API src

Found 16786 results.

Similar terms

s/senior/Sensor/gi

Other language confidence: 0.8211560544084253

Verkehrsdaten Rad (Infrarotdetektoren) Hamburg

Allgemeine Informationen: Der Datensatz umfasst Verkehrsdaten aller Standorte in Hamburg, an denen der Radverkehr mittels Infrarotdetektoren an 24h am Tag und allen Tagen des Jahres erfasst wird. Der Datensatz enthält sowohl die Verkehrsstärken einzelner Zählfelder als auch aus mehreren Zählfeldern aggregierte Zählstellen in Echtzeit. Der schematische Aufbau der Datenerfassung und Datenaggregation ist in einem separaten Dokument beschrieben, welches in den Verweisen zu finden ist. Die Daten der Zählfelder werden in 5-Minuten-Intervallen bereitgestellt. Die Daten der Zählstellen liegen aggregiert in 5-Minuten, 15- und 60-Minuten-Intervallen sowie in Tages- und Wochenwerten vor. Die Daten der Zählstellen werden außerdem in den entsprechenden Geoportalen der FHH, z.B. in Geo-Online und dem Verkehrsportal, visualisiert. Die Daten der Zählfelder sowie die Daten der 5-Minuten-Aggregate der Zählstellen werden nicht visualisiert. Neben den Echtzeitdaten sind auch historische Daten in folgendem Umfang verfügbar: Zählfelder: Die Daten der 5-Minuten-Intervalle für die letzten 8 Wochen Zählstellen: alle Daten für die letzten sieben Tage in 5-Minten-Intervallen, alle Daten für die letzten zwei Wochen in 15-Minuten-Intervallen, alle Daten für die letzten zwei Monate für die 60-Minutenintervalle, alle Daten für das aktuelle und das letzte Jahr in Tagesintervallen sowie alle Daten seit Beginn der Erfassung in Wochenintervallen. Informationen zur Technik: Die Infrarotdetektoren sind in der Regel an Beleuchtungsmasten, zum Teil aber auch an anderen Masten, installiert. Die Detektoren erfassen und zählen den Verkehr über die Wärmeabstrahlung der einzelnen Verkehrsteilnehmenden. Da ausschließlich Infrarotbilder ausgewertet werden, ist der Datenschutz zu jeder Zeit gewährleistet. Hinweise zur Datenqualität: Die Daten werden in Echtzeit an die Urban Data Platform der FHH übertragen. So sind diese zeitnah für alle Nutzenden und Interessierten verfügbar. Durch die Echtzeitkomponente sind allerdings verschiedene Rahmenbedingungen zu beachten: Die Daten sind nicht umfassend qualitätsgesichert. Ungewöhnliche Abweichungen von den zu erwartenden Daten und Datenlücken werden zwar automatisch vom System erkannt, können aber nicht in Echtzeit korrigiert werden. Lücken, die z.B. durch einen Abriss der Datenübertragung auftreten, können im Nachhinein noch nachgeliefert werden. Unter Umständen und bei längeren Ausfällen können folglich noch nach ein paar Tagen Änderungen in den historischen Daten erfolgen. Die Daten erhalten deswegen täglich eine Aktualisierung für die folgenden Zeiträume: Es handelt sich bei den hier veröffentlichten Daten nicht um amtlich geprüfte Daten der FHH. Wie bei jeder Verkehrszählung, egal ob automatisiert oder manuell, gibt es gewisse Toleranzen in der Messgenauigkeit. Anspruch an das hier verwendete System sind Genauigkeiten für die Zählfelder von +/- 10% bei der Erfassung des Radverkehrs auf Gehwegen, Radwegen und Radverkehrsstreifen sowie +/-20% bei der Erfassung des Radverkehrs im Mischverkehr mit Kraftfahrzeugen. Da Zählstellen aus einer Kombination verschiedener Zählfelder gebildet werden, kann die Abweichung bis zu +/-20% betragen. Weitere Informationen zum Echtzeitdienst: Der Echtzeitdatendienst enthält die aktiven Standorte der Zählfelder und Zählstellen über die mittels Infrarotdetektoren das aktuelle Fahrradaufkommen am Standort ermittelt wird. Die Daten werden im JSON-Format über die SensorThings API (STA) bereitgestellt . Für jedes Zählfeld und jede Zählstelle in der SensorThings API (STA) steht ein Objekt in der Entität "Thing". Für jede zeitliche (jeweiliges Zeitintervall) und räumliche Auflösungsebene (Zählfelder/Zählstellen) steht ein Objekt in der Entität "Datastreams". Die Echtzeitdaten zur Anzahl Fahrräder je Zeitintervall und Raumeinheit wird in der STA in der Entität "Observations" veröffentlicht. -Zählfeld 5-Min -Zählstelle 5-Min, 15-Min, 1-Stunde, 1-Tag, 1-Woche: Anzahl Fahrräder Alle Zeitangaben sind in der koordinierten Weltzeit (UTC) angegeben. In der Entität Datastreams gibt es im JSON-Objekt unter dem "key" "properties" weitere "key-value-Paare". In Anlehnung an die Service- und Layerstruktur im GIS haben wir Service und Layer als zusätzliche "key-value-Paare" unter dem JSON-Objekt properties eingeführt. Hier ein Beispiel: { "properties":{ "serviceName": "HH_STA_Verkehrsdaten_Rad_Infrarotdetektoren", "layerName": "Anzahl_Fahrraeder_Zaehlfeld_5-Min", "key":"value"} } Verfügbare Layer im layerName sind: * Anzahl_Fahrraeder_Zaehlfeld_5-Min *Anzahl_Fahrraeder_Zaehlstelle_5-Min * Anzahl_Fahrraeder_Zaehlstelle_15-Min * Anzahl_Fahrraeder_Zaehlstelle_1-Stunde * Anzahl_Fahrraeder_Zaehlstelle_1-Tag * Anzahl_Fahrraeder_Zaehlstelle_1-Woche Mit Hilfe dieser "key-value-Paare" können dann Filter für die REST-Anfrage definiert werden, bspw. https://iot.hamburg.de/v1.0/Datastreams?$filter=properties/serviceName eq 'HH_STA_Verkehrsdaten_Rad_Infrarotdetektoren' and properties/layerName eq 'Anzahl_Fahrraeder_Zaehlfeld_5-Min' Die Echtzeitdaten kann man auch über einen MQTT-Broker erhalten. Die dafür notwendigen IDs können über eine REST-Anfrage bezogen werden und dann für das Abonnement auf einen Datastream verwendet werden: MQTT-Broker: iot.hamburg.de Topic: v1.0/Datastream({id})/Observations

