HALO-DB is the web platform of a data retrieval and long-term archive system. The system was established to hold and to manage a wide range of data based on observations of the HALO research aircraft and data which are related to HALO observations. HALO (High-Altitude and LOng-range aircraft) is the new German research aircraft (German Science Community (DFG)). The aircraft, a Gulfstream GV-550 Business-Jet, is strongly modified for the application as a research platform. HALO offers several advantages for scientific campaigns, such as its high range of more than 10000 km, a high maximum altitude of more than 15 km, as well as a relatively high payload.
As part of the Copernicus Space Component programme, ESA manages the coordinated access to the data procured from the various Contributing Missions and the Sentinels, in response to the Copernicus users requirements. The Data Access Portfolio documents the data offer and the access rights per user category. The CSCDA portal is the access point to all data, including Sentinel missions, for Copernicus Core Users as defined in the EU Copernicus Programme Regulation (e.g. Copernicus Services).The Copernicus Space Component (CSC) Data Access system is the interface for accessing the Earth Observation products from the Copernicus Space Component. The system overall space capacity relies on several EO missions contributing to Copernicus, and it is continuously evolving, with new missions becoming available along time and others ending and/or being replaced.
This raster dataset, in Cloud Optimized GeoTIFF format (COG), provides information on land surface changes at the pan-arctic scale. Multispectral Landsat-5 TM, Landsat-7 ETM+, and Landsat-8 OLI imagery (cloud-cover less than 80%, months July and August) was used for detecting disturbance trends (associated with abrupt permafrost degradation) between 2003 and 2022. For each satellite image we calculated the Tasseled Cap multi-spectral index to translate the spectral reflectance signal to the semantic information Brightness, Greenness, and Wetness. In order to characterize change information, we calculated the linear trend of the Brightness, Greenness and Wetness over two decades on the individual pixel level. The final map product therefore contains information on the direction and magnitude of change for all three Tasseled Cap parameters in 30m spatial resolution across the pan-arctic permafrost domain. Features detected include coastal erosion, lake drainage, infrastructure expansion, and fires. The general processing methodology was developed by Fraser et al. 2014 and adapted and expanded by Nitze et al. 2016 and Nitze et al. 2018. Here we upscaled the processing to the circum-arctic permafrost region and the recent 20-year period from 2003 through 2022. The service covers the permafrost region up to 81° North: Alaska (USA), Canada, Greenland, Iceland, Norway, Sweden, Finland, Russia, Mongolia, and China. For Russia and China, regions not containing permafrost were excluded. The data has been processed in Google EarthEngine within the research projects ERC PETA-CARB, ESA CCI+ Permafrost, NSF Permafrost Discovery Gateway, and EU Arctic PASSION. The dataset is a contribution to the 'Panarctic requirements-driven Permafrost Service' of the Arctic PASSION project (see references). Changes in the Tasseled Cap indices Brightness, Greenness, and Wetness are displayed in the image bands red, green, and blue, respectively. Here, coastal erosion (a trend of a land surface transitioning to a water surface) is depicted in dark blue colors, while coastal accretion (a trend of a water surface transitioning to a land surface) is depicted in bright orange colors. Drained lakes appear in bright yellow or orange colors, depending on the soil conditions and vegetation regrowth. Fire scars are a further common feature, which can appear in different colors, depending on the time of the fire and pre-fire land cover. The data can be explored via the Arctic Landscape EXplorer (ALEX, see references) and is available as a public web map service (WMS, see references), both hosted by Alfred Wegener Institute Helmholtz Centre for Polar and Marine Research.
This raster dataset, in Cloud Optimized GeoTIFF format (COG), provides information on land surface changes at the pan-arctic scale. Multispectral Landsat-5 TM, Landsat-7 ETM+, Landsat-8 OLI, and Landsat-9 OLI-2 imagery (cloud-cover less than 70%, months July and August) was used for detecting disturbance trends (associated with abrupt permafrost degradation) between 2005 and 2024. For each satellite image, we calculated the Tasseled Cap multi-spectral index to translate the spectral reflectance signal to the semantic information Brightness, Greenness, and Wetness. In order to characterize change information, we calculated the linear trend of Brightness, Greenness, and Wetness over two decades at the individual pixel level, based on annually aggregated data. The final map product therefore contains information on the direction and magnitude of change for all three Tasseled Cap parameters at 30 m spatial resolution across the pan-arctic permafrost domain. Features detected include coastal erosion, lake drainage, infrastructure expansion, and fires. The general processing methodology was developed by Fraser et al. (2014) and adapted and expanded by Nitze et al. (2016, 2018). Here, we upscaled the processing to the circum-arctic permafrost region and applied it to the recent 20-year period from 2005 through 2024. The service covers the permafrost region up to 81° North: Alaska (USA), Canada, Greenland, Iceland, Norway, Sweden, Finland, Russia, Mongolia, and China. For Russia and China, regions not containing permafrost were excluded. The data have been processed in Google Earth Engine as part of the research projects ERC PETA-CARB, ESA CCI+ Permafrost, NSF Permafrost Discovery Gateway, and EU Arctic PASSION. The dataset is a contribution to the 'Pan-Arctic Requirements-Driven Permafrost Service' of the Arctic PASSION project (see References). Changes in the Tasseled Cap indices – Brightness, Greenness, and Wetness – are displayed in the image bands red, green, and blue, respectively. Here, coastal erosion (a trend of a land surface transitioning to a water surface) is depicted in dark blue tones, while coastal accretion (a trend of a water surface transitioning to a land surface) is depicted in bright orange colors. Drained lakes are shown in bright yellow or orange colors, depending on the soil conditions and vegetation regrowth. Fire scars are a further common feature, appearing in different colors depending on the time of the fire and the pre-fire land cover. The data can be explored via the Arctic Landscape EXplorer (ALEX; see References) and are available as a public web map service (WMS; see References), both hosted by Alfred Wegener Institute Helmholtz Centre for Polar and Marine Research.
