Die landesweite Waldzustandserhebung wird jährlich im bundesweiten Stichprobennetz (16x16 km) und nach einer abgestimmten Methodik durchgeführt. In Thüringen wurde das Stichprobennetz auf 4x4 km verdichtet, um flächenrepräsentative Aussagen für die Hauptbaumarten zu erhalten. Ziel der Waldzustandserhebung ist die langfristige Überwachung des Waldzustandes unter dem Einfluss abiotischer Einflüsse (z.B. Klima/Witterung, Luftschadstoffe) und biotischer Faktoren (z.B. Insektenkalamitäten). Der jährliche Waldzustandsbericht für Thüringen ist unter www.tmil.info zu finden.
Die Umweltindikatoren des LANUV sind Mess- und Kennzahlen, mit denen sowohl die aktuelle Umweltsituation als auch Entwicklungstrends übersichtlich dargestellt und bewertet werden können. Durch Umweltindikatoren werden komplexe Aspekte, wie z. B. die Luftqualität, die Gewässergüte , der Energie- und Rohstoffverbrauch oder die Inanspruchnahme von Freiflächen messbar. Eine Beschreibung des Umweltzustandes durch Umweltindikatoren erhebt nicht den Anspruch, ein vollständiges Bild zu zeichnen. Vielmehr sollen relevante Teilaspekte hervorgehoben werden, deren Zustand und Entwicklung von besonderem Interesse ist. Entsprechend dem Erhebungsturnus wird auf Basis der jeweils verfügbaren Daten der Indikatorensatz im Internet einmal im Jahr aktualisiert. Im Datensatz sind Zeitreihendaten zu den folgenden NRWUmweltindikatoren enthalten: -Treibhausgasemissionen -Erneuerbare Energien bei Primärenergie- und Bruttostromverbrauch -Kraft-Wärme-Kopplung bei Nettostromerzeugung -Primär- und Endenergieverbrauch -Energieproduktivität -Rohstoffverbrauch und Rohstoffproduktivität -Stickstoffoxidemissionen -Stickstoffdioxidkonzentration im städtischen Hintergrund -Ozonkonzentration im städtischen Hintergrund -Feinstaubkonzentration im städtischen Hintergrund -Lärmbelastung -Haushaltsabfälle und Verwertung -Flächenverbrauch -Schwermetalleintrag an ländlichen Stationen -Ökologischer Zustand der oberirdischen Fließgewässer -Nitratkonzentration im Grundwasser -Gefährdete Arten -Naturschutzflächen -Laub-/Nadelbaumanteil -Waldzustand -Stickstoff- und Säureeintrag -Ökologische Landwirtschaft -Landwirtschaftsflächen mit hohem Naturwert -Stickstoff-Flächenbilanz (Stickstoff-Überschuss der landwirtschaftlich genutzten Fläche)
Gemeinsame Pressemitteilung von Umweltbundesamt und Bundesministerium für Umwelt, Naturschutz, nukleare Sicherheit und Verbraucherschutz BMUV und UBA stellen dritten Monitoringbericht zur Deutschen Anpassungsstrategie an den Klimawandel (DAS) der Bundesregierung vor Deutschland erlebt regelmäßig Hitzewellen, wird insgesamt wärmer und verliert Wasser. Das zeigt der neue Monitoringbericht zur Deutschen Anpassungsstrategie an den Klimawandel (DAS) der Bundesregierung, den Bundesumweltministerin Steffi Lemke und UBA-Präsident Dirk Messner heute in Berlin vorgestellt haben. Deutschland gehört zu den Regionen mit dem höchsten Wasserverlust weltweit. Wegen der klimabedingten andauernden Trockenheit und des damit verbundenen Schädlingsbefalls hat sich der Zustand der Wälder deutlich verschlechtert. In der Landwirtschaft führte die Wasserknappheit zu spürbaren Ernteeinbußen. Gleichzeitig gibt es Hinweise darauf, dass beim Hitzeschutz erste Maßnahmen zur Anpassung an die neuen Klimabedingungen Wirkung zeigen. Insgesamt müssen die Bemühungen zur Anpassung an die Folgen der Klimakrise jedoch intensiviert werden. Bundesumweltministerin Steffi Lemke: „Die verheerenden Folgen der Klimakrise nehmen in erschreckendem Ausmaß zu. Das zeigt der aktuelle Monitoringbericht überdeutlich. Immer mehr Stürme, Starkregen , Dürreperioden und Hitzewellen wirken sich auf die Gesundheit der Menschen, die Ökosysteme und die Wirtschaft aus. Die gute Nachricht ist, dass immer mehr Kommunen sich ihrer entscheidenden Rolle bewusst werden und