API src

Found 98 results.

Related terms

WMS ST Sentinel_S2R10_2020_KW17

Die Daten beinhalten aufbereitete Fernerkundungsdaten der Sentinel-2 Satelliten des europäischen Erdbeobachtungsprogramms „Copernicus“. Sentinel2-Aufnahme (S2) mit 10 m Auflösung (R10) vom 21.04.2020, aufbereitet durch das Landesamt für Vermessung und Geoinformation Sachsen-Anhalt und Bereitstellung als WMS in 3 Darstellungsvarianten (RGB, CIR, NDVI) für das Gebiet Sachsen-Anhalt.

WMS ST Sentinel_S2R10_2021_KW32

Die Daten beinhalten aufbereitete Fernerkundungsdaten der Sentinel-2 Satelliten des europäischen Erdbeobachtungsprogramms „Copernicus“. Sentinel2-Aufnahme (S2) mit 10 m Auflösung (R10) vom 08.09.2021, aufbereitet durch das Landesamt für Vermessung und Geoinformation Sachsen-Anhalt und Bereitstellung als WMS in 3 Darstellungsvarianten (RGB, CIR, NDVI) für das Gebiet Sachsen-Anhalt.

Satellitenbilder Sentinel-2 Hamburg

Die Europäische Weltraumorganisation (ESA) stellt innerhalb des Copernicus-Programms kostenfrei Satellitendaten der Missionen Sentinel (dt. Wächter) zur Verfügung. Der LGV bereitet die Daten zur einfacheren Nutzung quartalsweise auf. Originär können die Satellitendaten über die nationale Plattform CODE-DE (Copernicus Data and Exploitation Platform – Deutschland) bezogen werden. Datengrundlage: - Sentinel-2 L2A: Multispektrale, atmosphärisch korrigierte Daten - Georeferenziertes Mosaik - Kachel-Anzahl: 25 - Kachel-Größe: 8 km x 8 km - Kachel-Auswahl: Aktualität und Grad der Wolkenbedeckung - Farbdarstellung: RGB, CIR, NDVI - Bodenauflösung: 10m - Farbtiefe: 8 bit RGB (Red Green Blue): Die Bandkombination aus Rot (B4), Grün (B3) und Blau (B2) bildet die menschliche Farbwahrnehmung nach. Gesunde Vegetation wird grün, urbane Flächen werden weiß / grau und Wasserflächen werden, abhängig der Trübung, blau dargestellt. CIR (Color Infrared): Die Bandkombination aus nahem Infrarot (B8), Rot (B4) und Grün (B3) hebt die Vegetation hervor. Diese reflektiert aufgrund des Chlorophyllgehalts der Pflanzen im nahen Infrarotbereich besonders stark und wird rötlich dargestellt. Urbane Flächen erscheinen cyan-blau / grau und Wasserflächen dunkelblau. NDVI (Normalized Difference Vegetation Index): Der NDVI ist ein häufig angewendeter Index, welcher zur Einschätzung der Vegetation herangezogen wird. Er berechnet sich aus den Bändern Nahes Infrarot (B8) und Rot (B4): NDVI = (NIR-Rot)/(NIR+Rot) <b>Hinweis</b> "Keine Daten verfügbar": Wenn innerhalb eines Quartals ausschließlich Daten mit hoher Wolkenbedeckung vorliegen, wird kein Mosaik erzeugt. Dies ist insbesondere in Wintermonaten möglich. [© Contains modified Copernicus Sentinel data [2018-2024], processed on CODE-DE]

