Extreme Temperaturen und Wassermangel verursachen Trockenstress an landwirtschaftlichen Kulturen. Weltweit werden die Auswirkungen von Trockenstress auf wichtige Feldfrüchten untersucht und Methoden zur Überwachung und zur Früherkennung von Trockenstress und anderen Stressfaktoren untersucht. Damit soll der gezielte. Einsatz agrotechnischer Maßnahmen wie Fruchtwechsel, Düngung, Bodenbearbeitung und Bewässerungsplanung unterstützt werden, um Ernteeinbußen zu verhindern. Ein weiterer Aspekt sind mögliche Auswirkungen der globalen Erwärmung auf die landwirtschaftliche Produktion, die sich zu einem der Hauptthemen der Forschung auf dem Gebiet das Klimawandels entwickeln. Erdbeobachtung von Satelliten aus ermöglicht die rationelle Überwachung des Zustands landwirtschaftlicher Kulturen über große Flächen. lü jüngster Zeit wurden neue Sensorsysteme entwickelt und in Erdumlauf gebracht, die neue Möglichkeiten auch für das Monitoring von Trockenstress landwirtschaftlicher Kulturen eröffnen. Die wesentlichen Merkreale dieser neuen optischen Sensoren sind hohe spektrale Auflösung (kleine Bandbreiten bis 10 nm herunter, eine große Anzahl von Spektralkanälen - bis zu einigen hundert, was im Prinzip Spektroskopie vom Satelliten aus ermöglicht), hohe räumliche Auflösung (Bildelementgrößen am Boden bis 60 cm herunter), und hohe zeitliche Auflösung -(bis zu täglicher Aufnahmemöglichkeit jedes Punktes der Erdoberfläche). Das Ziel dieses Projekts ist es, unter Ausnützung der neuen Möglichkeiten optischer Fernerkundung und der synergistischen Effekte der unterschiedlich Sensortypen Fernerkundungsmethoden zur Erkennung und zur Überwachung von Trockenstress an landwirtschaftlichen Kulturen zu entwickeln. Dazu werden physikalische Vegetationsmodelle angepasst und verbessert, die den Zusammenhang zwischen der Trockenstressintensität und Reflexionseigenschaften von Pflanzenbeständen quantitativ beschreiben. Methoden zur Analyse von Fernerkundungsbilddaten unter Verwendung dieser Vegetationsmodelle werden entwickelt. Dabei werden sowohl reflektierte als auch emittierte (thermale) Infrarotstrahlung berücksichtigt. Da es keine Sensoren gibt, die gleichzeitig alle drei der oben angeführten Arten der hohen Auflösung (spektral, räumlich und zeitlich) erfüllen, kommt der Kombination von Daten unterschiedlicher Sensoren besondere Bedeutung zu (image information fusion). Die Methodenwerden für ausgewählte Fruchtarten (Weizen und Mais) unter Anbaubedingungen in Österreich und Deutschland entwickelt und getestet.
The project DIGSTER - Map and Go (Digital Based Terrain Mapping) aims at the technical aspects of digital terrrain mapping. For many questions in administration, planning and expertise terrrain mappings are indispensable. The whole process starting with the data acquisition in the field and ending with map products will be digitally performed by the system. Therefore, a platform appropriate for the use in the field (PDA) is combined with technologies from the disciplines of satellite navigation, remote sensing, communication, and mobile geoinformation systems. For DIGSTER a lot of practical applications already exist in connection with policies and directives on the national and also European level.