Vorsorgemaßnahmen mit konkreten Projekten vorantreiben. Die Bundesregierung unterstützt sie dabei mit fünf entscheidenden Hebeln: dem Klimaanpassungsgesetz und der -strategie, der Nationalen Wasserstrategie, dem Aktionsprogramm Natürlicher Klimaschutz und mehreren Förderprogrammen. Klar ist, wir brauchen noch mehr Engagement: Um die Lebensqualität in Deutschland zu erhalten, müssen wir die Klimaanpassung stärker vorantreiben, zum Beispiel im Städtebau. Schwammstädte mit viel Grün und entsiegelten Flächen kühlen und können damit Hitzewellen abmildern und außerdem Überflutungen vorbeugen.” UBA -Präsident Dirk Messner: „Der aktuelle Monitoringbericht zeichnet ein präzises Bild der Klimaveränderung und der Klimaanpassung in Deutschland. Neben den Schäden zeigt der Bericht auch, dass Anpassungen vor Ort wirken. Die Zahl der Hitzetoten konnte durch gezielte Informationskampagnen reduziert werden. Auch an der nachhaltigen Bewirtschaftung unserer Wasserressourcen und Böden arbeiten Bund und Länder im Rahmen der Nationalen Wasserstrategie und dem Aktionsprogramm Natürlicher Klimaschutz bereits.” Die Zahl der Sommer mit starken Hitzewellen und ungekannten Temperaturrekorden nimmt zu. Beispielsweise wurde im Juli 2022 erstmals nördlich des 53. Breitengrads in Hamburg eine Temperatur von über 40 Grad gemessen. Die Hitzeperioden belasteten besonders die Bevölkerung in Großstädten. So wurden z. B. im heißen Sommer 2018 in Frankfurt am Main 42 heiße Tage gezählt, während der bundesweite Durchschnitt bei 20 heißen Tagen lag. Die vergangenen vier Jahre waren zudem von starken regionalen Dürren geprägt. Deutschland gehört zu den Regionen mit dem höchsten Wasserverlust weltweit. Seit 2000 verliert das Land 2,5 Kubikkilometer Wasser pro Jahr. In den Jahren 2019 bis 2021 wurden vielerorts Rekordunterschreitungen der langjährigen niedrigsten Grundwasserstände an den Messstellen ermittelt. Die Wirkungen der Dürrejahre seit 2018 sind auch 2023 noch nicht ausgeglichen. Der Wassermangel führte zu Ernteeinbußen in der Landwirtschaft. So lagen 2018 z. B. Winterweizenerträge um 15 Prozent und die Silomaiserträge um 20 Prozent unter dem Mittel der sechs Vorjahre. In den deutschen Wäldern hat sich wegen des Trockenstresses und des damit verbundenen Käferbefalls der Waldzustand deutlich verschlechtert. 2020 starben 20-mal so viele Fichten wie im Mittelwert der vorangegangenen zehn Jahre (2010-2019). Das betraf ganze Waldbestände, die flächig abgestorben sind. Durch die extrem trockene Witterung kam es zu erheblich mehr und in den nordöstlichen Bundesländern auch zu großflächigeren Waldbränden. Mit der Erwärmung der Umwelt und dem Verlust an Wasser sind messbare ökologische Folgen verbunden: Durch wärmere Meere verschieben sich die Lebensräume der Fischarten nach Norden. In der Nordsee wandern heimische Arten in die nördlichen Gewässer aus. Zugleich rücken Arten aus südlicheren Gewässern nach. In der Ostsee führen steigende Wassertemperaturen zu einer Entkopplung von Nahrungsketten. So laichen zum Beispiel Heringe aufgrund der Erwärmung früher, die Nahrungsquelle Plankton entwickelt sich aber erst bei zunehmendem Tageslicht zu einem späteren Zeitpunkt. Auch an Land führt die Erwärmung zu einer Veränderung der Artenzusammensetzung. Dies zeigen beispielsweise die Daten zu Vögeln und Schmetterlingen. Neue Arten aus wärmeren Regionen wandern ein, etwa die Tigermücke als Überträger von Krankheitserregern, was gesundheitliche Folgen für den Menschen haben kann. Mit dem Klimaanpassungsgesetz und der vorsorgenden Klimaanpassungsstrategie mit messbaren Zielen, die derzeit in einem breiten Beteiligungsprozess erarbeitet wird, soll die Klimaanpassung in Deutschland verbindlicher und ambitionierter werden. Im Klimaanpassungsgesetz ist festgelegt, dass die Bundesregierung künftig alle vier Jahre einen