API src

Found 1744 results.

Related terms

Other language confidence: 0.5046124576601786

Schwerpunktprogramm (SPP) 1158: Antarctic Research with Comparable Investigations in Arctic Sea Ice Areas; Bereich Infrastruktur - Antarktisforschung mit vergleichenden Untersuchungen in arktischen Eisgebieten, Einflüsse von Schnee auf antarktisches Meereis (SCASI)

Die Ausdehnung des antarktischen Meereises nahm im Laufe der letzten Jahre zu und steht damit im Gegensatz zur Abnahme in der Arktis. Die Gründe hierfür sind Gegenstand aktueller Forschungsprojekte. Wechselwirkungen mit der Atmosphäre und dem Ozean spielen sicherlich eine wesentliche Rolle, aber auch die dicke und heterogene Schneeauflage des Meereises hat einen große Einfluss auf das Meereis und seine Rolle im globalen Klima und Wettergeschehen. Zugleich erschwert die Schneeauflage flugzeug- und satellitenbasierte Messungen über Meereis, da sie die Oberflächeneigenschaften bestimmt und zu großen Unsicherheiten beiträgt. Entsprechend ist eine bessere Kenntnis der Schneeverteilung auf Meereis dringend erforderlich, um Veränderungen besser verstehen und simulieren zu können. Ziel des Projektes ist es die Menge und Verteilung von Schnee auf antarktischem Meereis sowie dessen physikalische Eigenschaften und deren zeitliche Variabilität zu quantifizieren. Die Entwicklung eines neuen und konsistenten Datenprodukts für Schnee auf antarktischem Meereis steht im Vordergrund des Projektes. Dieses soll die hohe Variabilität über unterschiedliche Größenskalen und Jahreszeiten abbilden. Mithilfe dieses Produktes sind wir dann in der Lage Fernerkundungsalgorithmen und Modellsimulationen zu verbessern und zu validieren. Schließlich wird unser Projekt das Gesamtverständnis der Massenbilanz und Dynamik antarktischen Meereises verbessern, und leistet so einen wichtigen Beitrag für die biologische und geochemische Erforschung des eisbedeckten Südozeans. Um diese Ziele zu erreichen, werden hochaufgelöste Modelle betrieben, die durch Feld- und Fernerkundungsdaten von antarktischem Schnee auf Meereis gestützt und geleitet werden. Im Rahmen einer neuen deutsch-schweizer Zusammenarbeit (D-A-CH Programm) werden die Meereisexpertisen aus Feldmessungen und Fernerkundung der deutschen Partner mit der Schneeexpertise aus Feldmessungen und Modellierung der Schweizer Partner kombiniert. Die Projektpartner verfügen über detaillierte Schneemessungen mehrerer erfolgreicher Feldkampagnen auf antarktischem Meereis, die durch autonome Messungen ergänzt werden. Daten der Satelliten AMSR-2, SMOS und CryoSat-2 sind verfügbar und werden genutzt, um neue Algorithmen für die Bestimmung von Schneeeigenschaften auf Meereis zu entwickeln. Diese Algorithmen und daraus resultierende Datensätze werden durch Beobachtungen validiert und verbessert. Durch die Kopplung der numerischen Schneemodelle SNOWPACK und MEMLS werden Schneedicke, -temperatur, -dichte und Mikrowellenemissivität simuliert. Das Projekt ist darauf ausgelegt drei junge Wissenschaftler für Ihre Arbeit in der Meereisforschung zu finanzieren. Zwei erfahrene Post-Doktoranden sind vorgesehen. Beide haben bereits ähnliche Methoden und Datensätze im Rahmen ihren Doktorarbeiten bearbeitet. Ein Doktorand wird dieses Projekt zur Promotion nutzen.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Meiningen, Germany from 1985 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Digital Orthophotos and water-land-boundaries at the Elbe estuary (Germany), July 2022, Sat-Land-Fluss-project

