API src

Found 249 results.

Related terms

Treibhausgas-Projektionen 2026 für Deutschland - Datentabelle (ehemals Kernindikatoren)

Für die Treibhausgas-Projektionen sind die Treibhausgas-Emissionen der wesentliche Indikator, um die Erreichung der Klimaschutzziele zu kontrollieren. Allerdings umfassen klima- und energiepolitische Strategien der Bundesregierung weitere Ziele und Indikatoren. Deshalb haben das beauftragte Forschungskonsortium, das Thünen-Institut und das Umweltbundesamt neben Treibhausgas-Emissionen und Rahmendaten weitere Projektionsdaten im Sinne eines Nachschlagewerks zusammengestellt, um Steuerungsmöglichkeiten aufzuzeigen. Thematisch beziehen sich die Projektionsdaten auf die Bereiche Energiebezogene Indikatoren, neue Brennstoffe, Energiewirtschaft, Industrie, Gebäude, Verkehr, Landwirtschaft, Abfallwirtschaft sowie Landnutzung, Landnutzungsänderung und Forstwirtschaft (LULUCF). Sie bieten unter anderem Informationen zu möglichen Entwicklungen von Angebot und Nachfrage sowie der installierten Leistung wichtiger Energieträger, Kosten und Produktionsmengen von Industriegütern, der Verkehrsleistung sowie zu Emissionen, Flächennutzung und Düngereinsatz in der Land-, Forst- und Abfallwirtschaft. Das Datenportal Data Cube des Umweltbundesamtes bietet erweiterte Filter- und Darstellungsmöglichkeiten der Projektionsdaten im Vergleich zur Veröffentlichung als Datentabelle.

Treibhausgas-Projektionen 2025 für Deutschland - Datentabelle (ehemals Kernindikatoren)

Für die Treibhausgas-Projektionen sind die Treibhausgas-Emissionen der wesentliche Indikator, um die Erreichung der Klimaschutzziele zu kontrollieren. Allerdings umfassen klima- und energiepolitische Strategien der Bundesregierung weitere Ziele und Indikatoren. Deshalb haben das beauftragte Forschungskonsortium, das Thünen-Institut und das Umweltbundesamt neben Treibhausgas-Emissionen und Rahmendaten weitere Projektionsdaten im Sinne eines Nachschlagewerks zusammengestellt, um Steuerungsmöglichkeiten aufzuzeigen. Thematisch beziehen sich die Projektionsdaten auf die Bereiche Energiebezogene Indikatoren, neue Brennstoffe, Energiewirtschaft, Industrie, Gebäude, Verkehr, Landwirtschaft, Abfallwirtschaft sowie Landnutzung, Landnutzungsänderung und Forstwirtschaft (LULUCF). Sie bieten unter anderem Informationen zu möglichen Entwicklungen von Angebot und Nachfrage sowie der installierten Leistung wichtiger Energieträger, Kosten und Produktionsmengen von Industriegütern, der Verkehrsleistung sowie zu Emissionen, Flächennutzung und Düngereinsatz in der Land-, Forst- und Abfallwirtschaft. Das Datenportal Data Cube des Umweltbundesamtes bietet erweiterte Filter- und Darstellungsmöglichkeiten der Projektionsdaten im Vergleich zur Veröffentlichung als Datentabelle. Über das Feld \

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Bad-Oldesloe, 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.

Treibhausgas-Projektionen 2025 für Deutschland - Datentabelle (ehemals Kernindikatoren)

Für die Treibhausgas-Projektionen sind die Treibhausgas-Emissionen der wesentliche Indikator, um die Erreichung der Klimaschutzziele zu kontrollieren. Allerdings umfassen klima- und energiepolitische Strategien der Bundesregierung weitere Ziele und Indikatoren. Deshalb haben das beauftragte Forschungskonsortium, das Thünen-Institut und das Umweltbundesamt neben Treibhausgas-Emissionen und Rahmendaten weitere Projektionsdaten im Sinne eines Nachschlagewerks zusammengestellt, um Steuerungsmöglichkeiten aufzuzeigen. Thematisch beziehen sich die Projektionsdaten auf die Bereiche Energiebezogene Indikatoren, neue Brennstoffe, Energiewirtschaft, Industrie, Gebäude, Verkehr, Landwirtschaft, Abfallwirtschaft sowie Landnutzung, Landnutzungsänderung und Forstwirtschaft (LULUCF). Sie bieten unter anderem Informationen zu möglichen Entwicklungen von Angebot und Nachfrage sowie der installierten Leistung wichtiger Energieträger, Kosten und Produktionsmengen von Industriegütern, der Verkehrsleistung sowie zu Emissionen, Flächennutzung und Düngereinsatz in der Land-, Forst- und Abfallwirtschaft. Das Datenportal Data Cube des Umweltbundesamtes bietet erweiterte Filter- und Darstellungsmöglichkeiten der Projektionsdaten im Vergleich zur Veröffentlichung als Datentabelle.