Monitoringbericht zur DAS veröffentlicht. Er wird damit zu einem wichtigen Instrument, mit dem die Umsetzung der messbaren Ziele nachvollzogen wird. Der Monitoringbericht zur DAS der Bundesregierung berichtet über Klimafolgen und Anpassung auf der Grundlage von gemessenen Daten und stellt dar, welche Veränderungen sich in Vergangenheit und Gegenwart vollzogen haben. Der Monitoringbericht 2023 informiert dazu zu den 16 Handlungsfelder der DAS. Die fachlichen Grundlagen des Monitoringberichts stützen sich auf eine Zusammenarbeit mit mehr als fünfzig Bundes- und Länderbehörden, Universitäten und Fachverbänden.
Die landesweite Waldzustandserhebung wird jährlich im bundesweiten Stichprobennetz (16x16 km) und nach einer abgestimmten Methodik durchgeführt. In Thüringen wurde das Stichprobennetz auf 4x4 km verdichtet, um flächenrepräsentative Aussagen für die Hauptbaumarten zu erhalten. Ziel der Waldzustandserhebung ist die langfristige Überwachung des Waldzustandes unter dem Einfluss abiotischer Einflüsse (z.B. Klima/Witterung, Luftschadstoffe) und biotischer Faktoren (z.B. Insektenkalamitäten). Der jährliche Waldzustandsbericht für Thüringen ist unter www.tmil.info zu finden.
Weitere Reduzierung der Schadstoffeinträge erforderlich Die Bundesregierung veröffentlichte am 10. Juni 2009 den Waldbericht. Dieser benennt Ursachen für den immer noch sehr schlechten Waldzustand und zeigt Gegenmaßnahmen auf. Die Waldzustandserhebung in Deutschland zeigt: Nach wie vor sind mehr als zwei Drittel der Waldbäume geschädigt, 26 Prozent sogar stark. Mehr als die Hälfte der Eichen weist starke Kronenverlichtungen auf. Das ist ein neuer Höchststand. Verantwortlich für den schlechten Zustand der Wälder sind verschiedene Gründe, wobei die vom Menschen verursachten Luftverunreinigungen - und hier vor allem Stickstoffverbindungen - einen besonders großen Anteil haben. Die integrierte Strategie zur Minderung der Stickstoffemissionen des Umweltbundesamtes (UBA) stellt Maßnahmen zur Verringerung der landwirtschaftlichen Stickstoffemissionen - wie etwa den sparsamen Einsatz stickstoffhaltiger Handelsdünger und stickstoffoptimierte Fütterung - als besonders wirkungsvoll und kosteneffizient heraus. Sie haben zudem deutliche Synergien: Neben dem Wald profitieren auch Gewässer und Klima. Der Waldbericht der Bundesregierung stellt die Notwendigkeit der Minderung der Luftverunreinigungen dar, insbesondere der Freisetzung von Stickstoffverbindungen, die den Zustand der Wälder negativ beeinflussen. Stickstoffverbindungen stören durch einseitige Überdüngung und Säurebildung das Nährstoffgleichgewicht in Pflanzen und Böden. Waldbäume werden dadurch anfälliger gegenüber anderen Belastungsfaktoren wie etwa klimatische Einflüsse oder Schädlingsbefall. Darüber hinaus sind Stickstoffoxide aus Industrie und Verkehr Vorläuferstoffe für bodennahes Ozon, das zu direkten Blatt- oder Nadelschäden bei Waldbäumen und Wildpflanzen führt und ihre Vitalität mindert. Wälder bedecken rund ein Drittel der Landfläche Deutschlands. Sie vollbringen für den Menschen unverzichtbare Dienstleistungen. Zu diesen gehören neben der Holzproduktion unter anderem auch die Wasserspeicherung und -filterung, der Schutz vor Hochwasser und Bodenerosion, der klimatische Ausgleich, die Funktion als Lebensraum für Pflanzen und Tiere sowie als Raum für Erholung und Inspiration für den Menschen. Es droht die Gefahr, dass der Wald durch die Schadstoffeinträge seinen vielfältigen wichtigen Funktionen langfristig nicht mehr gerecht werden kann. Zum Schutz der Ökosysteme verpflichtete sich Deutschland im Rahmen der Genfer Luftreinhaltekonvention und der EU-Richtlinie über nationale Emissionsobergrenzen, den Ausstoß von Luftverunreinigungen bis 2010 deutlich zu reduzieren. Diese Ziele werden in Bezug auf Stickstoffverbindungen durch die bisher ergriffenen