Refine
Has Fulltext
- yes (354)
Year of publication
Document Type
- Journal article (200)
- Doctoral Thesis (99)
- Book (35)
- Book article / Book chapter (6)
- Master Thesis (6)
- Report (5)
- Working Paper (2)
- Habilitation (1)
Keywords
- remote sensing (37)
- Einzelhandel (30)
- Fernerkundung (23)
- climate change (18)
- Deutschland (15)
- MODIS (14)
- Sentinel-2 (13)
- time series (13)
- Germany (12)
- Nachhaltigkeit (12)
Institute
- Institut für Geographie und Geologie (354) (remove)
Schriftenreihe
Sonstige beteiligte Institutionen
- The Italian Federation of Parks and Nature Reserves (3)
- ALPARC - The Alpine Network of Protected Areas (2)
- Eurac research (2)
- Salzburg Institute for Regional Planning and Housing (2)
- Urban Planning Institute of the Republic of Slovenia (2)
- ALPARC - Das Netzwerk Alpiner Schutzgebiete (1)
- Albert-Ludwigs-Universität Freiburg (1)
- Deutsches Klimaservice Zentrum (GERICS) (1)
- Deutsches Zentrum für Luft & Raumfahrt (DLR) (1)
- Deutsches Zentrum für Luft- und Raumfahrt (1)
ResearcherID
- I-5818-2014 (1)
EU-Project number / Contract (GA) number
- 308377 (2)
- 227159 (1)
- 243964 (1)
- 776019 (1)
- 818182 (1)
- 834709 (1)
- LIFE12 BIO/AT/000143 (1)
- LIFE20 NAT/AT/000049 (1)
Grünflächen stellen einen der wichtigsten Umwelteinflüsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits können Grünflächen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Grünflächen nicht für die gesamte Bevölkerung gleichermaßen zugänglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-ökonomische und demographische Gruppen der deutschen Bevölkerung unterschiedlichen Zugriff auf Grünflächen haben. An bestehenden Analysen von Umwelteinflüssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten häufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere für großflächig angelegte Studien zu. So werden wichtige räumliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens ermöglichen die effiziente Verarbeitung zur Ableitung höherwertiger Informationen.
Das übergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Grünflächen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen für die großflächige und hochaufgelöste Analyse von Umwelteigenschaften aufzuzeigen und durchzuführen. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden für die Verbesserung der räumlichen und semantischen Auflösung von Geoinformationen erforscht werden. Hierfür werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenlücken zu schließen und Aufschluss über die Verteilungsgerechtigkeit von Grünflächen zu bieten.
Diese Dissertation gliedert sich in drei konzeptionelle Teilschritte. Im ersten Studienteil werden Erdbeobachtungsdaten der Sentinel-2 Satelliten zur deutschlandweiten Klassifikation von Landbedeckungsinformationen verwendet. In Kombination mit punktuellen Referenzdaten der europaweiten Erfassung für Landbedeckungs- und Landnutzungsinformationen des Land Use and Coverage Area Frame Survey (LUCAS) wird ein maschinelles Lernverfahren trainiert. In diesem Kontext werden verschiedene Vorverarbeitungsschritte der LUCAS-Daten und deren Einfluss auf die Klassifikationsgenauigkeit beleuchtet. Das Klassifikationsverfahren ist in der Lage Landbedeckungsinformationen auch in komplexen urbanen Gebieten mit hoher Genauigkeit abzuleiten. Ein Ergebnis des Studienteils ist eine deutschlandweite Landbedeckungsklassifikation mit einer Gesamtgenauigkeit von 93,07 %, welche im weiteren Verlauf der Arbeit genutzt wird, um grüne Landbedeckung (GLC) räumlich zu quantifizieren.
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Grünflächen anhand des Beispiels öffentlicher Grünflächen (PGS), die häufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine häufig verwendete Quelle für räumliche Daten zu öffentlichen Grünflächen, der European Urban Atlas (EUA), wird bisher nicht flächendeckend für Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verfügbarkeit von öffentlichem Grün auf der räumlichen Ebene von Nachbarschaften für ganz Deutschland zu ermitteln. Hierfür dienen bereits vom EUA erfasste Gebiete als Referenz. Mithilfe einer Kombination von Erdbeobachtungsdaten und Informationen aus dem OpenStreetMap-Projekt wird ein Deep Learning -basiertes Fusionsnetzwerk erstellt, welche die verfügbare Fläche von öffentlichem Grün quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge öffentlicher Grünflächen in der Nachbarschaft zu schätzen (𝑅 2 = 0.952).
