API src

Found 3772 results.

Related terms

Model Output Statistics for Saldenburg-Entschenreuth (P586)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for MONTES CLAROS (83437)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

GTS Bulletin: SMVX81 EDZW - Surface data (details are described in the abstract)

The SMVX81 TTAAii Data Designators decode as: T1 (S): Surface data T1T2 (SM): Main synoptic hour (Remarks from Volume-C: SHIP)

Model Output Statistics for WEIFANG (54843)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for SITIAWAN (48620)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for Berlin-Brandenburg (10385)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Model Output Statistics for RAFHA (40362)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Untersuchung von Langzeitvariationen leuchtender Nachtwolken mittels europäischer Nadir-Satelliteninstrumente

Leuchtende Nachtwolken (NLCs, von engl. Noctilucent clouds) sind optisch dünne Wassereiswolken, die nahe der polaren Sommermesopause bei geographischen Breiten polwärts von etwa 50 Grad auftreten. NLCs wurden in den vergangenen Jahrzehnten intensiv untersucht, insbesondere aufgrund ihrer Rolle als Indikatoren der globalen Veränderung. Langzeitsatellitenmessungen der NLCs mit Hilfe der SBUV/2 Instrumente auf Nimbus-7 und der NOAA-Satellitenreihe zeigen eine signifikante Zunahme der NLC Albedo (DeLand et al., 2007) sowie der NLC Häufigkeit (Shettle et al., 2009). Dieser langfristige Trend wurde durch eine Studie von Stevens et al. (2007) in Frage gestellt, in der die Langzeittrends in SBUV/2 NLC Albedo und der NLC Eismasse bei einer konstanten Lokalzeit untersucht wurden. Erstaunlicherweise führte die ausschließliche Berücksichtigung von Messungen bei konstanter Lokalzeit dazu, dass der Langzeittrend in der NLC Albedo praktisch vollständig verschwand. Diese Ergebnisse suggerieren, dass die veränderlichen Lokalzeiten, die mit der langsamen Veränderung der Orbitparameter der NOAA Satelliten verbunden sind, den scheinbaren Langzeittrend in NLC Albedo und NLC Häufigkeiten in früheren Studien verursachen. Dieser Sachverhalt ist noch immer nicht verstanden, obwohl die Frage nach den tatsächlichen Langzeitvariationen in NLCs von entscheidender Bedeutung für das wissenschaftliche Verständnis des Klimawandels in der mittleren Atmosphäre ist. Das wissenschaftliche Hauptziel des hier vorgeschlagenen Projekts ist es die Ursachen für die oben skizzierten Diskrepanzen zwischen den verschiedenen Analysen der SBUV/2 Daten zu untersuchen, und festzustellen, ob NLC-Parameter einer Langzeitvariation unterliegen oder nicht. Zu diesem Zweck sollen Messungen der europäischen Nadir-Beobachtungsinstrumente GOME und SCIAMACHY zur Bestimmung von NLCs verwendet werden. Nadir-Messungen dieser Satelliteninstrumente sind hervorragend geeignet, um diese wissenschaftliche Fragestellung zu untersuchen, weil die Satelliten sich in Sonnen-synchronen Erdumlaufbahnen befinden, und somit Messungen bei einer bestimmten geographischen Breite stets zur selben Lokalzeit durchführt werden. Da die GOME und SCIAMACHY Nadir-Messungen bisher nicht zur Untersuchung von NLCs verwendet wurden, soll im Rahmen dieses Projekts ein NLC Auswertealgorithmus implementiert und auf den gesamten GOME und SCIAMACHY Datensatz angewandt werden. Die zu bestimmenden NLC Parameter umfassen NLC Albedo, NLC Häufigkeit sowie NLC Eismasse. Die abgeleiteten NLC Datenprodukte werden verwendet, und Sonnenzyklusvariationen und Langzeittrends in NLCs zu quantifizieren, sowie zur Untersuchung der Frage, ob die Langzeittrends in SBUV/2 NLC Messungen durch die veränderlichen Lokalzeiten dieser Satellitenmessungen beeinflusst oder gar maßgeblich verursacht werden.