Maßnahmen voraussichtlich nicht erreicht. Daher hat das UBA eine integrierte Strategie zur Minderung der Stickstoffemissionen erstellt. Diese Strategie weist deutliche Synergieeffekte und somit vielfältigen Nutzen auch für andere Ökosysteme aus. Besonders hohe Emissionsminderungspotenziale bei gleichzeitiger Kosteneffizienz geeigneter Maßnahmen bestehen in der Landwirtschaft. Sie ist für mehr als die Hälfte aller Stickstoffemissionen verantwortlich. Aber auch Maßnahmen im Verkehrssektor - wie die Ausweitung der LKW-Maut auf alle LKW über 3,5 t und alle Fernstraßen und eine zügige Einführung schwerer Nutzfahrzeuge, die die EURO-VI-Norm erfüllen - sowie weitere Emissionsminderungen bei der Stromproduktion in Großfeuerungsanlagen, tragen zu verringerten Einträgen gasförmiger und gelöster Stickstoffverbindungen in die Ökosysteme bei. Von solchen Maßnahmen profitieren nicht nur die deutschen Wälder, sondern auch unsere Binnen- und Küstengewässer sowie das Klima . 16.06.2009
This landcover map was produced as an intermediate result in the course of the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2016), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 88.4% class: user's accuracy / producer's accuracy (number of reference points n) forest: 96.7% / 94.3% (1410) low vegetation: 70.6% / 84.0% (844) water: 98.5% / 94.2% (69) built-up: 98.2% / 89.8% (983) bare soil: 19.7% / 58.5% (41) agriculture: 91.7% / 85.3% (1653) Incora report with details on methods and results: pending
This landcover map was produced as an intermediate result in the course of the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2019), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 91.9% class: user's accuracy / producer's accuracy (number of reference points n) forest: 98.1% / 95.9% (1410) low vegetation: 76.4% / 91.5% (844) water: 98.4% / 92.8% (69) built-up: 99.2% / 97.4% (983) bare soil: 35.1% / 95.1% (41) agriculture: 95.9% / 85.3% (1653) Incora report with details on methods and results: pending
This landcover map was produced with a classification method developed in the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2020), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 88.4% class: user's accuracy / producer's accuracy (number of reference points n) forest: 95.0% / 93.8% (1410) low vegetation: 73.4% / 86.5% (844) water: 98.5% / 92.8% (69) built-up: 98.9% / 95.8% (983) bare soil: 23.9% / 82.9% (41) agriculture: 94.6% / 83.2% (1653) Incora report with details on methods and results: pending
This landcover map was produced with a classification method developed in the project incora (Inwertsetzung von Copernicus-Daten für die Raumbeobachtung, mFUND Förderkennzeichen: 19F2079C) in cooperation with ILS (Institut für Landes- und Stadtentwicklungsforschung gGmbH) and BBSR (Bundesinstitut für Bau-, Stadt- und Raumforschung) funded by BMVI (Federal Ministry of Transport and Digital Infrastructure). The goal of incora is an analysis of settlement and infrastructure dynamics in Germany based on Copernicus Sentinel data. Even though the project is concluded, the annual land cover classification product is continuously generated. This classification is based on a time-series of monthly averaged, atmospherically corrected Sentinel-2 tiles (MAJA L3A-WASP: https://geoservice.dlr.de/web/maps/sentinel2:l3a:wasp; DLR (2019): Sentinel-2 MSI - Level 2A (MAJA-Tiles)- Germany). It consists of the following landcover classes: 10: forest 20: low vegetation 30: water 40: built-up 50: bare soil 60: agriculture Potential training and validation areas were automatically extracted using spectral indices and their temporal variability from the Sentinel-2 data itself as well as the following auxiliary datasets: - OpenStreetMap (Map data copyrighted OpenStreetMap contributors and available