API src

Found 1403 results.

Similar terms

s/seiche/Eiche/gi

Wening-Ortsansichten

Im Jahre 1696 gab Kurfürst Max Emanuel seinem Hofkupferstecher Michael Wening die Zustimmung eine "bildhafte Beschreibung des Kurfürsten- und Herzogtums Ober- und Niederbayern" zu erarbeiten. Wening bereiste die vier Rentämter (damalige Verwaltungsbezirke) München, Landshut, Straubing und Burghausen und skizzierte "aufs Genaueste" Bayerns Ortschaften, Schlösser, Klöster und Kirchen. Lassen Sie sich von den bildhaften Stichen Michael Wenings durch das bayerische Stadt- und Landleben der Barockzeit führen. Diese Bilddateien dürfen im Rahmen der Lizenz CC BY 4.0 kostenfrei weitergenutzt werden.

Bebauungsplaene Sulzbach/Sulzbach - 86 Zu den sechs Eichen

Bebauungspläne und Umringe der Stadt Sulzbach (Saarland), Stadtteil Sulzbach:Bebauungsplan "86 Zu den sechs Eichen" der Stadt Sulzbach, Stadtteil Sulzbach

WFS zum Bebauungsplan Breiten Eichen Urschrift der Stadt Celle

WFS zum Bebauungsplan Breiten Eichen Urschrift der Stadt Celle im originären Datenformat

Forest Canopy Cover Loss (FCCL) - Germany - Monthly, Administrative Level

This vector dataset is based on a 10 m resolution raster dataset that shows forest canopy cover loss (FCCL) in Germany at a monthly resolution from September 2017 to September 2024. Results at pixel level were aggregated at municipality, district, and federal state level. For the results at administrative level we differentiate between deciduous and coniferous forests. We use the stocked area map 2018 (Langner et al. 2022, https://doi.org/10.3220/DATA20221205151218 ) as a reference forest mask. We differentiate between deciduous and coniferous forests by intersecting the stocked area map with a tree species map (Blickensdoerfer et al. 2024). Pixels of the classes birch, beech, oak, alder, deciduous trees with long lifespan and deciduous trees with short lifespan were classified as deciduous forest and pixels of the classes Douglas fir, spruce, pine, larch and fir as coniferous forest. The coverage of the two datasets is not identical, which is why a few areas of the forest reference map remained unclassified. These were filled with the dominant leaf type map of the Copernicus Land Monitoring Service (CLMS 2025). Therefore, the vector data at administrative level contains information about unclassified forest areas and the total forest area as the sum of deciduous, coniferous, and unclassified forests. The FCCL confidence at pixel level is lowest at the end of the time series because the number of repeated threshold exceedance is used as a criterion to record forest canopy cover losses. Therefore, we excluded July 2024 through September 2024 from the annual and overall statistics and summarized the respective FCCL as additional attribute. The dataset is a fully reprocessed continuation of the assessment in Thonfeld et al. (2022).

Bäume als Indikatoren für die urbane Wärmeinsel (BIWi)