Physical oceanography during RV HEINCKE cruise HE645

Conductivity-temperature-depth profiles were measured using a Seabird SBE 911plus CTD during RV HEINCKE cruise HE645. The CTD was equipped with duplicate sensors for temperature (SBE3plus), conductivity (SBE4) and oxygen (SBE43). Additional sensors such as a WET Labs C-Star transmissometer, a WET Labs ECO-AFL fluorometer and an altimeter (PSA-916 Teledyne (Benthos)) were mounted to the CTD. Temperature, conductivity and oxygen sensors are calibrated by the manufacturer once a year before being mounted in January. They are used throughout the year and no post-cruise or in-situ calibration is applied. All other sensors are calibrated irregularly. Data were connected to the station book of the specific cruise as available in the DSHIP database. Processing of the data including removal of obvious outliers followed the procedures described in CTD Processing Logbook of RV HEINCKE (hdl:10013/epic.47427). The processing report for this dataset is linked below.

HOBOS - HOneyBee Online Studies

Seit 2006 hat der Bienenexperte Prof. Dr. Jürgen Tautz die HOneyBee Online Studies (HOBOS) als ein neues, interaktives Schulkonzept entwickelt. HOBOS existiert in seinen ersten Vorstufen seit dem 1. Juni 2009 und erlaubte in der Pilotphase ausgewählten Schulklassen aus neun Ländern über das Internet in einen echten Honigbienenstock vorzudringen. Zu den Ländern zählen Deutschland, USA, China, Luxemburg, Nordirland, Italien, Südafrika, Schweiz und Jordanien. Das Projekt wurde mehrfach ausgezeichnet. Die offizielle Schirmherrin von HOBOS ist seit April 2011 HRH Prinzessin Basma bint Ali von Jordanien, die Cousine des Staatsoberhaupts des Königreichs Jordanien HM König Abdullah II. Prof. Dr. Jürgen Tautz leitet das HOBOS-Projekt, das im Biozentrum der Universität Würzburg beheimatet ist. Ein speziell für diese Anforderungen konstruierter Bienenstock ist mit Sensoren, Messgeräten und mehreren Kameras, auch Wärmebildkamera, ausgestattet. So werden die Orwellschen Visionen (1984) für die Bewohner dieser speziellen Bienenbehausung Wirklichkeit, aber zum Nutzen von interessierten Menschen. Alle Daten sind online abrufbar, werden aber auch langfristig gespeichert. Besuchen Sie http://www.hobos.de/ um die aktuellsten Informationen über das Projekt zu erhalten.

