API src

Found 443 results.

Related terms

Gebäude- und Vegetationshöhen 2012

Albertz, J. 2001: Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft- und Satellitenbildern, 2. Aufl., Darmstadt. Baatz, M. & Schäpe, A. 2000: Multiresolution Segmentation: an optimization approach for high quality multi-scale image segmentation. In: Strobl, J. (Hrsg.): Angewandte Geographische Informationsverarbeitung XII. Beiträge zum AGIT-Symposium Salzburg 2000, Karlsruhe, Herbert Wichmann Verlag, S. 12-23. Blaschke, T. 2000: Ohne Salz und Pfeffer. In: GeoBIT, Band 2, S. 19-21. Deutsches Zentrum für Luft- und Raumfahrt DLR e.V. 2014: Bestimmung von Gebäude- und Vegetationshöhen in Berlin, Ergebnisdokumentation. Internet: Download PDF Heipke, C. 2003: Photogrammetrie & Fernerkundung – vom Elektronenmikroskop bis zur Planetenbeobachtung.In: Photogrammetrie Fernerkundung Geoinformation, Band 3, S. 165-180. Hirschmüller, H. 2005: Accurate and Efficient Stereo Processing by Semi Global Matching and Mutual Information. In: Pro. of the IEEE International Conference on the Computer Vision and Pattern Recognition (CVPR 2005), San Diego, CA, USA, S. 807-814, 20-25. Hirschmüller, H. et al. 2010: Evaluation of Digital Sufrace Models by Semi-Global-Matching, DGPF Tagungsband 19/2010, Dreiländertagung OVG, DGPF und SGPF, S. 571-580. Kraus, K. 2004: Photogrammetrie (Band 1). Geometrische Informationen aus Photographien und Laserscanneraufnahmen, 7.Aufl., Berlin. Lehmann, F., Bucher, T., Pless, S. & Wieden, A. 2011: Hochauflösende Oberflächenmodelle und True Ortho Photos aus digitalen Luftbildkameras: die Entwicklung anhand von Beispielen der letzten 10 Jahre. In: DGPF, Tagungsband 20/2011. Mayer, S. 2004: Automatisierte Objekterkennung zur Interpretation hochauflösender Bilddaten in der Erdfernerkundung, Dissertation, Humboldt-Universität zu Berlin. SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt) (Hrsg.) 2012a: SAPOS – Satellitenpositionierungsdienst in Berlin. Internet: www.berlin.de/sen/sbw/stadtdaten/geoportal/landesvermessung/raumbezug/sapos/ (Zugriff am 23.03.2023). SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt) (Hrsg.) 2013a: Geoportal Berlin. Internet: gdi.berlin.de/viewer/main/ (Zugriff am 17.04.2026) Trosset, A.M., Bucher, T., Lehmann, F. 2009: Adaption of building extraction rule sets derived from MFC3 and UltraCamD aerial image data sets. In: Proc. of SPIE, Band 7478. SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2010: Blockkarte 1:5.000 (ISU5), III F, Stand: 31.12.2010, Berlin. SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2011a: Digitale farbige Orthophotos 2010 (RGB-DOPs), Differentialentzerrung, Darstellung im Blattschnitt der Karte von Berlin 1:1.000 (K1) als Rasterdaten im Dateiformat ECW. SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) III – Geoinformation (Hrsg.) 2011b: Übersichtskarte von Berlin 1:50.000, Stand: 2010, einzelne Nachträge: 2011, Berlin. SenStadt (Senatsverwaltung für Stadtentwicklung Berlin) (Hrsg.) 2012b: Karte der Gebäudegeschosse auf Grundlage der Automatisierte Liegenschaftskarte Berlin (ALK) als Teil des Liegenschaftskatasters (Stand 30.6.2011). SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2012c: Umweltatlas Berlin, Ausgabe 2012, Karte 01.02. Versiegelung, 1:50.000, Berlin. Internet: /umweltatlas/boden/versiegelung/2011/karten/artikel.956259.php SenStadtUm (Senatsverwaltung für Stadtentwicklung und Umwelt Berlin) (Hrsg.) 2013b: Automatisierte Liegenschaftskarte (ALK-Berlin), Teil des Liegenschaftskatasters, flächendeckende und kontinuierliche Fortschreibung, Berlin.