Indikator: Endenergieverbrauch des Verkehrs

<p> Die wichtigsten Fakten <ul> <li>Die Bundesregierung will den <a href="https://www.umweltbundesamt.de/service/glossar/endenergieverbrauch">Endenergieverbrauch</a> des Güter- und Personenverkehrs bis 2030 um 15 bis 20 % gegenüber 2005 verringern.</li> <li>Güter- und Personenverkehr sind seit Anfang der 1990er zwar deutlich effizienter geworden, die gesteigerte <a href="https://www.umweltbundesamt.de/service/glossar/verkehrsleistung">Verkehrsleistung</a> führte jedoch zur Zunahme bzw. Stagnation des Endenergieverbrauchs.</li> <li>Der Endenergieverbrauch im Güterverkehr bleibt auf einem hohen Niveau. Es wird schwer, das Ziel zu erreichen.</li> <li>Pandemiebedingt kam es zu einem verringerten Endenergieverbrauch im Personenverkehr. Seit 2021 stieg der Verbrauch wieder leicht an.</li> </ul> </p><p> Welche Bedeutung hat der Indikator? <p>Verkehr benötigt Energie. Die Bereitstellung, Verteilung und Nutzung von Energie sind für viele globale Probleme verantwortlich. Im Verkehr kommt vor allem Erdöl als Energieträger zum Einsatz. Dieses wird häufig in ökologisch sensiblen Gebieten gefördert oder durch sensible Gebiete transportiert. Auch die Aufbereitung des Erdöls zu Benzin, Diesel oder Kerosin in Raffinerien ist energieaufwändig. Schließlich werden bei der Verbrennung der Kraftstoffe Schadstoffe wie Stickoxide und Feinstaub frei. Im besonderen Fokus stehen jedoch die bei der Verbrennung von Kraftstoffen entstehenden Treibhausgase, die für den weltweiten <a href="https://www.umweltbundesamt.de/service/glossar/klimawandel">Klimawandel</a> mitverantwortlich sind.</p> <p>Die Bundesregierung hat sich Ziele gesetzt, den Energieverbrauch in Deutschland zu reduzieren. In der <a href="https://www.bundesregierung.de/breg-de/themen/nachhaltigkeitspolitik/die-deutsche-nachhaltigkeitsstrategie-318846">Nachhaltigkeitsstrategie</a> wird das Ziel benannt, den <a href="https://www.umweltbundesamt.de/service/glossar/endenergieverbrauch">Endenergieverbrauch</a> des Personen- als auch des Güterverkehrs bis 2030 um 15 bis 20 % zu senken.</p> </p><p> Wie ist die Entwicklung zu bewerten? <p>Der <a href="https://www.umweltbundesamt.de/service/glossar/endenergieverbrauch">Endenergieverbrauch</a> ist der Verbrauch, der zum Betrieb der Fahrzeuge erforderlich ist. Von 2005 bis 2019 nahm der Endenergieverbrauch des Personenverkehrs um 4,3 % leicht zu. Im Güterverkehr stieg er im gleichen Zeitraum hingegen um rund 9,9 %. Dabei stieg die Transportleistung im Verkehr stärker als der Energieverbrauch. Somit sind beide Verkehrsbereiche zwar energieeffizienter geworden, das Ziel der absoluten Energieeinsparung wurde jedoch noch nicht erreicht. Pandemiebedingt zeigte sich durch die gesunkene <a href="https://www.umweltbundesamt.de/service/glossar/verkehrsleistung">Verkehrsleistung</a> im Personenverkehr in den Jahren 2020 und 2021 ein starker Einbruch im Endenergieverbrauch. Auch 2024 lag der Endenergieverbrauch im Personenverkehr noch 9,2 % unter dem Wert von 2005, stieg aber im Vergleich zu den Vorjahren wieder an.&nbsp;</p> <p>Soll der Energieverbrauch des Verkehrs sinken, muss sich vor allem die Verkehrsnachfrage verringern, verlangsamen und energieeffizientere Antriebsalternativen stärker gefördert werden oder sich der Verkehr auf umweltfreundlichere Verkehrsmittel verlagern (siehe Indikatoren <a href="https://www.umweltbundesamt.de/node/33856">„Umweltfreundlicher Personenverkehr“</a> und <a href="https://www.umweltbundesamt.de/node/33853">„Umweltfreundlicher Güterverkehr“</a>).</p> </p><p> Wie wird der Indikator berechnet? <p>Der Endenergieverbrauch des Verkehrs wird mit Hilfe des Rechenmodells TREMOD (Transport <a href="https://www.umweltbundesamt.de/service/glossar/emission">Emission</a> Model) auf Basis von Fahrleistungen, Verkehrsleistungen und spezifischen Energieverbräuchen berechnet. TREMOD wurde vom Institut für Energie- und Umweltforschung Heidelberg (ifeu) im Auftrag des Umweltbundesamtes entwickelt. Methodische Hintergründe stellt das <a href="https://www.ifeu.de/methoden/modelle/tremod/">ifeu</a> bereit.</p> <p><strong>Die Daten finden Sie im <a href="https://www.umweltbundesamt.de/service/glossar/data-cube">Data Cube</a> des <a href="https://www.umweltbundesamt.de/service/glossar/uba">UBA</a>: </strong><a href="https://datacube.uba.de/vis?fs%5b0%5d=Themen,0%7CVerkehr%23TRANSPORT%23&amp;pg=0&amp;fc=Themen&amp;bp=true&amp;snb=17&amp;df%5bds%5d=ds-dc-release&amp;df%5bid%5d=DF_TRANSPORT_ENERGY_FINAL&amp;df%5bag%5d=UBA&amp;dq=.A..&amp;pd=2000,2023&amp;to%5bTIME_PERIOD%5d=false"><strong>Entwicklung des Endenergieverbrauchs nach Kraftstoffarten</strong></a><strong>.</strong></p> <p><strong>Ausführliche Informationen zum Thema finden Sie im Daten-Artikel </strong><a href="https://www.umweltbundesamt.de/node/12085"><strong>Endenergieverbrauch und Kraftstoffe</strong></a><strong> und im Themen-Artikel </strong><a href="https://www.umweltbundesamt.de/node/3318"><strong>Emissionsdaten</strong></a><strong>.</strong><br>&nbsp;</p> </p><p> </p><p>Informationen für...</p>