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Grünflächen in Deutschland unter Hinzunahme von georeferenzierten Bevölkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Grünflächen nach zwei Typen: GLC und PGS. Zunächst wird mithilfe deskriptiver Statistiken die generelle Grünflächenverteilung in der Bevölkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand gängiger Gerechtigkeitsmetriken bestimmt. Abschließend werden die Zusammenhänge zwischen der demographischen Komposition der Nachbarschaft und der verfügbaren Menge von Grünflächen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verfügbarkeit von PGS zwischen städtischen und ländlichen Gebieten. Ein höherer Prozentsatz der Stadtbevölkerung hat Zugriff das Mindestmaß von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bezüglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Grünflächentypen für derartige
Untersuchungen. Die abschließende Betrachtung verschiedener Bevölkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf.
In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden können bisherige Limitierungen räumlicher Datensätze zu überwinden. Am Beispiel von Grünflächen in der Wohnumgebung der Bevölkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgelöste und lokal feingliedrige geographische Informationen bereichert werden können. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten können, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterstützen und überwachen.
Hochaufgelöste Erfassung zukünftiger Klimarisiken für Land- und Forstwirtschaft in Unterfranken
(2024)
Das Klima und seine Veränderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zukünftigen Klimarisiken für diese Sektoren von hoher Relevanz. Dies ist auch und vor allem für den schon heute weiträumig trockheitsgeprägten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu über 80 % land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher räumlicher Auflösung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repräsentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte für Trockenheit, Starkniederschlag, Hitze sowie (Spät-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ansätze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgeführt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großräumige atmosphärische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Prädiktoren für die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Prädiktoren durchzuführen. Sowohl für die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgeführt, um die Ergebnisse unabhängig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien für den gesamten historischen Modellzeitraum verglichen, so weist für alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt für das 21. Jahrhundert negative Trends der (Spät-)Frost- und Eis- sowie positive Trends der Hitzetagehäufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verstärkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle bestätigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Spätfrost Widersprüche, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird.
Zusätzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Prädiktoren zur Simulation von Erträgen aus Acker- und Weinbau wiederholt. Die Güte kann aufgrund mangelnder Beobachtungsdatenlänge nur anhand der Reanalyse-angetriebenen REMO-Daten abgeschätzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel über alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchterträge. Hinsichtlich der Frankenweinerträge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle führen durch positive Trendvorzeichen für den Weißwein zu insgesamt kohärenten Ergebnissen.
Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegenüber Hitze sowie im Speziellen gegenüber Trockenheit in Zukunft im ohnehin trockenheitsgeprägten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Spätfrostgefahr müssen im Blick behalten werden. Die Trends der Feldfruchterträge deuten in die gleiche Richtung, da Sommergetreide eine höhere Trockenheitsanfälligkeit besitzen. Die unklaren Ergebnisse der Weinerträge hingegen lassen keine eindeutigen Schlüsse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung könnten ein Grund hierfür sein.
Human-environment interaction has significantly altered the pedosphere since the Neolithic, if not since the early Holocene. In the course of clearance, agriculture, and (wood) pasture soils have been deeply modified or eroded. These types of land use practices but above all forms of sedentariness spread alongside floodplains and trajectories were oriented towards loess covered areas where fertile soils could develop. Besides this, also peripheral / marginal regions were settled due to population pressure or other factors. Evidence for landscape history and development can be found within archeological sites but also overbank deposits and anthropogenic slope deposits document vast transformation processes.
