API src

Found 76539 results.

Similar terms

s/nru/NRW/gi

Kartenlayer Zinkbelastung der Waldböden NRW

Zinkbelastung der Waldböden in mg pro kg

Vorläufige Bewertung des Hochwasserrisikos-DE (Hochwasserrisikomanagement-RL 3. Zyklus 2022-2027)

Dieser Metadatensatz beschreibt "historische" Hochwasserereignisse der vorläufigen Bewertung des Hochwasserrisikos (Preliminary flood risk assessment )" als Objektart des INSPIRE Annex-Thema III "Gebiete mit naturbedingten Risiken". Die Bundesanstalt für Gewässerkunde (BfG) verwaltet im Auftrag der Wasserwirtschaftsverwaltungen in Deutschland im nationalen Berichtsportal Wasser (WasserBLIcK) die Daten der Berichterstattung zu diversen wasserbezogenen EG-Umweltrichtlinien. Auf Basis dieser Datengrundlage stellt die BfG in Abstimmung mit der Länderarbeitsgemeinschaft Wasser (LAWA) ausgewählte Karten- und Datendienste bereit. Die hier bereitgestellten Dienste basieren auf national flächendeckend homogenisierten Datenbeständen. Andere administrative Ebenen in Deutschland (Land, Bezirk, Kreis, Kommune) stellen gegebenenfalls zu diesem Thema Dienste in einer höheren räumlichen und zeitlichen Auflösung bereit.

Kartenlayer Grubengas-EEG Anlagen NRW

Die Karte zeigt die Standorte der Grubengas-EEG Anlagen in NRW

Wolfsnachweise in NRW

Ausgehend von Westpolen breitet sich der Wolf seit rund 20 Jahren wieder in Deutschland aus – ohne menschliches Zutun. Fast 100 Jahre war der Wolf, abgesehen von einzelnen wandernden Wölfen, aus Deutschland verschwunden. Nach jahrhundertelanger Verfolgung galt er hierzulande als ausgerottet. Die Bestätigung eines Wolfrudels auf einem militärischen Übungsplatz in der sächsischen Oberlausitz im Jahr 2000 war eine wildbiologische Sensation. Aus Polen eingewandert, hatte sich im Osten Deutschlands ein Wolfspaar angesiedelt und Junge aufgezogen. Von der Oberlausitz aus verbreitete sich das Wolfsvorkommen in den Folgejahren nicht nur im Osten der Republik, sondern auch in nordwestliche Richtung zunächst nach Niedersachsen. Für das Monitoringjahr 2021/2022 wurden in Deutschland 161 Rudel, 43 Paare und 21 sesshafte Einzeltiere nachgewiesen. Der Schwerpunkt der Verbreitung umfasst die Bundesländer Brandenburg (47 Rudel), gefolgt von Niedersachsen (34 Rudel) und Sachsen (31 Rudel). Eine aktuelle Übersicht über die Wolfsvorkommen und Nachweise von Wolfsrudeln in Deutschland bietet die Dokumentations- und Beratungsstelle zum Thema Wolf des Bundes - DBBW.

Digitales Geländemodell - Rasterweite 1 m (GeoTIFF)

Digitale Geländemodelle (DGM) sind digitale, numerische, auf ein regelmäßiges Raster reduzierte Modelle der Geländehöhen und –formen der Erdoberfläche. Sie beinhalten keine Information über Bauwerke (z. B. Brücken) und Vegetation. Die Bezirksregierung Köln, Geobasis NRW, stellt im Rahmen ihres gesetzlichen Auftrags das DGM mit einer Rasterweite von einem Meter bereit.

Grundwasserkörper NRW (2. Auflage)

Grundwasserkörper in NRW in der 2. Auflage, gemäß EU-WRRL. Die Grundwasserkörper sind Grundlage für den Bewirtschaftungsplan NRW 2022-2027. Die zugehörigen Fachdaten des Bewirtschaftungsplans sind zusätzlich enthalten.

