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.
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.
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.
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.
Informationsgewinnung aus Satellitenbildern im Maßstab 1:25 000 im Raum Rostock.
Mit dem Weißbuch Stadtgrün 2017 hat sich der Bund den Arbeitsauftrag gegeben, urbanes Grün durch eine integrierte und nachhaltige Stadtentwicklungspolitik zu stärken. Valide, zeitreihenfähige und qualifizierte Informationen zur Grünausstattung und zum Grünvolumen fehlen aber bundesweit. Das Projekt zielt darauf ab, die Grünausstattung flächendeckend für alle deutschen Städte mittels Fernerkundung zu erfassen und ein Konzept für ein dauerhaftes Grünmonitoring zu definieren und umzusetzen. Ausgangslage: Zum urbanen Grün zählen grüne Freiräume innerhalb der Städte wie Parkanlagen, Friedhöfe, Kleingärten, Brachflächen, Spielbereiche und Spielplätze, Sportflächen, Straßenbegleitgrün und Straßenbäume. Hinzu kommen Grünflächen an öffentlichen Gebäuden, Naturschutzflächen, Wald und weitere Freiräume, die zur Gliederung und Gestaltung der Städte entwickelt, erhalten und gepflegt werden müssen. Auch private Gärten und landwirtschaftliche Nutzflächen sind ein wesentlicher Teil des städtischen Grünsystems. Bund, Länder und Kommunen benötigen fundierte Informationen, um sachlich-räumliche Defizite und kritische Entwicklungen beobachten und Handlungsbedarfe empirisch untermauern zu können. Grünflächen machen Städte für deren Bewohner attraktiv und steigern die allgemeine Umwelt- und Lebensqualität. Bei Fragen der sozialen Gerechtigkeit in der Stadt wird der Freiraumqualität im Wohnumfeld eine erhebliche Bedeutung beigemessen. Denn gerade Bewohnern sozial benachteiligter Quartiere stehen häufig weniger wohnungsnahe Grünflächen und damit weniger Erholungsmöglichkeiten im direkten Wohnumfeld zur Verfügung. Während einige Städte seit Jahren ein Monitoring ihres Stadtgrüns betreiben und wiederkehrende Erhebungen des städtischen Grünvolumens und Biotopkartierungen durchführen, fehlen auf der bundesweiten Ebene zuverlässige und flächendeckende Informationen zu diesem Thema. Mit diesem Projekt sollen grundlegende Fragen zur Ausstattung deutscher Städte mit urbanem Grün beantwortet werden. Bisher sind gesamtstaatliche Aussagen dazu nur auf der Grundlage von geotopographischen Daten zu treffen. Satellitendaten (Sentinel-2) aus dem europäischen Erdbeobachtungsprogramm Copernicus bieten sich hier als vielversprechende alternative Informationsquelle an. Neben bundesweiten Auswertungen auf Basis der Satellitenbilder wird in diesem Projekt untersucht, welche weiteren Datenquellen zur Informationsgewinnung zum urbanen Grün zur Verfügung stehen und wie stabile Zeitreihen (unterschiedliche Phänologie zum Aufnahmezeitpunkt usw.) aufgebaut werden können. Dazu werden Testgebiete in sieben Fallstudienstädten definiert. Die Betrachtung erfolgt dabei auf unterschiedlichen Maßstabsebenen (Städte, Stadtteile, Quartiere etc.).
