API src

Found 845 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.

Skalenübergreifende Charakterisierung von polaren Permafrost-Landschaften mittels Flugzeug- und Satellitengestützen Daten und geophysikalischen in-situ Messungen

Im Lauf der letzten Dekaden wurde für große Teile der Arktis eine signifikante Erwärmung der Erdoberfläche und des oberflächennahen Untergrunds beobachtet. Deren Folgen zeigen sich bereits heute - beispielsweise in einer Ausbreitung der Buschvegetation und einer Vertiefung der saisonalen Auftauschicht. In Anbetracht der Bedeutung von Änderungen in Permafrostregionen für Umwelt, Infrastruktur und Klimasystem besteht ein dringender Bedarf, Parameter dieses Raumes großflächig zu bestimmen und kontinuierlich zu überwachen. Durch die Weite und spärlichen Besiedelung der Arktis sind diese Umweltdaten jedoch nur unzureichend verfügbar und ihre Erhebung ist kostenintensiv. In diesem Kontext können fernerkundliche Daten einen wichtigen Beitrag leisten; Flugzeug- und Satellitengestützte Systeme ermöglichen eine effiziente und flächendeckende Aufnahme von Oberflächeneigenschaften. Ziel des Projekts ist die Identifizierung und Quantifizierung von Zusammenhängen zwischen Eigenschaften der Erdoberfläche, welche durch Fernerkundung abgeleitet werden können, und Eigenschaften des Untergrunds, die den Zustand von Permafrostgebieten charakterisieren. Basierend auf diesen Ergebnissen ist ein weiteres Ziel die Erstellung von konzeptionellen Modellen, welche die Verschränkung und Verbindung von Umwelt-Parameter zeigen. Die Arbeiten werden in einem skalenübergreifenden Multi-Sensor-Ansatz durchgeführt. Der Fokus wird dabei auf die Identifizierung der Kopplungen zwischen Oberfläche und Untergrund, sowie auf den Einfluss des Betrachtungsmaßstabs gelegt. Als fernerkundliche Daten stehen zur Verfügung: (1) grob aufgelöste optische und thermische Satellitendaten, (2) mittel-aufgelöste Radar- und Multi-Spektraldaten und (3) hoch-aufgelöste Thermal-, Hyperspektral- und Laserscanner-Daten von regionalen Befliegungen. Die Charakterisierung des Untergrunds erfolgt mittels (1) geomorphologischer Kartierung, (2) Zeitreihen-Analyse der Temperatur und Bodenfeuchte aus abgeteuften Sensoren, (3) Ground Penetrating Radar (GPR) und (4) elektrischen Widerstandsmessungen. Fernerkundliche Daten der Erdoberfläche und geophysikalische Daten zum Untergrund werden mit multivariaten statistischen Methoden analysiert - mit dem Ziel Zusammenhängen zwischen Oberflächen- und Untergrund-Parametern des periglazialen Systems zu identifizieren und zu quantifizieren. Als Untersuchungsgebiete wurden die Mackenzie Delta Region und das Peel Plateau identifiziert. Beide Regionen liegen in Nord Kanada und zeigen innerhalb geringer Distanzen verschiedenartige, durch Permafrost geprägte Ökosysteme. Zudem stehen durch Vorstudien Daten zur Verfügung; zum einen Referenzdaten von Feld-Kampagnen und zum anderen Satellitenbilder verschiedener Sensoren. Darüber hinaus wird vom Alfred Wegener Institut eine Befliegung dieser Gebiete geplant und finanziert. Das Flugzeug wird mit einer vielfältigen Instrumentenauswahl bestückt; u. a. ein flugzeuggetragenes GPR, ein Laserscanner und eine hyperspektral Kamera.

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.

