Light emerging from natural water bodies and measured by remote sensing radiometers contains information about the local type and concentrations of phytoplankton, non-algal particles and colored dissolved organic matter in the underlying waters. An increase in spectral resolution in forthcoming satellite and airborne remote sensing missions is expected to lead to new or improved capabilities to characterize aquatic ecosystems. Such upcoming missions include NASA's Plankton, Aerosol, Cloud, ocean Ecosystem (PACE) Mission; the NASA Surface Biology and Geology observable mission; and NASA Airborne Visible / Infrared Imaging Spectrometer (AVIRIS) - Next Generation airborne missions. In anticipation of these missions, we present an organized dataset of geographically diverse, quality-controlled, high spectral resolution inherent and apparent optical property (IOP/AOP) aquatic data. The data are intended to be of use to increase our understanding of aquatic optical properties, to develop aquatic remote sensing data product algorithms, and to perform calibration and validation activities for forthcoming aquatic-focused imaging spectrometry missions. The dataset is comprised of contributions from several investigators and investigating teams collected over a range of geographic areas and water types, including inland waters, estuaries and oceans. Specific in situ measurements include coefficients describing particulate absorption, particulate attenuation, non-algal particulate absorption, colored dissolved organic matter absorption, phytoplankton absorption, total absorption, total attenuation, particulate backscattering, and total backscattering, as well as remote sensing reflectance, and irradiance reflectance.
This product shows globally the daily snow cover extent (SCE). The snow cover extent is the result of the Global SnowPack processor's interpolation steps and all data gaps have been filled. Snow cover extent is updated daily and processed in near real time (3 days lag). In addition to the near real-time product (NRT_SCE), the entire annual data set is processed again after the end of a calendar year in order to close data gaps etc. and the result is made available as a quality-tested SCE product. There is also a quality layer for each day (SCE_Accuracy), which reflects the quality of the snow determination based on the time interval to the next "cloud-free" day, the time of year and the topographical/geographical location. The “Global SnowPack” is derived from daily, operational MODIS snow cover product for each day since February 2000. Data gaps due to polar night and cloud cover are filled in several processing steps, which provides a unique global data set characterized by its high accuracy, spatial resolution of 500 meters and continuous future expansion. It consists of the two main elements daily snow cover extent (SCE) and seasonal snow cover duration (SCD; full and for early and late season). Both parameters have been designated by the WMO as essential climate variables, the accurate determination of which is important in order to be able to record the effects of climate change. Changes in the largest part of the cryosphere in terms of area have drastic effects on people and the environment. For more information please also refer to: Dietz, A.J., Kuenzer, C., Conrad, C., 2013. Snow-cover variability in central Asia between 2000 and 2011 derived from improved MODIS daily snow-cover products. International Journal of Remote Sensing 34, 3879–3902. https://doi.org/10.1080/01431161.2013.767480 Dietz, A.J., Kuenzer, C., Dech, S., 2015. Global SnowPack: a new set of snow cover parameters for studying status and dynamics of the planetary snow cover extent. Remote Sensing Letters 6, 844–853. https://doi.org/10.1080/2150704X.2015.1084551 Dietz, A.J., Wohner, C., Kuenzer, C., 2012. European Snow Cover Characteristics between 2000 and 2011 Derived from Improved MODIS Daily Snow Cover Products. Remote Sensing 4. https://doi.org/10.3390/rs4082432 Dietz, J.A., Conrad, C., Kuenzer, C., Gesell, G., Dech, S., 2014. Identifying Changing Snow Cover Characteristics in Central Asia between 1986 and 2014 from Remote Sensing Data. Remote Sensing 6. https://doi.org/10.3390/rs61212752 Rößler, S., Witt, M.S., Ikonen, J., Brown, I.A., Dietz, A.J., 2021. Remote Sensing of Snow Cover Variability and Its Influence on the Runoff of Sápmi’s Rivers. Geosciences 11, 130. https://doi.org/10.3390/geosciences11030130