Moderne Seespiegelschwankungen des Lake Abaya, Süd-Äthiopien - Die Analyse eines Process-Response-Systems im Wirkungsfeld zwischen Human Impact und natürlichen Wasserhaushaltsschwankungen

Gegenstand des Forschungsvorhabens sind die modernen Seespiegelschwankungen des Lake Abaya, eines Rift-Valleys-Sees im südlichen Äthiopien und die Erfassung des hierfür verantwortlichen Ursachengefüges. Die Seespiegelstände des Lake Abaya unterliegen seit 1989 einem kontinuierlichem Anstieg, während in demselben Zeitraum die jährlichen Abflussmengen der Tributäre abnehmen. Der natürliche Wasserhaushalt wird durch den seit Anfang der 70er Jahre des 20. Jahrhunderts kontinuierlich zunehmenden Bevölkerungsdruck und der damit einhergehenden Intensivierung der Landnutzung und der hieraus resultierenden drastischen Zunahme der Bodenerosion überprägt. Die raum-zeitliche Bewertung der Abflussbildungs- und Erosionsprozesse im Einzugsgebiet erfordert zunächst die Bilanzierung des Sedimentationsverhaltens, vorgenommen mit Hilfe sedimentologischer Analyse von Delta- und Schwemmfächerablagerungen. Die Datierung dieser sehr jungen Sedimente erfolgt mit Hilfe der Analyse der radioaktiven Isotope 137Cs und 210Pb. Gleichzeitig soll anhand des organischen Pollutants DDT und seiner metabolisierten Abbauprodukte DDE und DDD eine alternative Möglichkeit der Altersdatierung dieser sehr jungen Sedimente überprüft werden. Der sich in Raum und Zeit verändernde Einfluss des Menschen auf den Landschaftshaushalt wird für den Zeitraum ab 1981 über die Veränderungen des Vegetationsbedeckungsgrades (NVDI) auf der Grundlage von NOAA-AVHRR Bilddaten erfasst. Durch Einbeziehung von Zensusdaten dienen die NDVI-Daten dann als Grundlage einer räumlichen Gewichtung des Landnutzungsverhaltens. Die Verknüpfung dieser Datenreihen mit den Analysen des aktuellen Wasser- und Schwebstoffhaushaltes unter Einbeziehung der Klimamessreihen erlaubt schließlich die Modellierung des Wasser- und Schwebstoffhaushaltes für die letzten 20 Jahre des 20. Jahrhunderts. Unter Einbeziehung der Ergebnisse der Sedimentanalyse in diese Modellierungsansätze sollen so schließlich für das 20. Jahrhundert der Wasserhaushalt, der Schwebstoffhaushalt und die Bodenerosionsgefährdung in Raum und Zeit modelliert werden.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Gartz, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Uelzen, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

ATKIS - DOP20 (2018)

Orthophotos sind differenziell entzerrte, massstäbliche Luftbilder. Unter Verwendung eines digitalen Geländemodells werden die Luftbilder in digitale Orthophotos umgerechnet. Hinsichtlich der Lagegenauigkeit sind die Orthophotos bei gleichem Maßstab einer Karte gleichwertig. Orthophotos enthalten zum Zeitpunkt der Aufnahme alle topographischen Objekte. Die farbigen Orthophotos (RGB) wurden um das Nahe Infrarot als 4. Kanal erweitert. Neben den klassischen RGB-DOP können daher auch IR-DOP oder CIR-DOP abgegeben werden. Befliegung 2018

Deutschlandmosaik aus Sentinel-2-Daten (2020)

Das Mosaik ermöglicht den Bedarfsträgern aufbereitete Fernerkundungsinformationen aus dem Erdbeobachtungsprogramm Copernicus (Sentinel-2, L1C und L2A) für die Bundesrepublik Deutschland, in bestehende Fachverfahren mit einzubinden. Bilddaten des Jahres 2020 werden zu einem Mosaik zusammengefügt, welches eine Bodenauflösung von 10m hat. Drei Komposite aus fünf Bändern (Sentinel-2 Bänder: 2, 3, 4, 5 und 8 (R, G, B, Red Edge und NIR)) sowie ein Übersichtslayer zu den Eingangsbilddaten werden angeboten. Das Produkt Deutschlandmosaik steht momentan als WMS-Dienst zur Verfügung. Verwendungsmöglichkeiten für das Mosaik sind: Visualisierungen für eigene Dienste und kartographische Anwendungen, Kartierungs- und Aktualisierungsunterstützung von Landbedeckungen, 3D-Flugsimulationen in Verbindung mit Höheninformationen (DGM, DOM).

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Bad-Doberan, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Brandenburg, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Erstmalige Umsetzung eines selbstlernenden NIR-Systems mit Bilderkennung zur sortenreinen Sortierung von Altpapier und Erschließung neuer Altpapierressourcen