The Global Ozone Monitoring Experiment-2 (GOME-2) instrument continues the long-term monitoring of atmospheric trace gas constituents started with GOME / ERS-2 and SCIAMACHY / Envisat. Currently, there are three GOME-2 instruments operating on board EUMETSAT's Meteorological Operational satellites MetOp-A, -B, and -C, launched in October 2006, September 2012, and November 2018, respectively. GOME-2 can measure a range of atmospheric trace constituents, with the emphasis on global ozone distributions. Furthermore, cloud properties and intensities of ultraviolet radiation are retrieved. These data are crucial for monitoring the atmospheric composition and the detection of pollutants. DLR generates operational GOME-2 / MetOp level 2 products in the framework of EUMETSAT's Satellite Application Facility on Atmospheric Chemistry Monitoring (AC-SAF). GOME-2 near-real-time products are available already two hours after sensing. The operational SO2 total column products are generated using the algorithm GDP (GOME Data Processor) version 4.x integrated into the UPAS (Universal Processor for UV / VIS Atmospheric Spectrometers) processor for generating level 2 trace gas and cloud products. GDP 4.x performs a DOAS fit for SO2 slant column followed by an AMF / VCD computation using a single wavelength. Corrections are applied to the slant column for equatorial offset, interference of SO2 and SO2 absorption, and SZA dependence. For more details please refer to relevant peer-review papers listed on the GOME and GOME-2 documentation pages: https://atmos.eoc.dlr.de/app/docs/
The Global Ozone Monitoring Experiment-2 (GOME-2) instrument continues the long-term monitoring of atmospheric trace gas constituents started with GOME / ERS-2 and SCIAMACHY / Envisat. Currently, there are three GOME-2 instruments operating on board EUMETSAT's Meteorological Operational satellites MetOp-A, -B, and -C, launched in October 2006, September 2012, and November 2018, respectively. GOME-2 can measure a range of atmospheric trace constituents, with the emphasis on global ozone distributions. Furthermore, cloud properties and intensities of ultraviolet radiation are retrieved. These data are crucial for monitoring the atmospheric composition and the detection of pollutants. DLR generates operational GOME-2 / MetOp level 2 products in the framework of EUMETSAT's Satellite Application Facility on Atmospheric Chemistry Monitoring (AC-SAF). GOME-2 near-real-time products are available already two hours after sensing. The operational HCHO total column products are generated using the algorithm GDP (GOME Data Processor) version 4.x integrated into the UPAS (Universal Processor for UV / VIS Atmospheric Spectrometers) processor for generating level 2 trace gas and cloud products. For more details please refer to relevant peer-review papers listed on the GOME and GOME-2 documentation pages: https://atmos.eoc.dlr.de/app/docs/
The Global Ozone Monitoring Experiment-2 (GOME-2) instrument continues the long-term monitoring of atmospheric trace gas constituents started with GOME / ERS-2 and SCIAMACHY / Envisat. Currently, there are three GOME-2 instruments operating on board EUMETSAT's Meteorological Operational satellites MetOp-A, -B, and -C, launched in October 2006, September 2012, and November 2018, respectively. GOME-2 can measure a range of atmospheric trace constituents, with the emphasis on global ozone distributions. Furthermore, cloud properties and intensities of ultraviolet radiation are retrieved. These data are crucial for monitoring the atmospheric composition and the detection of pollutants. DLR generates operational GOME-2 / MetOp level 2 products in the framework of EUMETSAT's Satellite Application Facility on Atmospheric Chemistry Monitoring (AC-SAF). GOME-2 near-real-time products are available already two hours after sensing. The operational ozone total column products are generated using the algorithm GDP (GOME Data Processor) version 4.x integrated into the UPAS (Universal Processor for UV / VIS Atmospheric Spectrometers) processor for generating level 2 trace gas and cloud products. The new improved DOAS-style (Differential Optical Absorption Spectroscopy) algorithm called GDOAS, was selected as the basis for GDP version 4.0 in the framework of an ESA ITT. GDP 4.x performs a DOAS fit for ozone slant column and effective temperature followed by an iterative AMF / VCD computation using a single wavelength. For more details please refer to relevant peer-review papers listed on the GOME and GOME-2 documentation pages: https://atmos.eoc.dlr.de/app/docs/
