Prof. Dr. Klaus Müller

Prof. Dr. Klaus Müller erforscht die Integration von Klimawandelanpassung in Bildung und Stadtentwicklung. Ein aktueller Schwerpunkt liegt auf der Qualifizierung von Lehrkräften und Bildungsträgern im Garten- und Landschaftsbau, um klimarelevante Inhalte in Aus- und Weiterbildung zu verankern. Parallel entwickelt er Konzepte für klimaangepasste Stadtgrünentwicklung, etwa durch Grüne Klimaoasen in Berlin, die Hitzeeffekte reduzieren und Regenwassermanagement verbessern. Seine transdisziplinäre Arbeit verbindet dabei Bildungsforschung mit Stadtplanung und lokaler Stakeholder-Beteiligung, um praktische Handlungsspielräume für Kommunen und Unternehmen der Grünflächenwirtschaft zu schaffen.

🔒 Das System hat 154 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• FG 497: Strukturwandel und Transformation im Agrarbereich - Teilprojekt 3: Produktion von Non Commodity Outputs in landwirtschaftlichen Betrieben (I)

  Quelle ↗

  Die Produktion von Non Commodity Outputs bietet für Agrarbetriebe Chancen, die aus veränderten agrarpolitischen Rahmenbedingungen (WTO-Verhandlungen, EU-Osterweiterung, Einstellungsveränderungen, veränderte Knappheiten) zu erwartenden Einkommenseinbußen aufzufangen. Der Begriff der Non Commodity Outputs umschreibt die vielfältigen ökonomischen, sozialen und ökologischen Nutzen, welche die Landwirtschaft im Zusammenhang mit der Produktion von Nahrungsmitteln und Rohstoffen (Commodity Outputs) bereitstellen kann. Dieser Gedanke basiert darauf, dass im Entwicklungsprozess freie Güter zu knappen Gütern werden und sich dadurch neue Marktchancen ergeben. Im Teilprojekt interessiert, welche Chancen sich für landwirtschaftliche Betriebe in konkreten Regionen mit der Produktion von Non Commodity Outputs ergeben. Aufgrund der Immobilität dieser Güter ist eine genaue Untersuchung derjenigen Faktoren erforderlich, welche die Standortgunst der verfügbaren Betriebsflächen für eine Produktion von Non Commodity Outputs determinieren. Eine empirische Basis hierfür bilden Betriebe in einer Region im Süden von Brandenburg und in Westpolen. Der Vergleich der regionalspezifischen Ergebnisse soll zeigen, wie sich die Standortgunst konkreter Betriebsflächen für die Produktion von Non Commodity Outputs im Transformationsprozess verändert. Dabei soll der Schwerpunkt der Untersuchung auf der Synthese verschiedener Theorien und Erklärungsansätze zu Multifunktionalität liegen, um eine Grundlage für vertiefende Arbeiten zu diesem, in dieser Herangehensweise noch wenig beschriebenen Forschungsfeld zu liefern. Agrarsystemrural areasmultifunctional agriculturesustainable agriculturePolandprotection of resourcesstructural change/transformationtransformation processprotection of the environmentEU-agricultural policydiversificationcommodity outputsDiversifikationjoint productionKuppelproduktionnon commodity outputstrade-offsagricultural policyagri-environmental policymultifunctionalityMultifunktionalitätUmweltschutzMultifunktionale LandwirtschaftStrukturwandelPolenRessourcenschutzEU-AgrarpolitikTransformationsprozessLändlicher RaumNachhaltige LandwirtschaftAgrarumweltpolitikAgrarpolitik

• Canonical maximization of coherence: A novel tool for investigation of neuronal interactions between two datasets

  2019

  NeuroImage · DOI

• Ein äußerer magnetokatalytischer Effekt

  1964

  Angewandte Chemie · DOI

• Obtaining the Best Linear Unbiased Estimator of Noisy Signals by Non-Gaussian Component Analysis

  2006

  DOI

  Obtaining the best linear unbiased estimator (BLUE) of noisy signals is a traditional but powerful approach to noise reduction. Explicitly computing BLUE usually requires the prior knowledge of the subspace to which the true signal belongs and the noise covariance matrix. However, such prior knowledge is often unavailable in reality, which prevents us from applying BLUE to real-world problems. In this paper, we therefore give a method for obtaining BLUE without such prior knowledge. Our additional assumption is that the true signal follows a non-Gaussian distribution while the noise is Gaussian