The presented investigations took place within the natural region of the Windsheimer Bucht which is locat-ed in the district of Middle Franconia in northern Bavaria, Germany. In this area, Holocene soils predomi-nantly developed within mudstones of the Middle to Upper Triassic. The soil texture is extremely clay-rich which renders the soils problematic with regard to cultivation management. As a peculiarity, the gypsum underlying the mudstones is prone to karstification processes and resulting proceeding geomorphological processes shape the surface of the landscape. In the course of gypsum mining the karst forms are being exposed and archeological findings are being documented. The latter mainly date back to a span from the Neolithic to the Iron Age, but partly are of Younger Paleolithic origin. Especially subsidence sinkholes are capable of storing pedosediments of several meters in thickness. Despite the high clay content and connect-ed pedoturbation processes, the excavated sequences are stratigraphically and pedologically well-differentiated. The archives occur in the context of settlement structures such as pits and postholes; there-fore, they developed at the interface of natural developments and human impact on their surroundings.
The main original research questions that were formulated within the general frame of a project funded by the Deutsche Forschungsgemeinschaft (DFG-projects Te295/15-1 and -2 and Fa390/9-1 and -2) focused on the attractors of the peripheral region for early settlers, the pedological conditions before land use, but also the impact of humans on soils and karst dynamics through time. In the course of the in hand study, the pedosedimentary archives have been approached with a multimethodological toolset which consisted of field analyses, soil morphological analyses from micro- to macro-scale, spectrophotometric (color), (laser) granulometric, and (iron-) pedochemical analyses. The numerical chronological frame was spanned by radiocarbon dating of different organic remains and bulk material if soil organic carbon was supposed-ly high. The result is a multi-dimensional data set that consists of analyses on different spatial scales but also on different levels of measurement. Thus, qualitative, semi-quantitative, and quantitative data consti-tute the basis for discussion. While the grain-size analyses underline the general sedimentological differen-tiation of the records and further affirm the high clay content within the pedosedimentary layers, iron-pedochemical analyses indicate an interplay between oxidation of iron and its chemical reduction. This is also manifested within the spectrophotometric record. Especially the versatile pedogenic characteristics that have been identified by field analyses are confirmed within the thin sections and, by considering all different analyses, the polygenic character of the pedosediments is emphasized.
After stressing the general pedological specificities among the different investigated sites within the re-search area, for the collected data, the research further branches into the subjects of general notions on pedogenesis in clayey material and the classification of the respective pedosediments according to paleo-pedological concepts but also recent schemes. Concerning the latter, it becomes evident that established principles cannot be applied to the studied pedosediments without major adaptions. This underlines the specific characteristics of the material.
The basis for further interpretations is the evaluation of the multi-level data set for the single records with regard to profile development and pedogenic processes. Hereby, the main drivers of pedogenesis could be identified, which are karst dynamics, land use, and subtle changes in parent material due to the admixture of slope deposits that contain allochthonous eolian material. The latter underlines the importance of Pleis-tocene preconditioning for understanding Holocene landscape dynamics. At the same time, a differentia-tion between the mentioned factors and Holocene climate development is difficult. The following compila-tion of record and localities within the given time frame unveils synchronous as well as asynchronous de-velopments; however, a clear connection between phases of Holocene climate and pedogenesis within the pedosediments cannot be established. Instead, it becomes evident that site specific factors or those that act on the scale of the micro-catchment of the investigated records are decisive.
The aforementioned main topics of the project are also considered in the in hand study from a soil-geographic perspective: it is possible that before land use, there was an insular or thin cover by loess sedi-ments or at least upper layers (according to the concept of periglacial cover beds) which constituted the parent material for Holocene soil formation. The according soils, which were superior for agricultural purposes compared to those developed on the autochthonous mudstones, were eroded which exposed the clayey Upper to Middle Triassic beds. Erosion was aggravated due to the impermeable mudstones which enhanced overland flow and interflow within the overlying silty (loessic) material. This is further support-ed by the notions on erodibility of the clayey material that are derived from the comparison of conven-tional and laser granulometric analyses: probably, the clayey pedosediments are capable of forming micro-aggregates that can easily be eroded during heavy rainfall events despite the general consent that material with heavy texture should be rather resistant.
