@misc{Streckel2013,
  type      = {Master Thesis},
  author    = {Streckel, Christian},
  title     = {Migration im Kontext von Umwelteinfl{\"u}ssen und Klimawandel},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-102334},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2013},
  abstract  = {Klimawandelbedingte bzw. potenziell klimawandelbedingte Umweltmigration ist ein sehr komplexes und breites Feld. Es existiert eine F{\"u}lle von Studien, die sich in ihrer Herangehensweise unterscheiden, weshalb hier ein Systematisierungsvorschlag aufgezeigt wird. Mittels einer an den Richtlinien der Grounded Theory orientierten Analyse wurden Studien auf zentrale gemeinsame Kategorien hin untersucht und als Modell pr{\"a}sentiert. Dieses stellt jedoch kein abgeschlossenes System dar, sondern dient durch seine Offenheit als Ger{\"u}st, das mit Ergebnissen aus weiteren Fallstudien gefestigt werden kann.},
  subject      = {Anthropogene Klima{\"a}nderung},
  language  = {de}
}
@phdthesis{Linder2013,
  author    = {Linder, Susanne},
  title     = {R{\"a}umliche Diffusion von Photovoltaik-Anlagen in Baden-W{\"u}rttemberg},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-77789},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2013},
  abstract  = {Seit dem Jahr 2000 ist die Anzahl an installierten Photovoltaik-Anlagen in Deutschland - dank g{\"u}nstiger politischer Rahmenbedingungen - rasant von 76 MWp auf 24.820 MWp in 2011 gestiegen. Trotz bundesweit einheitlicher finanzieller F{\"o}rderbedingungen durch das Erneuerbare-Energien-Gesetz existieren jedoch r{\"a}umliche Unterschiede in der Anzahl an installierten Photovoltaik-Anlagen pro Einwohner, sowohl auf Ebene der Bundesl{\"a}nder, als auch zwischen einzelnen Gemeinden einer Region. In der vorliegenden Arbeit wird die r{\"a}umliche Diffusion von Photovoltaik-Anlagen in Baden-W{\"u}rttemberg untersucht. Ziel ist zum einen die Ursachen f{\"u}r die r{\"a}umlichen Unterschiede in der Photovoltaik-Diffusion aufzudecken. Zum anderen ist das Ziel zu {\"u}berpr{\"u}fen, ob ein Nachbarschaftseffekt der Photovoltaik-Diffusion existiert. Dies wird mit Hilfe quantitativer und qualitativer Methoden untersucht. Mit Hilfe der r{\"a}umlichen Autokorrelationsanalyse wird gezeigt, dass sich die Anzahl an Photovoltaik-Anlagen pro Einwohner in den Gemeinden Baden-W{\"u}rttembergs signifikant unterscheidet. Es existieren Cluster von Gemeinden mit besonders hoher Photovoltaik-Nutzung (Hot Spots) und Cluster von Gemeinden mit besonders niedriger Photovoltaik-Nutzung (Cold Spots). Hot Spot-Gemeinden befinden sich zu 95\% im l{\"a}ndlichen Raum und Cold Spot-Gemeinden zu 85\% im Verdichtungsraum. Die Ergebnisse der r{\"a}umlichen Regressionsanalyse und der Fallstudie in der Region Heilbronn-Franken zeigen, dass die Unterschiede in der Dichte der Photovoltaik-Anlagen pro Einwohner erstens auf Unterschiede in der Siedlungsstruktur zur{\"u}ckzuf{\"u}hren sind (Anteil an Ein- und Zweifamilienh{\"a}usern, Anteil an Neubauten, Anzahl an Viehbetrieben pro Einwohner), zweitens auf Unterschiede im Sozialgef{\"u}ge (Anteil an Familien) sowie drittens auf den Nachbarschaftseffekt der Diffusion. Aus den Experteninterviews geht hervor, dass zudem weitere lokale Voraussetzungen gegeben sein m{\"u}ssen, damit es zu einer schnellen Photovoltaik-Diffusion kommt. Eine wichtige Rolle spielen die Landwirte, die h{\"a}ufig als Innovatoren auftraten, sowie sog. Change Agents, die den Diffusionsprozess anstoßen und bewusst f{\"o}rdern. Zu letzteren z{\"a}hlen auf lokaler Ebene aktive B{\"u}rgermeister, Solarvereine, Photovoltaik-Unternehmer oder Elektroinstallateure, auf regionaler Ebene Maschinenringe und Energieagenturen. Die Modellierung und Analyse der Photovoltaik-Diffusion in den einzelnen Gemeinden von 2000 bis 2030 zeigt f{\"u}r das Jahr 2009, dass die Gemeinden einer Raumkategorie unterschiedliche Diffusionsprofile aufweisen. Je