Digital verfügbare Datensätze in der terrestrischen Wasser- und Umweltforschung werden immer zahlreicher und umfangreicher, sind allerdings oft nicht ohne Weiteres zugänglich und wissenschaftlich verwendbar. Häufig sind sie unzureichend mit Metadaten beschrieben und in unterschiedlichsten Datenformaten abgelegt, dazu oftmals nicht in Datenportalen/-repositorien, sondern auf lokalen Speichermedien vorgehalten. Basierend auf der in einem Vorgängerprojekt entwickelten virtuellen Forschungsumgebung V-FOR-WaTer ist es das Ziel von ISABEL, dieses Datenangebot in einem Webportal verfügbar zu machen. Hier sollen Umweltwissenschaftler auf Daten aus unterschiedlichen Quellen wie z.B. Landesämtern oder Hochschulprojekten einfach und schnell zugreifen, aber auch eigene Daten teilen können. Zusätzlich sind Schnittstellen zu bestehenden Datenportalen geplant, damit bereits veröffentlichte Datensätze mit einbezogen werden können. Mithilfe integrierter Werkzeuge sollen diese Daten leicht skaliert werden und in einem einheitlichen Format verfügbar sein. Außerdem stehen Analysewerkzeuge für weitere Auswertungen zur Verfügung. Diese werden vom Entwicklerteam beständig für den Bedarf der Community erweitert, können aber auch direkt von Nutzern beigetragen werden. Ein leichtes Abspeichern der Analyseschritte und verwendeten Werkzeuge macht die Berechnungen reproduzierbar, zudem wird durch die Anbindung an vorhandene Datenrepositorien die Publikation eigener Daten vereinfacht. Damit adressiert ISABEL den Bedarf von Forschenden aus den Wasser- und Umweltwissenschaften, Daten nicht nur aufzufinden und darauf zugreifen zu können, sondern mit standardisierten Werkzeugen für reproduzierbare Datenanalyseschritte effizient datengetrieben zu lernen.
C4.1 Prozess-basierte Modelsimulationen. Wir entwickeln prozessbasierte Modellsimulationen und Deep-Learning-Tools für die Datenanalyse, um mit dem Sensornetzwerk zu interagieren und die Messungen zu optimieren. Dies ermöglicht ein vertieftest Verständnis der Auswirkungen der räumlich-zeitlichen Heterogenität und Dynamik auf den gesamten Wasser- und Kohlenstoffaustausch im Ökosystem. Wir werden ein bestehendes prozessbasiertes 2D-Modell erweiterten, kalibrierten und in einem 3D Gegenwarts- und Vorhersagemodus betreiben, der die räumlich-zeitliche Heterogenität kleinräumiger Prozesse abdeckt und neue Skalierungsgesetze für nichtlineare Wechselwirkungen integriert.C4.2 Deep-LearningMit Hilfe von Deep-Learning-Algorithmen soll die Fülle an Daten effizient ausgewertet werden, um zwischen wichtigen und redundanten Daten zu unterscheiden. Ziel ist es, eine ausreichende räumlich-zeitliche Auflösung zu erreichen, Energie für die Sensorknoten zu sparen und die Anhäufung redundanter Daten zu reduzieren. Dabei interagieren Deep-Learning und Prozesssimulationen mit dem Sensornetz durch i) Datenassimilation aus dem Sensornetz und ii) Anpassung und Optimierung des Messdesigns auf Basis der simulierten Ergebnisse und Vorhersagen
Die landwirtschaftliche Produktion hängt neben dem sozioökonomischen Umfeld stark von den Klimabedingungen ab. Die zukünftige landwirtschaftliche Produktion, Lebensmittelpreise und Handel werden daher vom Klimawandel beeinflusst. Während die Auswirkungen auf die meisten Industriestaaten eher moderat sein werden, sind einige der größten negativen Auswirkungen für Subsahara-Afrika (SSA) zu erwarten. Insbesondere die rückläufige Wasserverfügbarkeit aufgrund sich ändernder klimatischer Bedingungen und unregelmäßigere Niederschläge werden den Druck auf das Nahrungsmittelproduktionssystem in Burkina Faso und Kenia erhöhen. Bevölkerungswachstum und Ernährungsumstellung erfordern darüber hinaus eine Steigerung der Nahrungsmittelproduktion, welche ebenfalls durch das Potenzial die Ackerlandfläche auszuweiten begrenzt ist. Diese Trends fördern die Ernährungsunsicherheit, verhindern die Etablierung widerstandsfähiger landwirtschaftlicher Systeme und verringern die Fähigkeit der Landwirte, mit dem Klimawandel fertig zu werden.Für Kleinbauern und Subsistenzlandwirte in ländlichen SSA führen Jahre mit Ernteeinbußen oft zu einem unzureichenden Ernährungsstatus der Kinder und dazu, dass die Überlebensraten von Kindern sinken. Klimabedingte Ertragsverluste und Ertragsausfälle werden in einem sich verändernden Klima voraussichtlich zunehmen und zu erheblichen Engpässen bei der Nahrungsmittelproduktion führen, die zu Ernährungsunsicherheit und Unterernährung beigetragen. Zu diesem Zweck haben wir ein semi-empirisches Erntemodell entwickelt, mit dem der Ernteertrag und das Risiko für Ertragsverluste und -ausfälle geschätzt werden können. Mit diesen Modellen konnten wir die Auswirkungen von Klimatrends auf die Kindersterblichkeit aufzeigen, um die Auswirkungen auf die Ernährung für die vergangenen und zukünftigen Klimabedingungen im ländlichen Burkina Faso zu quantifizieren.Um diesen Zusammenhang weiter zu untersuchen, ist es erforderlich, den Umfang der Analyse räumlich (Berücksichtigung der Haushalts-, Distrikt- und Landesebene) und im Umfang auszuweiten (unterschiedlichen Auswirkungen der Ernährungssicherheit auf die Gesundheit). Diese Forschung beabsichtigt daher, diese Fragen auf verschiedenen räumlichen Maßstäben und Bereichen zu behandeln. Dazu werden wir den semi-empirischen Ansatz zur Modellierung von landwirtschaftlichen Kulturen weiterentwickeln, um auf regionaler und nationaler Ebene Beurteilungen der Ertragsauswirkungen (Quantität, Qualität) der wichtigsten Kulturpflanzen für Kenia und Burkina Faso vorzunehmen. Der Ansatz für die Ertragsmodellierung unterscheidet dabei zwischen wetterbedingten und nicht wetterbedingten Ertragseinflüssen und liefert Informationen über Ernteausfälle. Dies wird Informationen liefern, die es Landwirten ermöglichen, ihre agronomische Bewirtschaftung anzupassen und ihre Anpassungsfähigkeit an den Klimawandel zu verbessern.