The aim of this project is to co-estimate models of the core and ionosphere magnetic fields, with the longer-term view of building a 'comprehensive' model of the Earths magnetic field. In this first step we would like to take advantage of the progresses made in the understanding of the ionosphere by global M-I-T modelling to better separate the core and ionospheric signals in satellite data. The magnetic signal generated in the ionosphere is particularly difficult to handle because satellite data provide only information on a very narrow local time window at a time. To get around this difficulty, we would like to apply a technique derived from assimilation methods and that has been already successfully applied in outer-core flow studies. The technique relies on a theoretical model of the ionosphere such as the Upper Atmosphere Model (UAM), where statistics on the deviations from a simple background model are estimated. The derived statistics provided in a covariance matrix format can then be use directly in the magnetic data inversion process to obtain the expected core and ionospheric models. We plan to apply the technique on the German CHAMP satellite data selected for magnetically quiet times. As an output we should obtain a model of the ionospheric magnetic variation field tailored for the selected data and a core-lithosphere field model where possible leakage from ionospheric signals are avoided or at least reduced. The technique can in theory be easily extended to handle the large-scale field generated in the magnetosphere.
Versiegelung von Block- und Blockteilflächen in 10%-Stufen, ermittelt aus Satellitenbilddaten (Sentinel-2B, unbebauter Anteil) und Gebäudedaten (bebauter Anteil), sowie von Straßenflächen, ermittelt aus Straßenbefahrungsdaten, auf Grundlage der Blockkarte 1 : 5.000 (ISU5), Stand 2020. Zudem wird die Veränderungskartierung im Vergleich von 2016 zu 2021 dargestellt. Die Rasterkarte ist ein unkorrigiertes Zwischenergebnis der Versiegelungskartierung 2021. Dargestellt ist das Ergebnis der regelbasierten Klassifizierung der Satellitendaten (Sentinel-2B-Szene Juni 2021).
Versiegelung von Block- und Blockteilflächen in 10%-Stufen, ermittelt aus Satellitenbilddaten (Sentinel-2A, unbebauter Anteil) und Gebäudedaten (bebauter Anteil) auf Grundlage der Blockkarte 1 : 5.000 (ISU5), Stand 2015. Die Rasterkarte ist ein unkorrigiertes Zwischenergebnis der Versiegelungskartierung 2016. Dargestellt ist das Ergebnis der regelbasierten Klassifizierung der Satellitendaten (Sentinel-2A-Szene Mai 2016).
Low-lying coral reef islands harbour a distinct, yet highly threatened biological and cultural diversity that is increasingly exposed to climate change impacts. The combination of low elevation, small size, sensitivity to changes in boundary conditions (sea level, waves and currents, locally generated sediment supply) and at some locations high population densities, is why low-lying reef islands (LRIs) are considered among the most vulnerable environments on Earth to climate change. To date, their global distribution and influence of climatic, oceanographic, and geologic setting are only poorly documented or restricted to smaller scales. Here, I present the first detailed global analysis of LRIs utilising freely available global datasets to produce a global reef island database (GRID) and associated intrinsic and extrinsic characteristics that can be used within a coastal vulnerability index (CVI). All datasets used to create the GRID were released between 30 November 2015 and 3 August 2023, while the current version of the GRID database was completed in November 2024. When developing the GRID, LRIs are defined as landmasses <30 km² located on or within 1 km of coral reef and with an elevation of <16 m. Development of the GRID required: 1) the creation of a global shoreline vector file containing the geographic distribution of LRIs and 2) the development of a comprehensive global database of LRIs including eight intrinsic and ten extrinsic variables extracted from global datasets. Intrinsic variables include: 1) human populations, 2) island area, 3) island perimeter, 4) mean elevation, 5) island circularity/shape, 6) underlying reef type, 7) geographic isolation and 8) distance to the nearest neighbouring reef island. Extrinsic variables include: 1) mean water depth, 2) standard deviation of mean water depth, 3) mean annual significant wave height, 4) mean annual wave period, 5) mean spring tidal range, 6) relative tidal range, 7) wave-tide regime, 8) relative wave exposure, 9) relative tropical storm exposure and 10) year-2100 projected median sea level rise rate. The GRID was initially derived from version 2.1 of the UNEP-WCMC Global Island Database, a global shoreline vector file based on geometry data from Open Street Map® (OSM) and released in November 2015. The initial vector file was projected using the Mollweide projection, an equal-area pseudo cylindrical map projection chosen for its accurate derivation of area, especially in regions close to the equator, where most LRIs are located. The final GRID contains 34,404 individual LRIs distributed throughout tropical regions of the world's oceans, amassing a total land area of nearly 11,000 km² with approximately 60,740 km of shoreline and housing around 2.6 million people. While intrinsic variables are typically spatially homogenous, LRIs are generally highly spatially clustered throughout the GRID with respect to extrinsic variables. The spatial distribution of LRIs within the GRID was validated using: 1) published data and 2) quantitative accuracy assessments using satellite imagery. Spatial distributions of LRIs captured in the GRID are extremely consistent with those published in the literature (r² = 0.96) and those derived from independent analysis of satellite imagery (r² = 0.94). Finally, the GRID was used to develop an island vulnerability index (IVI) for each LRI on a scale of 0-1 with 0 representing no vulnerability and 1 representing maximum vulnerability. The GRID database is provided as a tab-delimited text file as well as ESRI shapefiles (points and polygons in WGS84 and Mollweide projection) and a comma-separated value file.
