Data Publication Server Forschungszentrum Juelich is a web server for providing large data sets to the general public. It's main application is publishing data belonging to scientific publications.
Der Datensatz zeigt detaillierte Luftbilder (Digitale Orthophotos - DOP), die während der belaubten Jahreszeit in Hamburg aufgenommen worden sind. Mit einer Auflösung von <b> 0,20m - 0,50m </b> eine beeindruckende Detailgenauigkeit. Woher kommen die Daten? Die hier enthaltenen Daten wurden mit Multispektral-Sensoriken (RGBI) sowohl via <b>Flugzeug</b>, als auch <b>Satellit</b> aufgenommen. Entsprechend variieren einzelne Parameter - für nähere Infos stehen im Downloadbereich Informationen bereit. Die Zusammenführung aller Daten in einer Zeitreihe ermöglicht es, Entwicklungen im urbanen Landschaftsbild zu identifizieren und über einen Zeitraum hinweg zu beobachten: -Wie viele Gebäude gibt es? (#Detektion) -Wo entstehen versiegelte Flächen? (#Change Detection) -Wie steht es um die Vegetation? (#Monitoring) Wie das funktioniert? DOP bieten die vorteilhafte Eigenschaft, dass sie wie eine Karte verwendet werden können. Strukturen werden lagerichtig, an Ort und Stelle, dargestellt. Bei Einbindung in Geoinformationssysteme können geometrische Informationen (Maße) und auch spektrale Informationen (RGBI-Werte) abgegriffen und für Analysen verwendet werden. Digitale Orthophotos zählen damit zu den unverzichtbaren Werkzeugen der Erdbeobachtung. Die Daten sind ideal für Anwendungen in der Stadt- und Verkehrsplanung, Umweltbeobachtung und auch als Trainingsdaten für KI geeignet.
Ground reference data are a prerequisite for the calibration, update and validation of land data assimilation systems facilitating large-scale crop monitoring based on Earth Observation data. Here, we provide a comprehensive database which was elaborated to test and validate the recently developed Earth Observation Land Data Assimilation System (EO-LDAS). In situ data was collected for seven crop types cultivated on the agricultural Gebesee test site (central Germany) in 2013 and 2014, i.e., winter barley, winter wheat, spring wheat, durum, winter rape, potato and sugar beet. The database contains information on the evolution of biophysical and biochemical plant parameters, phenology, leaf structure, soil moisture, atmospheric states and illumination conditions. In addition, surface reflectance was recorded with a field spectrometer. Data was collected with an approximately weekly resolution throughout the growing season. In addition, it was attempted to schedule days of field work according to the acquisition plans of RapidEye, SPOT5, Landsat 7 and 8, and on days with a high probability of low cloud coverage. Data was collected on up to three elementary sampling units (ESUs) per acreage. ESUs represent squares with a diagonal length of 24 m and consist of five secondary sampling points (SSPs). This experimental design permits an assessment of spatio-temporal variations of the investigated parameters. Coordinates of survey sites, nearby ground control points (GCPs) and check points (CPs) were recorded with a differential Global Navigation Satellite System (dGNSS) which supports accurate geo-referencing of satellite images. The experimental design of the field campaigns, methods employed in the determination of all parameters, and meteorological conditions in the measurement period are described in detail in Truckenbrodt & Schmullius, 2017.