This dataset provides monthly maximum Land Surface Temperature (LST) values over Europe, derived from 1-km AVHRR observations. The data is generated by DLR and provided in the framework of the TIMELINE project. LST values are retrieved using physically-based split- and mono-window algorithms and corrected for atmospheric influences and surface emissivity. Only cloud-free observations with sensor view angles below 50 degrees are used. Due to reliance on infrared observations, data may be limited under persistent cloud cover. To ensure temporal consistency across sensors and overpass times, an orbit drift correction method was applied. This method harmonizes LST values to a fixed reference time of 13:00 local solar time, approximating the daily maximum temperature. The dataset is gridded in a 1-km LAEA ETRS89 projection. The product is provided in four tiles, covering the extent of the European Environmental Agency (EEA) reference grid, which includes the area from 900 000 m East and 900 000m North to 7 400 000m East and 5 500 000m North. The TIMELINE (TIMe Series Processing of Medium Resolution Earth Observation Data assessing Long-Term Dynamics In our Natural Environment) project, led by the German Remote Sensing Data Center (DFD) of the German Aerospace Center (DLR), focuses on generating a consistent, multi-decadal time series derived from NOAA and Metop AVHRR data. Spanning more than 40 years from the early 1980s to the present this dataset covers Europe and North Africa. TIMELINE establishes an operational environment for the systematic reprocessing of AVHRR raw data into Level 1b, Level 2, and Level 3 geoinformation products at 1.1 km spatial resolution. These products maintain uniform standards in format, projection, and spatial coverage. The dataset includes a comprehensive suite of land and atmospheric parameters such as atmospherically corrected surface reflectance, NDVI, snow cover, fire hotspots, burnt area, land and sea surface temperatures, and various cloud physical properties (e.g., cloud top temperature). By combining traditional and innovative remote sensing products with robust processing algorithms and state-of-the-art validation techniques, TIMELINE provides a unique, high-quality dataset for global change research.
Grundlage für den Geodatendienst sind Geodaten, welche aus dem System zur Identifizierung landw. Parzellen (LPIS) stammen und somit das Referenzsystem für die flächenbezogenen Agrarzahlungen abbilden. In Baden-Württemberg wird das Katasterflurstück als Referenzparzelle genutzt. Das System zur Identifizierung landwirtschaftlicher Parzellen ist ein Teilsystem des Integrierten Verwaltungs- und Kontrollsystems (InVeKoS) im Sinne von Artikel 68 der Verordnung (EG) Nr. 1306/2013. Die Daten werden für die gesamte landwirtschaftliche Fläche Baden-Württembergs aufgrund § 3 Abs. 1 der InVeKoS-Verordnung erhoben und laufend auf Basis aktueller Luftbilder (Orthophotos) und Fernerkundungsdaten weiter gepflegt. Weitere Informationen zur Agrarpolitik und Förderung in Baden-Württemberg finden Sie unter: https://foerderung.landwirtschaft-bw.de/pb/,Lde/Startseite und unter: https://foerderung.landwirtschaft-bw.de/Vorjahre-GA. Der Erfassungsmaßstab beträgt ca. 1:5.000. Das zugrundeliegende Koordinatensystem ist ETRS89. Die Bodenbedeckung, auch Nutzungsart, ist auf den einzelnen Referenzparzellen abgegrenzt und kann folgende Eigenschaften haben, siehe folgende Liste. Je Referenzparzelle sind mehrere Nutzungsarten möglich. Ackerland Grünland Dauerkultur Nicht landwirtschaftliche Fläche Hecke/Knick (LE) Hecke/Knick (CC-LE) Baumreihe (CC-LE) Feuchtgebiet (CC-LE) Feldrain (LE) Feldrain (CC-LE) Graben (LE) Tümpel, Söll, Doline (CC-LE) Trockenmauer, Lesesteinwall (CC-LE) Fels-, Steinriegel (CC-LE) Feldgehölz (LE) Feldgehölz (CC-LE) Einzelbaum (LE) (Punktobjekt) Einzelbaum (CC-LE) (Punktobjekt) Einzelstrauch (LE) (Punktobjekt) Die verwendeten Abkürzungen bedeuten: LE = Landschaftselement CC-LE = Cross-Compliance Landschaftselement Neben der Bodenbedeckung/Nutzungsart hat jede Geometrie einen eindeutigen Identen, die FLIK der Referenzparzelle, die für Direktzahlungen förderfähige Höchstfläche in ha und eine Angabe zur Aktualität des Datenstandes.
