Skip to main content

Full text: 48: Öl im Meer - Risiken, Vorsorge und Bekämpfung

100 
Langzeitmodellierung zur Abschätzung von Trends und Risiken 
bestimmter Variablen konditioniert werden. Ein anderes Beispiel wäre die Auswahl einer bestimmten Saison 
im Diagramm oben rechts, wonach sich alle dargestellten Wahrscheinlichkeiten nur noch auf Simulationen 
in dieser Jahreszeit beziehen. Auf diese Weise ließe sich auch unmittelbar visualisieren, wie vorherrschende 
Windrichtungen jahreszeitlich variieren. 
Die Reaktionen der graphischen Oberfläche auf Eingaben des Nutzers ergeben sich auf Basis von Wahr 
scheinlichkeitstabellen, die an Hand der Simulationsergebnisse kalibriert wurden. Da das System dabei 
nicht direkt auf diese Simulationsergebnisse zugreift, benötigt es minimale Computerressourcen. Sollen 
bestimmte Einzelereignisse genauer untersucht werden, so muss man doch auf die originalen Simulationen 
zurückgehen. Die Wahrscheinlichkeitsdarstellung liefert aber bereits genau diejenigen zusammengefassten 
Informationen, welche beispielsweise für Risikoanalysen relevant sind. 
Zusammenfassung 
Detaillierte modellgestützte Rekonstruktionen meteorologischer und mariner Verhältnisse über mehrere De 
kaden liefern ein flächendeckendes Bild über Trends, Variabilität und Extremereignisse. Eine Verknüpfung 
von Beobachtungen mit derartigen Modellergebnissen bedeutet einen erheblichen Mehrwert für die Daten 
analyse, indem Informationen über variable Umweltbedingungen die Interpretation von Veränderungen in 
Langzeitbeobachtungen stützen. Darüber hinaus können die modellgestützten Langzeitrekonstruktionen als 
„Labor“ für Risiko- und Belastungsanalysen verwendet werden, wofür die hiesige Studie ein Beispiel liefert. 
Grundsätzlich ermöglichen die detaillierten Modellrechnungen basierend auf bestmöglichen Beschreibun 
gen der zeitlichen Entwicklung der Umweltbedingungen den Blick auf sowohl konkrete Einzelereignisse als 
auch mittlere Verhältnisse. Ein praktisches Problem stellt allerdings der sehr große Umfang der produzier 
ten Datensätze dar, deren Auswertung in der Regel speziell programmierte Software auf großen Rechnern 
erfordert. Dieses eher technische Problem erschwert die Vermittlung der Ergebnisse für weiterführende Stu 
dien oder die Bewertung von Handlungsoptionen. Bayessche Netzwerke könnten hier einen Weg eröffnen, 
Nutzern der Daten den Einblick in die wesentlichen Wirkungszusammenhänge zu erleichtern.
	        
Waiting...

Note to user

Dear user,

In response to current developments in the web technology used by the Goobi viewer, the software no longer supports your browser.

Please use one of the following browsers to display this page correctly.

Thank you.