Relative Meeresspiegelschwankungen resultieren aus dem Zusammenspiel von Eustasie, Isostasie, Tektonik und Subsidenz. Die Rekonstruktion des holozänen Meeresspiegels erlaubt es sowohl vertikale Landbewegungen als auch geophysikalische Modelle zu Glazialen Isostatischen Ausgleichsbewegungen (GIA) zu definieren, welche im Gegenzug benutzt werden um instrumentelle Meeresspiegelmessungen an Gezeitenpegeln zu korrigieren. Dementsprechend repräsentieren regionale Daten zu relativen Meeresspiegelschwankungen während des Holozäns, welche auf der Grundlage von standardisierten Protokollen erhoben wurden, den Ausgangspunkt für weitere Untersuchungen zu Meeresspiegelschwankungen des vergangenen Jahrhunderts und die Grundlage für eine Bewertung von lokalen und regionalen Meeresspiegelschwankungen während des 21ten Jahrhunderts. Obwohl es für einige Gebiete genaue Daten zu holozänen Meeresspiegelschwankungen gibt sind Rekonstruktionen für Südostasien, einer vom zukünftigen Meeresspiegelanstieg hoch gefährdeten Region, noch immer begrenzt und im Bezug auf die korrekte Interpretation von Meeresspiegelanzeigern, deren Höhenbezug zu Normalnull und die Qualität der Altersbestimmungen, fragwürdig. Das übergeordnete Ziel dieses Antrags ergibt sich daher aus der Frage: Wie können wir unser Verständnis über relative Meeresspiegelschwankungen während des Holozäns in Südostasien und die damit in Zusammenhang stehenden Prozesse verbessern? Um diese Frage zu beantworten werden wir veröffentlichte Meeresspiegeldaten neu Auswerten und einem standardisierten Ansatz entsprechend in einer Datenbank zusammentragen. Diesen Datensatz werden wir anschließend mit den Forschungsergebnissen von einigen Inseln im Spermonde Archipel, einer vom zukünftigen Meeresspiegelanstieg hoch gefährdeten Region, ergänzen. Im Anschluss an die Geländearbeit werden wir einen umfassenden Datensatz an geophysikalischen Modellen erstellen welche sowohl auf den Ergebnissen der Datenbank, als auch auf den neu erhobenen Geländedaten beruhen und welche statistische Unsicherheiten im Bezug auf das gewählte Eismodell und die Mantelviskosität beinhalten. Dies wird es uns ermöglichen die volle Bandbreite von GIA Signalen zu erfassen und den Bereich zu definieren welcher am besten zu den geologischen Geländedaten passt. Die Geländedaten werden außerdem auf der Grundlage eines Bayes'schen Ansatzes statistisch ausgewertet um potentielle Muster innerhalb der holozänen Meeresspiegelschwankungen zu entdecken. Die Resultate der statistischen Auswertung werden mit den Ergebnissen einer Satellitenbildauswertung bezüglich der Bevölkerungsdichte und Landnutzungsmustern auf den Inseln im Spermonde Archipel gegengeprüft. Nicht zuletzt durch die enge Zusammenarbeit mit weltweit führenden Experten auf internationaler Ebene wird innerhalb dieses Projekts ein Doktorand in allen Bereichen der Meeresspiegelforschung ausgebildet, von Labor und Geländetechniken bis hin zur geophysikalischen Modellierung und Datenauswertung.
Objectives: Sustainable management of tropical moist forests through private forest owners will become increasingly important. Media report that in Brazil, particularly in Amazonia, approx. 80 percent of the timber harvested is from illegal sources. Private management of forests according to internationally acknowledged standards offers an opportunity to significantly lower the portion of illegally cut timber. Moreover, it contributes significantly to the conservation of the Amazon forest. Private forest owners show a clear long-term commitment towards the implementation of management standards according that is ecologically compatible, socially acceptable and economically viable. The project area, a pristine forest in legal Amazonia in the transition zone between moist tropical forests and savannas (cerrado), is extremely diverse in floristic and faunistic terms. The institute cooperates with the private forest owner. Main tasks are to document the faunistic and floristic diversity, to calculate the Annual Allowable Cut and to elaborate concepts for site-specific silviculture. Results: To date (Oct. 2006) the following activities were started: - a comprehensive inventory system for planning at the FMU-level has been successfully introduced; - the inventory system for the annual coupe area has been designed and data for the first coupe are being processed; - the annual allowable cut is currently calculated based on the results of the above described inventories; - two fauna surveys are completed; one focusing on large mammals and one on the avi-fauna. A long-term monitoring concept to assess the influence of forest management on the faunistic diversity is currently under development; - forest zoning is completed applying terrestrial surveys and interpreting high-resolution satellite images; - a study on the use of Bethollethia excelsa-fruits (Brazil nuts) is currently implemented; - a study on timber properties of lesser known species is currently implemented.
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.
| Organisation | Count |
|---|---|
| Bund | 559 |
| Europa | 70 |
| Kommune | 13 |
| Land | 69 |
| Schutzgebiete | 2 |
| Weitere | 6 |
| Wirtschaft | 3 |
| Wissenschaft | 494 |
| Zivilgesellschaft | 3 |
| Type | Count |
|---|---|
| Daten und Messstellen | 221 |
| Ereignis | 20 |
| Förderprogramm | 505 |
| Text | 33 |
| unbekannt | 67 |
| License | Count |
|---|---|
| Geschlossen | 31 |
| Offen | 780 |
| Unbekannt | 35 |
| Language | Count |
|---|---|
| Deutsch | 530 |
| Englisch | 341 |
| Resource type | Count |
|---|---|
| Archiv | 7 |
| Bild | 3 |
| Datei | 237 |
| Dokument | 19 |
| Keine | 431 |
| Unbekannt | 1 |
| Webdienst | 27 |
| Webseite | 178 |
| Topic | Count |
|---|---|
| Boden | 469 |
| Lebewesen und Lebensräume | 787 |
| Luft | 670 |
| Mensch und Umwelt | 841 |
| Wasser | 338 |
| Weitere | 846 |