In July 2022 we mapped the tidal area of the Elbe near Cuxhaven and Brunsbüttel. The data was gathered by UAV (Unmanned Aerial Vehicle) with a RBG camera and a PDGNSS-Rover (Precice Differential Global Navigation Satellite System) in three areas: 1) Otterndorf at low tidal level (beach area), 2) Neufelderkoog at low tidal level (wadden area), 3) Neufeld at high tidal level (flooded reed area). For each area we provide a digital orthophoto and the correlation of the measurement timing to the local sea level. The measurements were obtained at the same time as the radar satellite Sentinel 1 crossed the area. The data is structured in three zip-archives corresponding to the study areas: 1) 20220712_Tnw_Otterndorf.zip: provides the time series data as comma-separated text files (CSV)  provides (a) a digital orthophoto at 1,5 cm resolution, (b) an overview jpg showing of the measurement times and the local sea level, (c) timing of the UAV-flightlines and (d) two PDGNSS measurement series collected simultaneously as csv. (downloadable as 10.4 GB zip archive),  2) 20220712_Tnw_NeufelderkoogPriel.zip: provides (a) a digital orthophoto at 2 cm resolution and (b) an overview jpg showing of the measurement times and the local sea level (downloadable as 6,3 GB zip archive),  3) 20220720_Thw_Neufeld.zip: provides (a) a digital orthophoto at 2 cm resolution and (b) an overview jpg showing of the measurement times and the local sea level (downloadable as 8,4 GB zip archive). The data is used in the frame of the project "satellite based water-land-boundary detection" (Sat-Land-Fluss), as validation for Sentinel-1 derived water-land determinations. Sat-Land-Fluss was a R&D project lasting from 2020-2024, funded by the German Federal Ministry for Digital and Transport in the 4th project call "National Copernicus Application" (50EW2015).

Methoden der Radarfernerkundung zur Analyse anthropozoogener Muster der Landnutzung in periodisch überfluteten Gebieten des westafrikanischen Sahel

Radarfernerkundung auf Basis der SAR-Satellitendaten der ERS-Plattformen ermöglicht die Aufzeichnung von Boden- und Vegetationsparametern, die vor allem mit den Faktoren Rauhigkeit, Wassergehalt und Salinität korreliert sind. Landnutzung in semi-ariden Regionen Westafrikas wird durch Übernutzung der Böden, Versalzung von bewässertem Land und Dezimierung von Baum- und Strauchschichten der Vegetation geprägt. Geeignete Methoden der Analyse von multitemporalen SAR-Daten der satellitengestützten Radarfernerkundung sollen helfen, vor allem regressive Veränderungen der Landnutzung zu erkennen und zu untersuchen. Informationen zu Bodenbedeckung, horizontaler Struktur der Vegetation und Bodenqualität sollen nachhaltige Entwicklungskonzepte unterstützen.