Das Projekt 'Bäume als Indikatoren für die urbane Wärmeinsel (BIWi)' ist eine Vorstudie, in der an 12 stadtökologisch unterschiedlichen Standorten Berlins, der Stadt Deutschlands mit dem größten innerstädtischen Wärmeinseleffekt (urban heat island, UHI), mittels dendroklimatologischer Methoden Chronologien zu verschiedenen Jahrringparametern (Jahrringbreite JRB, Weiserjahrkataloge, holzanatomische Merkmale) erzeugt und analysiert werden. Das Ziel ist es zu untersuchen, mit welcher Güte und Sicherheit welche Wuchsmerkmale auf Einflüsse des UHI-Effektes zurückzuführen sind. Ausgehend von in Dendroklimatologie und Zeitreihenanalytik anerkannten und häufig erfolgreich angewandten Methoden zur Messtechnik, Datenaufbereitung und Datenanalyse soll ein Methodenverbund aus Korrelations-, Regressions-, Hauptkomponenten- und Extremjahranalysen für urbane Räume entwickelt werden, um an verschiedenen Standorten die Wachstumsfaktoren für die im Mittel herrschenden Klimabedingungen, wie auch für extreme Wetterlagen (Trocken- oder Hitzeperioden, Smoglagen) zu bestimmen und zu hierarchisieren. Dazu werden an 12 stadtökologisch unterschiedlichen Standorten an insgesamt ca. 150 Bäumen Chronologien zur Jahrringbreite wie auch Kataloge zu extremen Wuchsreaktionen und holzanatomischen Merkmalen (Frostringe, Dichteschwankungen, u.a.) generiert. Im Vergleich mit Standorten aus dem Berliner Umland werden die Effekte der UHI abschließend von den allgemeinen klimatischen Wachstumsfaktoren getrennt. Insbesondere für diesen Teilschritt ist neben der Analyse spezifischer Stadtbaumarten (Platane, Ahorn, Winterlinde oder ähnlichen) auch die von sogenannten waldbildenden Baumarten wie etwa Eiche, Buche oder Kiefer in der Stadt von Bedeutung, um die gefundenen Stadt-Umland-Diversitäten nicht durch artspezifische Unterschiede zu verwischen. Die in der Vorstudie gewonnenen Ergebnisse werden im Rahmen zweier Masterarbeiten ausgewertet und interpretiert und überdies in einem international anerkannten Fachjournal veröffentlicht. Bisher vorliegende Studien setzen die Dendroklimatologie erfolgreich ein, um das Wachstum urbaner Bäume zu analysieren. Die Innovation des Projektes BIWi beruht auf der erstmaligen Nutzung der Bäume und der dendroklimatologischen Techniken für die Analyse stadtklimatologischer Fragestellungen, insbesondere der räumlichen und zeitlichen Entwicklung der UHI. Im Erfolgsfalle dient diese Vorstudie dazu, in einem größer angelegten Folgeprojekt das übergeordnete Ziel zu verfolgen, ein Verfahren zur Untersuchung der räumlichen Verbreitung und raumzeitlichen Entwicklung von UHIs mit Hilfe dendroökologischer Datensätze zu entwickeln. Perspektivisch kann so dazu beizutragen werden retrospektiv und projektiv Aussagen zur Entwicklung von UHIs vor dem Hintergrund sich ändernder klimatischer, demographischer und städteplanerischer Entwicklungen zu treffen.

Tree Species - Sentinel-1/2 - Germany, 2022

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2022 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, radar data from Sentinel-1, and a digital elevation model. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 80,000 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 classification was generated using an XGBoost machine learning algorithm. The Tree Species Germany product achieves an overall F1-score of 0.89. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.76 to 0.98, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, and fir range from 0.88 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.

Soil texture, soil physicochemical properties and climatic data from the PhytOakmeter plot DKr (Kreinitz, Germany)

PhytOakmeter (www.phytoakmeter.de) is a field platform using the Quercus robur oak clone DF159 outplanted since 2010. This platform is used to monitor the impact of climate change and land use management on the "soil - plant - interactor" complex. Sites from PhytOakmeter are located either in forest or grassland habitats and represent a wide range of environmental contexts with specific stressors. All sites are equipped with loggers measuring air and soil temperature and soil moisture. Soil cores have been collected to analyze their chemical and physical characteristic. The DKr plot in Kreinitz (Germany) started in 2010 with 12 oak trees outplanted yearly between 2010 and 2019 over two 11m x 15m grassland plots. Soil temperature and soil moisture were measured between 2016 and 2025, and soil chemistry was assessed yearly in the root-affected zone of trees aged between one and five years. Soil porosity and texture were evaluated in 2020. The bundled publication is supplemented by recorded precipitation and weather data from an automatic weather station located on site.