The study presents a comprehensive view on clay-rich pedosediments and the complex effects of human-environment interaction on pedogenic as well as sedimentary processes through time that have not been investigated in such detail before. In this context, the multi-level soil morphological analyses and their necessity for a genetic interpretation with regard to the influence of natural versus anthropogenic factors need to be emphasized. Based on quantitative laboratory analytical data only, a respective differentiation would not be possible. This underlines the importance of the chosen soil-geographic multi-methodological approach for answering questions with regard to human-environment interaction but also geoarcheology in general.
Regional climate models (RCMs) are tools used to project future climate change at a regional scale. Despite their high horizontal resolution, RCMs are characterized by systematic biases relative to observations, which can result in unrealistic interpretations of future climate change signals. On the other hand, bias correction (BC) is a popular statistical post-processing technique applied to improve the usability of output from climate models. Like every other statistical technique, BC has its strengths and weaknesses. Hence, within the regional context of Germany, and for temperature and precipitation, this study is dedicated to the assessment of the impact of different BC techniques on the RCM output. The focuses are on the impact of BC on the RCM’s statistical characterization, and physical consistency defined as the spatiotemporal consistency between the bias-corrected variable and the simulated physical mechanisms governing the variable, as well as the correlations between the bias-corrected variable and other (simulated) climate variables. Five BC techniques were applied in adjusting the systematic biases in temperature and precipitation RCM outputs. The BC techniques are linear scaling, empirical quantile mapping, univariate quantile delta mapping, multivariate quantile delta mapping that considers inter-site dependencies, and multivariate quantile delta mapping that considers inter-variable dependencies (MBCn). The results show that each BC technique adds value in reducing the biases in the statistics of the RCM output, though the added value depends on several factors such as the temporal resolution of the data, choice of RCM, climate variable, region, and the metric used in evaluating the BC technique. Further, the raw RCMs reproduced portions of the observed modes of atmospheric circulation in Western Europe, and the observed temperature, and precipitation meteorological patterns in Germany. After the BC, generally, the spatiotemporal configurations of the simulated meteorological patterns as well as the governing large-scale mechanisms were reproduced.
However, at a more localized spatial scale for the individual meteorological patterns, the BC changed the simulated co-variability of some grids, especially for precipitation. Concerning the co-variability among the variables, a physically interpretable positive correlation was found between temperature and precipitation during boreal winter in both models and observations. For most grid boxes in the study domain and on average, the BC techniques that do not adjust inter-variable dependency did not notably change the simulated correlations between the climate variables. However, depending on the grid box, the (univariate) BC techniques tend to degrade the simulated temporal correlations between temperature and precipitation. Further, MBCn which adjusts biases in inter-variable dependency has the skill to improve the correlations between the simulated variables towards observations.
The Seville Strategy spurred a signifi cant paradigm shift in UNESCO’s MAB Programme, re-conceptualising the research programme as a modern tool for the dual mandate of nature conservation and sustainable development. However, many biosphere reserves failed to comply with the new regulations and in 2013 the ‘Exit Strategy’ was announced to improve the quality of the global network.
This study presents a global assessment of the implementation of the quality enhancement strategies, highlighting signifi cant differences worldwide through 20 country-specifi c case studies. It concludes that the strategies have been fundamental in improving the credibility and coherence of the MAB Programme. Challenges in the implementation were not unique to individual countries but were common to all Member States with pre-Seville sites, and in many states the process has led to a rejuvenation of national biosphere reserve networks.
Der Lebensmittelonlinehandel in Deutschland gewann, verstärkt durch die Covid-19-Pandemie, an Umsatzanteilen im Lebensmitteleinzelhandel. Hierdurch wurden neue Anforderungen an Arbeit und Beschäftigung in Deutschland geschaffen. Insbesondere in urbanen Räumen hat die Lebensmittelzustellung durch neu entstandene Betriebsformen zugenommen. So entstehen durch das Versprechen der Betriebe, Lebensmittel in kurzen Zeiträumen zu liefern, verschiedene Logistikstandorte und u.a. urbane Fahrradlieferdienste. Während Medien und Gewerkschaften bereits vor der Entstehung prekärer Arbeitsbedingungen warnen, sind die genauen Auswirkungen des Lebensmittelonlinehandels auf die Entwicklung neuer Arbeitsstandorte und die dort stattfindende Beschäftigung nur unzureichend bekannt. Diese Arbeit untersucht den Lebensmittelonlinehandel anhand seiner Betriebsformen, Standorte und Arbeitsprozesse sowie deren Auswirkungen auf Beschäftigte in Deutschland. Den konzeptionellen Hintergrund bilden Arbeiten der geographischen Handelsforschung sowie Debatten zu Arbeitsplatzqualität und Beschäftigung. Für die Analyse sind Primärdaten und Sekundärdaten erhoben worden. Es zeigt sich, dass teilweise komplexe Betriebsformen entstehen, bei denen sich die Arbeit und Arbeitsorte verändern. Zudem entstehen neue Herausforderungen für die Beschäftigten (u.a. physische und psychische Belastung), welche in dieser Arbeit identifiziert werden.