Satellitenbilder Sentinel-2 Hamburg

Die Europäische Weltraumorganisation (ESA) stellt innerhalb des Copernicus-Programms kostenfrei Satellitendaten der Missionen Sentinel (dt. Wächter) zur Verfügung. Der LGV bereitet die Daten zur einfacheren Nutzung quartalsweise auf. Originär können die Satellitendaten über die nationale Plattform CODE-DE (Copernicus Data and Exploitation Platform – Deutschland) bezogen werden. Datengrundlage: - Sentinel-2 L2A: Multispektrale, atmosphärisch korrigierte Daten - Georeferenziertes Mosaik - Kachel-Anzahl: 25 - Kachel-Größe: 8 km x 8 km - Kachel-Auswahl: Aktualität und Grad der Wolkenbedeckung - Farbdarstellung: RGB, CIR, NDVI - Bodenauflösung: 10m - Farbtiefe: 8 bit RGB (Red Green Blue): Die Bandkombination aus Rot (B4), Grün (B3) und Blau (B2) bildet die menschliche Farbwahrnehmung nach. Gesunde Vegetation wird grün, urbane Flächen werden weiß / grau und Wasserflächen werden, abhängig der Trübung, blau dargestellt. CIR (Color Infrared): Die Bandkombination aus nahem Infrarot (B8), Rot (B4) und Grün (B3) hebt die Vegetation hervor. Diese reflektiert aufgrund des Chlorophyllgehalts der Pflanzen im nahen Infrarotbereich besonders stark und wird rötlich dargestellt. Urbane Flächen erscheinen cyan-blau / grau und Wasserflächen dunkelblau. NDVI (Normalized Difference Vegetation Index): Der NDVI ist ein häufig angewendeter Index, welcher zur Einschätzung der Vegetation herangezogen wird. Er berechnet sich aus den Bändern Nahes Infrarot (B8) und Rot (B4): NDVI = (NIR-Rot)/(NIR+Rot) <b>Hinweis</b> "Keine Daten verfügbar": Wenn innerhalb eines Quartals ausschließlich Daten mit hoher Wolkenbedeckung vorliegen, wird kein Mosaik erzeugt. Dies ist insbesondere in Wintermonaten möglich. [© Contains modified Copernicus Sentinel data [2018-2024], processed on CODE-DE]

Untersuchung von Potentialen zur Nutzung von Copernicus-Daten und Diensten für die Umsetzung der Hochwasserrisikomanagementrichtlinie

Sowohl auf europäischer als auch auf nationaler Ebene finden Überlegungen statt, wie Daten und Dienste aus dem europäischen Copernicus Programm für die Wasserwirtschaft besser genutzt werden können. In dem Sachverständigengutachten wurde der Frage nachgegangen, inwieweit Copernicus einen Beitrag für das ⁠ Hochwasserrisikomanagement ⁠ sowie für die Berichterstattung zur Umsetzung der Hochwasserrisikomanagementrichtlinie leisten kann. Ein weiterer Fokus lag auf der Untersuchung von Einsatzmöglichkeiten für eine bundeseinheitliche Schadenspotentialermittlung. Anhand von Fallbeispielen wurden die Potentiale eines satellitenbasierten Monitorings vertiefend untersucht und Mehrwerte aufgezeigt. Veröffentlicht in Texte | 121/2019.

Welchen Beitrag können Satellitenfernerkundung und insbesondere Copernicus-Daten und –Dienste für die Ermittlung ausgewählter Indikatoren des Indikatoren-Sets der Deutschen Anpassungsstrategie an den Klimawandel (DAS) leisten

Zur Erprobung von Schnittstellen zwischen dem Erdbeobachtungsprogramm Copernicus der EU-KOM und dem Umweltmonitoring wurde untersucht, inwieweit sich das Indikatorensystem zur Deutschen ⁠ Anpassungsstrategie ⁠ an den ⁠ Klimawandel ⁠ (⁠ DAS ⁠) mithilfe von Satellitendaten weiterentwickeln lässt. Das Ergebnis sind konkrete Vorschläge für zusätzliche und weiterentwickelte DAS-Indikatoren sowie Ansätze für perspektivische Weiterentwicklungen. Bedeutende Potenziale des Copernicus-Programms für das DAS-Indikatorensystem liegen neben den allgemein zugänglichen Copernicus-Services in der Nutzung und Entwicklung von Value adding-Services, die auf die DAS-Fragestellungen fokussierte Auswertungen zulassen. Veröffentlicht in Climate Change | 07/2017.