This dataset contains 6-year averages of global filtered tropospheric NO2 slant column densities (tSCDs) retrieved from the Sentinel-5 Precursor (S5P) satellite sensor TROPOMI (Tropospheric Monitoring Instrument) for the period from 1 May 2018 to 30 April 2024. All data are available on a 0.03° x 0.03° grid. The NO2 tSCDs are derived from the total slant columns by subtracting the across-track NO2 slant column stripe offset and spatially averaged stratospheric vertical column densities (VCDs) multiplied with the stratospheric air mass factor (AMF), provided in the TROPOMI NO2 product. The filtered NO2 tSCDs are developed to detect global shipping signals in the NO2 TROPOMI data. Therefore, only pixels over water are available in this dataset. The filtering methods include a high-pass filter with different box sizes (1°, 0.5°, 0.25°) and a Fourier filter. In addition, different flagging criteria are applied to the data with the standard box size of 1° for the high-pass filtering: no flagging, quality (qa) flagging, cloud fraction (CF) flagging, cloud height (CH) flagging, wind speed (wind) flagging, and sun glint (sg) flagging.
Im Teilvorhaben 3 wird im Modul 5 (Flächendeckendes satellitengestütztes Monitoring der Wachstumsreaktion) ein satellitenbasiertes räumliches Monitoring der Wachstumsreaktion der Bäume für die Testgebiete entwickelt. Als Wachstumsreaktion wird die Veränderung des Saftflusses sowie des Dickenwachstums als Reaktion auf extreme Hitze- und Trockenperioden definiert. Beide Variablen werden mittels DHC-Stationen in situ gemessen und durch die Kombination mit Satellitendaten in die Fläche überführt. Als Prädiktoren werden neuartige Daten der spektral hochaufgelösten ECOSTRESS (IR hyperspektral), OCO-3 und DESIS (Hyperspektralsensor) herangezogen, die alle auf der ISS installiert und damit optimal für eine solche Datenkombination geeignet sind. Die Daten der punktuellen DHC-Stationen werden verwendet, um maschinelle Lernmodelle auf der Basis der spektral hochaufgelösten neuen Fernerkundungsdaten unter normalen und extremen Klimabedingungen zu trainieren. Die Modelle können auf das Prädiktorgitter angewendet werden, sodass die Zielvariablen räumlich modelliert werden können. Aufgrund der schlechten zeitlichen Auflösung werden diese Daten wiederum als Prädiktoren verwendet, um die Zielvariablen auf konventionelle, zeitlich höher aufgelöste (Sentinel, MODIS) und Kronen auflösende Systeme (Planet) zu transferieren. Damit ist ein räumliches Monitoring unter verschiedenen Klimabedingungen möglich. ECOSTRESS liefert gegitterte Prädiktorvariablen zur Verdunstung, zum Evaporative Stress Index sowie zur Water Use Efficiency in 30 bis 70 m Auflösung, die mit DHC-Messungen des Saftflusses kombiniert werden. OCO-3 liefert Informationen zur fotosynthetischen Aktivität (SIF: solar-induced chlorophyll fluorescence) in etwa 2 km Auflösung, die mit den DHC-Messungen zum Dickenwachstum kombiniert werden. DESIS liefert hyperspektrale Daten in 30 m Auflösung und wird v.a. für die Erhöhung der räumlichen Auflösung der OCO-3 Daten verwendet.