Der rasche Ausbau der erneuerbaren Energiequellen stellt eine große Herausforderung dar, wenn es darum geht, die Energieentwicklung mit konkurrierenden Interessen in Einklang zu bringen. Dies unterstreicht die Notwendigkeit präziser raumbezogener Daten, um eine effektive Bilanzierung, Steuerung oder Bewertung der Einhaltung gesetzlicher Vorgaben zu ermöglichen. In Deutschland stellt das vom Bundesnetzagentur betriebene Marktstammdatenregister (MaStR) eine weit verbreitete Datenquelle für standort- und anlagenspezifische Informationen dar. Der vorliegende Datensatz baut auf dem Marktstammdatenregister auf und verbessert dessen räumliche Genauigkeit für Onshore-Windkraftanlagen durch die Nutzung hochauflösender Fernerkundungsdaten und Deep Learning gestützter Objekterkennung. Der Datensatz besteht aus Punktgeometrien von Windenergieanlagen an Land in Deutschland. Die Windkraftanlagen wurden mithilfe des Objekterkennungsalgorithmus YOLO auf hochauflösenden Satellitenbild-Zeitreihen von PlanetScope detektiert. Die Inferenz erfolgte auf monatlichen PlanetScope-Basiskarten (Global Monthly Basemaps) für die Monate April bis Oktober der Jahre 2018 bis 2024, mit insgesamt 45 deutschlandweiten Inferenzdurchläufen. Das Trainingsdatenset basiert auf den von Manske & Schmiedt (2023) am UFZ semi-manuell korrigierten Standortdaten des Marktstammdatenregisters für die Jahre 2021, 2022 und 2023. Dabei wurden Windkraftanlagen standortgleichmäßig ausgewählt, um eine geografisch ausgewogene Trainingsstichprobe zu gewährleisten. Zusätzlich wurden Negativbeispiele in das Trainingsset aufgenommen. Diese wurden sowohl zufällig aus ganz Deutschland ausgewählt (mit Ausschlusszonen um Windkraftstandorte) als auch gezielt aus Objektklassen, die häufig zu Fehlklassifizierungen führen (z. B. Strommasten, Mobilfunktürme), basierend auf Daten aus OpenStreetMap. Der Datensatz wurde in mehreren Iterationen verfeinert: Schlechte anfängliche Labels, die nicht zuverlässig über mehrere Zeitpunkte hinweg vom trainierten Modell erneut erkannt wurden, wurden gefiltert. Zusätzlich wurden Szenen ergänzt, bei denen das Modell Schwierigkeiten hatte. Die monatlichen Detektionen von Windkraftanlagen über Deutschland hinweg wurden zeitlich aggregiert. Hierzu wurden alle Detektionen zusammengeführt, die innerhalb eines bestimmten Puffers über die Zeit hinweg wiederholt erkannt wurden. Die Zeitreihe der Erkennungszeitpunkte wurde als Attribut an die aggregierten Punkte angefügt. Um Detektionsrauschen zu filtern, kann der Datensatz nach einer Mindestanzahl von Erkennungen pro Punkt gefiltert werden. In zukünftigen Arbeiten planen wir, den Datensatz um aktuelle Monate zu erweitern, die Nachbearbeitung zur Eliminierung von Fehlklassifikationen zu verbessern sowie für jede Erkennung eine Verlinkung zur jeweiligen ID im Marktstammdatenregister bereitzustellen.
Bei dem Datensatz handelt es sich um Fernerkundungsdaten aus dem Copernicus-Programm der Europäischen Kommission und der Europäischen Weltraumorganisation, die für das Gebiet von Sachsen-Anhalt aufbereitet wurden. Die Sentinel-2 Satelliten des Copernicus-Programm liefern multispektrale Aufnahmen im Wellenlängenbereich des sichtbaren Licht (VIS) und nahen Infrarotbereich (NIR) aus denen nahezu wolkenfreie Mosaikbilder erstellt werden. Diese Daten finden insbesondere in der Forst-, Wasser-, und Agrarwirtschaft Anwendung um z.B. zeitliche Veränderungen zu beobachten.