Change Detection map of Germany 2016-2019 based on Sentinel-2 data

This change map was produced as an intermediate result in the course of the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. The map indicates land cover changes between the years 2016 and 2019. It is a difference map from two classifications based on Sentinel-2 MAJA data (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). More information on the two basis classifications can be found here: https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/db130a09-fc2e-421d-95e2-1575e7c4b45c https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/36512b46-f3aa-4aa4-8281-7584ec46c813 To keep only significant changes in the change detection map, the following postprocessing steps are applied to the initial difference raster: - Modefilter (3x3) to eliminate isolated pixels and edge effects - Information gain in a 4x4 window compares class distribution within the window from the two timesteps. High values indicate that the class distribution in the window has changed, and thus a change is likely. Gain ranges from 0 to 1, all changes < 0.5 are omitted. - Change areas < 1ha are removed The resulting map has the following nomenclature: 0: No Change 1: Change from low vegetation to forest 2: Change from water to forest 3: Change from built-up to forest 4: Change from bare soil to forest 5: Change from agriculture to forest 6: Change from forest to low vegetation 7: Change from water to low vegetation 8: Change from built-up to low vegetation 9: Change from bare soil to low vegetation 10: Change from agriculture to low vegetation 11: Change from forest to water 12: Change from low vegetation to water 13: Change from built-up to water 14: Change from bare soil to water 15: Change from agriculture to water 16: Change from forest to built-up 17: Change from low vegetation to built-up 18: Change from water to built-up 19: Change from bare soil to built-up 20: Change from agriculture to built-up 21: Change from forest to bare soil 22: Change from low vegetation to bare soil 23: Change from water to bare soil 24: Change from built-up to bare soil 25: Change from agriculture to bare soil 26: Change from forest to agriculture 27: Change from low vegetation to agriculture 28: Change from water to agriculture 29: Change from built-up to agriculture 30: Change from bare soil to agriculture - Contains modified Copernicus Sentinel data (2016/2019), processed by mundialis Incora report with details on methods and results: pending

Change Detection map of Germany 2019-2020 based on Sentinel-2 data

This change map was produced on the basis of a classification method developed in the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. The map indicates land cover changes between the years 2019 and 2020. It is a difference map from two classifications based on Sentinel-2 MAJA data (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). More information on the two basis classifications can be found here: https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/36512b46-f3aa-4aa4-8281-7584ec46c813 https://data.mundialis.de/geonetwork/srv/eng/catalog.search#/metadata/9246503f-6adf-460b-a31e-73a649182d07 To keep only significant changes in the change detection map, the following postprocessing steps are applied to the initial difference raster: - Modefilter (3x3) to eliminate isolated pixels and edge effects - Information gain in a 4x4 window compares class distribution within the window from the two timesteps. High values indicate that the class distribution in the window has changed, and thus a change is likely. Gain ranges from 0 to 1, all changes < 0.5 are omitted. - Change areas < 1ha are removed The resulting map has the following nomenclature: 0: No Change 1: Change from low vegetation to forest 2: Change from water to forest 3: Change from built-up to forest 4: Change from bare soil to forest 5: Change from agriculture to forest 6: Change from forest to low vegetation 7: Change from water to low vegetation 8: Change from built-up to low vegetation 9: Change from bare soil to low vegetation 10: Change from agriculture to low vegetation 11: Change from forest to water 12: Change from low vegetation to water 13: Change from built-up to water 14: Change from bare soil to water 15: Change from agriculture to water 16: Change from forest to built-up 17: Change from low vegetation to built-up 18: Change from water to built-up 19: Change from bare soil to built-up 20: Change from agriculture to built-up 21: Change from forest to bare soil 22: Change from low vegetation to bare soil 23: Change from water to bare soil 24: Change from built-up to bare soil 25: Change from agriculture to bare soil 26: Change from forest to agriculture 27: Change from low vegetation to agriculture 28: Change from water to agriculture 29: Change from built-up to agriculture 30: Change from bare soil to agriculture - Contains modified Copernicus Sentinel data (2019/2020), processed by mundialis Incora report with details on methods and results: pending

Landcover classification map of Germany 2016 based on Sentinel-2 data

This landcover map was produced as an intermediate result in the course of the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2016), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 88.4% class: user's accuracy / producer's accuracy (number of reference points n) forest: 96.7% / 94.3% (1410) low vegetation: 70.6% / 84.0% (844) water: 98.5% / 94.2% (69) built-up: 98.2% / 89.8% (983) bare soil: 19.7% / 58.5% (41) agriculture: 91.7% / 85.3% (1653) Incora report with details on methods and results: pending

Landcover classification map of Germany 2019 based on Sentinel-2 data

This landcover map was produced as an intermediate result in the course of the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2019), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 91.9% class: user's accuracy / producer's accuracy (number of reference points n) forest: 98.1% / 95.9% (1410) low vegetation: 76.4% / 91.5% (844) water: 98.4% / 92.8% (69) built-up: 99.2% / 97.4% (983) bare soil: 35.1% / 95.1% (41) agriculture: 95.9% / 85.3% (1653) Incora report with details on methods and results: pending

1 2 3 4 5 … 8 9 10