API src

Found 6283 results.

Related terms

GISCO - Nomenclature of Territorial Units for Statistics 2021 (NUTS 2021), May 2021

The 'GISCO NUTS 2021' data set represents the NUTS 2021 regulation and statistical regions by means of multipart polygon, polyline and point topology. The NUTS geographical information is completed by attribute tables and a set of cartographic help lines to better visualize multipart polygonal regions. The NUTS nomenclature is a hierarchical classification of statistical regions defined by Eurostat. The NUTS classification subdivides the EU economic territory into 3 statistical levels. The NUTS 2021 classification has been established through the Commission Delegated Regulation 2019/1755, which entered into force on 8th August 2019 and applies from 1st January 2021. A non official NUTS-like classification has been defined for the EFTA countries and the candidate countries. At present, six scale ranges (100K, 1M, 3M, 10M and 20M, 60M) are maintained in the GISCO geodatabase. The polygon and boundary classes delineate the regions, while the points provide an anchor for each region. Associated tables contain basic information such as the name of the region. The public data set will be available at 1M, 3M, 10M, 20M, 60M, while the full data set at 100K is restricted. The data set covers EU Member States, EFTA countries, EU candidate countries and the UK. Following the departure of the UK from the European Union, the UK is no longer flagged as an EU Member State but retains its place in the NUTS and statistical regions data set. This dataset (NUTS_2021) is derived from the EuroBoundary Map 2020 (EBM2020) from Eurogeographics as well as GISCO NUTS 2016 (from Türkiye). The list of NUTS2021 codes including changes with respect to NUTS2016 is available on https://ec.europa.eu/eurostat/documents/345175/629341/NUTS2021.xlsx. The public metadata for NUTS 2021 released by Eurostat is available here: https://gisco-services.ec.europa.eu/distribution/v2/nuts/nuts-2021-metadata.xml. This revision (May 2021) includes minor changes in the dataset such as (see https://gisco-services.ec.europa.eu/distribution/v2/nuts/nuts-2021-release-notes.txt): * 2020-10-05 Point snapping is disabled in all datasets, number of decimals increased for 01M datasets. * 2020-11-18 Inclusion of Jan Mayen and Svalbard in to Norways Statistical Regions. Amendment to Serbia NUTS BN line status. * 2020-12-05 Fixed broken utf-8 encoding. * 2021-03-15 Added LAU 2011,2012,2013,2014,2015,2020 * 2021-04-26 Fixed country labels 2001, 2006 (incorrect Kosovo coordinates) IMPORTANT NOTE: Additional information, including the conditions of use and acknowledgement notice is included in the document provided with the dataset "GISCO NUTS 2021 Additional Information.pdf". Public access to this data set is restricted due to intellectual property rights. It shall only be used internally by the EEA, its ETCs and subcontractors working on behalf of the EEA. This metadata has been slightly adapted from the original metadata information provided by Eurostat (European Commission) and is to be used only for internal EEA purposes. An introduction to the NUTS classification is available here: http://ec.europa.eu/eurostat/web/nuts/overview.

Anlagen nach Bundesimmissionsschutzgesetz in Brandenburg - Download-Service (WFS-LFU-BIMSCHG)