Kartenlayer Hochwasser-Gefahrenkarte NRW - Sonstige Gewässerflächen

Kartenlayer Sonstige Gewässerflächen

Gebiete nach §13a Düngeverordnung NRW - Daten der Vorjahre

Dies ist eine Zusammenstellung der älteren (nicht mehr aktuellen) Versionen der „Mit Nitrat belasteten Gebiete“ und der „Eutrophierten Gebiete“ und den dazugehörigen Grundlagendaten. Enthalten sind folgende Datensätze: Eutrophierte Gebiete nach § 13a DüV (01/2024) und Betroffene Feldblöcke (Stand 09/2023) innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2024) als Shape, Mit Nitrat belastete Gebiete nach § 13a DüV (01/2024) und Betroffene Feldblöcke (Stand 09/2023) innerhalb der mit Nitrat belasteten Gebiete nach § 13a DüV (01/2024) , Eutrophierte Gebiete nach § 13a DüV (12/2022), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (12/2022), Eutrophierte Gebiete nach § 13a DüV (01/2022), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2022), Eutrophierte Gebiete nach § 13a DüV (01/2021), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2021), Ausweisungsmessnetz zu den eutrophierten Gebieten nach §13a DüV (05/2022), Ergebnisse der Teilschritte bei der Ausweisung eutrophierter Gebiete nach § 13a DüV (05/2022) und gemäß §§ 12 bis 14 AVV GeA alt (11/2020), Mit Nitrat belastete Gebiete nach § 13a DüV (12/2022), Betroffene Feldblöcke innerhalb der mit Nitrat belasteten Gebiete nach § 13a DüV (12/2022), Mit Nitrat belastete Gebiete nach § 13a DüV (01/2022), Mit Nitrat belastete Gebiete nach § 13a DüV (03/2021) Ausweisungsmessnetz zu den Mit Nitrat belasteten Gebieten nach §13a DüV (02/2021), Nitrataustragsgefährdung nach § 7 AVV GeA alt (11/2020) der Referenzparzellen in NRW Stand 01/2022 (gültig bis 30.11.2022) Potenzielle Nitratausträge in kg N/(ha*a) nach § 8 AVV GeA alt (11/2020) der Referenzparzellen in NRW, Stand 01/2022 (gültig bis 30.11.2022) Immissionsbasierte Abgrenzung nach § 6 AVV GeA alt (11/2020) als PDF Dies ist eine Zusammenstellung der älteren (nicht mehr aktuellen) Versionen der „Mit Nitrat belasteten Gebiete“ und der „Eutrophierten Gebiete“ und den dazugehörigen Grundlagendaten. Enthalten sind folgende Datensätze: Eutrophierte Gebiete nach § 13a DüV (01/2024) und Betroffene Feldblöcke (Stand 09/2023) innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2024) als Shape, Mit Nitrat belastete Gebiete nach § 13a DüV (01/2024) und Betroffene Feldblöcke (Stand 09/2023) innerhalb der mit Nitrat belasteten Gebiete nach § 13a DüV (01/2024) , Eutrophierte Gebiete nach § 13a DüV (12/2022), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (12/2022), Eutrophierte Gebiete nach § 13a DüV (01/2022), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2022), Eutrophierte Gebiete nach § 13a DüV (01/2021), Betroffene Feldblöcke innerhalb der eutrophierten Gebiete nach § 13a DüV (01/2021), Ausweisungsmessnetz zu den eutrophierten Gebieten nach §13a DüV (05/2022), Ergebnisse der Teilschritte bei der Ausweisung eutrophierter Gebiete nach § 13a DüV (05/2022) und gemäß §§ 12 bis 14 AVV GeA alt (11/2020), Mit Nitrat belastete Gebiete nach § 13a DüV (12/2022), Betroffene Feldblöcke innerhalb der mit Nitrat belasteten Gebiete nach § 13a DüV (12/2022), Mit Nitrat belastete Gebiete nach § 13a DüV (01/2022), Mit Nitrat belastete Gebiete nach § 13a DüV (03/2021) Ausweisungsmessnetz zu den Mit Nitrat belasteten Gebieten nach §13a DüV (02/2021), Nitrataustragsgefährdung nach § 7 AVV GeA alt (11/2020) der Referenzparzellen in NRW Stand 01/2022 (gültig bis 30.11.2022) Potenzielle Nitratausträge in kg N/(ha*a) nach § 8 AVV GeA alt (11/2020) der Referenzparzellen in NRW, Stand 01/2022 (gültig bis 30.11.2022) Immissionsbasierte Abgrenzung nach § 6 AVV GeA alt (11/2020) als PDF