REIN-project: Air quality data from gas and particle sensors at the river Rhine in Koblenz, Germany

This dataset provides data from various air quality sensors at a floating platform of the Federal Institute of Hydrology at the river bank of the Rhine in Koblenz, Germany. The data was collected as part of the mFUND project "REIN" which investigated the suitability of low-cost sensors for the determination of ship emissions with high spatial and temporal resolution. Measurement data involves various pollutants, including nitrogen oxides (NO, NO2), carbon dioxde (CO2) and particulate matter (particle number concentration, mass concentration, size distribution, ultrafine particles, black carbon concentration). Averaged data is provided at 1 minute and 1 hour temporal resolution and covers both low-cost and standard instruments. The dataset is related to the publication "Applicability of compact low- and mid-cost sensors to monitor air pollutant emissions from in-land ships".

Total suspended matter, particulate organic matter and particulate inorganic matter from discrete water samples during RV MARIA S MERIAN cruise MSM129/1

This dataset was collected during the cruise MSM129/1 with RV MARIA S. MERIAN from Warnemünde, Germany to St. John's, Canada. It contains suspended particulate matter, particulate organic matter and particulate inorganic matter measurements [mg/l] from water samples collected from the seawater supply (Reinseewassersystem, RSWS) to calibrate the turbidity data of the RSWS system. The outflow of a PocketFerrybox that was connected to the seawater supply in the hangar was used for sampling. It takes a substantial amount of time for the water to reach the hanger from the intake point. The time delay between the sensor readings of the RSWS and the PocketFerrybox was determined and the timestamps of the water sampling were adjusted accordingly. Given latitute and longitude refer to this corrected timestamp. The original time of water sampling in the hangar is given as an additional column with the comment time of sampling. To obtain suspended particulate matter concentrations, water samples were filtered onboard through 0.7 μm pore size, glass fiber filters (Whatmann GF/F, 47 mm) under low vacuum. Filters were frozen immediately at -80 °C until gravimetric analysis in the laboratory at ICBM, Wilhelmshaven according to IOCCG recommendations.

Trajectories and sensor data from drifter deployment number 12 during MS FRITZ REUTER and RV HEINCKE cruise HE644

During cruise HE644 (joint campaign of MS FRITZ REUTER and RV HEINCKE), Lagrangian surface drifters (Meyerjürgens et al., 2019; Deyle et al., 2024) were deployed from MS FRITZ REUTER, following the near-surface water motion, therefore allowing for observations within a moving water mass over extended periods with minimal disturbance to the surrounding water. Coordinates of the drifter position were transmitted by a GPS satellite tracker (inReach® Messenger from Garmin Ltd.) at two-minute intervals. Position data was processed after Deyle et al. (2024) and is available on minutely resolution in this dataset. For original trajectories see "<DOI>". In addition, the drifters were equipped with (down to 1.75 m depth) instrument chains including temperature and lightweight CTD (conductivity, temperature, depth) sensors. Depth in water was only recorded by RBRbrevio³ sensors, for others the depth was measured during sensor chain preparation and saved in the data array as fixed depth. The in situ temperature was recorded at up to six different depths using RBRsolo³, RBRbrevio³ (both sample frequency 1-2 Hz) and Aqua TROLL® 100 sensors (sample frequency 1 min-1). Conductivity was measured at up to three different depths, using RBRbrevio³ and Aqua TROLL® 100 sensors. RBR sensors were calibrated to a measurement uncertainty of ± 0.002 °C and ± 0.003 mS cm-1, whereas the TROLL sensors have a measurement uncertainty of ± 0.1 °C and ± 0.5%. For details on the sensor data processing see the appropriate processing report.

