Nutzung erneuerbaren Energien entlang der Verkehrsinfrastruktur

<p>Im BMVI Expertennetzwerk sind sieben Ressortforschungseinrichtungen und Fachbehörden des BMVI vernetzt, die sich mit dem zukunftsorientierten Wandel der Verkehrsinfrastruktur auseinandersetzen. Im Rahmen des BMVI Expertennetzwerks ist die Aufgabe des Themenfelds 5 „Einsatzpotenziale erneuerbarer Energie für Verkehr und Infrastruktur verstärkt erschließen“. Der Deutsche Wetterdienst ist für die Bereitstellung meteorologischer Daten als Grundlage für Berechnungen und zur Koordination im Themenfeld beteiligt. Weitere im Themenfeld 5 beteiligte Behörden sind die Bundesanstalt für Straßenwesen (BASt) und das Deutsche Zentrum für Schienenverkehrsforschung (DZSF).</p><p>In der ersten Phase des Expertennetzwerks beschäftigte sich Themenfeld 5 von 2017 bis 2019 mit Potenzialabschätzungen zur Nutzung erneuerbarer Energien entlang dem Verkehrsträger Straße, Schiene und Wasser. Dabei wurden im Rahmen von Pilotprojekten der Verbrauch und die potenzielle Erzeugung erneuerbarer Energien im kleinräumigen Rahmen untersucht. Die Kernaufgabe des Deutschen Wetterdienst war die Analyse energierelevanter meteorologischer Datensätze und der damit einhergehende Vergleich verschiedener Datenprodukte. Dabei stellten sich satellitengestützte Strahlungsdaten und Reanalyseprodukte für den Energiesektor als relevant heraus.</p><p>In der zweiten Phase des Expertennetzwerks, die von 2020 bis 2023 reicht, liegen die Aufgaben des Themenfelds 5 unter anderem in der deutschlandweiten Abschätzung des Potenzials erneuerbarer Energien an der Verkehrsinfrastruktur. Dafür wird aktuell im Besonderen das gesamte Leistungspotenzial von in Lärmschutzwänden integrierten Photovoltaikanlagen entlang Fernbundesstraßen und Schienen berechnet. Der Deutsche Wetterdienst stellt dabei die meteorologischen Ausgangsdaten zur Verfügung und berechnet die Kapazitätsfaktoren an den Standorten der Lärmschutzeinrichtungen. Dafür werden Reanalysedaten und satellitengestützte Strahlungsdaten des DWD verwendet, welche zuvor qualitativ ausgewertet werden. Diese Leistungsabschätzung soll einen ersten groben Überblick über das Potenzial integrierten Photovoltaikanlagen und das daraus resultierende CO₂-Einsparpotenzial geben.</p><p>Die qualitative Bewertung der Datensätze ist auch über das Expertennetzwerk hinaus für Energieanwendungen von Interesse. Während der letzten Jahre sind durch verschiedene DWD-Aktivitäten neue Datensätze mit hohem Anwendungspotential entstanden. Die regionale Reanalyse COSMO-REA6 basiert auf dem Wettervorhersagemodell COSMO des DWD und der Assimilation der verfügbaren historischen Beobachtungen. Der Datensatz liefert realitätsnahe und konsistente Felder diverser meteorologischer Parameter und insbesondere der Parameter Wind wird häufig in energiebezogenen Anwendungen genutzt. Im Bereich der Strahlung stehen zusätzlich Datensätze zur Verfügung, die aus langjährigen Beobachtungen meteorologischer Satelliten abgeleitet wurden, wie beispielsweise der SARAH-2-Datensatz, der in der EUMETSAT Satellite Application Facility for Climate Monitoring (koordiniert durch den DWD) erstellt wurde.</p>

Satellitenbasierte Klimadatensätze und Produkte vom EUMETSAT’s CM SAF als Bestandteil einer nachhaltigen Infrastruktur zur Beobachtung der GCOS ECV‘s