Der Download Service ermöglicht das Herunterladen von Geodaten zu Anlagen nach Bundesimmissionsschutzgesetz (BImSchG) im Land Brandenburg. Datenquelle ist das Anlageninformationssystem LIS-A. Die Anlagen werden zum einen gruppiert nach Anlagenarten 1. Ordnung (ohne Anlagenteile), zum anderen nach Tierhaltungs- und Aufzuchtanlagen, nach Blockheizkraftwerken und nach großen Feuerungsanlagen. Die BImSchG-Anlagen 1. Ordnung werden unterschieden nach: - Wärmeerzeugung, Bergbau und Energie (Nr. 1) - Steine und Erden, Glas, Keramik, Baustoffe (Nr. 2) - Stahl, Eisen und sonstige Metalle einschließlich Verarbeitung (Nr. 3) - Chemische Erzeugnisse, Arzneimittel, Mineralölraffination und Weiterverarbeitung (Nr. 4) - Oberflächenbehandlung mit organischen Stoffen, Herstellung von bahnenförmigen Materialien aus - Kunststoffen, sonstige Verarbeitung von Harzen und Kunststoffen (Nr. 5) - Holz, Zellstoff (Nr. 6) - Nahrungs-, Genuss- und Futtermittel, landwirtschaftliche Erzeugnisse (Nr. 7) - Verwertung und Beseitigung von Abfällen und sonstigen Stoffen (Nr. 8) - Lagerung, Be- und Entladen von Stoffen und Gemischen (Nr. 9) - Sonstige Anlagen (Nr. 10) Die Tierhaltungs- und Aufzuchtanlagen werden gemäß 4. BImSchV unterteilt in: - Geflügel (Nr. 7.1.1 bis 7.1.4) - Rinder und Kälber (Nr. 7.1.5 und 7.1.6) - Schweine (Nr. 7.1.7 bis 7.1.9) - gemischte Bestände (Nr. 7.1.11) Die großen Feuerungsanlagen werden gemäß 4. BImSchV unterteilt in: - Wärmeerzeugung, Energie (Nr. 1.1, 1.4.1.1, 1.4.2.1) - Zementherstellung (Nr. 2.3.1) - Raffinerien (Nr. 4.1.12, 4.4.1) - Abfallverbrennung (Nr. 8.1.1.1, 8.1.1.3) Es werden nur Anlagen gemäß 13. und 17. BImSchV berücksichtigt. Die Blockheizkraftwerke werden hinsichtlich ihrer elektrischen Leistung unterschieden.

Plant wax composition of sediment core ROT21 from the Rotsee, Switzerland

This dataset contains compound-specific hydrogen (δ2H) and carbon (δ13C) isotope compositions and concentrations of long-chain n-alkanes and fatty acids (n-alkanoic acids) from the ROT21 sediment record of Rotsee, Central Switzerland (47°04′10″N, 8°18′48″E, 419 m a.s.l.). Sediment cores were retrieved in October 2021 using a UWITEC gravity corer, and the dataset spans the past ~13,000 years based on 19 radiocarbon dates (terrestrial and aquatic macrofossils) integrated with 210Pb and 137Cs profiles (see De Jonge et al., 2025). Laboratory analyses were conducted between February 2023 and November 2024 at the University of Basel. Sediment samples (~2–5 g) were sub-sampled, freeze-dried, spiked with internal standards (n-C19-alkanoic acid, n-C36-alkane, 2-octadecanone, and n-C21-alkanol), and extracted with dichloromethane/methanol (9:1, v/v) using an Accelerated Solvent Extractor (Dionex ASE 350, Thermo Fisher Scientific). Following saponification, neutral fractions were separated via silica gel chromatography, and fatty acids were converted to fatty acid methyl esters (FAMEs). Both n-alkanes and FAMEs were further purified to isolate saturated compounds using AgNO3-impregnated silica gel columns, then analyzed and quantified by gas chromatography with flame ionization detection (GC-FID). Peak areas were normalized to recovery standards to account for potential losses during sample handling, and compounds were identified by comparison with external standards. Compound-specific δ2H and δ13C values were determined by gas chromatography-isotope ratio mass spectrometry (GC-IRMS) and normalized to the VSMOW-SLAP (δ2H) and VPDB (δ13C) scales. Analytical precision was ±3-5 ‰ for δ2H and ±0.2–0.3 ‰ for δ13C. The dataset was generated to reconstruct past hydroclimate and vegetation dynamics in Central Europe using plant wax δ2H records. Full methodological details are provided in the study: Central Europe hydroclimate since the Younger Dryas inferred from vegetation-corrected sedimentary plant wax δ2H values (Santos et al., 2026).