Das Werkzeug der Erdbeobachtung wird auf verschiedenen Skaleneben genutzt, um Methodenentwicklungen voranzutreiben. Langjährige Erfahrungen des DLR-DFD in der skalenübergreifenden Nutzung und Auswertung von Satellitendaten und umfangreichen Satellitendaten-Zeitreihen verschiedenster Sensoren für globale, kontinentale, regionale und lokale Anwendung zur Beschreibung und Quantifizierung des Globalen Wandels werden zusammengeführt mit der langjährigen Erfahrung aus der forstlich fokussierten Fernerkundung, eingebracht durch die Kooperationspartner aus den forstlichen Forschungsanstalten der beteiligten Bundesländer Thüringen und Bayern, sowie Baden-Württemberg, Niedersachsen, Hessen, Sachsen-Anhalt und Schleswig-Holstein. Durch die Beteiligung der 4 Partner, die die forstliche Forschung in 7 Bundesländern vertreten, wird ca. 65% des deutschen Waldes abgedeckt. Die Kooperation ermöglicht eine zielgerechte, praxisnahe Herangehensweise kombiniert aus den Bedürfnissen der kooperierenden Länder, dem Wissen aller Beteiligten, um das Potential und der Grenzen der Fernerkundung und dem Wissen der forstlichen Institutionen der Länder, welche Interessen auf Bundes-, Landes- und Regionalebene bestehen. Gemeinsam wird mit robusten Methoden der Fernerkundung, wie anerkannten Technologien des maschinellen Lernens, an der Generierung und Weiterentwicklung praxis-relevanter Informationsprodukte für die raumzeitliche Erfassung von klimabedingten Schädigungen am Wald in Deutschland gearbeitet. Auf Landesebene wird auf Schädigungen an Laubhölzer in Bayern und in Thüringen auf die Ursachendifferenzierung von Schädigungen fokussiert. Auf der regionalen Ebene kann z.B. durch die Integration hoch genauer in-situ-Daten der beteiligten Projektpartner eine qualitative Prüfung ermöglicht und Herangehensweisen entwickelt und getestet werden, um relevante Informationen auf andere Skalenebenen zu übertragen.
Das Werkzeug der Erdbeobachtung wird auf verschiedenen Skaleneben genutzt, um Methodenentwicklungen voranzutreiben. Langjährige Erfahrungen des DLR-DFD in der skalenübergreifenden Nutzung und Auswertung von Satellitendaten und umfangreichen Satellitendaten-Zeitreihen verschiedenster Sensoren für globale, kontinentale, regionale und lokale Anwendung zur Beschreibung und Quantifizierung des Globalen Wandels werden zusammengeführt mit der langjährigen Erfahrung aus der forstlich fokussierten Fernerkundung, eingebracht durch die Kooperationspartner aus den forstlichen Forschungsanstalten der beteiligten Bundesländer Thüringen und Bayern, sowie Baden-Württemberg, Niedersachsen, Hessen, Sachsen-Anhalt und Schleswig-Holstein. Durch die Beteiligung der 4 Partner, die die forstliche Forschung in 7 Bundesländern vertreten, wird ca. 65% des deutschen Waldes abgedeckt. Die Kooperation ermöglicht eine zielgerechte, praxisnahe Herangehensweise kombiniert aus den Bedürfnissen der kooperierenden Länder, dem Wissen aller Beteiligten, um das Potential und der Grenzen der Fernerkundung und dem Wissen der forstlichen Institutionen der Länder, welche Interessen auf Bundes-, Landes- und Regionalebene bestehen. Gemeinsam wird mit robusten Methoden der Fernerkundung, wie anerkannten Technologien des maschinellen Lernens, an der Generierung und Weiterentwicklung praxis-relevanter Informationsprodukte für die raumzeitliche Erfassung von klimabedingten Schädigungen am Wald in Deutschland gearbeitet. Auf Landesebene wird auf Schädigungen an Laubhölzer in Bayern und in Thüringen auf die Ursachendifferenzierung von Schädigungen fokussiert. Auf der regionalen Ebene kann z.B. durch die Integration hoch genauer in-situ-Daten der beteiligten Projektpartner eine qualitative Prüfung ermöglicht und Herangehensweisen entwickelt und getestet werden, um relevante Informationen auf andere Skalenebenen zu übertragen.
| Origin | Count |
|---|---|
| Bund | 1250 |
| Europa | 2 |
| Global | 1 |
| Kommune | 4 |
| Land | 77 |
| Wirtschaft | 1 |
| Wissenschaft | 49 |
| Zivilgesellschaft | 3 |
| Type | Count |
|---|---|
| Daten und Messstellen | 19 |
| Ereignis | 16 |
| Förderprogramm | 1146 |
| Repositorium | 2 |
| Text | 75 |
| unbekannt | 100 |
| License | Count |
|---|---|
| geschlossen | 87 |
| offen | 1246 |
| unbekannt | 25 |
| Language | Count |
|---|---|
| Deutsch | 1133 |
| Englisch | 372 |
| Resource type | Count |
|---|---|
| Archiv | 18 |
| Bild | 2 |
| Datei | 32 |
| Dokument | 42 |
| Keine | 748 |
| Unbekannt | 4 |
| Webdienst | 18 |
| Webseite | 567 |
| Topic | Count |
|---|---|
| Boden | 1026 |
| Lebewesen und Lebensräume | 1024 |
| Luft | 1057 |
| Mensch und Umwelt | 1358 |
| Wasser | 842 |
| Weitere | 1327 |