Auf unserer Webseite verwenden wir Cookies, die unter „Cookie-Einstellungen anpassen“ näher beschrieben werden. Notwendige Cookies werden für grundlegende Funktionen der Webseite benötigt, um eine optimale Nutzung zu ermöglichen. Dadurch ist gewährleistet, dass die Webseite einwandfrei funktioniert. Darüber hinaus können Sie Cookies für Statistikzwecke zulassen. Diese ermöglichen es uns, die Webseite stetig zu verbessern und Ihr Nutzererlebnis zu optimieren. Ihre Einwilligung zur Nutzung der Statistik-Cookies ist freiwillig und kann in der Datenschutzerklärung dieser Webseite unter „Cookie-Einstellungen“ jederzeit widerrufen werden.
Probabilistische Modellierung von Kohlenstoffdynamiken in Mooren über längere Zeiträume
Projekt
Förderkennzeichen: 468648567
Laufzeit: 01.01.2021
- 31.12.2023
Forschungszweck: Experimentelle Forschung
Moore regulieren die Treibhausgaskonzentration in der Atmosphäre und damit das globale Klima. Sie bilden einen der größten terrestrischen C-Speicher und aktuelle und prognostizierte langfristige Veränderungen in Temperatur, Niederschlag und Stickstoffdeposition stellen eine potenzielle Bedrohung für diese Funktionen dar. Dynamische Moormodelle (DMM) sind notwendig, um ein mechanistisches Verständnis der Prozessinteraktionen zu erlangen, um langfristige Veränderungen der C-Akkumulationsraten vorherzusagen und um kontrastierende Ergebnisse einzelner Studien zu synthetisieren. Seit etwa 40 Jahren werden DMM kontinuierlich verbessert, indem zusätzliche Prozesse, zeitliche Dynamiken und räumliche Heterogenität integriert werden. Sensitivitätsanalysen von DMM haben gezeigt, dass die Unsicherheiten im Allgemeinen groß sind und die korrekte Interpretation von Prozessinteraktionen maßgeblich beeinflussen können. In anderen Disziplinen konnten frühere deterministische Modelle erfolgreich durch die Anwendung probabilistischer Modelle, Analyse und gezielte Reduktion von Unsicherheiten mithilfe von Datenassimilation weiterentwickelt werden. Für probabilistisches DMM wurden Unsicherheiten bisher jedoch kaum quantifiziert und analysiert. Um DMM nützlicher zu machen, schlagen wir vor, ein probabilistisches DMM zu entwickeln und Unsicherheiten in den Inputdaten und den Parametern von DMM mit Hilfe von Unsicherheitsanalyse und Datenassimilation zu quantifizieren, zu analysieren und zu verringern. Wir erwarten, dass Datenassimilation insbesondere Unsicherheiten für langfristige Abbauraten verringern kann, wenn man verschiedene vorhandene Datenquellen (Torfkerndaten und Litterbagdaten) und die Informationen mehrerer Torfeigenschaften gleichzeitig synthetisiert (z.B. C- und N-Gehalt). Mit diesem Ansatz wollen wir abschätzen, welchen Einfluss Unsicherheiten für unser Verständnis der Auswirkungen von Temperatur, Niederschlag und Stickstoffdeposition auf die C-Akkumulation in Mooren haben. Um das zu erreichen, wollen wir Bedingungen identifizieren, unter denen Experimente gegensätzliche Ergebnisse liefern können, und Strategien für eine effiziente zukünftige Verringerung von Unsicherheiten in DMM entwickeln.
Abschnittsübersicht
Fachgebiete
- Agrarökologie
- Landschaftsplanung
- Bodenkunde
- Klimawandel