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.

Model Output Statistics for LUGANO (06770)

DWD’s fully automatic MOSMIX product optimizes and interprets the forecast calculations of the NWP models ICON (DWD) and IFS (ECMWF), combines these and calculates statistically optimized weather forecasts in terms of point forecasts (PFCs). Thus, statistically corrected, updated forecasts for the next ten days are calculated for about 5400 locations around the world. Most forecasting locations are spread over Germany and Europe. MOSMIX forecasts (PFCs) include nearly all common meteorological parameters measured by weather stations. For further information please refer to: [in German: https://www.dwd.de/DE/leistungen/met_verfahren_mosmix/met_verfahren_mosmix.html ] [in English: https://www.dwd.de/EN/ourservices/met_application_mosmix/met_application_mosmix.html ]

Loseblattsammlung AKU: Empfehlungen zur Ueberwachung der Umweltradioaktivitaet

Ausarbeitung von praxisbezogenen Empfehlungen und Arbeitsvorschriften fuer Ueberwachung der Umweltradioaktivitaet im Routine- und Stoerfall, speziell fuer kerntechnische Anlagen. Basiert auf gesetzlichen Vorschriften der BRD, jedoch mit methodischen Beitraegen auch aus der Schweiz (EIR, KUER, HSK). Der Arbeitskreis (AKU) dient auch dem Erfahrungsaustausch und der Weiterbildung der ueber 40 aktiven Teilnehmer aus BRD, Schweiz und Oesterreich und beteiligt sich an der Organisation von Fachtagungen des FS. Gruendung des AKU: 1973 Gruendung des FS: 1966.

Ueberwachung der Schweizerischen Wasservogelreservate von internationaler Bedeutung

Ueberwachung der Bestaende ueberwinternder Wasservoegel (Nutzung der Reservate) durch monatliche Zaehlungen sowie die Erfassung und Analyse von Stoerungen der Wasservoegel durch Menschen.

Digitale Topographische Karte 1 : 10 000 - 3751-NW Sauen

Die Digitalen Topographischen Karten (DTK) werden aus Digitalen Landschafts- und Geländemodellen sowie dem Amtlichen Liegenschaftskatasterinformationssystem ALKIS erzeugt und nach dem bundeseinheitlichen Signaturenkatalog der Präsentationsausgaben „basemap.de P10“ Raster visualisiert. Die DTK liegen flächendeckend und im einheitlichen geodätischen Bezugssystem und Kartenprojektion für das Land Brandenburg vor. Sie sind als Rasterdaten (farbig/grau) und als Webdienste, verfügbar. Bei Nutzung der Daten sind die Lizenzbedingungen zu beachten.

WMS TK50-HIST Umland

Darstellungsdienst Topographische Karte 1:50.000, Umland (Rheinland-Pfalz, Hessen, Bayern, Frankreich, Schweiz).

Spotlight on "Long-term residential magnetic field exposure and neurodegenerative disease mortality: An 18-year nationwide cohort study in Switzerland" by Sandoval-Diez et al. in Environment International (2026)

Deutsch: Hängen Magnetfelder in der Nähe unseres Wohnorts mit der Sterblichkeit an neurodegenerativen Erkrankungen zusammen? Sandoval Diez et al. untersuchen diese Fragestellung anhand einer Kohorte aus der Schweiz. Hierzu schätzen sie die langzeitige Exposition am Wohnort gegenüber niederfrequenten Magnetfeldern von Hochspannungsleitungen und Bahnlinien ab. Auf Basis von 18 Jahren Beobachtungsdauer, detaillierten Wohnortverläufen und validierten Distanzmodellen berichten Sandoval Diez et al. mögliche Zusammenhänge mit Alzheimererkrankungen und anderen Demenzformen, nicht jedoch mit Amyotropher Lateralsklerose, Parkinson oder Multipler Sklerose.

1 2 3 4 5 … 627 628 629