Oberflächenwasserkörpermessstellen-DE (Wasserrahmenrichtlinie 3. Zyklus 2022-2027)

Dieser Metadatensatz beschreibt „Umweltüberwachungseinrichtungen (EnvironmentalMonitoringFacility)“ als Objektart des INSPIRE Annex-Thema III „Umweltüberwachung“. Die Bundesanstalt für Gewässerkunde (BfG) verwaltet im Auftrag der Wasserwirtschaftsverwaltungen in Deutschland im nationalen Berichtsportal Wasser (WasserBLIcK) die Daten der Berichterstattung zu diversen wasserbezogenen EG-Umweltrichtlinien. Auf Basis dieser Datengrundlage stellt die BfG in Abstimmung mit der Länderarbeitsgemeinschaft Wasser (LAWA) ausgewählte Karten- und Datendienste bereit. Die hier bereitgestellten Dienste basieren auf national flächendeckend homogenisierten Datenbeständen. Andere administrative Ebenen in Deutschland (Land, Bezirk, Kreis, Kommune) stellen gegebenenfalls zu diesem Thema Dienste in einer höheren räumlichen und zeitlichen Auflösung bereit.

Baumartenklassifikation NRW

Klassifikation von Baumartengruppen auf Bestandesebene, basierend auf Sentinel2 - Satellitenaufnahmen Die Klassifikation in die 9 in NRW am häufigsten bzw. bestandesbildend auftretenden Baumartengruppen berücksichtigt folgende Klassen: Eichen (Ei), Buchen (Bu), Buntlaubhölzer (hALH), Weichlaubhölzer (wALN), Pappeln, Kiefern, Lärchen, Fichten und Douglasien (siehe Legende). Die Klassifikation erfolgte durch ein Verfahren künstlicher Intelligenz (rekurrentes neuronales Netzwerk), das anhand von Forsteinrichtungsdaten aus den Waldflächen des landeseigenen Forstbetriebes in NRW trainiert wurde. Das Verfahren wurde im Auftrag des Ministeriums für Landwirtschaft und Verbraucherschutz des Landes NRW (MLV NRW) entwickelt. Zur Erkennung der Baumarten anhand ihrer Phänologie und zur Gewährleistung möglichst wolkenfreier Verhältnisse wurden Zeitreihen von Satellitenaufnahmen aus den Vegetationsperioden zweier Jahre zwischen dem 03.03.2022 und dem 11.07.2023 ausgewertet. Es wurden dafür insgesamt 516 einzelne Szenen ausgewählt und landesweit zu einem wolkenfreien multitemporalen Mosaik zusammengesetzt (https://www.d-copernicus.de/daten/satelliten/satelliten-details/news/sentinel-2/ ). Bedingt durch die räumliche Auflösung der Sentinel2 - Satellitenaufnahmen von ca. 10 m eignet sich diese Kartenebene für eine Betrachtung auf einer Maßstabsebene von bis zu ca. 1:10.000, nicht größer! Die Darstellung berücksichtigt ausschließlich Baumarten in der Hauptschicht und ist nicht vergleichbar mit einer Forsteinrichtungs- oder Forstbetriebskarte. Mischungen von Baumarten sind durch wechselnde Farben auch innerhalb eines Bestandes gekennzeichnet. Die Angaben zu den Blößen basieren insbesondere auf der Aggregierten Kalamitätskarte im Nadelwald (Stand: Sep 2023). Validierung Die Nutzergenauigkeit ist das entscheidende Merkmal für die Zuverlässigkeit der Karteninformation in der fernerkundungsbasierten Baumartenkarte. Die Nutzergenauigkeit beschreibt eine repräsentative Schätzung für die Wahrscheinlichkeit, dass die in der Baumartenkarte dargestellte Karteninformation (Baumartengruppe) an einem Ort mit der Hauptschicht eines