API src

Found 231 results.

Other language confidence: 0.6099245994425906

Tree Species - Sentinel-2 - Germany, 2016

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 at a spatial resolution of 10 meters. The map depicts the distribution of ten tree species groups derived from multi-temporal optical Sentinel-2 data. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 training and test samples were compiled from publicly accessible sources, including urban tree inventories, Google Earth Pro, Google Street View, and field observations. The final product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 to 0.96. The product provides a consistent, high-resolution, and up-to-date representation of tree species distribution across Germany. Its transferable, cost-efficient, and repeatable methodology enables reliable large-scale forest monitoring and offers a valuable basis for assessing spatial patterns and temporal changes in forest composition in the context of ongoing climatic and environmental dynamics.

Nutzung von Fernerkundungs- und Klimadaten zur Beschreibung von Ertrags- und Qualitätsdynamiken im Grünland (SatGrass)

Zielsetzung: Seit dem Jahr 2014 sind mehrere Satelliten (Sentinel-1, -2, -3, -4 und -5p) des Copernicus-Programms der europäischen Raumfahrtbehörde (ESA) gestartet worden. Diese Satelliten ermöglichen komplexe Erdbeobachtungen in sehr hoher räumlicher Auflösung und in zeitlich kurzen Abständen. In diesem Projekt wird untersucht ob die aufbereiteten Daten der Satellitenpaare Sentinel-1 und -2 Zusammenhänge zu Ertrag und Futterqualität im Grünland zeigen. Mit Hilfe des C-Band SAR (Synthetic Aperture Radar) der Sentinel-1 Satelliten, wird die Erdoberfläche mit einer Wellenlänge von 6 Zentimetern abgetastet. Anhand der Zeitverzögerung sowie der Stärke des reflektierten Signals kann vor allem auf physikalische Eigenschaften der reflektierenden Oberflächen geschlossen werden. Bei den beiden Sentinel-2 Satelliten handelt es sich um optische Erdbeobachtungssatelliten mit einem multispektralen Aufnahmegerät, welches Spektralsignaturen von 13 unterschiedlichen Wellenlängen aufzeichnet. Durch verschiedene Bandkombination stehen Informationen zu physikalischen und chemischen Eigenschaften der reflektierenden Oberflächen zur Verfügung. Wichtige Ertrags und Qualitätsparameter von Grünlandaufwüchsen sollen anhand von diesen Informationen besser und einfacher abgeschätzt werden. Zusätzlich zu den Satellitendaten werden wichtige agrarmeteorologische Kennzahlen wie Niederschlag, Globalstrahlung, Evapotranspiration und die Klimatische Wasserbilanz mit eine mobilen Wetterstation am Versuchsfeld aufgezeichnet. Durch die Kombination dieser Daten soll eine möglichst genaue und einfache, nichtinvasive Methode zur Abschätzung von Ertrag und Qualität im Grünland geschaffen werden. Genaue Informationen über die Wachstumsdynamiken von Grünlandmischbeständen ermöglichen es, wichtige Managementaufgaben, wie Grünlandpflege, Düngung und Nutzung, sehr präzise durchführen zu können. Bedeutung des Projekts für die Praxis: Aufgrund der derzeitig hohen Aktualität der Thematik satellitengestützte Fernerkundung, ist es von großer Bedeutung auch in der Grünlandforschung einen Schwerpunkt in diese Richtung zu setzen. Das offensichtlich enorme Potential, Daten der Sentinel-Mission auch im Grünlandmanagement nutzen zu können, wird mithilfe dieses Projektes überprüft.

Sentinel-2 Mosaike rgb und cir Hessen

Sentinel-2 cir- und rgb-Mosaike (10 m Bodenauflösung) in möglichst wolkenfreier Monatsfolge für: 2021-06, 2021-07, 2021-09, 2021-12, 2022-02, 2022-03, 2022-06, 2022-08, 2022-09, 2023-02, 2023-04, 2023-06, 2024-01, 2024-08, 2024-09, 2025-02, 2025-03, 2025-04, 2025-05, 2025-06, 2025-08, 2025-12, 2026-03, 2026-04, 2026-05, 2026-07, 2026-08

SWIM Water Extent - Sentinel-1/2 - Daily

SWIM Water Extent is a global surface water product at 10 m pixel spacing based on Sentinel-1/2 data. The collection contains binary layers indicating open surface water for each Sentinel-1/2 scene. Clouds and cloud shadows are removed using ukis-csmask (see: https://github.com/dlr-eoc/ukis-csmask ) and are represented as NoData. The water extent extraction is based on convolutional neural networks (CNN). For further information, please see the following publications: https://doi.org/10.1016/j.rse.2019.05.022 and https://doi.org/10.3390/rs11192330

Satellitenbilder Sentinel-2 Hamburg

**Hinweis** Dieser Datensatz wird bis zur Fertigstellung der neuen Version (2026) nicht mehr aktualisiert. 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]

WMS SL Sentinel-2 TCI - Sentinel-2 TCI 2025

Sentinel-2 Echtfarbenbild (TCI), Kombination der Spektralkanäle B4 (rot), B3 (grün) und B2 (blau), räumliche Auflösung 10 m (2019):Dieser Layer visualisiert das Sentinel-2 Echtfarbenbild (TCI) des Jahr 2025.

WMS SL Sentinel-2 TCI - Sentinel-2 TCI 2015

Sentinel-2 Echtfarbenbild (TCI), Kombination der Spektralkanäle B4 (rot), B3 (grün) und B2 (blau), räumliche Auflösung 10 m (2019):Dieser Layer visualisiert das Sentinel-2 Echtfarbenbild (TCI) des Jahr 2015.

WMS SL Sentinel-2 TCI - Sentinel-2 TCI 2024

Sentinel-2 Echtfarbenbild (TCI), Kombination der Spektralkanäle B4 (rot), B3 (grün) und B2 (blau), räumliche Auflösung 10 m (2019):Dieser Layer visualisiert das Sentinel-2 Echtfarbenbild (TCI) des Jahr 2024.

WMS SL Sentinel-2 TCI - Sentinel-2 TCI 2019

Sentinel-2 Echtfarbenbild (TCI), Kombination der Spektralkanäle B4 (rot), B3 (grün) und B2 (blau), räumliche Auflösung 10 m (2019):Dieser Layer visualisiert das Sentinel-2 Echtfarbenbild (TCI) des Jahr 2019.

WMS SL Sentinel-2 TCI - Sentinel-2 TCI 2023

Sentinel-2 Echtfarbenbild (TCI), Kombination der Spektralkanäle B4 (rot), B3 (grün) und B2 (blau), räumliche Auflösung 10 m (2019):Dieser Layer visualisiert das Sentinel-2 Echtfarbenbild (TCI) des Jahr 2023.

1 2 3 4 5 … 22 23 24