API src

Found 3223 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.

WISE WFD Reference Spatial Datasets reported under Water Framework Directive 2016 - INTERNAL VERSION - version 1.7, Jul. 2024

The dataset contains information on the European river basin districts, the river basin district sub-units, the surface water bodies and the groundwater bodies delineated for the 2nd River Basin Management Plans (RBMP) under the Water Framework Directive (WFD) as well as the European monitoring sites used for the assessment of the status of the above mentioned surface water bodies and groundwater bodies. This data set is available only for internal use of the European Commission and the European Environment Agency. Please use the "PUBLIC VERSION": https://sdi.eea.europa.eu/catalogue/srv/eng/catalog.search#/metadata/a0731ebf-6bcc-4afe-bab0-39e7aa88eaba for external use. The information was reported to the European Commission under the Water Framework Directive (WFD) reporting obligations. The dataset compiles the available spatial data related to the 2nd RBMPs due in 2016 (hereafter WFD2016). See http://rod.eionet.europa.eu/obligations/715 for further information on the WFD2016 reporting. See also https://rod.eionet.europa.eu/obligations/766 for information on the Environmental Quality Standards Directive - Preliminary programmes of measures and supplementary monitoring. Where available, spatial data related to the 3rd RBMPs due in 2022 (hereafter WFD2022) was used to update the WFD2016 data. See https://rod.eionet.europa.eu/obligations/780 for further information on the WFD2022 reporting.

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.

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.

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.

Kontinuierlich selbstlernende Vorhersagemethoden und Services in smarten Energiemärkten und -netzen, Teilvorhaben: Entwicklung innovativer Methoden für Windleistungsprognosen

Langjährige Entwicklung der Luftqualität - Emissionen 2015 (Umweltatlas)

Darstellung der NOx, PM10 und PM2, 5-Emissionen der Verursachergruppen Industrie, Hausbrand und Kfz-Verkehr, Stand 2015

Monitoring of CO2 emissions from passenger cars, 2022 - Final data

The Regulation (EU) No 2019/631 requires Countries to record information for each new passenger car registered in its territory. Every year, each Member State shall submit to the Commission all the information related to their new registrations. In particular, the following details are required for each new passenger car registered: manufacturer name, type approval number, type, variant, version, make and commercial name, specific emissions of CO2 (NEDC and WLTP protocols), masses of the vehicle, wheel base, track width, engine capacity and power, fuel type and mode, eco-innovations and electricity consumption. Data for EU-27 and United Kingdom are reported in the main database. Since 2018 Iceland is also included in the database. Since 2019 Norway is also included in the database. For downloading the data in the elastic data viewer please use Edge, Chrome, Firefox or Safari.

Stündliche Stationsmessungen der Feuchteparameter 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/.

Entwicklung einer selbstopt. Regelung zum effizienten und netzdienlichen Betrieb von (regenerativen) Energiesystemen unter Verwendung von maschinellem Lernen

Abweichend von konventionellen Standardverfahren zur Regelung von Wärmeerzeuger sollen in dem Projekt eine Vielzahl von internen und externen Eingangsgrößen zur Regelung verwendet werden. Hierbei handelt es sich unter anderem um Wetterdaten, Strompreise, Stromerzeugung und Korrelationsgrößen für die Belegung. In die Entscheidungsfindung zur Regelung fließen nicht nur aktuelle Zustandsgrößen ein, sondern auch zukünftige Werte. Es erfolgt somit eine prädiktive und vorausschauende Regelung anstelle einer reaktiven Standardregelung. Für solch eine Optimierungsaufgabe mit einer Vielzahl an Eingangsgrößen und einem längeren Betrachtungshorizont eigenen sich Methoden des maschinellen Lernens wie z.B. dem Reinforcement Learning. Der Vorteil dieser Methode ist eine bedarfsgenaue und wirtschaftliche Wärmebereitstellung. Mit Hilfe von Simulationsmodellen kann eine Vielzahl von Szenarien nachgebildet und als Trainingsdaten verwendet werden. Ziel des Forschungsprojektes ist es, die Optimierung von sektorübergreifenden Energiesystemen zu automatisieren und mit Hilfe von maschinellem Lernen und Metadaten die Anlagenparameter kontinuierlich anzupassen. Durch Transfer Learning können Messdaten anderer Gebäude als Trainingsdaten verwendet werden. Der Heizenergiebedarf wird mit Hilfe von neuronalen Netzen prognostiziert. Die entwickelten Prognose- und Regelungsmodelle werden in Kombination mit der Kommunikationsschnittstelle bei mehreren Gebäuden angewendet. Hierdurch sollen Generalisierungsmöglichkeiten gefunden werden, durch die das Trainieren bei neuen Gebäuden schneller erfolgen kann. Das Alleinstellungsmerkmal der Projektidee ist die Symbiose der Algorithmenentwicklung und ihre unmittelbare Validierung im Praxiskontext. Der Arbeitsschwerpunkt für Green Fusion liegt hierbei in der Entwicklung einer modularen Simulationsbibliothek des Energiesystems im Gebäude sowie der Anbindung der Objekte an die Kommunikationsschnittstelle durch die Cloud.

1 2 3 4 5 … 321 322 323