Die LEIPA Georg Leinfelder GmbH ist ein führender Papierhersteller im Europäischen Markt. Am Standort in Schwedt werden jährlich ca. 1,195 Millionen Tonnen Papier und Verpackungen aus 100 Prozent Altpapier produziert. Am Standort wird bisher eine konventionelle lineare Altpapiersortierung bestehend aus den Stufen Aufgabebunker, Grobsieb, Feinsieb, PaperSpike/NIR-Spektroskopie und Sortierkabine betrieben. Durch die Sortierung erhält man drei wesentliche Altpapierströme. Darunter die Deinkingware, welche für die Herstellung von hochwertigen weißen Papieren eingesetzt wird, die OCC-Ware (old corrugated containerboard), welche als braune Fasern für Kartonagen und Pappe verwendet wird und die Mischware, welche ebenfalls in die Herstellung von Kartonagen und Pappe fließt. Das übergeordnete Ziel der Sortierung ist es, möglichst hochwertige Deinkingware sowie OCC-Ware in einer hohen Sortenreinheit zu sortieren. Bisher landen jedoch große Mengen hochwertigerer Deinkingware im Mischpapier und in den Sortierresten und gehen damit für eine höherwertige Verwertung verloren. Vorversuche des Unternehmens haben erhebliche Potentiale von hochwertigen weißen Altpapieren im Mischpapier und auch in anderen bisher unwirtschaftlichen Altpapierströmen wie Papier, Karton und Pappe (PPK) aus der Erfassung von Leichtverpackungen, Altpapier aus dem Restabfall und Gewerbeabfall aufgezeigt, die mit den konventionellen Systemen noch nicht stofflich verwertet werden können. Im Rahmen dieses Vorhabens möchte die LEIPA Georg Leinfelder GmbH in eine innovative Anlage zur hocheffizienten und sortenreinen Sortierung von Altpapier investieren. Die neue Anlage mit einer jährlichen Kapazität von 120.000 Tonnen soll einerseits die Sortierausbeute, insbesondere der hochwertigen Deinkingware für grafische Papiere, deutlich steigern und andererseits auch alternative Altpapierquellen erschließen. Als Herz der Sortieranlage ermöglicht die NIR-Sortierung mit GAIN-Technologie zusätzlich zur Nahinfrarotspektroskopie eine Bilderkennung mit deep-learning-Funktion. Diese Bilderkennung stellt eine absolute Neuheit im Bereich der Papiersortierung dar. Sie ist in der Lage, durch eine moderne Sensorik Bilddaten (Form/Textur) zu sammeln und diese zu klassifizieren. So können beispielsweise komplexe Verpackungsreste wie Kartonagen mit weißer Außenschicht und grauen oder braunen Fasern im Inneren erkannt werden. In der Folge entstehen im Sortierprozess ein weitaus reineres Deinkinggut und zugleich eine höhere Ausbeute. Eine Innovation liegt auch in der geplanten Vernetzung der Anlage bzw. der Anlagenkomponenten untereinander. Mit der Software Insight von TOMRA werden sämtliche NIR/GAIN-Systeme untereinander vernetzt, die Software stellt eine leistungsfähige Industrie 4.0-Datenplattform zur Verbesserung der Sortier- und Klassifizierungseffizienz dar. Durch die innovative Sortiertechnik soll die Sortierquote für weiße Altpapiere (Deinkingware) aus Haushaltssammelware um ca. 10 Prozent gesteigert werden. Jährlich können mit der neuen Anlagen 8.640 Tonnen Deinkingware aus Haushaltssammelware und 6.435 Tonnen Deinkingware aus Leichtverpackungen für das stofflich hochwertige Recycling zurückgewonnen werden. Insgesamt können jährlich 15.075 Tonnen Deinkingware zurückgewonnen werden, die Frischfaser substituieren können. Durch die Digitalisierung und automatische Steuerung der Prozesse in der Altpapieraufbereitung und der Papierproduktion können im weiteren Verlauf weitere Energie und Chemikalieneinsparungen erreicht werden. Vor dem Hintergrund, dass die Menge an weißen Papierfasern im Altpapier stetig abnimmt und daher in der Zukunft Beschaffungsprobleme entstehen können, ist die Steigerung der Sortierquote für deinkbare Fasern von zentraler Bedeutung, um auch in Zukunft auf den Einsatz von Frischfasern verzichten zu können und die 100prozentige Altpapierquote in LEIPAs Papierproduktion zu erhalten. So gelingt langfristig auch die Vermeidung eines höheren Energie- und Ressourceneinsatzes in der Erzeugung von Frischfasern. Branche: Papier und Pappe Umweltbereich: Ressourcen Fördernehmer: LEIPA Georg Leinfelder GmbH Bundesland: Brandenburg Laufzeit: seit 2023 Status: Laufend

ATKIS - DOP 2024

Diese DOP Daten wurden mit der Qualitätstufe TrueDOP erzeugt. Die Luftbilder werden auf Grundlage des bildbasierten Digitalen Oberflächenmodells (bDOM) entzerrt. Auf diese Weise wird nicht nur das Gelände, sondern auch jedes Objekt oberhalb des Geländes entzerrt und lagerichtig dargestellt. Verkippungen insbesondere bei der Darstellung der Gebäude werden eliminiert. Sichttote Bereiche im Orthophoto werden erheblich reduziert und der Informationsgehalt gesteigert.

1 2 3 4 5 … 43 44 45