Die Bodenfeuchte stellt eine essenzielle Variable für den Energie-, Feuchte- und Stoffaustausch zwischen Landoberfläche und Atmosphäre dar. Ihre Auswirkungen auf Temperatur und Niederschlag sind vielfältig und komplex. Die in Klimamodellen verwendeten Schemata zur Simulation der Bodenfeuchte, auch bodenhydrologische Schemata genannt, sind aufgrund des Ursprungs der Klimamodelle aus Wettermodellen jedoch häufig sehr stark vereinfacht dargestellt.
Bei Klimamodellen, die Simulationen mit einer groben Auflösung von mehreren Zehner- oder Hunderterkilometern rechnen, können viele Prozesse vernachlässigt werden. Da die Auflösung der Klimamodelle jedoch stetig steigt und mittlerweile beim koordinierten Projekt regionaler Klimamodelle CORDEX-CORE standardmäßig bei 0.22° Kantenlänge liegt, müssen auch höher aufgelöste Daten und mehr Prozesse simuliert werden. Dies gilt erst recht mit Blick auf konvektionsauflösende Simulationen mit wenigen Kilometern Kantenlänge. Mit steigenden Modellauflösungen steigt zugleich die Komplexität und Differenziertheit der Fragestellungen, die mit Hilfe von Klimamodellen beantwortet werden sollen. An diesem Punkt setzt auch das Projekt BigData@Geo an, in dessen Rahmen die vorliegende Arbeit entstand. Ziel dieses Projektes ist es, hochaufgelöste Klimainformationen für den bayerischen Regierungsbezirk Unterfranken für Akteure aus der Land- und Forstwirtschaft sowie dem Weinbau zur Verfügung zu stellen.
Auf diesen angewandten und grundlegenden Anforderungen und Zielsetzungen basierend, bedarf auch das in dieser Arbeit verwendete regionale Klimamodell REMO (Version 2015) der weiteren Entwicklung. So ist das Hauptziel der Arbeit das bestehende einschichtige bodenhydrologische Schema durch ein mehrschichtiges zu ersetzen. Der Vorteil mehrerer simulierter Bodenschichten besteht darin, dass nun die vertikale Bewegung des Wassers in Form von Versickerung und kapillarem Aufstieg simuliert werden kann. Dies geschieht auf der Basis bodenhydrologischer Parameter, deren Wert in Abhängigkeit vom Boden und der Bodenfeuchte über die Wasserrückhaltekurve bestimmt wird. Für diese Kurve existieren verschiedene Parametrisierungen, von denen die Ansätze von Clapp-Hornberger und van Genuchten verwendet wurden. Außerdem kann die Bodenfeuchte nun bis zu einer Tiefe von circa 10 m beziehungsweise der Tiefe des anstehenden Gesteins simuliert werden. Damit besteht im Gegensatz zum vorherigen Schema, dessen Tiefe auf die Wurzeltiefe beschränkt ist, die Möglichkeit, dass Wasser auch unterhalb der Wurzeln zur Verfügung stehen kann und somit die absolute im Boden verfügbare Wassermenge zunimmt. Die Schichtung erlaubt darüber hinaus die Verdunstung aus unbewachsenem Boden lediglich auf Basis des in der obersten Schicht verfügbaren Wassers. Ein weiterer Prozess, der dank der Schichtung und der weiter unten erläuterten Datensätze neu parametrisiert werden kann, ist die Infiltration.