Germany Mosaic: A Multi-Decadal Remote Sensing Time Series of Germany, 1984–2025

The Germany Mosaic is an analysis-ready spatiotemporal dataset with a consistent data-cube structure, covering the entire territory of Germany from 1984 to 2025. It provides consistently processed Landsat-based raster and vector products on a common spatial grid, enabling long-term analysis of environmental and landscape dynamics as well as machine-learning and AI-based applications. For each year, two seasonal six-band multispectral composites are provided, representing the periods May–July and August–October. All usable Landsat observations acquired within the respective seasonal period are included in the compositing process to maximize spatial coverage and minimize cloud contamination, resulting in virtually cloud-free seasonal image composites. The spatial organization is consistent across the complete time series: all years use the same pixel size, spatial grid, tile geometry, band structure, and variable schema for the vector products. Germany is represented by 54 overlapping tiles of 120 × 120 km with a 20 km overlap. This standardized structure enables direct spatial and temporal comparison across more than four decades without additional spatial harmonization or restructuring. In addition to the multispectral raster data, the dataset contains image-segmentation polygons (“zones”) representing approximately homogeneous image regions, together with associated spectral, textural, statistical, geometric, and contextual attributes. The vector datasets include 32 attributes covering seasonal spectral information, vegetation indices, temperature, image quality, texture and variability measures, Rao’s diversity, elevation-related information, and indicators concerning the form, size, connectivity, distribution, and spatial relationships of the zones. Additional raster products provide elevation data and statistics for seasonal vegetation change. The consistent data-cube structure makes the Germany Mosaic particularly suitable for large-scale time-series analysis, change detection, environmental monitoring, machine learning, and other AI-based workflows. It can also provide a data foundation for environmental modelling and digital-twin applications. This dataset constitutes the second version and continuation of the previously published Germany Mosaic 1984–2023 dataset (DOI: 10.1594/PANGAEA.967266) and extends the temporal coverage through 2025 while introducing a revised and standardized spatial organization based on 54 consistently defined tiles, a 20 km overlap between the tiles, and new raster and vector features. Content - Two seasonal six-band multispectral image composites per year: May–July and August–October - Seasonal vegetation-change statistics as a raster image (AIR Files) - One separate set of elevation data with identical tiling - Image-segmentation polygons (“zones”) with 32 spectral, textural, statistical, geometric, and contextual attributes - Raster and vector products for each year from 1984 to 2025 - Data organized in 54 overlapping tiles covering Germany - Formats: GeoTIFF for all raster products; Esri Shapefile for all vector products - Optical Sensors: Thematic Mapper (TM) on Landsat 4, Enhanced Thematic Mapper (ETM) on Landsat 5, Operational Land Imager (OLI) on Landsat 8 and 9 - Thermal Sensors: Thermal Infrared Sensor (TIRS) on Landsat 4, 5, 8, and 9 - Elevation Sensors: Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) on Terra Satellite - All usable observations within the two seasonal periods are included in the compositing process Features - Time: Two seasonal composites per year, May–July and August–October - Data cube: Same pixel size, spatial grid, tile geometry, band structure, and variable schema for all years - Raster: Six-band spectral image composites for each season (summer and autumn) and one three-band image composite for seasonal vegetation-change statistics - Elevation: Raster data once for each tile - Vector: Image-segmentation polygons (“zones”) with spectral and geometric attributes - Attributes: 32 attributes covering seasonal spectral composites (six bands), seasonal vegetation indices (NDVI, NIRv), seasonal vegetation-change statistics, seasonal temperature, elevation, seasonal image-quality index, textures, Rao’s diversity, size, geometry, connections, and spatial relationships of the zones - Tiles: 54 overlapping 120 × 120 km tiles with 20 km overlap - CRS: WGS 84 / UTM zone 32N (EPSG:32632) - Quality: Virtually cloud-free seasonal composites generated from all usable observations See D-Mosaic_Manual for details and background. Applications - Time-series and change analysis, environmental monitoring, machine learning, AI-based workflows, environmental modelling, and digital twins Figures Figure 1 – RGB visualization of three vector attributes based on polygons: - Red: structural diversity (texture) - Green: highest vegetation activity (plant metabolic activity) during the year - Blue: seasonal variation between summer and autumn - Black: zone boundaries Figure 2 – Distribution of the 54 overlapping 120 × 120 km tiles covering Germany.