<p>Das CM SAF (EUMETSAT Satellite Application Facility on Climate Monitoring) produziert, archiviert und stellt unter https://www.cmsaf.eu langjährige satellitenbasierte Klimadatensätze von vielen GCOS Essential Climate Variables (ECVs, essentielle Klimavariablen) bereit, die inzwischen auch die komplette aktuelle WMO Klimareferenzperiode 1990-2020 abdecken und damit eine gute Grundlage für die Analyse von Klimavariabilität und Klimawandel liefern. Seit 1999 hat das CM SAF kontinuierlich eine nachhaltige Infrastruktur zur Erzeugung von Klimadatensätzen aufgebaut, mit der Zeitreihen in hoher Qualität in einer operationellen Umgebung erzeugt werden, die auch aktuelle wissenschaftliche Entwicklungen berücksichtigen.</p> <p>Der inhaltliche Fokus des CM SAF liegt auf ECVs, wie Wolken, Wasserdampf, Niederschlag, Landoberflächentemperatur oder der Strahlungskomponenten (langwellig/kurzwellig) am Erdboden und am Oberrand der Atmosphäre, die durch GCOS (Global Climate Observing System) definiert wurden und im Zusammenhang mit dem globalen Energie und Wasser Kreislauf stehen. Einerseits nutzt das CM SAF dazu polarumlaufende Satelliten mit einer globalen räumlichen Abdeckung. Andererseits werden vom CM SAF für Afrika und Europa, Klimadatensätze für Wolken und Strahlung  basierend auf den zeitlich hochaufgelösten Messungen der METEOSAT-Instrumente erzeugt.</p> <p>Alle Daten des CM SAF werden kostenlos abgebeben, sind umfangreich dokumentiert und unabhängig extern begutachtet, um eine hohe Qualität zu gewährleisten. Dies wird unterstützt durch einen umfassenden Service für Kunden, indem beispielsweise Trainingsworkshops und andere Aktivitäten angeboten werden.</p> <p>Diese Präsentation wird einen Überblick über die aktuellen und geplanten Aktivitäten des CM SAF geben und soll interessierten Nutzern durch beispielhafte Anwendungen den Umgang mit CM SAF Produkten verdeutlichen. Zudem werden zukünftige mögliche Anwendungen der Datensätze aufgezeigt. </p>

Die CM SAF R Toolbox – Ein Werkzeug zur einfachen Analyse und Visualisierung von Klimadaten im NetCDF-Format

<p>Das Mandat der ‚Satellite Application Facility on Climate Monitoring‘ (CM SAF) besteht darin, hochwertige satellitengestützte Klimadatensätze von Variablen des Energie- und Wasserkreislaufs zu entwickeln, zu generieren, zu archivieren und zu verteilen, um die Überwachung, das Verständnis und die Anpassung an Klimavariabilität und Klimawandel zu unterstützen (www.cmsaf.eu). Ergänzend hat das CM SAF die CM SAF R Toolbox entwickelt, mit der sich CM SAF NetCDF-Daten aufbereiten, analysieren und visualisieren lassen. Das Ziel ist es, eine kostenfreie Open-Source-Software anzubieten, die einfach zu bedienenden ist und Nutzern hilft mit Klimadaten im NetCDF-Format zu arbeiten.<br />Die CM SAF R Toolbox basiert auf der Programmiersprache R, kann aufgrund der shiny-basierten Benutzeroberfläche aber auch von R-unerfahrenen Nutzern mühelos angewandt werden. Die Datenaufbereitung der Toolbox umfasst das Entpacken und Zusammenführen der Daten sowie eine optionale zeitliche und räumliche Auswahl. Für die Analyse und Manipulation von NetCDF-Daten stehen mehr als 100 Operatoren zur Verfügung. Diese umfassen einfache mathematische Operationen, diverse statistische Operatoren oder auch komplexe Klimaanalysen. Zur Visualisierung der Ergebnisse bietet die CM SAF R Toolbox eine Vielzahl von Möglichkeiten zur individuellen Anpassung von 2D-Karten oder 1D-Zeitserien. So stehen u.a. mehr als 75 Farbskalen zur Auswahl, es können eigene Orte markiert werden und die Verwendung von Shapedaten erlaubt es ausgewählte Länder oder Regionen abzubilden.<br />Mehr als 50.000 Downloads weltweit, als auch die Verwendung für Peer-Reviewed Publikationen, zeigen, dass die CM SAF R Toolbox vielseitig einsetzbar ist. So ist die Toolbox zum Beispiel eine wichtige Komponente bei EUMETSAT Trainingsworkshops oder Onlinekursen.  </p>

Artificial Intelligence Revolutionises Weather Forecast, Climate Monitoring and Decadal Prediction

Artificial Intelligence (AI) is an explosively growing field of computer technology, which is expected to transform many aspects of our society in a profound way. AI techniques are used to analyse large amounts of unstructured and heterogeneous data and discover and exploit complex and intricate relations among these data, without recourse to an explicit analytical treatment of those relations. These AI techniques are unavoidable to make sense of the rapidly increasing data deluge and to respond to the challenging new demands in Weather Forecast (WF), Climate Monitoring (CM) and Decadal Prediction (DP). The use of AI techniques can lead simultaneously to: (1) a reduction of human development effort, (2) a more efficient use of computing resources and (3) an increased forecast quality. To realise this potential, a new generation of scientists combining atmospheric science domain knowledge and state-of-the-art AI skills needs to be trained. AI should become a cornerstone of future weather and climate observation and modelling systems.

