The product shows tree canopy cover loss in Germany between January 2018 and April 2021 at monthly temporal and 10 m spatial resolution. The basic principle behind this map is to compute monthly composites of the disturbance index (DI, Healey et al. 2005), a spectral index sensitive to forest disturbance, from all available Sentinel-2 and Landsat-8 data with less than 80 % cloud cover. These monthly composites are then compared to a median composite of the DI for 2017, which serves as a reference. After applying a threshold to the difference image, the time series of detected losses is checked for consistency. Only losses recorded continuously in all observations of a pixel until the end of the time series are considered. The dataset does not differentiate between the drivers of the losses. It depicts areas of natural disturbances (windthrow, fire, droughts, insect infestation) as well as sanitation and salvage logging, and regular forest harvest. The full description of the method and results can be found in Thonfeld et al. (2022).
The product contains information of tree canopy cover loss in Germany per district (Landkreis) between January 2018 and April 2021 at monthly temporal resolution. The information is aggregated at from the 10 m spatial resolution Sentinel-2 and Landsat-based raster product (Tree Canopy Cover Loss Monthly - Landsat-8/Sentinel-2 - Germany, 2018-2021). The method used to derive this product as well as the mapping results are described in detail in Thonfeld et al. (2022). The map depicts areas of natural disturbances (windthrow, fire, droughts, insect infestation) as well as sanitation and salvage logging, and regular forest harvest without explicitly differentiating these drivers. The vector files contain information about tree canopy cover loss area per forest type (deciduous, coniferous, both) and per year (2018, 2019, 2020, January-April 2021, and January 2018-April 2021) in absolute numbers and in percentages. In addition, the vector files contain the district area and the total forest area per district.
The World Settlement Footprint (WSF) 2019 is a 10m resolution binary mask outlining the extent of human settlements globally derived by means of 2019 multitemporal Sentinel-1 (S1) and Sentinel-2 (S2) imagery. Based on the hypothesis that settlements generally show a more stable behavior with respect to most land-cover classes, temporal statistics are calculated for both S1- and S2-based indices. In particular, a comprehensive analysis has been performed by exploiting a number of reference building outlines to identify the most suitable set of temporal features (ultimately including 6 from S1 and 25 from S2). Training points for the settlement and non-settlement class are then generated by thresholding specific features, which varies depending on the 30 climate types of the well-established Köppen Geiger scheme. Next, binary classification based on Random Forest is applied and, finally, a dedicated post-processing is performed where ancillary datasets are employed to further reduce omission and commission errors. Here, the whole classification process has been entirely carried out within the Google Earth Engine platform. To assess the high accuracy and reliability of the WSF2019, two independent crowd-sourcing-based validation exercises have been carried out with the support of Google and Mapswipe, respectively, where overall 1M reference labels have been collected based photointerpretation of very high-resolution optical imagery. Starting backwards from the year 2015 - for which the WSF2015 is used as a reference - settlement and non-settlement training samples for the given target year t are iteratively extracted by applying morphological filtering to the settlement mask derived for the year t+1, as well as excluding potentially mislabeled samples by adaptively thresholding the temporal mean NDBI, MNDWI and NDVI. Finally, binary Random Forest classification in performed. To quantitatively assess the high accuracy and reliability of the dataset, an extensive campaign based on crowdsourcing photointerpretation of very high-resolution airborne and satellite historical imagery has been performed with the support of Google. In particular, for the years 1990, 1995, 2000, 2005, 2010 and 2015, ~200K reference cells of 30x30m size distributed over 100 sites around the world have been labelled, hence summing up to overall ~1.2M validation samples. It is worth noting that past Landsat-5/7 availability considerably varies across the world and over time. Independently from the implemented approach, this might then result in a lower quality of the final product where few/no scenes have been collected. Accordingly, to provide the users with a suitable and intuitive measure that accounts for the goodness of the Landsat imagery, we conceived the Input Data Consistency (IDC) score, which ranges from 6 to 1 with: 6) very good; 5) good; 4) fair; 3) moderate; 2) low; 1) very low. The IDC score is available on a yearly basis between 1985 and 2015 and supports a proper interpretation of the WSF evolution product. The WSF evolution and IDC score datasets are organized in 5138 GeoTIFF files (EPSG4326 projection) each one referring to a portion of 2x2 degree size (~222x222km) on the ground. WSF evolution values range between 1985 and 2015 corresponding to the estimated year of settlement detection, whereas 0 is no data. A comprehensive publication with all technical details and accuracy figures is currently being finalized. For the time being, please refer to Marconcini et al,. 2021.