Spezifisches Grünvolumen pro Nettoteilblock 2009

Wichtige Hinweise zum Layer: Grundlage des spezifischen Grünvolumens pro Nettoteilblock bildet das spezifische Grünvolumen als Raster mit einer räumlichen Auflösung von 1m (beachte: Basisdatensatz in GK5 mit 0,5 m Auflösung). Dieses wurde im vorliegenden Layer für die einzelnen Nettoteilblöcke statistisch ausgewertet. Der ausgewiesene Wert entspricht hierbei dem Mittelwert aller im jeweiligen Block enthaltenen Rasterzellen. Ein Rückschluss auf deren Verteilung sowie der vegetativen Strukturelemente im Raum (zum Beispiel nur Wiese und am Flächenrand hohe Vegetation oder Wiese mit Baumbestand) lässt sich daraus nicht ableiten. Für konkretere Aussagen zur Verteilungsstruktur ist das Raster des spezifischen Grünvolumens heranzuziehen. Da Gewässerflächen (hier: Nettoteilblockflächen mit der Nutzungsart Gewässer) mit Ausnahme von Baumkronenüberhängen kein durch Fernerkundung erfassbares Grünvolumen enthalten, bleiben diese Flächen von der Darstellung des Grünvolumens unberücksichtigt. Allgemeine Hintergrundinformationen zum spezifischen Grünvolumen: Das spezifische Grünvolumen als Synonym für Grünvolumenzahl basiert auf dem durch das Leibniz-Institut für ökologische Raumentwicklung e.V. (IÖR) erstellten Gutachten "Grünvolumenbestimmung der Stadt Dresden auf der Grundlage von Laserscandaten" vom August 2014 (Beachte: Datenbasis 2009-2011). Dieses ist unter dem zugeordneten Dokument einsehbar. Einleitung: Städtisches Grün ist aus stadtökologischer und sozialer Sicht unverzichtbar und erfüllt wichtige Funktionen wie Staubbindung, Temperaturminderung, Winddämpfung oder Grundwasserneubildung. Darüber hinaus bilden öffentliche Grünanlagen Oasen der Ruhe, die der Erholung, Freizeitgestaltung und Kommunikation dienen und wichtige soziale Funktionen erfüllen. Je nach Kontext wird die Vegetation durch unterschiedliche Bestandsmerkmale beschrieben: - Forstwirtschaft (Baumart, Bestandsdichte, Brusthöhendurchmesser und Überschirmungsgrad) - Botanik (Blattflächenindex - LAI = Leaf Area Index - als Grundlage zur Bestimmung der Belaubungsdichte sowie der fotosynthetischen Aktivität bzw. der Produktionsleistung) - Landwirtschaft (pflanzliche Biomasse, als Maß der Ertragsbilanzierung). Im städtischen Kontext ist aufgrund der Artenvielfalt der Vegetation eine Erfassung von Blattflächenindex oder Biomasse schwierig. Aus diesem Grund spielen einfache, planerisch sinnvolle und vor allem praktikable Indikatoren eine wichtige Rolle. Für die Anwendung in der großmaßstäbigen Bauleit- und Landschaftsplanung wurde deshalb eine rechnerische