In der <b> Fernerkundung - Luftbilder</b> werden detaillierte Luftbilder der Freien und Hansestadt Hamburg als hochwertige Geodaten bereitgestellt. Luftbilder als Geodaten? Bei Luftbildern handelt es sich nicht um herkömmliche Fotografien, sondern um qualitative Abbildungen der Erdoberfläche, die lagegenau verortet sind. Ein unverzichtbares Werkzeug der Erdbeobachtung. Wie werden die Bilder aufgenommen? Zum Einsatz kommen unterschiedliche Aufnahmesysteme (<b>Pkw, Drohne, Flugzeug, Satellit</b>) mit unterschiedlicher Sensorik (RGB-, Multispektral-Sensorik). Jede Kombination bringt verschiedene Vor- und Nachteile mit sich, was sich in der räumlichen Auflösung (GSD), zeitlichen Auflösung (Aktualität), spektralen Auflösung (Anzahl der Kanäle) und den Nutzungsbedingungen widerspiegelt. Sind die Unterschiede nachteilig? Keinesfalls! Die Vielfalt ermöglicht es erst, eine Vielzahl an Anwendungsbereichen abzudecken. Somit gibt es für jeden Anwendungsfall einen geeigneten Datensatz. Die Aufnahmen unterstützen in der Stadt- und Verkehrsplanung, der Umweltbeobachtung und sind als Trainingsdaten für KI-Anwendungen geeignet. Von simpler #Betrachtung, über #Erkennung, #Change Detection, hin zu flächendeckendem #Monitoring und #Analysen. Unser Ziel ist es, diese hochwertigen Daten nicht nur Fachleuten, sondern auch der Öffentlichkeit zugänglich zu machen – leicht verständlich und nutzerfreundlich (#Geoportal Hamburg). <b>→ Ein Blick in die Daten lohnt sich.</b>
This raster dataset, in Cloud Optimized GeoTIFF format (COG), provides information on land surface changes at the pan-arctic scale. Multispectral Landsat-5 TM, Landsat-7 ETM+, and Landsat-8 OLI imagery (cloud-cover less than 80%, months July and August) was used for detecting disturbance trends (associated with abrupt permafrost degradation) between 2003 and 2022. For each satellite image we calculated the Tasseled Cap multi-spectral index to translate the spectral reflectance signal to the semantic information Brightness, Greenness, and Wetness. In order to characterize change information, we calculated the linear trend of the Brightness, Greenness and Wetness over two decades on the individual pixel level. The final map product therefore contains information on the direction and magnitude of change for all three Tasseled Cap parameters in 30m spatial resolution across the pan-arctic permafrost domain. Features detected include coastal erosion, lake drainage, infrastructure expansion, and fires. The general processing methodology was developed by Fraser et al. 2014 and adapted and expanded by Nitze et al. 2016 and Nitze et al. 2018. Here we upscaled the processing to the circum-arctic permafrost region and the recent 20-year period from 2003 through 2022. The service covers the permafrost region up to 81° North: Alaska (USA), Canada, Greenland, Iceland, Norway, Sweden, Finland, Russia, Mongolia, and China. For Russia and China, regions not containing permafrost were excluded. The data has been processed in Google EarthEngine within the research projects ERC PETA-CARB, ESA CCI+ Permafrost, NSF Permafrost Discovery Gateway, and EU Arctic PASSION. The dataset is a contribution to the 'Panarctic requirements-driven Permafrost Service' of the Arctic PASSION project (see references). Changes in the Tasseled Cap indices Brightness, Greenness, and Wetness are displayed in the image bands red, green, and blue, respectively. Here, coastal erosion (a trend of a land surface transitioning to a water surface) is depicted in dark blue colors, while coastal accretion (a trend of a water surface transitioning to a land surface) is depicted in bright orange colors. Drained lakes appear in bright yellow or orange colors, depending on the soil conditions and vegetation regrowth. Fire scars are a further common feature, which can appear in different colors, depending on the time of the fire and pre-fire land cover. The data can be explored via the Arctic Landscape EXplorer (ALEX, see references) and is available as a public web map service (WMS, see references), both hosted by Alfred Wegener Institute Helmholtz Centre for Polar and Marine Research.
Der Datensatz zeigt detaillierte Luftbilder (Digitale Orthophotos - DOP) des Hamburgischen Wattenmeeres, einschließlich der Inseln Neuwerk, Nigehörn und Scharhörn. Mit einer Auflösung von <b> 0,20m - 0,25m </b> eine beeindruckende Detailgenauigkeit. Woher kommen die Daten? Die hier enthaltenen Daten wurden mit Spektral- und Multispektral-Sensoriken (RGB/RGBI) via <b>Flugzeug</b> aufgenommen. Für nähere Infos stehen im Downloadbereich Informationen bereit. Die Zusammenführung der Daten in einer Zeitreihe ermöglicht es, Entwicklungen im Landschaftsbild zu identifizieren und über einen Zeitraum hinweg zu beobachten: -Wo liegen Nistplätze? (#Detektion) -Wie verändert sich der Uferverlauf? (#Change Detection) -Wie steht es um die Vegetation? (#Monitoring) Wie das funktioniert? DOP bieten die vorteilhafte Eigenschaft, dass sie wie eine Karte verwendet werden können. Strukturen werden lagerichtig, an Ort und Stelle, dargestellt. Bei Einbindung in Geoinformationssysteme können geometrische Informationen (Maße) und auch spektrale Informationen (RGBI-Werte) abgegriffen und für Analysen verwendet werden. Digitale Orthophotos zählen damit zu den unverzichtbaren Werkzeugen der Erdbeobachtung. Die Daten sind ideal für Anwendungen in der Umweltbeobachtung, Stadtplanung, sowie als Trainingsdaten für KI geeignet.