Sensor.Community Sensor 22582

Die Messwerte wurden mittels des Sensor-Modells "Bosch BME280" erfasst.

Klimaerlebnisbaum - Zu Rheinstraße - Robinia

Im Rahmen des Forschungsprojekts "Klimaerlebnis Würzburg" am Zentrum Stadtnatur und Klimaanpassung (ZSK) wurden im Jahr 2018 acht Messstationen in Würzburg und Gerbrunn eingerichtet. Diese zeichnen seitdem an jedem Standort das Wetter und/oder die Leistungen der dortigen Bäume auf. Das Forschungsprojekt endete im Jahr 2022. Die Messstationen, durch orangefarbene Baumfässer erkennbar, werden seitdem aber weitergeführt.Das Projekt sollte aufzeigen,inwieweit sich das Klima und die Leistung der Bäume an verschiedenen Standorten in der Stadt unterscheiden undinwieweit sich Stadtbäume und Klima an einem Standort gegenseitig beeinflussen.Die bis heute weiter aufgezeichneten Messergebnisse sollen verdeutlichen, wie mit Hilfe von Bäumen und ihrer Ökosystemdienstleistungen die nachhaltige Stadt der Zukunft an die Folgen des Klimawandels angepasst werden kann. Zudem kann die Öffentlichkeit mit diesen Datenreihen für das Thema Stadtklima und Stadtgrün sensibilisiert werden. Um dies voranzutreiben, werden davon ausgewählte Datenspalten seit November 2024, unbereinigt und zu stündlichen Daten automatisiert zusammengefasst, hier auf dem Open Data Portal Würzburg veröffentlicht.An der Station in der Zu Rheinstraße sind mehrere Bäume der Art Robinia und Linde Tilia mit Sensoren versehen. Die Daten einer der Robinien stehen in diesem Datensatz in der oben beschriebenen, verarbeiteten Form zur Verfügung.Allgemeines zu den Standorten wie der grobe Messaufbau, Hinweise zur Datennutzung und Verlinkungen zu weiterführenden Papern finden Sie im Folgenden.Messaufbau des Baumlabors und der WetterstationMithilfe des Saftflusssensors (1) kann der Wasserverbrauch des Baums bestimmt werden. Davon lässt sich die Kühlleistung durch Verdunstung ableiten und der Trockenstress abschätzen. Im Kronenraum wird die Temperatur für den Vergleich mit der Klimastation gemessen (2), um die Abkühlwirkung des Baumes zu bestimmen. Das Dendrometer (3) misst das Dickenwachstum des Stammes. Dadurch kann man berechnen, wieviel der gesamte Baum an Biomasse zunimmt und an CO2speichert. Der Bodenfeuchtesensor (4) misst den Wassergehalt im Wurzelraum. Damit kann auf die Wasserversorgung des Baumes geschlossen werden.Der Temperatur- und Feuchtesensor (6) misst die Lufttemperatur und die relative Luftfeuchtigkeit. Der Windsensor (7) erfasst Windrichtung und Windgeschwindigkeit. Mit diesen beiden Messgrößen kann der Frischlufteintrag, aber auch die Anströmungsrichtung festgestellt werden. Der Strahlungssensor (8) misst, wieviel Energie die Sonne am Erdboden freisetzt. Mit diesem Wert lässt sich feststellen, wie stark sich Flächen aufheizen. Ebenso lässt sich hiermit die photosynthetische Leistung des Baumes bestimmen. Aus Temperatur, Luftfeuchte, Windgeschwindigkeit und Solarstrahlung lässt sich die gefühlte Temperatur berechnen. Der Niederschlagssensor (9) erfasst Regen und Schnee.In den Datenloggern (10) werden die Messwerte gesammelt, gespeichert und alle 10 Minuten online versendet, um sie auf dem Smart City Hub Würzburg zu speichern und hier auf dem Open Data Portal stündlich aggregiert darzustellen. Bei einigen der Wetterstationen ist zudem ein Luftdruck-Barometer verbaut.Hinweis:Bei den zur Verfügung gestellten Daten handelt es sich um eine automatisiert abgeänderte Version der Rohdaten der einzelnen Stationen. Eine Qualitätskontrolle durch den Plattformbetreiber findet vorab nicht statt. Es ist daher punktuell mit Messfehlern und Messlücken zu rechnen. Für die Korrektheit der Daten wird keine Haftung übernommen. Quellenangabe:Quelle im Rohdatenformat: [Bis 13.11.2024 21 Uhr](https://opendata.smartandpublic.eu/datasets/d1f68fc3-c76d-4147-b01e-dfe490ab6331?locale=en#iss=https%3A%2F%2Fidp.smartcityhub.smartandpublic.eu%2Frealms%2Fsmartcityhub), [ab 13.11.2024 22 Uhr](https://opendata.smartandpublic.eu/datasets/5dc3648a-66fd-4310-accf-7256db111d5c?locale=en#iss=https%3A%2F%2Fidp.smartcityhub.smartandpublic.eu%2Frealms%2Fsmartcityhub)Autor(en): Projekt Klimaerlebnis Würzburg (2018-2022), Stadt Würzburg (2023-jetzt)Hinweis: Es gelten keine zusätzlichen Bedingungen.Für weiterführende Informationen, lesen Sie die aus dem Projekt "Klimaerlebnis Würzburg" hervorgegangenen Paper:Hartmann, Christian, et al. "The footprint of heat waves and dry spells in the urban climate of Würzburg, Germany, deduced from a continuous measurement campaign during the anomalously warm years 2018–2020; The footprint of heat waves and dry spells in the urban climate of Würzburg, Germany, deduced from a continuous measurement campaign during the anomalously warm years 2018–2020." Meteorologische Zeitschrift 32.1 (2023): 49-65.Rahman, M.A., Franceschi, E., Pattnaik, N. et al. Spatial and temporal changes of outdoor thermal stress: influence of urban land cover types. Sci Rep 12, 671 (2022). [https://doi.org/10.1038/s41598-021-04669-8](https://doi.org/10.1038/s41598-021-04669-8)Rahman, Mohammad A., et al. "Tree cooling effects and human thermal comfort under contrasting species and sites." Agricultural and Forest Meteorology 287 (2020): 107947.Rötzer, T., et al. "Urban tree growth and ecosystem services under extreme drought." Agricultural and Forest Meteorology 308 (2021): 108532.Bildquelle und mehr Informationen zu den Messstationen: [Webarchiv: Klimaerlebnis Würzburg](https://webarchiv.it.ls.tum.de/klimaerlebnis.wzw.tum.de/das-projekt/index.html)