The Global Ozone Monitoring Experiment-2 (GOME-2) instrument continues the long-term monitoring of atmospheric trace gas constituents started with GOME / ERS-2 and SCIAMACHY / Envisat. Currently, there are three GOME-2 instruments operating on board EUMETSAT's Meteorological Operational satellites MetOp-A, -B and -C, launched in October 2006, September 2012, and November 2018, respectively. GOME-2 can measure a range of atmospheric trace constituents, with the emphasis on global ozone distributions. Furthermore, cloud properties and intensities of ultraviolet radiation are retrieved. These data are crucial for monitoring the atmospheric composition and the detection of pollutants. DLR generates operational GOME-2 / MetOp level 2 products in the framework of EUMETSAT's Satellite Application Facility on Atmospheric Chemistry Monitoring (AC-SAF). GOME-2 near-real-time products are available already two hours after sensing. OCRA (Optical Cloud Recognition Algorithm) and ROCINN (Retrieval of Cloud Information using Neural Networks) are used for retrieving the following geophysical cloud properties from GOME and GOME-2 data: cloud fraction (cloud cover), cloud-top pressure (cloud-top height), and cloud optical thickness (cloud-top albedo). OCRA is an optical sensor cloud detection algorithm that uses the PMD devices on GOME / GOME-2 to deliver cloud fractions for GOME / GOME-2 scenes. ROCINN takes the OCRA cloud fraction as input and uses a neural network training scheme to invert GOME / GOME-2 reflectivities in and around the O2-A band. VLIDORT [Spurr (2006)] templates of reflectances based on full polarization scattering of light are used to train the neural network. ROCINN retrieves cloud-top pressure and cloud-top albedo. The cloud-top pressure for GOME scenes is derived from the cloud-top height provided by ROCINN and an appropriate pressure profile. For more details please refer to relevant peer-review papers listed on the GOME and GOME-2 documentation pages: https://atmos.eoc.dlr.de/app/docs/
The Global Ozone Monitoring Experiment-2 (GOME-2) instrument continues the long-term monitoring of atmospheric trace gas constituents started with GOME / ERS-2 and SCIAMACHY / Envisat. Currently, there are three GOME-2 instruments operating on board EUMETSAT's Meteorological Operational satellites MetOp-A, -B and -C, launched in October 2006, September 2012, and November 2018, respectively. GOME-2 can measure a range of atmospheric trace constituents, with the emphasis on global ozone distributions. Furthermore, cloud properties and intensities of ultraviolet radiation are retrieved. These data are crucial for monitoring the atmospheric composition and the detection of pollutants. DLR generates operational GOME-2 / MetOp level 2 products in the framework of EUMETSAT's Satellite Application Facility on Atmospheric Chemistry Monitoring (AC-SAF). GOME-2 near-real-time products are available already two hours after sensing. OCRA (Optical Cloud Recognition Algorithm) and ROCINN (Retrieval of Cloud Information using Neural Networks) are used for retrieving the following geophysical cloud properties from GOME and GOME-2 data: cloud fraction (cloud cover), cloud-top pressure (cloud-top height), and cloud optical thickness (cloud-top albedo). OCRA is an optical sensor cloud detection algorithm that uses the PMD devices on GOME / GOME-2 to deliver cloud fractions for GOME / GOME-2 scenes. ROCINN takes the OCRA cloud fraction as input and uses a neural network training scheme to invert GOME / GOME-2 reflectivities in and around the O2-A band. VLIDORT [Spurr (2006)] templates of reflectances based on full polarization scattering of light are used to train the neural network. ROCINN retrieves cloud-top pressure and cloud-top albedo. The cloud optical thickness is computed using libRadtran [Mayer and Kylling (2005)] radiative transfer simulations taking as input the cloud-top albedo retrieved with ROCINN. For more details please refer to relevant peer-review papers listed on the GOME and GOME-2 documentation pages: https://atmos.eoc.dlr.de/app/docs/