<p>Zu den hochwertigen Datensätzen in der Kategorie "Erdbeobachtung und Umwelt" zählen u. a. Werte zur Luftqualität.</p> <p>Entsprechende Daten werden vom staatlichen Gewerbeaufsichtsamt in Hildesheim und dem Umweltbundesamt (UBA) erhoben und verwaltet. Das Umweltbundesamt führt die Daten zusammen, informiert über Web und App und führt die Berichterstattung an die EU durch.</p> <p>In Oldenburg ist eine Messstelle am Heiligengeistwall aufgebaut. Die gemessenen Werte können über die verlinkte Webseite des Umweltbundesamtes oder die offene API des Umweltbundesamtes abgerufen werden. Eine Beschreibung der API befindet sich unter <a href="https://www.umweltbundesamt.de/sites/default/files/medien/358/dokumente/schnittstellenbeschreibung_luftdaten_api_v4.pdf">Schnittstellenbeschreibung »</a> und <a href="https://luftdaten.umweltbundesamt.de/api/air-data/v4/doc">Dokumentation »</a>.</p>
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.
Zur Erreichung der von der neuen Bundesregierung gesteckten Ausbauziele in der Windenergie ist die Erschließung einer Vielzahl neuer Flächen für Windparks in kurzer Zeit erforderlich. Grundlage für die Windparkplanung an einem neuen Standort ist die Abschätzung der zu erwartenden Energieerträge sowie die Auswahl geeigneter Windenergieanlagen. Derzeit ist die Ertragsabschätzung mit hohen Unsicherheiten behaftet. Zudem ist sie insbesondere aufgrund der aktuell erforderlichen, einjährigen Windmessung zeit- und kostenintensiv. Ziel des Projektes ist es deshalb, durch Verbesserungen entlang der gesamten Prozesskette qualitativ bessere Ertragsabschätzungen in kürzerer Zeit und zu deutlich geringeren Kosten zu ermöglichen. Für die Zielerreichung werden Verfahren entwickelt, die eine bessere Datengrundlage (z.B.Reanalysen, Rauhigkeitsdaten) für die Windbranche liefern. Darüber hinaus werden an verschiedenen Stellen innovative Verfahren aus dem Bereich der Data Science wie maschinelles Lernen oder Modellensembles verwendet, um eine genaue Abschätzung der Energieerträge in kürzerer Zeit zu ermöglichen. Das Zusammenführen der verschiedenen Verfahren und Daten zu einem Gesamtprozess ermöglicht neben der Qualitätssteigerung einen hohen Grad an Automatisierung von Ertragsgutachten. Letztendlich schafft das Projekt damit die Grundlage für eine Senkung der Projektrisiken für Planer und Projektierer. Darüber hinaus können die entwickelten Verfahren auch für genauere regionale Potenzialabschätzungen verwendet werden und so einen Beitrag zur besseren Planung des Windenergieausbaus leisten. Das Fraunhofer IEE koordiniert das Verbundprojekt. Wissenschaftlich fokussiert sich das Fraunhofer IEE im Rahmen ihrer Forschungsarbeiten auf die Entwicklung von Verfahren zur Detektion von Rauhigkeitsänderungen auf Basis von Erdbeobachtungsdaten und entwickelt zeitreihenabhängige Verlustmodelle für verbesserte Ertragsabschätzungen.
| Organisation | Count |
|---|---|
| Bund | 542 |
| Europa | 114 |
| Global | 1 |
| Kommune | 1 |
| Land | 15 |
| Schutzgebiete | 2 |
| Weitere | 33 |
| Wirtschaft | 5 |
| Wissenschaft | 270 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Daten und Messstellen | 16 |
| Ereignis | 10 |
| Förderprogramm | 514 |
| Hochwertiger Datensatz | 1 |
| Repositorium | 3 |
| Text | 10 |
| unbekannt | 52 |
| License | Count |
|---|---|
| Geschlossen | 16 |
| Offen | 563 |
| Unbekannt | 27 |
| Language | Count |
|---|---|
| Deutsch | 348 |
| Englisch | 296 |
| Resource type | Count |
|---|---|
| Archiv | 2 |
| Datei | 14 |
| Dokument | 5 |
| Keine | 380 |
| Webdienst | 2 |
| Webseite | 219 |
| Topic | Count |
|---|---|
| Boden | 463 |
| Lebewesen und Lebensräume | 515 |
| Luft | 451 |
| Mensch und Umwelt | 606 |
| Wasser | 287 |
| Weitere | 598 |