API src

Found 3257 results.

Similar terms

s/k/KI/gi

Stündliche Stationsmessungen der Lufttemperatur und Luftfeuchte für Deutschland

Diese Daten stammen von den Stationen des DWD und rechtlich sowie qualitativ gleichgestellten Partnernetzen. Umfangreiche Stationsmetadaten (Stationsverlegungen, Instrumentenwechsel, Wechsel der Bezugszeit, Änderungen in den Algorithmen) werden beim Download mitgeliefert. Der Datensatz ist aufgeteilt in einen versionierten Teil mit abgeschlossener Qualitätsprüfung, im Verzeichnis ./historical/. Und einen sich kontinuierlich aktualisierenden Teil, für den die Qualitätsprüfung noch nicht abgeschlossen ist, im Verzeichnis ./recent/. In dem Ordner ./timeseries_overview/ stehen Angaben zu langen Zeitreihen zur Verfügung.

WFS - Hintergrundwerte von Böden

Der WFS-Dienst Hintergrundwerte von Böden liefert die beiden Layer "Hintergrundwerte Anorganik" und "Hintergrundwerte Organik". Der erste Layer "Hintergrundwerte Anorganik" enthält die aggregierten Leitsubstrate der Bodenbildung. Die Leitsubstrate dienen zur Zusammenfassung der Böden nach ihrem Ausgangsgestein bei der Berechnung von Hintergrundwerten für anorganische Stoffe. Für die Auswertung der Hintergrundwerte Anorganik wurden Analysedaten für 16 Elemente von ca. 19.000 Standorten mit bis zu 40.000 Proben aus dem Fachinformationssystem Boden herangezogen. Der zweite Layer "Hintergrundwerte Organik" basiert auf der Karte der Raumkategorien für den Landesentwicklungsplan (LEP) von 2013. Dieser teilt Sachsen in drei Raumkategorien ein, welche die Grundage für die Berechnung von Hintergrundwerten für organische Stoffe bilden. Die Leitsubstrate dienen zur Zusammenfassung der Böden. Für die Auswertung der Hintergrundwerte wurden je nach Stoff Analysedaten aus dem Fachinformationssystem Boden von bis zu 2.300 Proben an 2.200 Standorten für 10 Einzelstoffe bzw. Stoffgruppen herangezogen.

Hintergrundwerte von anorganischen Stoffen in Böden in Deutschland 1:1.000.000 (WMS)

Web Map Service (WMS) zur Karte der Hintergrundwerte von anorganischen Stoffen in Böden in Deutschland. Durch die LABO wurden 2017 für 16 Elemente neue, bundesweite Hintergrundwerte veröffentlicht. Sie beruhen auf Profilinformationen und Messdaten von Königswasserauszügen, die durch die BGR zusammengeführt und homogenisiert wurden. Daten mit hohen Bestimmungsgrenzen wurden nach bestimmten Kriterien von der weiteren Auswertung ausgeschlossen, damit die Bestimmungsgrenzen nicht die Hintergrundwerte beeinflussen. Um die Hintergrundwerte nicht durch Regionen mit hoher Stichprobendichte überproportional beeinflussen zu lassen, wurde in Teilen eine räumliche Ausdünnung durchgeführt. Die Werte mehrerer Horizonte eines Standortes wurden durch tiefengewichtete Mittelwerte zu einem Wert zusammengezogen. Zur Auswertung wurden die vorhandenen Messwerte verschiedenen Gruppen von Bodenausgangsgesteinen zugeordnet. Zudem wurde unterschieden, ob die Proben im Oberboden, im Unterboden oder im Untergrund genommen wurden. Bei den Oberböden wurde bei der Auswertung auch die unterschiedliche Nutzung (Acker, Grünland, Forst) berücksichtigt. Lockergesteine wurden aufgrund ihrer unterschiedlichen Zusammensetzung getrennt nach Nord- und Süddeutschland ausgewertet. Durch die Aufteilung der Daten in Teilkollektive wurden nicht in allen Fällen verlässliche Fallzahlen erreicht, sodass nur Hintergrundwerte mit Fallzahlen ?20 dargestellt werden. Das genaue Vorgehen bei der Ableitung ist dem Bericht der LABO-Bund/Länder-Arbeitsgemeinschaft Bodenschutz (2017): 'Hintergrundwerte für anorganische und organische Stoffe in Böden', 4. überarbeitete und ergänzte Auflage, zu entnehmen.