Der Datensatz zeigt detaillierte Luftbilder (Digitale Orthophotos - DOP), die während der unbelaubten Jahreszeit in Hamburg aufgenommen worden sind. Mit einer Auflösung von <b> 0,20m - 0,30m </b> eine beeindruckende Detailgenauigkeit. Woher kommen die Daten? Die hier enthaltenen Daten wurden mit Multispektral-Sensoriken (RGBI) sowohl via <b>Flugzeug</b>, als auch <b>Satellit</b> aufgenommen. Entsprechend variieren einzelne Parameter - für nähere Infos stehen im Downloadbereich Informationen bereit. Die Zusammenführung der Daten in einer Zeitreihe ermöglicht es, Entwicklungen im urbanen Landschaftsbild zu identifizieren und über einen Zeitraum hinweg zu beobachten: -Wie viele Gebäude gibt es? (#Detektion) -Wo entstehen versiegelte Flächen? (#Change Detection) -Wie steht es um die Vegetation? (#Monitoring) Wie das funktioniert? DOP bieten die vorteilhafte Eigenschaft, dass sie wie eine Karte verwendet werden können. Strukturen werden lagerichtig, an Ort und Stelle, dargestellt. Bei Einbindung in Geoinformationssysteme können geometrische Informationen (Maße) und auch spektrale Informationen (RGBI-Werte) abgegriffen und für Analysen verwendet werden. Digitale Orthophotos zählen damit zu den unverzichtbaren Werkzeugen der Erdbeobachtung. Die Daten sind ideal für Anwendungen in der Stadt- und Verkehrsplanung, Umweltbeobachtung und auch als Trainingsdaten für KI geeignet. ----- *Aktueller Hinweis* Stand: 27.10.2026 Für den Jahrgang 2026 wurden einzelne, kleine Gebiete nachkorrigiert. Betroffene Daten wurden in den Downloadverzeichnissen ersetzt. Bitte beachten: Downloads vor 27.10.26 beinhalten noch die alten Daten. Betroffen: DOP 2026, Hamburg Bergedorf DOP 2026, Hamburg Hamburg-Mitte DOP 2026, Hamburg Harburg Der Dienst (WMS) wird in Kürze mit den korrigierten Daten aktualisiert. Der Datensatz zeigt detaillierte Luftbilder (Digitale Orthophotos - DOP), die während der unbelaubten Jahreszeit in Hamburg aufgenommen worden sind. Mit einer Auflösung von <b> 0,20m - 0,30m </b> eine beeindruckende Detailgenauigkeit. Woher kommen die Daten? Die hier enthaltenen Daten wurden mit Multispektral-Sensoriken (RGBI) sowohl via <b>Flugzeug</b>, als auch <b>Satellit</b> aufgenommen. Entsprechend variieren einzelne Parameter - für nähere Infos stehen im Downloadbereich Informationen bereit. Die Zusammenführung der Daten in einer Zeitreihe ermöglicht es, Entwicklungen im urbanen Landschaftsbild zu identifizieren und über einen Zeitraum hinweg zu beobachten: -Wie viele Gebäude gibt es? (#Detektion) -Wo entstehen versiegelte Flächen? (#Change Detection) -Wie steht es um die Vegetation? (#Monitoring) Wie das funktioniert? DOP bieten die vorteilhafte Eigenschaft, dass sie wie eine Karte verwendet werden können. Strukturen werden lagerichtig, an Ort und Stelle, dargestellt. Bei Einbindung in Geoinformationssysteme können geometrische Informationen (Maße) und auch spektrale Informationen (RGBI-Werte) abgegriffen und für Analysen verwendet werden. Digitale Orthophotos zählen damit zu den unverzichtbaren Werkzeugen der Erdbeobachtung. Die Daten sind ideal für Anwendungen in der Stadt- und Verkehrsplanung, Umweltbeobachtung und auch als Trainingsdaten für KI geeignet.