dortigen Bestandes übereinstimmt. Die Nutzergenauigkeit ist für jede ausgewiesene thematische Klasse (Baumartengruppe) unterschiedlich und bestimmt sich aus dem Anteil der oben beschriebenen Referenzdaten aus der Forsteinrichtung mit der entsprechenden Baumartengruppe in der Hauptschicht, im Verhältnis zu allen Referenzpunkten in der Validierungsstichprobe, die durch das neuronale Netz in die entsprechende Baumartengruppe klassifiziert wurden. Die Genauigkeiten unterscheiden sich also zwischen den einzelnen Baumarten in Abhängigkeit von der Häufigkeit, mit der die Baumarten in der Forsteinrichtung vertreten sind. Häufig auftretende Baumarten sind für eine künstliche Intelligenz leichter, seltener auftretende Baumarten (z.B. Pappeln, Douglasien) vergleichsweise schwerer zu erkennen. Die Herstellergenauigkeit dient zur Beurteilung der Klassifikationsgüte ausgehend vom Anteil der Referenzdaten in der Validierungsstichprobe mit der entsprechenden Baumartengruppe, die durch das neuronale Netz korrekt dieser Baumartengruppe zugeordnet wurden. Das F-Maß als allgemeines klassenspezifisches Gütemaß wird durch das harmonische Mittel (Durchschnitt) aus Nutzer- und Herstellergenauigkeit gebildet. Die Gesamtgenauigkeit gibt unabhängig von der Klassenzugehörigkeit den Anteil der Referenzpunkte in der Validierungsstichprobe an, der durch das neuronale Netz korrekt klassifiziert wurde. Ein gängiges und weithin anerkanntes Gütemaß ist Cohen’s κ-Koeffizient, der die Übereinstimmung zwischen den Klassenangaben in den Referenzdaten und den Klassifikationen des neuronalen Netzes auf Basis der Validierungsstichprobe beschreibt. In der praktischen Anwendung liegt der Wertebereich des Koeffizienten zwischen 0 und 1, wobei ein Wert von 1 eine völlige Übereinstimmung der Ergebnisse bedeutet, ein Wert von 0 hingegen eine rein zufällige Übereinstimmung ohne erkennbaren Mehrwert einer Entscheidung des neuronalen Netzes. Nutzergenauigkeit (%) Eiche Buche hALH wALN Pappel Kiefer Lärche Fichte Douglasie 93,8 94,7 91,2 89,2 88,8 97,7 95,9 97,1 88,4 Herstellergenauigkeit (%) 91,0 96,0 91,4 92,7 79,0 97,5 90,7 98,0 76,4 F-Maß (%) 92,3 95,4 91,3 90,9 83,6 97,6 93,2 97,6 82,0 Gesamtgenauigkeit: 95,0 % Cohen’s κ-Koeffizient: 0,938 Tabelle 1: Genauigkeitsangaben aus der statistisch unabhängigen Validierung. Die angegebenen Genauigkeiten wurden aus einer statistisch unabhängigen Validierung anhand der Forsteinrichtungsdaten aus den Staatswäldern bestimmt. Dazu wurde das Klassifikationsergebnis in über 15.000 landesweit zufällig ausgewählten Waldbeständen mit der dort ausgewiesenen einheitlichen Baumart in der Hauptschicht verglichen. Dieser Prozess wurde dreimal an jeweils unterschiedlichen Bildelementen wiederholt. Die angegebenen Prozentwerte geben die relative Häufigkeit (statistische Wahrscheinlichkeit) an, mit der das Klassifikationsergebnis und die in der Hauptschicht ausgewiesene Baumart übereinstimmen. Als Voraussetzung für eine unabhängige Validierung gibt es keine Überschneidung zwischen Trainings- und Validierungsdaten (statistische Unabhängigkeit).

1 2 3 4 5 … 7652 7653 7654