Für die Verwendung des Schemas sind Informationen über bodenhydrologische Parameter, die Wurzeltiefe und die Tiefe bis zum anstehenden Gestein erforderlich. Entsprechende Datensätze müssen hierfür aufbereitet und in das Modell eingebaut werden. Bezüglich der Wurzeltiefe wurden drei sich bezüglich der Tiefe, der Definition und der verfügbaren Auflösung stark voneinander unterscheidende Datensätze verglichen. Letztendlich wird die Wurzeltiefe aus dem mit einer anderen REMO-Version gekoppelten Vegetationsmodul iMOVE verwendet, da zukünftig eine Kopplung dieses Moduls mit dem mehrschichtigen Boden geplant ist und die Wurzeltiefen damit konsistent sind. Zudem ist die zugrundeliegende Auflösung der Daten hoch und es werden maximale Wurzeltiefen berücksichtigt, die besonders wichtig für die Simulation von Landoberfläche-Atmosphäre-Interaktionen sind. Diese Vorteile brachten die anderen Datensätze nicht mit. In der finalen Modellversion werden für die Tiefe bis zum anstehenden Gestein und die Korngrößenverteilungen die Daten von SoilGrids verwendet. Ein Vergleich mit anderen Bodendatensätzen fand in einer parallel laufenden Dissertation statt (Ziegler 2022). Bei SoilGrids ist hervorzuheben, dass die Korngrößenverteilungen in einer hohen räumlichen Auflösung (1 km^2 oder höher) und mit mehreren vertikalen Schichten vorliegen. Gegenüber dem ursprünglich in REMO verwendeten Datensatz mit einer Kantenlänge von 0.5° und ohne vertikale Differenzierung ist dies eine starke Verbesserung der Eingangsdaten. Dazu kommt, dass die Korngrößenverteilungen die Verwendung kontinuierlicher Pedotransferfunktionen statt fünf diskreter Texturklassen, denen für die bodenhydrologischen Parameter fixe Tabellenwerte zugewiesen werden, ermöglichen. Dies führt zu einer deutlich besseren Differenzierung des heterogenen Bodens.
Im Rahmen der Arbeit wurden insgesamt 19 Simulationen für Europa und ein erweitertes Deutschlandgebiet mit Auflösungen von 0.44° beziehungsweise 0.11° für den Zeitraum 2000 bis 2018 gerechnet. Dabei zeigte sich, dass die Einführung des mehrschichtigen Bodenschemas gegenüber dem einschichtigen Schema zu einer Verringerung der Bodenfeuchte in der Wurzeltiefe führt. Nichtsdestotrotz nimmt die absolute Wassermenge des Bodens durch die Berücksichtigung des Bodens unterhalb der Wurzelzone zu. Bezogen auf die einzelnen Schichten wird die Bodenfeuchte damit zwar unterschätzt, im Laufe der Modellentwicklung kann jedoch eine Verbesserung im Vergleich zu ERA5 erzielt werden. Das neue Schema führt zu einer Verringerung der Evapotranspiration, die über alle Schritte der Modellentwicklung und besonders während der Sommermonate auftritt. Im Vergleich zu Validationsdaten von ERA5 und GLEAM zeigt sich, dass dies eine Verbesserung dieser Größe bedeutet, die sowohl in der Fläche als auch beim Fehler und in der Verteilung auftritt.
Gleiches lässt sich für den Oberflächenabfluss sagen. Hierfür implementierte Schemata (Philip, Green-Ampt), die anders als das standardmäßig verwendete Improved-Arno-Schema bodenhydrologische Parameter berücksichtigen, konnten eine weitere Verbesserung im Flachland zeigen. In Gebirgsregionen nahm der Fehler durch die nicht enthaltene Berücksichtigung der Hangneigung jedoch zu, sodass in der finalen Modellversion auf das Improved-Arno-Schema zurückgegriffen wurde. Die Temperatur steigt durch die ursprüngliche Version des mehrschichtigen Schemas zunächst an, was zu einer Über- statt der vorherigen Unterschätzung gegenüber E-OBS führt. Die Modellentwicklung resultiert zwar in einer Reduzierung der Temperatur, jedoch fällt diese zu stark aus, sodass der Temperaturfehler letztendlich größer als in der einschichtigen Modellversion ist. Da die Evapotranspiration jedoch maßgeblich verbessert wurde, kann dieser Fehler eventuell auf ein übermäßiges Tuning der Temperatur zurückgeführt werden.