Oxygen consumption rate, organic carbon and grain size data for intertidal sediments and oxygen concentration of pore waters data of Spiekeroog Island North Beach, May 2022 to April 2023

The permeable sandy sediments of beach aquifers receive a high input of electron acceptors, such as oxygen (O2), as well as fresh organic matter through seawater infiltration, driving the biogeochemical turnover in the subterranean estuary. Here, we experimentally determined seasonal sedimentary O2 consumption rates of intertidal sediments along a transect in the seawater infiltration zone at Spiekeroog Island North Beach, Germany, and present the data together with measurements of organic carbon and grain sizes, oxygen concentration of pore waters and beach topography. The samples were taken down to 1 m depth during two-monthly sampling campaigns from May 2022 to April 2023. Preliminary investigations of O2 consumption rates took place in in March, June and August 2017. Sediment and porewater sampling procedures were carried out as described by Massmann et al. (2023). O2 consumption rates were determined in slurry incubations of the retrieved sediments using gas tight vials (Labco Exetainer® 12 ml) equipped with O2 sensor spots (Pyroscience, OXSP5). Incubations were carried out in the dark at in situ temperatures, and vials were mounted on a rotating wheel to mimic porewater advection. The sediment's total organic carbon content was determined in a CS analyser (Eltra CS 800). Additionally, the fine fraction of the sediment was washed out and the organic carbon content of the fine sediments was measured in a CHNSO analyser (Hekatech Euro EA). The grain size distribution of the sediments was detemined using dynamic image analysis (Sympatec QICPIC). The O2 concentration in the pore water along the transect was measured immediately after the sample was taken using a flow-through oxygen optode (Pyroscience, OXFTC). The data was collected to investigate the impact of seasonal inputs and filtration efficiency on the O2 consumption during seawater infiltration into the permeable sands of beach aquifers.

1 2 3 4 5 … 1677 1678 1679