from htttps://www.openstreetmap.org) - Copernicus HRL Imperviousness Status Map 2018 (© European Union, Copernicus Land Monitoring Service 2018, European Environment Agency (EEA)) - S2GLC Land Cover Map of Europe 2017 (Malinowski et al. 2020: Automated Production of Land Cover/Use Map of Europe Based on Sentinel-2 Imagery. Remote Sens. 2020, 12(21), 3523; https://doi.org/10.3390/rs12213523) - Germany NUTS administrative areas 1:250000 (© GeoBasis-DE / BKG 2020 / dl-de/by-2-0 / https://gdz.bkg.bund.de/index.php/default/nuts-gebiete-1-250-000-stand-31-12-nuts250-31-12.html) - Contains modified Copernicus Sentinel data (2020), processed by mundialis Processing was performed for blocks of federal states and individual maps were mosaicked afterwards. For each class 100,000 pixels from the potential training areas were extracted as training data. An exemplary validation of the classification results was perfomed for the federal state of North Rhine-Westphalia as its open data policy allows for direct access to official data to be used as reference. Rules to convert relevant ATKIS Basis-DLM object classes to the incora nomenclature were defined. Subsequently, 5.000 reference points were randomly sampled and their classification in each case visually examined and, if necessary, revised to obtain a robust reference data set. The comparison of this reference data set with the incora classification yielded the following results: overall accuracy: 83.5% class: user's accuracy / producer's accuracy (number of reference points n) forest: 90.6% / 91.9% (1410) low vegetation: 69.2% / 82.8% (844) water: 97.0% / 94.2% (69) built-up: 96.5% / 97.4% (983) bare soil: 8.5% / 68.3% (41) agriculture: 96.6% / 68.4% (1653) Compared to the previous years, the overall accuracy and accuracies of some classes is reduced. 2021 was a rather cloudy year in Germany, which means that the detection of agricultural areas is hampered as it is based on the variance of the NDVI throughout the year. With fewer cloud-free images available, the NDVI variance is not fully covered and as no adaptations have been applied to the algorithm, agricultural fields may get classified as low vegetation or bare soil more often. Another reason for lower classification accuracy is the significant damage that occured to forest areas due to storm and bark beetle. The validation dataset was generated based on aerial imagery from the years 2018/2019 which and is slowly becoming obsolete. An up-to-date validation dataset will be applied. Incora report with details on methods and results: pending
Der Dienst umfasst das Gebiet des Staatswaldes Baden-Württemberg. Zur Sicherung einer nachhaltigen Waldwirtschaft erfolgt im Rahmen der sog. Forsteinrichtung alle 10 Jahre eine Zustandserfassung, eine Kontrolle der Waldbewirtschaftung und darauf aufbauend eine mittelfristige Planung. Die der Planung zugrundeliegenden Zielsetzungen sind Ausfluss des strategischen Nachhaltigkeitsmanagements von ForstBW und berücksichtigen damit ökologische, soziale und wirtschaftliche Aspekte. Das Geothema stellt für den Staatswald umfassende Informationen zu Waldzustand und Planung aus der Forsteinrichtung sowie dem betrieblichen Vollzug zur Verfügung.
| Origin | Count |
|---|---|
| Bund | 165 |
| Land | 44 |
| Type | Count |
|---|---|
| Förderprogramm | 142 |
| Text | 22 |
| unbekannt | 39 |
| License | Count |
|---|---|
| closed | 38 |
| open | 149 |
| unknown | 16 |
| Language | Count |
|---|---|
| Deutsch | 198 |
| Englisch | 36 |
| unbekannt | 4 |
| Resource type | Count |
|---|---|
| Archiv | 3 |
| Bild | 5 |
| Datei | 4 |
| Dokument | 12 |
| Keine | 140 |
| Unbekannt | 4 |
| Webseite | 56 |
| Topic | Count |
|---|---|
| Boden | 177 |
| Lebewesen & Lebensräume | 203 |
| Luft | 152 |
| Mensch & Umwelt | 201 |
| Wasser | 159 |
| Weitere | 203 |