Ground reference data are essential for the calibration, update and validation of empirically and physically based models as well as hybrid methods that facilitate crop monitoring with the help of Earth Observation data. This database contains in situ measured values from 2016 for various parameters characterizing vegetation, soil and atmosphere conditions all of which are required to test and validate the Earth Observation Land Data Assimilation System (EO-LDAS). This new database is complementary to another database for the growing seasons in 2013 and 2014 that was previously published by Truckenbrodt & Baade (2017; doi:10.1594/PANGAEA.874251) and has been described in detail by Truckenbrodt & Schmullius (2018). In 2016, ground reference data were collected for five crop types (i.e., winter barley, winter wheat, spring wheat, potato and sugar beet) grown on the agricultural Gebesee test site (central Germany). Between May and October, hyperspectral surface reflectance, information on the evolution of biophysical and biochemical plant parameters (like leaf area index, biomass and leaf chlorophyll content), phenology, leaf structure, soil moisture, atmospheric states and illumination conditions were recorded. The field working days were preferentially scheduled for days with expectedly low cloud coverage and close to overflights of Sentinel-2, Landsat 7 and 8. Each crop type was investigated on average every 16 days on at least one elementary sampling unit (ESU). The data collection for potato and winter wheat was complemented with up to two additional ESUs on single field working day. All ESUs are designed as a square with a diagonal length of 24 m. On the diagonal from the most southwestern to the most northeastern corner of the ESU five secondary sampling points (SSPs) are distributed: at 0 m (SSP00), 8 m (SSP08), 12 m (SSP12), 16 m (SSP16), and 24 m (SSP24). The corner coordinates were determined with a differential Global Navigation Satellite System (dGNSS). A set of dGNSS recorded ground control points (GCPs) and check points (CPs) has been provided by Truckenbrodt & Baade (2017; doi:10.1594/PANGAEA.874247) and allows for a solid geo-referencing of satellite images depicting the agricultural Gebesee test site.
Borealen Wälder speichern fast ein Drittel des weltweiten terrestrischen Kohlenstoffs in Biomasse und Böden. Die Stabilität dieser Kohlenstoffvorräte ist in der jüngsten Zeit intensiv diskutiert worden, denn es wird erwartet, dass Waldstörungen wie etwa Insektenausbrüche, Stürme oder Brände im Klimawandel zunehmen werden. Während für die nordamerikanischen und europäischen borealen Wälder eine solide Wissensbasis über sich verändernde Waldstörungen existiert, gibt es für die russischen borealen Wälder nur wenige Fallstudien. Diese wenigen Fallstudien decken jedoch nur einen sehr kleinen Teil der riesigen Ausdehnung des russischen borealen Waldes ab, was wiederum das Kohlenstoffbudget des russischen borealen Waldes höchst unsicher macht. Im Rahmen des BOFOR-Projekts schlagen wir daher vor, diese Wissenslücke zu schließen, indem wir unser Verständnis der sich veränderte Waldstörungen und deren Einfluss auf den Kohlenstoffhaushalt des russischen borealen Waldes verbessern. Das Projekt verfolgt dabei die folgenden sechs Ziele: (1) Entwicklung eines neuen räumlich expliziten Datensatzes für Waldstörungen für den gesamten russischen borealen Wald unter Verwendung von Erdbeobachtungsdaten. (2) Die Zuordnung von Waldstörungen zu ihren kausalen Verursachern wie Feuer, Wind, Insektenbefall und Holzernte. (3) Quantifizierung der Sensitivität von Störungen in borealen Wäldern gegenüber zunehmenden Klimaextremen im Zuge des Klimawandels. (4) Quantifizierung der Erholungsfunktion nach Störung, mit besonderem Blick auf die Biomasse. (5) Quantifizierung der Sensitivität der Erholungsfunktion gegenüber biotischen, bodenkundlichen und klimatischen Faktoren. (6) Erstellung eines vollständigen Kohlenstoffbudgets für den borealen Wald, einschließlich Störungen und Erholung. Das von uns vorgeschlagene Projekt wird eine wichtige Wissenslücke im globalen Kohlenstoffkreislauf schließen und damit unser Verständnis des Klimaschutzpotenzials der Wälder weltweit erheblich verbessern.