Die Sanasilva-Inventur

*Der Gesundheitszustand der Bäume im Schweizer Wald wird seit 1985 mit der Sanasilva-Inventur repräsentativ erfasst. Die wichtigsten Merkmale sind die Kronenverlichtung und die Sterberate. Das systematische Probeflächen-Netz der Inventur ist im Laufe der Zeit ausgedünnt worden. In der Periode von 1985 bis 1992 wurden rund 8000 Bäume auf 700 Flächen im 4x4 km-Netz aufgenommen, 1993, 1994 und 1997 rund 4000 Bäume im 8x8 km-Netz und in den Jahren 1995, 1996 und 1998 bis 2002 rund 1100 Bäume im 16x16 km-Netz . Aufnahmemethode Alle drei Jahre (1997, 2000) wird die Sanasilva-Inventur auf dem 8x8-km Netz (ca. 170 Probeflächen ) durchgeführt. In den Jahren dazwischen findet die Inventur auf einem reduzierten 16x16-km Netz (49 Probeflächen) statt. Jede Fläche besteht aus zwei konzentrischen Kreisen. Der äussere Kreis hat ein Radius von 12.62 m (500 m2) und der innere ein Radius von 7.98 m (200 m2). Auf dem inneren Kreis werden alle Bäume mit einem Mindestdurchmesser in Brusthöhe von 12 cm und auf dem äusseren Kreis mit einem Mindestdurchmesser in Brusthöhe von 36 cm aufgenommen. In Nordrichtung wird zusätzlich in 30 m Entfernung eine identische Satellitenprobenfläche eingerichtet. Die Aufnahme findet in Juli und August statt. Eine Aufnahmegruppe besteht aus zwei Personen, von denen eine die Daten erhebt, und die andere die Daten eintippt. Die Daten werden mit dem Feldkomputer Paravant und der Software Tally erfasst. Die Aufgabenteilung wechselt zwischen Probeflächen. Auf dem 8x8-km Netz werden zusätzlich 10 Prozent der Flächen von einer unabhängigen zweiten Aufnahmegruppe zu Kontrollzwecken aufgenommen. Hauptmerkmale der Sanasilva-Inventur: Die Sanasilva-Inventur erfasst vor allem folgende Indikatoren des Baumzustandes: Die Kronenverlichtung wird beschrieben durch den Prozentanteil der Verlichtung einer Krone im Vergleich zu einem Baum gleichen Alters mit maximaler Belaubung/Benadelung an diesem Standort, den Anteil dieser Verlichtung, der nicht durch bekannte Ursachen erklärt werden kann, den Ort der Verlichtung, den Anteil und den Ort von unbelaubten/unbenadelten Ästen und Zweigen. Die Kronenverfärbung wird durch die Abweichung der mittleren Farbe (aufgenommen als Farbton, Reinheit und Helligkeit nach den Munsell Colour Charts) eines Baumes zu der für diese Baumart typischen Normalfarbe (Referenzfarbe) und durch das Vorhandensein, das Ausmass und den Ort der von der Referenzfarbe abweichenden Farben beschrieben. Der Zuwachs eines Baumes wird durch die zeitliche Veränderung der aufgenommen Baumgrössen beschrieben (Brusthöhendurchmesser, Höhe des Baumes, Kronenlänge und Kronenbreite). Weitere Merkmale sind die erkannten Ursachen der Kronenverlichtung, die Kronenkonkurrenz und das Vorkommen von Epiphyten, Mistel und Ranken in der Baumkrone.

Nachtaufnahme Hamburg

Bei dieser Nachtaufnahme handelt es sich um ein Mosaik, welches aus zwei unterschiedlichen Datensätzen besteht. Datensatz 1 [Zentrum und Randgebiete] - Satellitenaufnahmen: Jilin-1 - Spektrale Auflösung: RGB - Aufnahmezeitraum: 12/21 – 01/22 - Quelle: Chang Guang Satellite Technology CO., LTD (CGSTL)/Veritas Imagery Services Ltd Datensatz 2 [vereinzelte Randgebiete] - Astronautenphotographie: NASA - Spektrale Auflösung: RGB - Aufnahmezeitraum: 03/22 - Quelle: Earth Science and Remote Sensing Unit, NASA Johnson Space Center; https://eol.jsc.nasa.gov/ Hinweise: Die Datensätze unterscheiden sich hinsichtlich ihrer geometrischen Auflösung. Die Datensätze sind spektral nicht zueinander kalibriert. Verwendung nur zu Visualisierungszwecken.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Bonn, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Fall, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Satellite Color Images, Vegetation Indices, and Metabolism Indices from Konstanz, Germany from 1984 – 2023