This product is a vector file of the districts of the Paraguayan Chaco. It contains information on the forest cover within each district for the years 1986 until 2020. Hence, this product aggregates the information of 34 annual forest maps of the Paraguayan Chaco to a district level and provides the basis for further analysis as conducted in the following publication: https://doi.org/10.3390/f13010025
This product is a vector file of the protected areas of the Paraguayan Chaco. It contains information on the forest cover within each protected area and a 5, 10, and 15 km buffer zone around these areas, for the years 2000 until 2020. Hence, this product aggregates the information of 21 annual forest maps of the Paraguayan Chaco to the level of protected areas and provides the basis for further analysis as conducted in the following publication: https://doi.org/10.3390/f13010025
This product is a shape file of all detected forest patches in the Paraguayan Chaco that are larger than 10 hectars fort he years 2000, 2010, and 2020. Every forest patch contains information on its perimeter, size, shape, and core area. By looking at all forest patches together, an impression can be gained of the fragmentation of the forest in the Paraguayan Chaco. Proximity is a measure of fragmentation. Areas of large and close by forest patches show high proximity values while isolated patches or patchest hat are only surrounded by small forest patches, have a small proximity. The Core area index quantifies the share of core area in the entire forest patch area. Thereby, corea area is the area of a forest patch with at least 500m distance to the edge of the forest. The Shape index is calculated from perimeter and area of a patch. The fragementation of a forest often has the effect that the ratio between area and perimeter is affected. The edge lengths become longer while the surface area becomes smaller.
The dataset is based on the analysis of forest cover dynamics in the Paraguayan Chaco (northeastern part of Paraguay) between 1987 and 2020. The underlying forest masks were derived through annual forst classifications with a Random-Forest-Classifier trained on Landsat data from 1987 until 2020. The map shows the year in which the forest area was lost.
Abstract
Das Projekt "Teilprojekt 1" wird vom Umweltbundesamt gefördert und von Spatial Business Integration GmbH durchgeführt. Das Gesamtziel des Projektes 'BigPicture - Die Diagnose im Feld: Big Data basierte Ursachenklärung für satellitenerfasste Standortunterschiede' besteht darin, aus den mit Satellitensensoren in einer Vielzahl von landwirtschaftlichen Feldern erfassten Pflanzensymptomen eindeutige Diagnosen ihrer Ursachen und entsprechende Behandlungsempfehlungen abzuleiten. Damit sollen Landwirte bei Entscheidungen über die Bodenbearbeitung, Saat, Düngung und den Pflanzenschutz teilflächengenau im Feld unterstützt werden. Ein wesentlicher Fortschritt soll dadurch erzielt werden, dass die in den Satellitenbildern erfassten Feldmuster mit Hilfe weiterer Parameter, wie deren Geometrie und Lage im Feld sowie Daten zu Boden, Wetter und Feldbewirtschaftung, charakterisiert werden. Durch die Bündelung der Kompetenzen von SBI GmbH als Spezialist für Satellitenbild-basierte Produkte für die Landwirtschaft und rasdaman GmbH als Experte für Big Data Rasterdatendienste werden die Voraussetzungen geschaffen, um an einer großen Stichprobe von Feldmustern die Zusammenhänge zu erforschen und Methoden zu entwickeln, mit denen die Prozesskette von Satellitenbildrohdaten bis hin zur Informations-basierten Maßnahmenentscheidung geschlossen werden kann. Ein Pilotkunde mit Marktzugang zu Landwirten unterstützt bei der Datenerfassung und kundenorientierten Lösungsentwicklung. Die besondere Praxisrelevanz des Projektes wird durch die deutschlandweite Beteiligung von Landwirten erreicht, die Informationen über ihre Felder zur Verfügung stellen. Anwendungspotenzial: Die Verwertung der Projektergebnisse fokussiert auf den Markt der Präzisionslandwirtschaft und hier auf die Ertragssicherung bei ressourceneffizienter, umweltschonender und nachhaltiger Agrarproduktion. Der Service wird portalbasiert mit Zugang über ortsfeste und schwerpunktmäßig mobile Endgeräte darin bestehen, dass Landwirte auf in Satellitenbildern entdeckte Phänomene in ihren Schlägen aufmerksam gemacht werden und Erklärungs- und Behandlungsvorschläge erhalten. Gleichzeitig wird die Möglichkeit angeboten, die Satellitenbildkarten in das ISOBUSFormat zu überführen und zur Maschinensteuerung auszulesen. Der hier verfolgte Lösungsansatz soll damit eine deutliche Überlegenheit gegenüber Informationsservices erreichen, die bei der Bereitstellung von nicht interpretierter, rein visueller Satellitenbildinformation enden.
