfeuchtigkeit) und Flüsse (z. B. Evapotranspiration) sowohl vor Ort (In-situ-Daten) als auch auf regionalen (Erdsystemmodelle) Skalen. Der Ansatz nutzt die potenziellen Synergien zwischen optischen, passiven und aktiven Mikrowellensensoren, die ergänzende Informationen bieten, um Fernerkundungssignale (z. B. Mikrowellendämpfung) in biophysikalische Variablen (z. B. gravimetrische Vegetationsfeuchtigkeit, Evapotranspiration oder Vegetationsstruktur und -dichte) umzuwandeln. Diese einzigartigen und beispiellosen Datensätze der satellitengestützten Multisensor-Fernerkundung werden in Land-Atmosphäre (L-A) Modelle eingespeist, um Grenzschichteigenschaften und L-A-Rückkopplungen zu bestimmen und zu analysieren. Alle diese Landoberflächenvariablen können synergetisch dazu beitragen, den Zusammenhang zwischen Boden, Vegetation und den Prozessen der atmosphärischen Grenzschicht zu verstehen und L-A-Modelle zu initialisieren. P2 konzentriert sich direkt auf die hochauflösende (Dekameter-Skala) Bestimmung von Zuständen und räumlich-zeitlichen Dynamiken der Feuchtigkeit, Temperatur und Topographie der Vegetationskrone, um Feuchtigkeits- und Temperaturverteilungen zur Beurteilung der Transpiration und der Form sowie der 3D-Dynamik der atmosphärischen Rauheitsunterschicht nach zu verfolgen. Dies wird durch die Kombination von Multisensor-Fernerkundungsbeobachtungen (z. B. Copernicus Sentinel-Satelliten und weltraumgestützte LiDARs) erreicht. Räumlich-zeitlich dynamische Informationen dieser Vegetationsvariablen werden für die Integration in die Reihe an Land-Atmosphäre-Modellen von LAFI vorbereitet, um Grenzschichteigenschaften zu bewerten und L-A-Rückkopplungen zu verstehen.
| Organisation | Count |
|---|---|
| Bund | 25 |
| Europa | 1 |
| Wissenschaft | 33 |
| Type | Count |
|---|---|
| Förderprogramm | 25 |
| Repositorium | 16 |
| License | Count |
|---|---|
| Geschlossen | 1 |
| Offen | 37 |
| Unbekannt | 3 |
| Language | Count |
|---|---|
| Deutsch | 27 |
| Englisch | 39 |
| Resource type | Count |
|---|---|
| Webseite | 41 |
| Topic | Count |
|---|---|
| Boden | 29 |
| Lebewesen und Lebensräume | 26 |
| Luft | 37 |
| Mensch und Umwelt | 41 |
| Wasser | 24 |
| Weitere | 41 |