The "Germany Mosaic" is a time series of Landsat satellite images and vectorized segments covering the entirety of Germany from 1984 to 2023. The image data are divided into TK100 sheet sections (see further details: Blattschnitt der Topographischen Karte 1:100 000). The dataset provides optimized 6-band imagery for each year, representing summer (May to July) and autumn (August to October) seasons, along with vegetation indices such as NDVI (Normalized Difference Vegetation Index) and NirV (Near-Infrared Reflectance of Vegetation) for the same periods. Additionally, vectorized "zones" of approximately homogeneous pixels are available for each year. The spectral properties of the image data and the morphological characteristics of these zones are included as vector attributes (see Documentation: "Mosaic (1984–2023) - Data Description"). An overview of the coverage and quality of all sheet sections is provided as a vector layer titled D-Mosaik_Sheet-Sections within this document. The Germany Mosaic can also be considered a spatial-temporal Data Cube, enabling advanced analysis and integration into workflows requiring multi-dimensional data. This structure allows users to perform operations such as querying data across specific time periods, analyzing trends over decades, or aggregating spatial information to generate tailored insights for a wide range of research applications. In mid-latitudes, seasonal variations in vegetation—and consequently in the image data—are typically more pronounced than changes occurring over several years. The temporal segmentation of the dataset has been designed to encompass the entire vegetation period (May to October), with the division into summer and autumn periods capturing seasonal metabolic shifts in natural biotopes. This segmentation also records most agricultural changes, including sowing and harvesting activities. Depending on weather conditions, the individual image data represent either the median, mean value, or the best available image for the specified time period (see Documentation: "Mosaic (1984–2023) - Data Description). Remote sensing has become an indispensable tool for environmental research, particularly in landscape analysis. Beyond conventional applications, the Germany Mosaic supports the development of digital twins in environmental system research. By providing detailed spatial and temporal data, this dataset enables the modeling of virtual ecosystems, facilitating simulations, scenario testing, and predictive analyses for sustainable management. Moreover, the spatial and temporal trends captured by remotely sensed parameters complement traditional approaches in biological, ecological, geographical, and epidemiological research.

Sentinel-5P TROPOMI Surface Nitrogendioxide (NO2), Level 4 – Regional (Germany and neighboring countries)

The TROPOMI instrument onboard the Copernicus SENTINEL-5 Precursor satellite is a nadir-viewing, imaging spectrometer that provides global measurements of atmospheric properties and constituents on a daily basis. It is contributing to monitoring air quality and climate, providing critical information to services and decision makers. The instrument uses passive remote sensing techniques by measuring the top of atmosphere solar radiation reflected by and radiated from the earth and its atmosphere. The four spectrometers of TROPOMI cover the ultraviolet (UV), visible (VIS), Near Infra-Red (NIR) and Short Wavelength Infra-Red (SWIR) domains of the electromagnetic spectrum. The operational trace gas products generated at DLR on behave ESA are: Ozone (O3), Nitrogen Dioxide (NO2), Sulfur Dioxide (SO2), Formaldehyde (HCHO), Carbon Monoxide (CO) and Methane (CH4), together with clouds and aerosol properties. This product displays the Nitrogen Dioxide (NO2) near surface concentration for Germany and neighboring countries as derived from the POLYPHEMUS/DLR air quality model. Surface NO2 is mainly generated by anthropogenic sources, e.g. transport and industry. POLYPHEMUS/DLR is a state-of-the-art air quality model taking into consideration - meteorological conditions, - photochemistry, - anthropogenic and natural (biogenic) emissions, - TROPOMI NO2 observations for data assimilation. This Level 4 air quality product (surface NO2 at 15:00 UTC) is based on innovative algorithms, processors, data assimilation schemes and operational processing and dissemination chain developed in the framework of the INPULS project. The DLR project INPULS develops (a) innovative retrieval algorithms and processors for the generation of value-added products from the atmospheric Copernicus missions Sentinel-5 Precursor, Sentinel-4, and Sentinel-5, (b) cloud-based (re)processing systems, (c) improved data discovery and access technologies as well as server-side analytics for the users, and (d) data visualization services.

1 2 3 4 5 … 173 174 175