Neue Sichtweisen auf die Aerosol-Wolken-Strahlungs-Wechselwirkung mittels polarimetrischer und hyper-spektraler Messungen

Die Wechselwirkung von Wolken und Aerosol und ihre Rolle im Strahlungshaushalt der Erde ist ein Feld offener Fragen. Der IPCC (2014) nennt große Unsicherheiten und den Bedarf an zusätzlichen wissenschaftlichen Bemühungen, um die Vielzahl der Prozesse und deren Rolle für ein sich wandelndes Klima besser zu verstehen. Dieser Antrag hat die Entwicklung neuartiger Fernerkundungskonzepte zur Beobachtung einiger dieser Prozesse zum Ziel. Aerosol hat direkten Einfluss auf den Strahlungshaushalt und löst eine Serie von indirekten Effekten aus, indem es die Wolken-Mikrophysik, die Wolken-Dynamik, -Lebensdauer, den Wasserkreislauf und sogar die großskalige Zirkulation beeinflusst. Eigenschaften und räumliche Verteilung des Aerosols selbst ändern sich durch die Prozesse während der Wolkenpartikelbildung und ihrer Auflösung. Die Konzentration aktivierter Wolkenkondensationskeime (CCNC) spielt dabei eine entscheidende Rolle. CCNC kann in-situ nur mit sehr begrenzter räumlicher Abdeckung vermessen werden. Gleichzeitig kann sie nicht quantitativ mit herkömmlichen Fernerkundungsmethoden bestimmt werden, da die typische CCN Größe mehr als eine Größenordnung unterhalb der Wellenlänge sichtbarer Strahlung liegt. Daher wurde ein alternativer Ansatz vorgeschlagen: Messungen der von Wolkenseiten reflektierten Solarstrahlung ermöglichen die Ableitung von Vertikalprofilen der Partikelphase sowie ihrer Größe. Es wurde hypothetisiert, dass der Einfluss des Aerosols auf die Entwicklung der Mikrophysik so beobachtbar wird ebenso wie die Ableitung der CCNC. Alternativ kann CCNC auch aus Messungen optischer Eigenschaften der Aerosole abgeleitet werden. Der Zusammenhang zwischen optischer Dicke des Aerosols und CCNC wurde identifiziert, allerdings verbunden mit Unsicherheiten. Der Vorschlag, diese beiden Ansätze zu verbinden und die damit verbundenen Hypothesen zu testen, ist Kern dieses Antrags. Hyper-spektrale Beobachtungen mittels eines schnellen Scanners sind entscheidend, da Wolken sich sehr schnell verändern. Dazu soll ein abbildendes Spektrometer mit Polarisationsfiltern erweitert werden. Mit demselben Messgerät können dann die Mikrophysik der Wolken und die Eigenschaften des Aerosols im umgebenden wolkenlosen Bereich abgeleitet werden. Das Projekt ist im Wesentlichen in zwei Doktorarbeiten aufgeteilt. Highlights: 1) Test zweier Hypothesen, die Kern kommender Flugzeug-Kampagnen und geplanter Satellitenmissionen sind: CCNC kann aus Fernerkundung der Aerosoleigenschaften und aus Profilen der Wolkenmikrophysik abgeleitet werden. 2) Schnelle hyper-spektrale Scanner-Messungen ermöglichen Mikrophysik-Messungen veränderlicher Wolken. Erlauben diese Daten Ableitungen der Veränderung der Mikrophysik abhängig von der Entfernung zur Wolkenseite? 3) Ableitung von Aerosol-Eigenschaften aus polarisierten spektralen Messungen auch in bewölkten Situationen.

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]

1 2 3 4 5 … 376 377 378