Die Betrachtung von Hitzeereignissen am Beispiel der Sommer 2003 und 2018 hat gezeigt, dass die Modellentwicklung dazu beiträgt, diese Ereignisse besser als das einschichtige Schema zu simulieren. Zwar trifft dies nicht auf das räumliche Verhalten der mittleren Temperatur zu, jedoch auf deren zeitlichen Verlauf. Hinzu kommt die bessere Simulation der täglichen Extrem- und besonders der Minimaltemperatur, was zu einer Erhöhung der täglichen Temperaturspanne führt. Diese wird von Klimamodellen in der Regel zu stark unterschätzt.
Durch die Berücksichtigung der vertikalen Wasserflüsse hat sich jedoch auch gezeigt, dass noch enormes Entwicklungspotenzial mit Blick auf (boden)hydrologische Prozesse besteht. Dies gilt in besonderem Maße für zukünftige Simulationen mit konvektionserlaubender Auflösung. So sollten subskalige Informationen des Bodens und der Orographie berücksichtigt werden. Dies dient einerseits der Repräsentation vorliegender Heterogenitäten und kann andererseits, wie am Beispiel der Infiltrationsschemata dargelegt, zur Verbesserung bestehender Prozesse beitragen. Da die simulierte Drainage durch das mehrschichtige Bodenschema im gleichen Maße zu- wie der Oberflächenabfluss abnimmt und das Wasser dem Modell in der Folge nicht weiter zur Verfügung steht, sollte zukünftig auch Grundwasser im Modell berücksichtigt werden. Eine Vielzahl von Studien konnte einen Mehrwert durch die Implementierung dieser Variable und damit verbundener Prozesse feststellen. Mittelfristig ist jedoch insgesamt die Kopplung an ein hydrologisches Modell zu empfehlen, um die bei hochauflösenden Simulationen relevanten Prozesse angemessen repräsentieren zu können. Hierfür bieten sich beispielsweise ParFlow oder mHM an.
Insgesamt ist festzuhalten, dass das mehrschichtige Bodenschema einen Mehrwert liefert, da schwer zu simulierende und in der Postprozessierung zu korrigierende Variablen wie die Evapotranspiration und der Oberflächenabfluss deutlich besser modelliert werden können als mit dem einschichtigen Schema. Dies gilt auch für die Extremtemperaturen. Beides ist klar auf die Schichtung des Bodens und damit einhergehender Prozesse zurückzuführen. Bezüglich der Daten zeigt sich, dass die Wurzeltiefe, die Berücksichtigung von SoilGrids und die vertikale Bodeninformation für die weitere Optimierung verantwortlich sind. Darüber hinaus ist der höhere Informationsgehalt, der anhand der geschichteten Bodenfeuchte zur Verfügung steht, ebenfalls als Mehrwert einzustufen.
Wind energy is a key option in global dialogues about climate change mitigation. Here, we combined observations from surface wind stations, reanalysis datasets, and state‐of‐the‐art regional climate models from the Coordinated Regional Climate Downscaling Experiment (CORDEX Africa) to study the current and future wind energy potential in Zambia. We found that winds are dominated by southeasterlies and are rarely strong with an average speed of 2.8 m·s\(^{−1}\). When we converted the observed surface wind speed to a turbine hub height of 100 m, we found a ~38% increase in mean wind speed for the period 1981–2000. Further, both simulated and observed wind speed data show statistically significant increments across much of the country. The only areas that divert from this upward trend of wind speeds are the low land terrains of the Eastern Province bordering Malawi. Examining projections of wind power density (WPD), we found that although wind speed is increasing, it is still generally too weak to support large‐scale wind power generation. We found a meagre projected annual average WPD of 46.6 W·m\(^{−2}\). The highest WPDs of ~80 W·m\(^{−2}\) are projected in the northern and central parts of the country while the lowest are to be expected along the Luangwa valley in agreement with wind speed simulations. On average, Zambia is expected to experience minor WPD increments of 0.004 W·m\(^{−2}\) per year from 2031 to 2050. We conclude that small‐scale wind turbines that accommodate cut‐in wind speeds of 3.8 m·s\(^{−1}\) are the most suitable for power generation in Zambia. Further, given the limitations of small wind turbines, they are best suited for rural and suburban areas of the country where obstructions are few, thus making them ideal for complementing the government of the Republic of Zambia's rural electrification efforts.