Fernerkundung - Luftbilder Hamburg

In der <b> Fernerkundung - Luftbilder</b> werden aus nächster Höhe detaillierte Bilder von der Erdoberfläche aufgenommen, die anschließend aufbereitet und als hochwertige Geodaten bereitgestellt werden. <br> Diese Aufnahmen unterstützen bei der Dokumentation von Veränderungen, der städtischen Planung und der Überwachung von Umweltentwicklungen. Sie können sowohl als Datengrundlage für KI-Trainingsdaten als auch zur direkten Betrachtung der urbanen Landschaft genutzt werden. <br><br>Unser Ziel ist es, diese bedeutsamen Daten nicht nur Fachleuten, sondern auch der Öffentlichkeit zugänglich zu machen – leicht verständlich und nutzerfreundlich. <br><br><i>"Wie hat sich Hamburg entwickelt?" -- "Wie sah das Grundstück früher aus?" -- "Wo blüht es im Sommer?"</i> <br> <b>&#8594; Ein Blick in die Daten lohnt sich.</b><br><br> <u><i>Hinweis:</i></u> So vielfältig die Anwendungsbereiche sind, so vielfältig sind auch unsere Datensätze. Je nach Aufnahmesystem – ob <b>Pkw</b>, <b>Drohne</b>, <b>Flugzeug</b> oder <b>Satellit</b> variieren die Bilder in ihrer Qualität und Detailtiefe. Diese Unterschiede zeigen sich etwa in der Bildauflösung (GSD), den Farbdarstellungen (spektrale Auflösung) und/oder der Aktualität der Daten (zeitliche Auflösung). Nähere Informationen sind aus den Metadaten der Datensätze zu entnehmen.<br>

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.

Empfang und Auswertung hochaufloesender Satellitenbilder

Der eine Teil des Vorhabens befasst sich mit dem Entwurf und der Erstellung einer Empfangsanlage fuer Satellitensignale im Frequenzbereich um 1700 MHz und deren Wiedergabe als Bilder (2 Spektralbereiche sichtbar, Therm. Jr.) der andere Teil umfasst Untersuchungen ueber die Moeglichkeiten der Auswertung solcher Bilder mit Hilfe moderner Bildverarbeitungsmethoden, wobei im Mittelpunkt analog- und digitalelektronische Verfahren stehen. Der Schwerpunkt des Vorhabens liegt auf der Wolkenbildanalyse mit numerischen Methoden.

Satellitenbild-Auswertung fuer klimabeeinflussende Aenderungen aus der Vegetationsdecke durch menschliche Aktivitaeten

Phytomasse, Bestandabfall und Bodenkohlenstoff terrestrischer Oekosysteme sind wichtige Poolgroessen fuer den Kohlendioxid-Haushalt der Atmosphaere. Ihre Aenderung, insbesondere in Folge von Waldflaechen-Aenderungen, muessen fuer Klima-Modelle genauer bekannt sein, als dies, wie sich gezeigt hat, nach statistischen Daten moeglich ist. Fuer die grossen Waldgebiete der Erde sollen objektive Daten durch Vergleich jeweils eines flaechendeckenden Satzes (ca. 3000) von ERTS-Landsat-Bildern von Anfang der 70er Jahre gegenueber Anfang der 80er Jahre erarbeitet werden. Die erforderliche Erfahrung und Methodik wurden in frueheren Projekten erfolgreich entwickelt und zur Herstellung von Vegetationskarten benutzt. Die Daten ueber Rodungen, Aufforstungen, Shifting Cultivation sowie deren zeitliche Aenderungen fliessen in unser Kohlenstoff-Bilanz-Modell der Biosphaere ein. Sie stehen ueber unser Biosphaere-Informations-System anderen Arbeitsgruppen zur Verfuegung.

Dynamics and stability of Wilkins and George VI ice shelves on the south-western Antarctic Peninsula

Mapping and monitoring the break-up events on Wilkins Ice Shelf and identification of mechanisms and processes leading to break-up. Within this activity we integrate various high and moderate-resolution satellite images with special emphasis on SAR data. The analysis covers currently a time period back to 1986 (Landsat TM) with increasing dense time series to present. In close collaboration with the European Space Agency (ESA) and the German Aerospace Center (DLR) acquisition plans for the ENVISAT ASAR and TerraSAR-X instruments are implemented and the respective data analysed. Since September 2009, this activity is supported by a DFG research grant. Main aim is to derive surface velocity fields of the ice shelf and its tributary glaciers by satellite remote sensing as input for icedynamic modelling and fracture mechanical analyses.

1 2 3 4 5 … 83 84 85