Das Lasescanning als neues Fernerkundungsverfahren um Zeugen traditionneller Kulturlandschaften zu dokumentieren Die bereits im Rahmen des Projektes 'Wölbäcker von Rastatt' gewonnenen Erfahrungen zum Einsatz des Laser Scanning wurden auch 2007 und 2008 weiter ergänzt und vor allem in breiten Kreisen potentieller Anwender im In- und Ausland vorgestellt. Wölbäcker sind Zeugen früherer Formen des Ackerbaus, die sich als wellenartige Folge von Furchen und Scheiteln ausdrücken. Ein größeres Vorkommen solcher Reste einer mittelalterlichen Flur ist bei Rastatt unter Wald noch gut erhalten. Zur genauen Dokumentation wurde dabei erstmals das Laser Scanning eingesetzt. Mit diesem Verfahren, das auf einer flächenhaften Abtastung der Erdoberfläche von einem Flugzeug aus basiert, können Reliefunterschiede im Dezimeterbereich, selbst unter Wald aufgezeigt und vermessen werden. Die Daten stammen aus flächendeckenden Befliegungen des Landesvermessungsamtes Baden-Württemberg. Weitere Gebiete wurden auch auf das Vorkommen von Wölbäckern untersucht. So konnten dank Laser auch in der Rheinaue bzw. in Lagen wo sie nicht vermutet wurden, solche Altfluren ausfindig gemacht werden. Zu den wesentlichen Beiträgen in den beiden letzten Jahren zählt auch der erfolgreiche Abschluß des EU-Vorhabens Culture 2000 in dem wir Partner aus vielen europäischen Ländern an unseren Erfahrungen mit der Lasertechnologie teilhaben lassen konnten. Die Kooperation mit Frankreich insbesondere mit der Denkmalpflege Elsaß führte ferner zur Konkretisierung gezielter Laserprospektionen von 8 verschiedenen archäologischen Stätten in der Rheinebene und in den Vogesen, an deren Auswertungen wir ebenfalls beratend beteiligt sind.
Ziel diesen Antrags ist die Teilnahme der universitären Partner an den Messungen der Kampagne PGS (POLSTRACC/ GWLCYCLE/ SALSA), die im Winter 2015/2016 durchgeführt werden sollen. An der geplanten HALO Kampagne sind die Universitäten Frankfurt, Mainz, Heidelberg und Wuppertal beteiligt. Die Universität Mainz ist kein voller Partner dieses Antrages, da es kein Projekt der Universität Mainz (AG Prof. Peter Hoor) in der letzten Phase des Schwerpunktprogramms gab. Der finanzielle Teil der geplanten Aktivitäten der Universität Mainz soll daher über die Universität Frankfurt abgewickelt werden. Der wissenschaftliche Beitrag der Universität Mainz ist allerdings in einer ähnlichen Weise dargestellt wie für die anderen universitären Partner. Das Ziel von PGS ist es, Beobachtungen einer großen Zahl verschieden langlebiger Tracer zur Verfügung zu stellen, um chemische und dynamische Fragestellungen in der UTLS zu untersuchen (POLSTRACC und SALSA) und die Bildung und Propagation von Schwerwellen in der Atmosphäre zu untersuchen. (GWLCYCLE). Die Universitäten Frankfurt und Wuppertal schlagen vor hierfür GC Messungen von verschieden langlebigen Spurengasen und von CO2 (Wuppertal) durchzuführen. Die Universität Mainz schlägt den Betrieb eines Laser Spektrometers für schnelle Messungen von N2O, CH4 und CO vor und die Universität Heidelberg plant Messungen reaktiver Chlor und Bromverbindungen mit Hilfe der DOAS Technik. Die wissenschaftlichen Studien, die mit den gewonnen Daten durchgeführt werden sollen, werden im Antrag umrissen. Es sind Studien zu Herkunft und Transport von Luftmassen in der UTLS, zu Transportzeitskalen und zum chemischen Partitionierung. Es sei an dieser Stelle darauf hingewiesen, dass diese wissenschaftlichen Arbeiten zwar hier umrissen werden, die Studien selbst aber aufgrund der begrenzten Personalförderung und der kurzen Laufzeit nicht Teil dieses Antrags sind. Ziel dieses Antrags ist es, die Vorbereitung und Integration der Messgeräte zu ermöglichen, die Messungen durchzuführen und die Daten für die Datenbank auszuwerten. Wir beantragen daher hier den universitären Anteil an den Missionskosten (incl. Zertifizierung der Gesamtnutzlast und der Flugkosten), die Personalmittel, Reisekosten und Verbrauchskosten für die Durchführung der Messungen.