The fast and accurate yield estimates with the increasing availability and variety of global satellite products and the rapid development of new algorithms remain a goal for precision agriculture and food security. However, the consistency and reliability of suitable methodologies that provide accurate crop yield outcomes still need to be explored. The study investigates the coupling of crop modeling and machine learning (ML) to improve the yield prediction of winter wheat (WW) and oil seed rape (OSR) and provides examples for the Free State of Bavaria (70,550 km2), Germany, in 2019. The main objectives are to find whether a coupling approach [Light Use Efficiency (LUE) + Random Forest (RF)] would result in better and more accurate yield predictions compared to results provided with other models not using the LUE. Four different RF models [RF1 (input: Normalized Difference Vegetation Index (NDVI)), RF2 (input: climate variables), RF3 (input: NDVI + climate variables), RF4 (input: LUE generated biomass + climate variables)], and one semi-empiric LUE model were designed with different input requirements to find the best predictors of crop monitoring. The results indicate that the individual use of the NDVI (in RF1) and the climate variables (in RF2) could not be the most accurate, reliable, and precise solution for crop monitoring; however, their combined use (in RF3) resulted in higher accuracies. Notably, the study suggested the coupling of the LUE model variables to the RF4 model can reduce the relative root mean square error (RRMSE) from −8% (WW) and −1.6% (OSR) and increase the R
2 by 14.3% (for both WW and OSR), compared to results just relying on LUE. Moreover, the research compares models yield outputs by inputting three different spatial inputs: Sentinel-2(S)-MOD13Q1 (10 m), Landsat (L)-MOD13Q1 (30 m), and MOD13Q1 (MODIS) (250 m). The S-MOD13Q1 data has relatively improved the performance of models with higher mean R
2 [0.80 (WW), 0.69 (OSR)], and lower RRMSE (%) (9.18, 10.21) compared to L-MOD13Q1 (30 m) and MOD13Q1 (250 m). Satellite-based crop biomass, solar radiation, and temperature are found to be the most influential variables in the yield prediction of both crops.
Atmospheric circulation is a key driver of climate variability, and the representation of atmospheric circulation modes in regional climate models (RCMs) can enhance the credibility of regional climate projections. This study examines the representation of large‐scale atmospheric circulation modes in Coupled Model Inter‐comparison Project phase 5 RCMs once driven by ERA‐Interim, and by two general circulation models (GCMs). The study region is Western Europe and the circulation modes are classified using the Promax rotated T‐mode principal component analysis. The results indicate that the RCMs can replicate the classified atmospheric modes as obtained from ERA5 reanalysis, though with biases dependent on the data providing the lateral boundary condition and the choice of RCM. When the boundary condition is provided by ERA‐Interim that is more consistent with observations, the simulated map types and the associating time series match well with their counterparts from ERA5. Further, on average, the multi‐model ensemble mean of the analysed RCMs, driven by ERA‐Interim, indicated a slight improvement in the representation of the modes obtained from ERA5. Conversely, when the RCMs are driven by the GCMs that are models without assimilation of observational data, the representation of the atmospheric modes, as obtained from ERA5, is relatively less accurate compared to when the RCMs are driven by ERA‐Interim. This suggests that the biases stem from the GCMs. On average, the representation of the modes was not improved in the multi‐model ensemble mean of the five analysed RCMs driven by either of the GCMs. However, when the best‐performed RCMs were selected on average the ensemble mean indicated a slight improvement. Moreover, the presence of the North Atlantic Oscillation (NAO) in the simulated modes depends also on the lateral boundary conditions. The relationship between the modes and the NAO was replicated only when the RCMs were driven by reanalysis. The results indicate that the forcing model is the main factor in reproducing the atmospheric circulation.