Suchergebnisse

ZusammenfassungWeltweit ist die Aquakultur der am schnellsten wachsende Sektor in der tierischen Lebensmittelproduktion. Dieser Sektor wird voraussichtlich immer wichtiger werden, um den zukünftigen Nahrungsmittelbedarf zu decken. Im Binnenland Österreich ist der Selbstversorgungsgrad von Fisch mit 6 % insgesamt bzw. 48 % bei Süßwasserfischen eher gering. Um ein nachhaltiges Wachstum des Sektors zu ermöglichen und gleichzeitig negative Auswirkungen auf die verwendeten aquatischen Ökosysteme und andere Nutzungen der Ressource Wasser zu vermeiden, wurde ein räumlicher Analyse-Ansatz zur nachhaltigen Zonierung von Forellenzuchtbetrieben, mit einem Schwerpunkt auf Durchflussanlagen, entwickelt. Dabei wurden 17 land- und 17 gewässerbezogene räumliche Kriterien identifiziert und hinsichtlich ihrer Eignung für die Errichtung eines Forellenzuchtbetriebs klassifiziert. Anschließend wurden die Kriterien in einem integrativen GIS-basierten Modellierungsansatz kombiniert, um eine landesweite und räumlich explizite Zonierung von Eignungsgebieten innerhalb Österreichs vorzunehmen. Von insgesamt 8113 Teileinzugsgebieten (TEZG) mit einer mittleren Größe von 10 km2 wurden so 1295 TEZG als geeignet eingestuft. Für diese TEZG wurde eine potenzielle Produktionsmenge an Fisch abgeschätzt. Mit einer mittleren Produktion von 48,7 t pro Standort könnten in Summe 63.088 t Fisch in Durchflussanlagen österreichweit produziert werden. Die Ergebnisse sollen in weiterer Folge in einem Online-Tool zu Verfügung gestellt werden und so die Entscheidungsfindung von Investoren und Behörden unterstützen. Als Schnittstelle zwischen den unterschiedlichen Anwender:innen kann das Tool dazu beitragen, eine nachhaltige Entwicklung der Aquakultur in Österreich voranzutreiben und Konflikte und Fehlinvestitionen frühzeitig zu vermeiden.

ZusammenfassungIm Rahmen dieser Arbeit wurden Abflusskennwerte für Hochwasser (MJHQ), Mittelwasser (MQ) sowie Niederwasser (MJNQ, MJNQ7, Q95, Q98) für alle topografischen Einzugsgebiete der österreichischen Oberflächenwasserkörper inklusive der ausländischen hydrologischen Oberlieger-Regionen vorhergesagt. Die Regionalisierung der Abflusskennwerte wurde mit dem Machine-Learning-Modell XGBoost durchgeführt. Zentrale Grundlage für das Training von XGBoost war der LamaH-Datensatz, welcher für 859 beobachtete Einzugsgebiete in Zentraleuropa über 70 aggregierte Einzugsgebietseigenschaften und 15 meteorologische Zeitreihen umfasst. Anthropogene Beeinflussungen wie z. B. Jahresspeicher oder Überleitungen wurden durch zusätzlich erstellte Attribute bei der Vorhersage berücksichtigt. Die Testergebnisse haben gezeigt, dass bei der Vorhersage der Abflusskennwerte in unbeobachteten Einzugsgebieten mit einer Abweichung von rund 20 % zu rechnen ist, wobei diese Schätzung auch stark anthropogen beeinflusste Gebiete beinhaltet. Darüber hinaus wurden auch 90-%-Konfidenzintervalle der Vorhersagen mit einem Quantile-Random-Forest-Modell geschätzt und klassifiziert. Die Ergebnisse werden der Öffentlichkeit in Form von Shapefiles unter https://doi.org/10.5281/zenodo.6523372 kostenlos zur Verfügung gestellt.