Bestimmung des Grünvolumens durch die Planungsgemeinschaft GROSSMANN, SCHULZE, POHL entwickelt. Dabei wird das Grünvolumen mittels der flächenbezogenen Grünvolumenzahl (GVZ) beschrieben. Sie wurde als Pendant zu den planungsrelevanten Richtgrößen der baulichen Nutzung, wie der Grundflächenzahl (GRZ) oder der Geschossflächenzahl (GFZ) eingeführt. Es soll neben den vegetationsbezogenen Indikatoren Biotopflächenfaktor (BFF), Bodenfunktionszahl (BFZ) und dem Durchgrünungsgrad die Formulierung von Mindestanforderungen an die Grünausstattung bei der Planung ermöglichen, da sie eine hohe ökologische Aussagekraft besitzt. Was beschreibt die Grünvolumenzahl (GVZ)? Als Grünvolumen wird die Summe des oberirdischen Volumens aller Pflanzen verstanden. Es wird in m³ angegeben. Das Grünvolumen ist durch die äußere Hülle der Vegetation begrenzt, die in der praktischen Erfassung über idealisierte geometrisch primitive Formen beschrieben wird: - Quader: Rasen, Kräuter sowie Sträucher - Kugel: z. B. Eiche - Zylinder: z. B. Pappel - Kegel: z. B. Nadelbaum Aus der Grünvolumensumme aller Vegetationsobjekte in Bezug auf eine definierte Bezugsfläche (z. B. Baublock) ergibt sich die Grünvolumenzahl (GVZ), die alternativ auch als "spezifisches Grünvolumen" bezeichnet wird und die Einheit m³/m² besitzt. Das vorliegende generalisierte Raster (ursprüngliche Auflösung 0,5 m) weist für die einzelnen Zellen (Auflösung jetzt 1 m) bereits das spezifische Grünvolumen (m³/m²) auf, welches zugleich dem absoluten Grünvolumen entspricht. Datengrundlage/Methodik: Grundlage der Bestimmung des Grünvolumens sind Laserscandaten, RGBI-Bilddaten sowie Gebäudedaten. Eine detaillierte Beschreibung der Vorgehensweise ist dem zugeordneten Dokument zu entnehmen. Klassifizierung des spezifischen Grünvolumen: - 1. Klasse: vegetationslos (= 0 m³/m²) - 2. Klasse: bis einschließlich 0,1 m³/m² - 3. Klasse: bis einschließlich 0,5 m³/m² - 4. Klasse: bis einschließlich 0,75 m³/m² - 5. Klasse: bis einschließlich 1 m³/m² - 6. Klasse: bis einschließlich 3 m³/m² - 7. Klasse: bis einschließlich 8 m³/m² - 8. Klasse: bis einschließlich 14 m³/m² - 9. Klasse: bis einschließlich 20 m³/m² - 10. Klasse: bis einschließlich 25 m³/m² - 11. Klasse: größer als 25 m³/m² Die Klassifikation in der vorliegenden Abstufung erfolgt aufgrund der im Modell getroffenen Annahmen sowie zur besseren plastischen Darstellung der Vegetationsobjekte. Einschränkung: Entsprechend der vorgesehenen Nutzung für die Umwelt-, Landschafts- und Bauleitplanung ist trotz scheinbar detaillierter Darstellungsmöglichkeit der Anwendungsmaßstab auf 1:5.000 begrenzt.