Die Trockengebiete der Erde waren und sind besonders anfällig für klimatische Änderungen. Gleichzeitig sind sie der Lebensraum für mehr als 2 Milliarden Menschen. Aufgrund der Größe der Räume, der in weiten Teilen schlechten infrastrukturellen Ausstattung und den häufig widrigen Umweltbedingungen weist der Forschungsstand zu den Raten der Landschaftsveränderungen noch große Lücken auf. Schon seit mehreren Jahrzehnten werden Fernerkundungsdaten intensiv zum Monitoring von Trockenräumen eingesetzt. Aber gerade in Bezug auf geomorphologischen Prozesse und Prozessraten stoßen optische Fernerkundungsmethoden häufig an ihre Grenzen. Im Rahmen dieses Projektes wird daher die Eignung von Radardaten zur Charakterisierung von Oberflächen untersucht. Mit den beiden Satelliten der Sentinel-1 Reihe der ESA (European Space Agency) steht ein modernes SAR (Synthetic Aperture Radar) mit einer räumlichen Auflösung von unter 15 m pro Bildpunkt kostenfrei zu Verfügung. Trockenräume sind aufgrund der geringen Vegetationsbedeckung für den Einsatz von Radarfernerkundung besonders geeignet, da Vegetation zu Volumenstreuung des Signals führt und dieses somit verfälscht. Im Rahmen der Untersuchungen sollen sowohl die SAR-Intensitäten als auch interferometrischen Kohärenzen zur raumzeitlichen Charakterisierung von Landoberflächen getestet werden. Als Testgebiet wurde das Orog-Nuur-Becken im Süden der Mongolei ausgewählt. Die Region zeichnet sich durch eine Vielzahl von unterschiedlichen Landoberflächen und geomorphologischen Prozessen aus. Hierzu gehören u.a. ehemalige Seesedimente, welche durch aktuelle periglaziale Prozesse modifiziert werden, Dünen, große Strandwälle aus Kiesen und insbesondere eine Vielzahl unterschiedlicher Schwemmfächeroberflächen. Die verschiedenen Oberflächen werden vor Ort detailliert geomorphologisch erfasst und beschrieben. Ein Schwerpunkt der Arbeiten ist die Erstellung von hochgenauen Orthophotos und digitalen Geländemodellen aus Drohnenaufnahmen. Da die Oberflächenrauigkeit das Rückstreusignal des SAR Systems stark beeinflusst, können mit Hilfe der Geländemodelle detaillierte Rauigkeitsanalysen für unterschiedliche räumliche Skalen durchgeführt werden. Abschließend werden die Geländebefunde und die morphometrischen Analysen mit den Radardaten verglichen um eine genaue Charakterisierung der unterschiedlichen Oberflächen aus Fernerkundungsdaten zu erreichen. Stellt sich die Eignung der Radardaten für eine detaillierte Charakterisierung der Oberflächen in Trockenräumen heraus, bietet sich hier eine neue Methode für ein detailliertes Monitoring dieser sensiblen Landschaftsräume. Gerade in Gebieten mit einer hohen Variabilität, ist eine detaillierte und zeitlich dichte Beobachtungsreihe, wie sie das Sentinel-System bietet, von großer Bedeutung.
| Organisation | Count |
|---|---|
| Bund | 1256 |
| Europa | 175 |
| Global | 4 |
| Kommune | 3 |
| Land | 124 |
| Schutzgebiete | 1 |
| Weitere | 56 |
| Wirtschaft | 5 |
| Wissenschaft | 995 |
| Zivilgesellschaft | 9 |
| Type | Count |
|---|---|
| Daten und Messstellen | 264 |
| Ereignis | 27 |
| Förderprogramm | 1141 |
| Hochwertiger Datensatz | 2 |
| Repositorium | 3 |
| Text | 51 |
| Umweltprüfung | 7 |
| unbekannt | 230 |
| License | Count |
|---|---|
| geschlossen | 56 |
| offen | 1605 |
| unbekannt | 64 |
| Language | Count |
|---|---|
| Deutsch | 944 |
| Englisch | 879 |
| Resource type | Count |
|---|---|
| Archiv | 21 |
| Bild | 3 |
| Datei | 282 |
| Dokument | 34 |
| Keine | 1002 |
| Webdienst | 28 |
| Webseite | 429 |
| Topic | Count |
|---|---|
| Boden | 1020 |
| Lebewesen und Lebensräume | 1383 |
| Luft | 1725 |
| Mensch und Umwelt | 1725 |
| Wasser | 819 |
| Weitere | 1696 |