Probabilistische Modellierung von Kohlenstoffdynamiken in Mooren über längere Zeiträume (eb1023)

Grunddaten zu diesem Projekt

Art des Projektes: Gefördertes Einzelprojekt
Laufzeit: 01.09.2021 - 31.08.2024

Beschreibung

Moore regulieren die Treibhausgaskonzentration in der Atmosphäreund damit das globale Klima. Sie bilden einen der größtenterrestrischen C-Speicher und aktuelle und prognostizierte langfristigeVeränderungen in Temperatur, Niederschlag und Stickstoffdepositionstellen eine potenzielle Bedrohung für diese Funktionen dar.Dynamische Moormodelle (DMM) sind notwendig, um einmechanistisches Verständnis der Prozessinteraktionen zu erlangen,um langfristige Veränderungen der C-Akkumulationsratenvorherzusagen und um kontrastierende Ergebnisse einzelner Studienzu synthetisieren. Seit etwa 40 Jahren werden DMM kontinuierlichverbessert, indem zusätzliche Prozesse, zeitliche Dynamiken undräumliche Heterogenität integriert werden. Sensitivitätsanalysen vonDMM haben gezeigt, dass die Unsicherheiten im Allgemeinen großsind und die korrekte Interpretation von Prozessinteraktionenmaßgeblich beeinflussen können. In anderen Disziplinen konntenfrühere deterministische Modelle erfolgreich durch die Anwendungprobabilistischer Modelle, Analyse und gezielte Reduktion vonUnsicherheiten mithilfe von Datenassimilation weiterentwickeltwerden. Für probabilistisches DMM wurden Unsicherheiten bisherjedoch kaum quantifiziert und analysiert. Um DMM nützlicher zumachen, schlagen wir vor, ein probabilistisches DMM zu entwickelnund Unsicherheiten in den Inputdaten und den Parametern von DMMmit Hilfe von Unsicherheitsanalyse und Datenassimilation zuquantifizieren, zu analysieren und zu verringern. Wir erwarten, dassDatenassimilation insbesondere Unsicherheiten für langfristige Moore regulieren die Treibhausgaskonzentration in der Atmosphäreund damit das globale Klima. Sie bilden einen der größtenterrestrischen C-Speicher und aktuelle und prognostizierte langfristigeVeränderungen in Temperatur, Niederschlag und Stickstoffdepositionstellen eine potenzielle Bedrohung für diese Funktionen dar.Dynamische Moormodelle (DMM) sind notwendig, um einmechanistisches Verständnis der Prozessinteraktionen zu erlangen,um langfristige Veränderungen der C-Akkumulationsratenvorherzusagen und um kontrastierende Ergebnisse einzelner Studienzu synthetisieren. Seit etwa 40 Jahren werden DMM kontinuierlichverbessert, indem zusätzliche Prozesse, zeitliche Dynamiken undräumliche Heterogenität integriert werden. Sensitivitätsanalysen vonDMM haben gezeigt, dass die Unsicherheiten im Allgemeinen großsind und die korrekte Interpretation von Prozessinteraktionenmaßgeblich beeinflussen können. In anderen Disziplinen konntenfrühere deterministische Modelle erfolgreich durch die Anwendungprobabilistischer Modelle, Analyse und gezielte Reduktion vonUnsicherheiten mithilfe von Datenassimilation weiterentwickeltwerden. Für probabilistisches DMM wurden Unsicherheiten bisherjedoch kaum quantifiziert und analysiert. Um DMM nützlicher zumachen, schlagen wir vor, ein probabilistisches DMM zu entwickelnund Unsicherheiten in den Inputdaten und den Parametern von DMMmit Hilfe von Unsicherheitsanalyse und Datenassimilation zuquantifizieren, zu analysieren und zu verringern. Wir erwarten, dassDatenassimilation insbesondere Unsicherheiten für langfristige

Stichwörter: Geoinformatik; Landschaftsökologie; Hydrologie