Adaptation Data Base - Aufbau und Operationalisierung von Datenbankkonzepten für die systematische Erfassung anpassungsrelevanter Informationen

Ziel des Vorhabens ist die Digitalisierung des Datenmanagements und der Datenbereitstellung zu Klimafolgen und der Anpassungsstrategie des Bundes, um das Datenangebot für verschiedene Informationsbedarfe nutzbar zu machen und für die konsequente Steuerung zeitnah Informationen und Daten über Klimawandelfolgen und Anpassung zu erfassen und bereit zu stellen. Dazu sollen künftig quantifizierte Informationen über Schäden und Kosten physischer Klimawirkungen, die Anpassung auf subnationaler Ebene in Bundesländern und Kommunen und in den Sektorpolitiken, sowie die Finanzierung von vorsorgenden Anpassungsmaßnahmen der öffentlichen Hand (Bund, Länder, Kommunen) systematisch und kontinuierlich erfasst werden. Bereits vorhanden ist das Monitoringsystem zur DAS, das derzeit alle vier Jahre über Klimawirkungen und Anpassung anhand eines ressortabgestimmten Indikatorensystems auf nationaler Ebene berichtet. Im Vor-haben wird das Datenmanagement des Monitoringsystems zur DAS weiterentwickelt und mit dem im Aufbau befindlichen Datennutzungskonzept des UBA abgestimmt. Eine vergleichende Betrachtung vorhandener Umsetzungsmöglichkeiten vor dem Hintergrund laufender UBA Entwicklungen (z. B. DataCube), bestehenden IT-Infrastrukturen (Hosting und Datenmanagement UBA intern) sowie externen Optionen (Cloud) soll vorgenommen werden. Soweit möglich und fachlich sinnvoll, sollen bestehende Infrastrukturen oder Produkte genutzt bzw. auf laufende Prozesse aufgesetzt werden. Die Erfassung und Digitalisierung von quantifizierten Informationen über Schäden und Kosten physischer Klimawirkungen (Klimaschadenskataster) und die Finanzierung von vorsorgender Anpassung der öffentlichen Hand (Bund, Länder, Kommunen) soll neu aufgebaut werden. Dazu kann auf bereits vorhandenen methodischen Konzepten aufgesetzt werden. Notwendig ist die (Weiter)Entwicklung eines methodischen Konzepts für die systematische Erfassung von Informationen über Anpassungsfortschritte auf subnationaler Ebene und in den Sektorpolitiken und die Vorbereitung der Umsetzung. Es sollen Konzepte sowie institutionelle Vorschläge erarbeitet werden, mit denen Akteure auf subnationaler Ebene in die Lage versetzt werden, an den Bund zu berichten. Die Ergebnisse des Vorhabens 'Adaptation Data Base' werden in die UBA Datenstrategie und die darin abgeleiteten Maßnahmenvorschläge zum Datenmanagement und zur Datenbereitstellung eingegliedert. Im Eigenforschungsvorhaben sollen aus Fernerkundungsdiensten Verfahren zur Überwachung von Klimafolgen entwickelt und erprobt werden. Beispielsweise wird erwartet, dass aus dem Katastrophen- und Krisendienst von Copernicus mittelfristig Eingangsdaten für ein Klimaschadenskataster abgeleitet werden könnten. Im Ergebnis würde eine mittelfristige Ergänzung von in-situ-Daten zu Klimafolgen und Anpassungsmaßnahmen möglich.