Confronting Climate Change is one of the paramount societal challenges of our time. The main cause for global warming is the increase of anthropogenic greenhouse gases in the Earth's atmosphere. Together, carbon dioxide and methane, being the two most important greenhouse gases, globally contribute to about 81% of the anthropogenic radiative forcing. However, there are still significant deficits in the knowledge about the budgets of these two major greenhouse gases such that the ability to accurately predict our future climate remains substantially compromised. Different feedback mechanisms which are insufficiently understood have significant impact on the quality of climate projections. In order to accurately predict future climate of our planet and support observing emission targets in the framework of international agreements, the investigation of sources and sinks of the greenhouse gases and their feedback mechanisms is indispensable. In the past years, inverse modelling has emerged as a key method for obtaining quantitative information on the sources and sinks of the greenhouse gases. However, this technique requires the availability of sufficient amounts of precise and independent data on various spatial scales. Therefore, observing the atmospheric concentrations of the greenhouse gases is of significant importance for this purpose. In contrast to point measurements, airborne instruments are able to provide regional-scale data of greenhouse gases which are urgently required, though currently lacking. Providing such data from remote sensing instruments supported by the best currently available in-situ sensors, and additionally comparing the results of the greenhouse gas columns retrieved from aircraft to the network of ground-based stations is the mission goal of the HALO CoMet campaign. The overarching objective of HALO CoMet is to improve our understanding and to better quantify the carbon dioxide and methane cycles. Through analysing the CoMet data, scientists will accumulate new knowledge on the global distribution and temporal variation of the greenhouse gases. These findings will help to better understand the global carbon cycle and its influence on climate. These new findings will be utilized for predicting future climate change and assessing its impact. Within the frame of CoMet and due to the operational possibilities we will concentrate on small to sub-continental scales. This does not only allow to identify local emission sources of greenhouse gases, but also opens up the opportunity to use important remote sensing and in-situ data information for the inverse modelling approach for regional budgeting. The project also aims at developing new methodologies for greenhouse gas measurements, and promotes technological developments necessary for future Earth-observing satellites.
Im Rahmen der GMES Initial Operation Phase 2011-2013 (GIO) werden basierend auf multispektralen und teilweise multitemporalen Satellitenbilddaten von ganz Europa ('IMAGE2012') fünf sog. High Resolution Layer (HRL) im Rasterformat zu den fünf Themen Bodenversiegelung, Waldflächen, Ackerland/Grünland, Feuchtgebiete, Gewässerflächen erzeugt. Dies geschieht im Rahmen einer seitens der Europäischen Umweltagentur (EEA) getätigten Ausschreibung. Die HRL sollen von den davon betroffenen EU-Mitgliedstaaten über ihrem jeweiligen Staatsgebiet einem Validierungsverfahren unterzogen werden und systematisch auf qualitative Mängel hin bewertet werden. Als Referenz sollen dabei national verfügbare Georeferenzdaten (z.B. ATKIS® Basis-DLM) und andere bundesweit verfügbare Landbedeckungsinformationen (z.B. Digitales Landbedeckungsmodell DLM-DE) herangezogen werden. Die Ergebnisse dieser Validierung sollen wiederum als Grundlage herangezogen werden, um die Rasterdaten der HRL im Rahmen des darauffolgenden separaten 'Enhancements' inhaltlich quantitativ und qualitativ zu verbessern.
| Origin | Count |
|---|---|
| Bund | 1170 |
| Global | 1 |
| Kommune | 1 |
| Land | 57 |
| Wirtschaft | 1 |
| Wissenschaft | 145 |
| Type | Count |
|---|---|
| Daten und Messstellen | 11 |
| Ereignis | 1 |
| Förderprogramm | 1117 |
| Text | 45 |
| unbekannt | 164 |
| License | Count |
|---|---|
| geschlossen | 50 |
| offen | 1278 |
| unbekannt | 10 |
| Language | Count |
|---|---|
| Deutsch | 985 |
| Englisch | 514 |
| Resource type | Count |
|---|---|
| Archiv | 7 |
| Bild | 1 |
| Datei | 6 |
| Dokument | 17 |
| Keine | 816 |
| Unbekannt | 1 |
| Webdienst | 3 |
| Webseite | 503 |
| Topic | Count |
|---|---|
| Boden | 1111 |
| Lebewesen und Lebensräume | 1143 |
| Luft | 899 |
| Mensch und Umwelt | 1338 |
| Wasser | 923 |
| Weitere | 1316 |