GISCO - Nomenclature of Territorial Units for Statistics 2021 (NUTS 2021), May 2021

The 'GISCO NUTS 2021' data set represents the NUTS 2021 regulation and statistical regions by means of multipart polygon, polyline and point topology. The NUTS geographical information is completed by attribute tables and a set of cartographic help lines to better visualize multipart polygonal regions. The NUTS nomenclature is a hierarchical classification of statistical regions defined by Eurostat. The NUTS classification subdivides the EU economic territory into 3 statistical levels. The NUTS 2021 classification has been established through the Commission Delegated Regulation 2019/1755, which entered into force on 8th August 2019 and applies from 1st January 2021. A non official NUTS-like classification has been defined for the EFTA countries and the candidate countries. At present, six scale ranges (100K, 1M, 3M, 10M and 20M, 60M) are maintained in the GISCO geodatabase. The polygon and boundary classes delineate the regions, while the points provide an anchor for each region. Associated tables contain basic information such as the name of the region. The public data set will be available at 1M, 3M, 10M, 20M, 60M, while the full data set at 100K is restricted. The data set covers EU Member States, EFTA countries, EU candidate countries and the UK. Following the departure of the UK from the European Union, the UK is no longer flagged as an EU Member State but retains its place in the NUTS and statistical regions data set. This dataset (NUTS_2021) is derived from the EuroBoundary Map 2020 (EBM2020) from Eurogeographics as well as GISCO NUTS 2016 (from Türkiye). The list of NUTS2021 codes including changes with respect to NUTS2016 is available on https://ec.europa.eu/eurostat/documents/345175/629341/NUTS2021.xlsx. The public metadata for NUTS 2021 released by Eurostat is available here: https://gisco-services.ec.europa.eu/distribution/v2/nuts/nuts-2021-metadata.xml. This revision (May 2021) includes minor changes in the dataset such as (see https://gisco-services.ec.europa.eu/distribution/v2/nuts/nuts-2021-release-notes.txt): * 2020-10-05 Point snapping is disabled in all datasets, number of decimals increased for 01M datasets. * 2020-11-18 Inclusion of Jan Mayen and Svalbard in to Norways Statistical Regions. Amendment to Serbia NUTS BN line status. * 2020-12-05 Fixed broken utf-8 encoding. * 2021-03-15 Added LAU 2011,2012,2013,2014,2015,2020 * 2021-04-26 Fixed country labels 2001, 2006 (incorrect Kosovo coordinates) IMPORTANT NOTE: Additional information, including the conditions of use and acknowledgement notice is included in the document provided with the dataset "GISCO NUTS 2021 Additional Information.pdf". Public access to this data set is restricted due to intellectual property rights. It shall only be used internally by the EEA, its ETCs and subcontractors working on behalf of the EEA. This metadata has been slightly adapted from the original metadata information provided by Eurostat (European Commission) and is to be used only for internal EEA purposes. An introduction to the NUTS classification is available here: http://ec.europa.eu/eurostat/web/nuts/overview.

Climate related hazards

This series refers to datasets related to the potential occurrence of a climate-induced physical event or trend that may cause loss of life, injury, or other health impacts, as well as damage and loss to property, infrastructure, livelihoods, service provision, ecosystems and environmental resources. It includes datasets on flooding, drought, urban heat island and heatwaves, extreme temperatures and precipitations, fire danger as well as climate suitability for vectors of infectious diseases. The datasets are part of the European Climate Adaptation Platform (Climate-ADAPT) accessible here: https://climate-adapt.eea.europa.eu/

Tree Species - Sentinel-2 - Germany, 2016

The Tree Species Germany product provides a map of dominant tree species across Germany for the year 2016 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. The input features explicitly incorporate phenological information to capture seasonal vegetation dynamics relevant for species discrimination. A total of over 100,000 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 product was created by majority-voting on annual XGBoost Sentinel-2 tree species classifications (2016–2024) and filtering with forest structure data. If no clear majority vote was achieved, the class uncertain was assigned. The Tree Species Germany 2016 product achieves an overall F1-score of 0.95. For the dominant species pine, spruce, beech, and oak, class-wise F1-scores range from 0.92 to 0.99, while F1-scores for other widespread species such as birch, alder, larch, Douglas fir, fir, and other deciduous species range from 0.85 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.