Treibhausgas-Emissionen in der Europäischen Union

<p> <p>Jährlich berichtet die Europäische Union das Gesamtinventar der Treibhausgas-Emissionen aller Mitgliedstaaten. Dazu werden die Emissionsdaten zusammengeführt, wodurch ein konsistenter Bericht entsteht. Der Emissionstrend und die Verteilung auf die Kategorien orientieren sich weitestgehend an denen der großen Industrieländer.</p> </p><p>Jährlich berichtet die Europäische Union das Gesamtinventar der Treibhausgas-Emissionen aller Mitgliedstaaten. Dazu werden die Emissionsdaten zusammengeführt, wodurch ein konsistenter Bericht entsteht. Der Emissionstrend und die Verteilung auf die Kategorien orientieren sich weitestgehend an denen der großen Industrieländer.</p><p> Hauptverursacher <p>2024 verursachte die EU-27 insgesamt rund 3.017 Millionen Tonnen (Mio. t) <a href="https://www.umweltbundesamt.de/service/glossar/kohlendioxid-aequivalente">Kohlendioxid-Äquivalente</a> (CO₂ e) (siehe „<a href="https://datacube.uba.de/vis?tm=Europ%C3%A4ische%20Union&amp;pg=0&amp;snb=2&amp;vw=tb&amp;df%5bds%5d=ds-dc-release&amp;df%5bid%5d=DF_CLIMATE_EMISSIONS_EEA_GHG&amp;df%5bag%5d=UBA&amp;df%5bvs%5d=1.0&amp;dq=.A.GHG_TOTAL.TOTAL_WITHOUT_LULUCF.GHG.&amp;pd=2000,2024&amp;to%5bTIME_PERIOD%5d=false">Data Cube</a>“). Die Mitgliedsstaaten Deutschland, Frankreich, Italien und Polen verursachen die meisten Emissionen, während Malta und Zypern die niedrigsten Stände aufweisen.</p> <a href="https://www.umweltbundesamt.de/system/files/image/2_Tab_THG-Emi-EU_2026-09-15.png"> </a> <strong> Tab: Treibhausgas-Emissionen der Europäischen Union </strong> Quelle: EEA Downloads: <ul> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/2_Tab_THG-Emi-EU_2026-09-15.pdf">Tabelle als PDF (51,95 kB)</a></li> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/2_Tab_THG-Emi-EU_2026-09-15.xlsx">Tabelle als Excel (234,75 kB)</a></li> </ul> </p><p> Pro-Kopf-Emissionen <p>Bezieht man die <a href="https://www.umweltbundesamt.de/service/glossar/treibhausgas">Treibhausgas</a>-Emissionen 2024 auf die jeweiligen Bevölkerungen, so weißt Luxemburg und Irland die höchsten Werte auf, während die niedrigsten von Schweden und Malta verursacht werden. Deutschland liegt mit 7,79 Tonnen <a href="https://www.umweltbundesamt.de/service/glossar/kohlendioxid-aequivalente">Kohlendioxid-Äquivalente</a> (t CO₂ e) pro Kopf im Mittelfeld (siehe „<a href="https://datacube.uba.de/vis?tm=Pro%20Kopf%20Emissionen%20der%20Europ%C3%A4ischen%20Union&amp;pg=0&amp;snb=1&amp;vw=tb&amp;df%5bds%5d=ds-dc-release&amp;df%5bid%5d=DF_CLIMATE_EMISSIONS_EEA_GHG&amp;df%5bag%5d=UBA&amp;df%5bvs%5d=1.0&amp;dq=.A.GHG_PER_CAPITA.TOTAL_WITHOUT_LULUCF.GHG.&amp;pd=2000,2024&amp;to%5bTIME_PERIOD%5d=false">Data Cube</a>“). Die Pro-Kopf Menge für die EU-27 ist insgesamt etwas gesunken.</p> <a href="https://www.umweltbundesamt.de/system/files/image/3_Abb_THG-Emi-EU-Vergleich-Pro-Kopf_2026-09-15_0.png"> </a> <strong> Treibhausgas-Emissionen der Europäischen Union im Vergleich 2024 - Pro-Kopf-Emissionen </strong> Quelle: EEA Downloads: <ul> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/3_Abb_THG-Emi-EU-Vergleich-Pro-Kopf_2026-09-15_0.pdf">Diagramm als PDF (138,27 kB)</a></li> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/3_Abb_THG-Emi-EU-Vergleich-Pro-Kopf_2026-09-15_0.xlsx">Diagramm als Excel mit Daten (34,19 kB)</a></li> </ul> </p><p> Emissionen