Mit der Initiierung des Europäischen Copernicus Programms zur Erdbeobachtung und dem damit verbundenen Start der Satelliten Sentinel-1A & B stehen erstmals zuverlässig und kostenfrei dichte C-Band Radardatenzeitserien zur Verfügung. Die Kombination beider Schwestersatelliten erlaubt die Datenakquisition mit einer zeitlichen Wiederholrate von sechs Tagen bei gleichbleibender Aufnahmegeometrie. Die nun zur Verfügung stehende zeitliche Dimension der SAR-Datensätze ermöglicht und erfordert innovative Datenauswertestrategien, die zum einen die Vorprozessierung der Daten und zum anderen die Extrahierung des Informationsgehaltes optimieren. Das übergeordnete Ziel dieses Vorhabens ist die Entwicklung und der Test eines geeigneten Verfahrens. Der vorgeschlagene Ansatz basiert auf der temporalen Dekomposition von SAR Zeitreihen. Die extrahierte raumzeitliche Information soll hinsichtlich ihrer Eignung als Datengrundlage für bestimmte Anwendungen untersucht werden. Parallel soll mittels temporaler Dekomposition ein neuartiger Speckle-Filter entwickelt werden. Der Speckle-Filter wird die Eigenschaft besitzen, ausschließlich über die Zeit zu filtern. Somit bleibt die geometrische Auflösung der Eingangsdaten vollständig erhalten. Eine Erweiterung des Filters zur raum-zeitlichen Filterung ist ebenso vorgesehen. Die Zerlegung des zeitlichen Signals erfolgt in einzelne Komponenten unterschiedlicher Frequenz. Komponenten hoher Frequenz bilden zufällige Rückstreuvariationen ab (Speckle, Niederschlagseinflüsse etc.), Komponenten mittlerer oder niedriger Frequenz werden durch biophysikalische Prozesse wie z.B. Bodenfeuchteänderungen oder Pflanzenwachstum dominiert. Welche Komponenten mit welchen biophysikalischen Prozessen zusammenhängen, und welche zeitliche Abtastungsdichte gegeben sein muss, um den Einfluss dieser Steuergrößen abbilden zu können, soll im Rahmen dieses Vorhabens analysiert werden. Bezüglich der Bodenfeuchteableitung soll zudem geprüft werden, inwieweit Sentinel-1 basierte Kohärenzen sowie Phasentriplets geeignete Proxys für die Ableitung von Bodenfeuchteindikatoren sein können. Entsprechend dieser Ergebnisse erfolgt die Erforschung der Nutzbarkeit der zeitlichen Komponenten hinsichtlich der Anwendungsentwicklung. Im Vordergrund stehende Anwendungsfälle sind hier die Kartierung der Landbedeckung und -nutzung inkl. REDD+ Fragestellungen, die Detektion von Landbedeckungsveränderungen, Analysen zur Dynamik von Feuchtgebieten sowie die Ableitung von Bodenfeuchteindikatoren.
| Organisation | Count |
|---|---|
| Bund | 543 |
| Europa | 12 |
| Global | 5 |
| Kommune | 5 |
| Land | 13 |
| Schutzgebiete | 2 |
| Weitere | 14 |
| Wirtschaft | 9 |
| Wissenschaft | 268 |
| Zivilgesellschaft | 1 |
| Type | Count |
|---|---|
| Daten und Messstellen | 16 |
| Ereignis | 10 |
| Förderprogramm | 505 |
| Hochwertiger Datensatz | 3 |
| Repositorium | 3 |
| Text | 23 |
| unbekannt | 46 |
| License | Count |
|---|---|
| Geschlossen | 21 |
| Offen | 577 |
| Unbekannt | 8 |
| Language | Count |
|---|---|
| Deutsch | 347 |
| Englisch | 298 |
| Resource type | Count |
|---|---|
| Archiv | 7 |
| Bild | 2 |
| Datei | 18 |
| Dokument | 24 |
| Keine | 384 |
| Webseite | 212 |
| Topic | Count |
|---|---|
| Boden | 465 |
| Lebewesen und Lebensräume | 513 |
| Luft | 451 |
| Mensch und Umwelt | 606 |
| Wasser | 286 |
| Weitere | 600 |