l{\"a}ndlicher eine Gemeinde ist, desto weiter ist tendenziell der Diffusionsprozess fortgeschritten: In Gemeinden des l{\"a}ndlichen Raums befindet sich die Photovoltaik-Diffusion meist bereits im Early Majority-Stadium, in Gemeinden des Verdichtungsraums ist die Photovoltaik-Diffusion dagegen {\"u}berwiegend erst am Ende des Early Adopter-Stadiums angelangt. Der Innovationseffekt, der angibt, wie stark die Anzahl an Photovoltaik-Anlagen unabh{\"a}ngig von den bereits installierten Anlagen zunimmt, ist im suburbanen Raum und im l{\"a}ndlichen Raum am h{\"o}chsten. Der Imitationseffekt, der angibt, wie stark die Zunahme neu installierter Photovoltaik-Anlagen von bestehenden Anlagen in einer Gemeinde abh{\"a}ngt, steigt dagegen von der Stadt zum Land an. Durch den Vergleich der Hot Spot-Gemeinden mit den {\"u}brigen Gemeinden des l{\"a}ndlichen Raums wird deutlich, dass die Imitation in den Hot Spot-Gemeinden h{\"o}her liegt. Dies l{\"a}sst darauf schließen, dass ein Nachbarschaftseffekt der Photovoltaik-Diffusion zwischen den Gemeinden existiert, da die Lage innerhalb eines Hot Spots zu einer erh{\"o}hten Wahrnehmung von Photovoltaik-Anlagen und einem h{\"a}ufigeren Austausch mit Photovoltaik-Besitzern f{\"u}hrt und damit die Photovoltaik-Diffusion f{\"o}rdert. Vor dem Hintergrund des Klimawandels und der knapper werdenden fossilen Ressourcen gilt in Deutschland das Ziel, die Nutzung erneuerbarer Energien und damit auch der Photovoltaik weiter voranzutreiben. Diese Arbeit zeigt, dass lokale Einflussfaktoren entscheidend f{\"u}r das Entstehen r{\"a}umlicher Unterschiede in der Photovoltaik-Nutzung sind. Die Kenntnisse dieser Unterschiede, deren Ursachen sowie die Bedeutung des Nachbarschaftseffekts k{\"o}nnen eine Grundlage f{\"u}r gezielte F{\"o}rderung oder Marketingmaßnahmen zur weiteren Diffusion von Photovoltaik-Anlagen bieten.},
  subject      = {Baden-W{\"u}rttemberg},
  language  = {de}
}
@phdthesis{Pollinger2013,
  author    = {Pollinger, Felix},
  title     = {Bewertung und Auswirkungen der Simulationsg{\"u}te f{\"u}hrender Klimamoden in einem Multi-Modell Ensemble},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-97982},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2013},
  abstract  = {Der rezente und zuk{\"u}nftige Anstieg der atmosph{\"a}rischen Treibhausgaskonzentration bedeutet f{\"u}r das terrestrische Klimasystem einen grundlegenden Wandel, der f{\"u}r die globale Gesellschaft schwer zu bew{\"a}ltigende Aufgaben und Herausforderungen bereit h{\"a}lt. Eine effektive, r{\"u}hzeitige Anpassung an diesen Klimawandel profitiert dabei enorm von m{\"o}glichst genauen Absch{\"a}tzungen k{\"u}nftiger Klima{\"a}nderungen. Das geeignete Werkzeug hierf{\"u}r sind Gekoppelte Atmosph{\"a}re Ozean Modelle (AOGCMs). F{\"u}r solche Fragestellungen m{\"u}ssen allerdings weitreichende Annahmen {\"u}ber die zuk{\"u}nftigen klimarelevanten Randbedingungen getroffen werden. Individuelle Fehler dieser Klimamodelle, die aus der nicht perfekten Abbildung der realen Verh{\"a}ltnisse und Prozesse resultieren, erh{\"o}hen die Unsicherheit langfristiger Klimaprojektionen. So unterscheiden sich die Aussagen verschiedener AOGCMs im Hinblick auf den zuk{\"u}nftigen Klimawandel insbesondere bei regionaler Betrachtung, deutlich. Als Absicherung gegen Modellfehler werden {\"u}blicherweise die Ergebnisse mehrerer AOGCMs, eines Ensembles an Modellen, kombiniert. Um die Absch{\"a}tzung des Klimawandels zu pr{\"a}zisieren, wird in der vorliegenden Arbeit der Versuch unternommen, eine Bewertung der Modellperformance der 24 AOGCMs, die an der dritten Phase des Vergleichsprojekts f{\"u}r gekoppelte Modelle (CMIP3) teilgenommen haben, zu erstellen. Auf dieser Basis wird dann eine nummerische Gewichtung f{\"u}r die Kombination des Ensembles erstellt. Zun{\"a}chst werden die von den AOGCMs simulierten Klimatologien f{\"u}r einige grundlegende Klimaelemente mit den