in Relation zum Bruttoinlandsprodukt (BIP) <p>Ein völlig anderes Bild ergibt sich, wenn man die <a href="https://www.umweltbundesamt.de/service/glossar/treibhausgas">Treibhausgas</a>-Emissionen 2024 mit der Wirtschaftsleistung in Form des BIP ins Verhältnis setzt: dann liegen Bulgarien und Polen im oberen Bereich, sowie Schweden und Dänemark im unteren. Deutschland (etwa 180 t CO2-Äquivalenten pro Mrd. EUR) im guten Mittelfeld. Die EU-27 als Ganzes liegt etwas über den deutschen Wert (siehe „<a href="https://datacube.uba.de/vis?tm=Pro%20Kopf%20Emissionen%20der%20Europ%C3%A4ischen%20Union&amp;pg=0&amp;snb=1&amp;vw=tb&amp;df%5bds%5d=ds-dc-release&amp;df%5bid%5d=DF_CLIMATE_EMISSIONS_EEA_GHG&amp;df%5bag%5d=UBA&amp;df%5bvs%5d=1.0&amp;dq=.A.GHG_PER_GDP.TOTAL_WITHOUT_LULUCF.GHG.&amp;pd=2000,2024&amp;to%5bTIME_PERIOD%5d=false">Data Cube</a>“).</p> <a href="https://www.umweltbundesamt.de/system/files/image/4_Abb_THG-Emi-EU-Vergleich-BIP_2026-09-15_0.png"> </a> <strong> Treibhausgas-Emissionen der Europäischen Union im Vergleich 2024 – Emissionen pro Einheit des BIP </strong> Quelle: EEA Downloads: <ul> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/4_Abb_THG-Emi-EU-Vergleich-BIP_2026-09-15_0.pdf">Diagramm als PDF (137,27 kB)</a></li> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/4_Abb_THG-Emi-EU-Vergleich-BIP_2026-09-15_0.xlsx">Diagramm als Excel mit Daten (34,01 kB)</a></li> </ul> </p><p> Trends <p>Seit 1990 sinken die Emissionen der EU-Mitgliedstaaten.&nbsp;</p> <p>In der Kategorie „Energie“ hat Malta den niedrigsten und Deutschland mit Abstand höchsten Wert.&nbsp;</p> <p>In der Kategorie&nbsp;„Industrie“ hat Malta weiterhin den niedrigsten und Deutschland den höchsten Wert.</p> <p>In der Kategorie „Landwirtschaft“ belegt Malta den untersten Rang, während Frankreich den höchsten Rang hat. Deutschland liegt etwas unter Frankreich.</p> <p>In der Kategorie „<a href="https://www.umweltbundesamt.de/service/glossar/landnutzung">Landnutzung</a>, <a href="https://www.umweltbundesamt.de/service/glossar/landnutzungsaenderung">Landnutzungsänderung</a> und Forstwirtschaft“ weißt Italien ein deutlichen Minuswert aus, während Deutschland fast genauso viele Emissionen im Plusbereich hat.</p> <p>In der Kategorie „Abfall“ belegt Luxemburg den niedrigsten Rang und Italien den höchsten. Deutschland liegt im guten Mittelfeld. (siehe „<a href="https://datacube.uba.de/vis?fs%5b0%5d=Themen,0%7CKlima%23CLIMATE%23&amp;pg=0&amp;fc=Themen&amp;bp=true&amp;snb=18&amp;df%5bds%5d=ds-dc-release&amp;df%5bid%5d=DF_CLIMATE_EMISSIONS_EEA_GHG&amp;df%5bag%5d=UBA&amp;df%5bvs%5d=1.0&amp;dq=.A.GHG_TOTAL.1_ENERGY%2B2_INDUSTRY%2B3_AGRICULTURE%2B4_LULUCF%2B5_WASTE.GHG.&amp;pd=2000,2024&amp;to%5bTIME_PERIOD%5d=false&amp;vw=tb">UBA Data Cube • THG-Emissionen der EU-27 Staaten (EEA)</a>“).</p> <a href="https://www.umweltbundesamt.de/system/files/image/5_Tab_THG-Emi-EU-27-Kategorien_2026-09-15_0.png"> </a> <strong> Tab: Treibhausgas-Emissionen der EU-27 nach Kategorien </strong> Quelle: EEA Downloads: <ul> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/5_Tab_THG-Emi-EU-27-Kategorien_2026-09-15_0.pdf">Tabelle als PDF (69,01 kB)</a></li> <li><a href="https://www.umweltbundesamt.de/system/files/medien/384/bilder/dateien/5_Tab_THG-Emi-EU-27-Kategorien_2026-09-15.xlsx">Tabelle als Excel (234,64 kB)</a></li> </ul> </p><p> </p><p>Informationen für...</p>