Forstwirtschaft - Bestände Staatswald 2011

Der Kartendienst (WMS-Gruppe) stellt die digitalen Geodaten aus dem Bereich Forstwirtschaft des Saarlandes dar.:Waldbestände des SaarForst Landesbetriebes (Staatswald) Die Aussengrenzen (Besitzgrenzen) des Staatswaldes wurden an die ALK angeglichen und sind damit katasterscharf. Die Innengrenzen (Abgrenzungen der Waldbestände eines Eigentümers untereinander) sind anhand der DGK5 und der digitalen Orthofotos mit 40 cm räumlicher Auflösung digitalisiert. Felder und ihre Bedeutung: Hierarchie Char (14) ; landesweit besitzerübergreifend eindeutiger Schlüssel Besitz Char (20) ; Waldeigentümer Revier Char (2) ; SaarForst Reviernummer Reviername Char (25) ; SaarForst Revierbezeichnung Abt Char (4) ; Nummer der Waldabteilung, eindeutig innerhalb eines Waldeigentümers Abteilung Char (8) ; Nummer der Waldabteilung mit vorangestellter Eigentümernummer Uabt Char (1) ; Unterabteilung Bestand Char (1) ; Bestand Teilfl Char (1) ; Teilfläche Beschrift Char (4) ; zusammengesetztes Feld aus Unterabteilung, Bestand und Teilfläche Betr_kl Char (20) ; Betriebsklasse Keine_bew Char (20) ; Erläuterung zu den Waldflächen außer Bewirtschaftung (10%) *) Bewirtsch Char (30) ; Bewirtschaftungsintensitäteinschl. „außer Bewirtschaftung“ Entw_stufe Char (30) ; Entwicklungsstufe Best_typ Char (35) ; Bestandestyp Schlussgra Char (20) ; Schlussgrad Best_stru Char (20) ; Bestandesstruktur Nutz_art Char (20) ; Nutzungsart Atb Char (20) ; Alt- und Totholz Biozönosen-Projektfläche Bl Decimal (3, 0) ; Blösse Anteil der Fläche temporär ohne Baumbewuchs in % Bu Decimal (3, 0) ; Anteil der Baumartengruppe Buche in % Ei Decimal (3, 0) ; Anteil der Baumartengruppe Eiche in % Elb Decimal (3, 0) ; Anteil der Baumartengruppe Edellaubbäume in % Slb Decimal (3, 0) ; Anteil der Baumartengruppe sonstige Laubbäume in % Fi Decimal (3, 0) ; Anteil der Baumartengruppe Fichte in % Ki Decimal (3, 0) ; Anteil der Baumartengruppe Kiefer in % Lae Decimal (3, 0) ; Anteil der Baumartengruppe Lärche in % Dou Decimal (3, 0) ; Anteil der Baumartengruppe Douglasie in % Snb Decimal (3, 0) ; Anteil der Baumartengruppe sonst. Nadelbäume in % Sa_lh Decimal (3, 0) ; Summe der Laubhölzer in % Sa_nh Decimal (3, 0) ; Summe der Nadelhölzer in % Hba Char (3) ; Dominierende Baumartengruppe Farbe Char (10) ; Darstellungsfarbe auf der Wirtschaftskarte Stand der Flächenausweisung „Außer Bewirtschaftung -10% der Staatswaldfläche“ zum 1.9.2011 Bisherige_irB; Bisher in regelmässiger Bewirtschaftung Bisherige_arB; Bisher ausser regelmässiger Bewirtschaftung NWZ_ausgewiesen; durch Rechtsverordnung ausgewiesene Naturwaldzelle Grossschutzgebiet; durch Rechtsverordnung ausgewiesenes Großschutzgebiet ("Urwald") Grossschutzgebiet_ab; Abgang vom Großschutzgebiet, rechtlich nicht umgesetzt Grossschutzgebiet_zu; Zugang zum Großschutzgebiet, rechtlich nicht umgesetzt Referenzfläche; Referenzfläche Prozessschutz Quierschied NWZ_erw: Zugang bzw. Neuausweisung Naturwaldzelle, rechtlich nicht umgesetzt Kernzone_Biosphaere; Kernzonen der Biosphäre Bliesgau.

Digitale Topographische Karte 1 : 10 000 - 3447-NO Eiche

Die Digitalen Topographischen Karten (DTK) werden aus Digitalen Landschafts- und Geländemodellen sowie dem Amtlichen Liegenschaftskatasterinformationssystem ALKIS erzeugt und nach dem bundeseinheitlichen Signaturenkatalog der Präsentationsausgaben „basemap.de P10“ Raster visualisiert. Die DTK liegen flächendeckend und im einheitlichen geodätischen Bezugssystem und Kartenprojektion für das Land Brandenburg vor. Sie sind als Rasterdaten (farbig/grau) und als Webdienste, verfügbar. Bei Nutzung der Daten sind die Lizenzbedingungen zu beachten.

1 2 3 4 5 … 139 140 141