Das Projekt "Teilprojekt 2" wird vom Umweltbundesamt gefördert und von Rasdaman GmbH durchgeführt. Das Gesamtziel des Projektes 'BigPicture - Die Diagnose im Feld: Big Data basierte Ursachenklärung für satellitenerfasste Standortunterschiede' besteht darin, aus den mit Satellitensensoren in einer Vielzahl von landwirtschaftlichen Feldern erfassten Pflanzensymptomen eindeutige Diagnosen ihrer Ursachen und entsprechende Behandlungsempfehlungen abzuleiten. Damit sollen Landwirte bei Entscheidungen über die Bodenbearbeitung, Saat, Düngung und den Pflanzenschutz teilflächengenau im Feld unterstützt werden. Ein wesentlicher Fortschritt soll dadurch erzielt werden, dass die in den Satellitenbildern erfassten Feldmuster mit Hilfe weiterer Parameter, wie deren Geometrie und Lage im Feld sowie Daten zu Boden, Wetter und Feldbewirtschaftung, charakterisiert werden. Durch die Bündelung der Kompetenzen von SBI GmbH als Spezialist für Satellitenbild-basierte Produkte für die Landwirtschaft und rasdaman GmbH als Experte für Big Data Rasterdatendienste werden die Voraussetzungen geschaffen, um an einer großen Stichprobe von Feldmustern die Zusammenhänge zu erforschen und Methoden zu entwickeln, mit denen die Prozesskette von Satellitenbildrohdaten bis hin zur Informations-basierten Maßnahmenentscheidung geschlossen werden kann. Ein Pilotkunde mit Marktzugang zu Landwirten unterstützt bei der Datenerfassung und kundenorientierten Lösungsentwicklung. Die besondere Praxisrelevanz des Projektes wird durch die deutschlandweite Beteiligung von Landwirten erreicht, die Informationen über ihre Felder zur Verfügung stellen. Anwendungspotenzial: Die Verwertung der Projektergebnisse fokussiert auf den Markt der Präzisionslandwirtschaft und hier auf die Ertragssicherung bei ressourceneffizienter, umweltschonender und nachhaltiger Agrarproduktion. Der Service wird portalbasiert mit Zugang über ortsfeste und schwerpunktmäßig mobile Endgeräte darin bestehen, dass Landwirte auf in Satellitenbildern entdeckte Phänomene in ihren Schlägen aufmerksam gemacht werden und Erklärungs- und Behandlungsvorschläge erhalten. Gleichzeitig wird die Möglichkeit angeboten, die Satellitenbildkarten in das ISOBUSFormat zu überführen und zur Maschinensteuerung auszulesen. Der hier verfolgte Lösungsansatz soll damit eine deutliche Überlegenheit gegenüber Informationsservices erreichen, die bei der Bereitstellung von nicht interpretierter, rein visueller Satellitenbildinformation enden.
| Origin | Count |
|---|---|
| Bund | 10 |
| Land | 7 |
| Wissenschaft | 1 |
| Type | Count |
|---|---|
| Förderprogramm | 3 |
| unbekannt | 8 |
| License | Count |
|---|---|
| offen | 10 |
| unbekannt | 1 |
| Language | Count |
|---|---|
| Deutsch | 3 |
| Englisch | 8 |
| Resource type | Count |
|---|---|
| Keine | 2 |
| Webdienst | 3 |
| Webseite | 9 |
| Topic | Count |
|---|---|
| Boden | 10 |
| Lebewesen & Lebensräume | 10 |
| Luft | 3 |
| Mensch & Umwelt | 11 |
| Wasser | 2 |
| Weitere | 11 |