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Heidelberg, 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 Helmstedt, 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.

Long Term High Resolution Forest Condition Anomalies of Germany (2000-2022)

This dataset provides estimates of forest condition anomalies across Germany at 30m spatial resolution and 4-day temporal resolution, spanning the period from 2000 to 2022. Forest condition is quantified as Forest Condition Anomaly index (FCA), a continuous index ranging from -1 (strongly negative anomaly) to +1 (strongly positive anomaly), based on the methods proposed by Lange et al. (2024). The dataset is published as NetCDF files containing yearly and seasonal means for spring (March-May), summer (June-August), and fall (September-November); winter months were excluded due to snow contamination. The dataset was generated to extend the temporal coverage of existing high-resolution forest condition products, which are limited to the Sentinel-2 era (from 2017 onwards), in order to enable the study of forest condition across multiple disturbance events over a longer time horizon. Due to that, the datasets are chunked spatially (250 x 250 pixels), with one chunk containing the whole time line. Forest condition was estimated from the Seamless Data Cube (SDC) by Chen et al. (2024), a global daily 30m surface reflectance product derived from the fusion of Landsat and MODIS satellite observations. For each observation, a per-pixel anomaly was computed relative to species- and region-specific reflectance reference statistics. Reference statistics (for deciduous species) were further adjusted for annual phenological variation using the Near-Infrared Vegetation Index (NIRv) to extract yearly species- and region-specific phenological events. Tree species information was obtained from the national tree species map of Germany by Blickensdörfer et al. (2024), and Germany was divided into seven climatic landscape regions. The anomaly index was computed as a weighted combination of per-band deviations in the red, near-infrared, and shortwave infrared bands.

1 2 3 4 5 … 23 24 25