Entwicklung eines Copernicus-Dienstes zur Erstellung konsistenter Daten für die Waldfläche Deutschlands, Teilvorhaben: Funktionstests NW-FVA

Waterbase - UWWTD: Urban Waste Water Treatment Directive – reported data

The Urban Waste Water Treatment Directive concerns the collection, treatment and discharge of urban waste water and the treatment and discharge of waste water from certain industrial sectors. The objective of the Directive is to protect the environment from the adverse effects of the above mentioned waste water discharges. This series contains time series of spatial and tabular data covering Agglomerations, Discharge Points, and Treatment Plants.

Exposure to climate hazards

This series refers to datasets related to the presence of people; livelihoods; species or ecosystems; environmental functions, services, and resources; infrastructure; or economic, social, or cultural assets in places and settings that could be adversely affected by climate hazards, including flooding, wildfires and urban heat island effects. The datasets are part of the European Climate Adaptation Platform (Climate-ADAPT) accessible here: https://climate-adapt.eea.europa.eu/

Vorhersage von Schüttungen alpiner Karstquellen im Hinblick auf den Klimawandel unter Verwendung neuer Deep Learning-Methoden

Karstgrundwasserleiter spielen im Alpenraum eine wichtige Rolle. Sie bedecken etwa 56% der Fläche, und ein erheblicher Teil der Bevölkerung ist ganz oder teilweise von Trinkwasser aus Karstquellen abhängig, die oft mit wertvollen Ökosystemen verbunden sind und zur Wasserkrafterzeugung beitragen. Die Alpen zählen nach Studien zu den am stärksten vom Klimawandel betroffenen Gebieten in Europa. Als Folge der steigenden Temperaturen werden sich die gespeicherten Mengen an Schnee und Eis stark verringern, was zu einer Verschiebung zwischen Wasserhaushaltskomponenten in Verbindung mit einer saisonalen Umverteilung der Niederschläge führt. Außerdem wird erwartet, dass Hoch- und Niedrigwasserereignisse häufiger auftreten werden. Der Stand der Technik bei der Modellierung der Schüttung von Karstquellen, meist mittels konventioneller numerischer Modelle, ist auf standortspezifische, oft aufwändige und nicht übertragbare wissenschaftliche Studien beschränkt, die manuelle Modellabstimmung und Kalibrierung erfordern. Bis heute gibt es keinen leicht übertragbaren Ansatz, der gleichzeitig auf viele Karstquelleinzugsgebiete anwendbar ist. In diesem Projekt werden wir einen modernen, Deep-Learning basierten Ansatz zur Modellierung der Schüttung von Karstquellen entwickeln, der sich besonders gut eignet, übertragbare Modelle, die Informationen von verschiedenen Standorten nutzen können, aufzubauen. Deep Learning ist ein Teilgebiet des maschinellen Lernens, basierend auf künstlichen neuronalen Netzen, das sich sowohl bei akademischen als auch bei industriellen Anwendungen als sehr erfolgreich erwiesen hat. Die vorgeschlagene Studienregion sind die Alpen, mit Karstgebieten in Österreich, der Schweiz, Deutschland, Frankreich, Italien und Slowenien, mit einem Schwerpunkt auf dem besonders vom Klimawandel betroffenen von der Alpenkonvention abgegrenzten Gebirgsgebiet. Als Grundlage der Studie dient das World Karst Spring Database (WoKaS). Es wird im Laufe des Projekts mit zusätzlichen Daten von Behörden und Wasserversorgern ergänzt, insbesondere in Regionen mit bislang schlechter Abdeckung. Die Arbeiten beinhalten die Erstellung eines umfassenden Datensatzes mit Einzugsgebietsattributen und meteorologischen Einflussgrößen für etwa 150 Quellen. Klassische Lumped-Parameter-Modelle werden als Benchmarks aufgesetzt und mit den neu entwickelten Deep-Learning basierten Modellergebnissen verglichen. Ziel ist es, die Eignung neuartiger Deep-Learning Modellansätze für die Abschätzung der Auswirkungen des Klimawandels für eine Vielzahl von kurz- und langfristigen Vorhersagen zu untersuchen. Eine vertiefende Fallstudie des Dachsteingebietes, dessen große Karstregion wesentlich zur Wasserversorgung und Wasserkrafterzeugung beiträgt, wird die vergleichende Untersuchung mit einem numerischen 3D-Modell erweitern. Schließlich werden die entwickelten Modelle dazu verwendet, um Auswirkungen des Klimawandels auf die alpinen Karstgrundwasserressourcen vorherzusagen.

1 2 3 4 5 … 324 325 326