Spectral shapes and parameters from three different wave sensors

The quality of wave measurements is of primary importance for the validation of wave forecasting models, satellite wave calibration and validation, wave physics, offshore operations and design and climate monitoring. Validation of global wave forecasts revealed significant regional differences, which were linked to the different wave buoy systems used by different countries. To fully understand the differences between the wave measurement systems, it is necessary to go beyond investigations of the integral wave parameters height, period and direction, into the frequency spectra and the four directional Fourier parameters that are used to estimate the directional distribution. We here analyse wave data measured from three different sensors (non-directional Datawell Waverider buoy, WaveRadar Rex, Optech laser) operating at the Ekofisk oil production platform located in the central North Sea over a period of several months, with significant wave height ranging from 1 to 10 m. In general, all three sensors provide similar measurements of the integral wave properties and frequency spectra, although there are some significant differences which could impact design and operations, forecast verification and climate monitoring. For example, the radar underestimates energy in frequency bands higher than 8 s by 3–5%, swell (12.5–16 s) by 5–13%, while the laser has 1–2% more energy than the Waverider in the most energetic bands. Lee effects of structures are also estimated. Lower energy at the frequency tail with the radar has an effect on wave periods (they are higher); wave steepness is seen to be reduced by 10% in the wind seas. Goda peakedness and the unidirectional Benjamin-Feir index are also examined for the three sensors.

INFORMATION TECHNOLOGY OF CLIMATE MONITORING

Context. Information monitoring technology is used to reduce information uncertainty about the regularity of air temperature changes during managing work in hard-to-reach places [1]. The task was to create a method for modelling one of the climatic indicators, air temperature, in the given territories in the information monitoring technology structure. Climate models are the main tools for studying the response of the ecological system to external and internal influences. The problem of reducing information uncertainty in making managerial decisions is eliminated by predicting the consequences of using planned control actions using climate modelling methods in information monitoring technology. The information technology of climate monitoring combines satellite observation methods and observations on climate stations, taking into account the spatial and temporal characteristics, to form an array of input data. It was made with the methods for synthesizing models of monitoring information systems [1] and methods of forming multilevel model structures of the monitoring information systems [1] for converting observation results into knowledge, and with the rules for interpreting obtained results for calculating the temperature value in the uncontrolled territories. Objective of the work is to solve the problem of identifying the functional dependence of the air temperature in a given uncontrolled territory on the results of observations of the climate characteristics by meteorological stations in the information technology of climate monitoring structure. Method. The methodology for creating information technologies for monitoring has been improved to expand its capabilities to perform new tasks of forecasting temperature using data from thermal imaging satellites and weather stations by using a new method of climate modelling. A systematic approach to the process of climate modelling and the group method of data handling were used for solving problems of functional dependence identification, methods of mathematical statistics for evaluating models. Results. The deviation of the calculated temperature values with the synthesized monitoring information systems models from the actual values obtained from the results of observations by artificial earth satellites does not, on average, exceed 2.5°С. Temperature traces obtained from satellite images and weather stations at similar points show similar dynamics. Conclusions. The problem of the functional dependence identification of air temperature in uncontrolled territories on the results of observations at meteorological stations is solved. The obtained results were used in the process of creating a new method of climate modelling within information technology of climate monitoring. Experimental confirmation of the hypothesis about the possibility of using satellite images in regional models of temperature prediction has been obtained. The effectiveness of the application of the methodology for the creation of monitoring information technologies during the implementation of the tasks of reducing uncertainty for management decisions during works in non-controlled territories has been proven.

Satellite-derived sunshine duration data in the CM SAF SARAH-3 climate data record

<p>Sunshine Duration (SDU) is an important parameter in climate monitoring (e.g., due to the availability of long term measurements) and weather application. The exceptional sunny years in Europe since 2018 have raised also the attention of the general public towards this parameter.</p><p>The definition of SDU by WMO via the threshold of 120 W/m<sup>2</sup> for the Direct Normal Irradiance (DNI) allows the estimation of sunshine duration from satellite-derived surface irradiance data. Sunshine duration is part of the climate data record (CDR) “Surface Solar Radiation data set – Heliosat” (SARAH-2.1, doi: 10.5676/EUM_SAF_CM/SARAH/V002_01) by EUMETSAT Satellite Application Facility on Climate Monitoring (CM SAF), which is based on observations from the series of Meteosat satellites. The provided temporal resolutions are daily and monthly sums with a grid space of 0.05°; the data are available from 1983 to 2017 at www.cmsaf.eu. This climate data record is temporally extended by the so-called SARAH-ICDR (Interim Climate Data record) with an average timeliness of 3 days to allow climate monitoring. An updated, improved, and extended version of the SARAH-2.1 CDR is currently being developed and will be made available in early 2022. The SARAH-3 CDR of sunshine duration, covering 1983 to 2020, will be improved compared to the current version, in particular during situations with snow-covered surfaces.</p><p>Here, the algorithm, improvements compared to SARAH-2.1 and a first validation will be presented for sunshine duration, especially for Germany and Europe. The validation is based on station data from Climate Data Center (CDC) for Germany and European Climate Assessment & Dataset (ECA&D) for Europe.</p>