betreffenden klimatologien verschiedener Beobachtungsdatens{\"a}tze quantitativ abgeglichen. Ein wichtiger methodischer Aspekt hierbei ist, dass auch die Unsicherheit der Beobachtungen, konkret Unterschiede zwischen verschiedenen Datens{\"a}tzen, ber{\"u}cksichtigt werden. So zeigt sich, dass die Aussagen, die aus solchen Ans{\"a}tzen resultieren, von zu vielen Unsicherheiten in den Referenzdaten beeintr{\"a}chtigt werden, um generelle Aussagen zur Qualit{\"a}t von AOGCMs zu treffen. Die Nutzung der K{\"o}ppen-Geiger Klassifikation offenbart jedoch, dass die prinzipielle Verteilung der bekannten Klimatypen im kompletten CMIP3 in vergleichbar guter Qualit{\"a}t reproduziert wird. Als Bewertungskriterium wird daher hier die F{\"a}higkeit der AOGCMs die großskalige nat{\"u}rliche Klimavariabilit{\"a}t, konkret die hochkomplexe gekoppelte El Ni{\~n}o-Southern Oscillation (ENSO), realistisch abzubilden herangezogen. Es kann anhand verschiedener Aspekte des ENSO-Ph{\"a}nomens gezeigt werden, dass nicht alle AOGCMs hierzu mit gleicher Realit{\"a}tsn{\"a}he in der Lage sind. Dies steht im Gegensatz zu den dominierenden Klimamoden der Außertropen, die modell{\"u}bergreifend {\"u}berzeugend repr{\"a}sentiert werden. Die wichtigsten Moden werden, in globaler Betrachtung, in verschiedenen Beobachtungsdaten {\"u}ber einen neuen Ansatz identifiziert. So k{\"o}nnen f{\"u}r einige bekannte Zirkulationsmuster neue Indexdefinitionen gewonnen werden, die sich sowohl als {\"a}quivalent zu den Standardverfahren erweisen und im Vergleich zu diesen zudem eine deutliche Reduzierung des Rechenaufwandes bedeuten. Andere bekannte Moden werden dagegen als weniger bedeutsame, regionale Zirkulationsmuster eingestuft. Die hier vorgestellte Methode zur Beurteilung der Simulation von ENSO ist in guter {\"U}bereinstimmung mit anderen Ans{\"a}tzen, ebenso die daraus folgende Bewertung der gesamten Performance der AOGCMs. Das Spektrum des Southern Oscillation-Index (SOI) stellt somit eine aussagekr{\"a}ftige Kenngr{\"o}ße der Modellqualit{\"a}t dar. Die Unterschiede in der F{\"a}higkeit, das ENSO-System abzubilden, erweisen sich als signifikante Unsicherheitsquelle im Hinblick auf die zuk{\"u}nftige Entwicklung einiger fundamentaler und bedeutsamer Klimagr{\"o}ßen, konkret der globalen Mitteltemperatur, des SOIs selbst, sowie des indischen Monsuns. Ebenso zeigen sich signifikante Unterschiede f{\"u}r regionale Klima{\"a}nderungen zwischen zwei Teilensembles des CMIP3, die auf Grundlage der entwickelten Bewertungsfunktion eingeteilt werden. Jedoch sind diese Effekte im Allgemeinen nicht mit den Auswirkungen der anthropogenen Klima{\"a}nderungssignale im Multi-Modell Ensemble vergleichbar, die f{\"u}r die meisten Klimagr{\"o}ßen in einem robusten multivariaten Ansatz detektiert und quantifiziert werden k{\"o}nnen. Entsprechend sind die effektiven Klima{\"a}nderungen, die sich bei der Kombination aller Simulationen als grundlegende Aussage des CMIP3 unter den speziellen Randbedingungen ergeben nahezu unabh{\"a}ngig davon, ob alle L{\"a}ufe mit dem gleichen Einfluss ber{\"u}cksichtigt werden, oder ob die erstellte nummerische Gewichtung verwendet wird. Als eine wesentliche Begr{\"u}ndung hierf{\"u}r kann die Spannbreite der Entwicklung des ENSO-Systems identifiziert werden. Dies bedeutet gr{\"o}ßere Schwankungen in den Ergebnissen der Modelle mit funktionierendem ENSO, was den Stellenwert der nat{\"u}rlichen Variabilit{\"a}t als Unsicherheitsquelle in Fragen des Klimawandels unterstreicht. Sowohl bei Betrachtung der Teilensembles als auch der Gewichtung wirken sich dadurch gegenl{\"a}ufige Trends im SOI ausgleichend auf die Entwicklung anderer Klimagr{\"o}ßen aus, was insbesondere bei letzterem Vorgehen signifikante mittlere Effekte des Ansatzes, verglichen mit der Verwendung des {\"u}blichen arithmetischen Multi-Modell Mittelwert, verhindert.},
  subject      = {Modell},
  language  = {de}
}