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.
Marines Mikroplastik (MMP) ist eine zunehmende anthropogene Verschmutzung in den Meeren. Der Einfluss auf marine Tiere, durch Verfangen und verschlucken von Plastikmüll, ist bekannt. Aber der Einfluss von MMP auf Mikroorganismen, wie Bakterien, Archaeen und Protisten, die die Basis der Nahrungsnetze bilden, ist kaum verstanden. Auf Grund der besonderen Eigenschaften von MMP, kann es als neues Habitat und als Transportmittel für bestimmte u.a. auch gesundheitsgefährdende Mikroorganismen dienen, die über lange Distanzen bis in entlegene Regionen transportiert werden können. Darüber hinaus kann MMP das Zusammenleben von Mikroorganismen in enger Nachbarschaft ermöglichen und die Stoffwechselwege vieler verschiedener Verbindungen beeinflussen. Um den Einfluss von MMP und ihrer assoziierten Mikroorgansimen auf marine Ökosysteme zu verstehen, müssen wir die Zusammensetzung und Interaktionen von mikrobiellen Gemeinschaften auf MMP identifizieren und ihre globale Ausbreitung untersuchen. Ich möchte die Diversität und die räumliche Verteilung von mikrobiellen Gemeinschaften auf MMP charakterisieren. Proben von MMP wurde bereits von meinem Gastinstitut in verschiedenen Meeresregionen (Atlantik, Pazifik, Indischer Ozean) gesammelt. Mein Ziel ist es: 1) zu identifizieren, welche Mikroorganismen auf MMP vorkommen; 2) die lokale Verteilung und Struktur der mikrobiellen Gemeinschaft auf MMP und in Experimenten auf Bioplastikpartikeln zu untersuchen; 3) zu verstehen, welche Mikroorganismen am stärksten mit der Polymer Oberfläche assoziiert sind; 4) herauszufinden, ob es charakteristische Mikrobiome auf MMP in verschiedenen Meeresregionen gibt und 5) zu untersuchen, welche Mikroorganismen MMP abbauen können. Die Chancen für die erfolgreiche Durchführung des vorgeschlagenen Projekts ist hoch, da präperierte Proben bereits in meinem Gastlabor vorhanden sind, an denen die innovative Mikroskopiertechnik namens CLASIFISH (Combinatorial Labelling and Spectral Imaging Fluorescence In Situ Hybridization) angewandt werden kann. Diese Methode ermöglicht es viele verschiedene Mikroorganismen und ihre räumliche Verteilung auf einem Plastikpartikel schnell und präzise zu identifizieren. Ich möchte diese Methode an Proben aus dem Atlantik und Pazifik anwenden, sowie Mikroben identifizieren, die im offenen Ozean Plastik abbauen. Zusätzlich möchte ich Inkubationsexperimente mit Bakterienkulturen, die bereits auf Plastik identifiziert wurden und in meinem Gastinstitut zur Verfügung stehen, auf Bioplastikpartikeln durchführen. Mit diesen Experimenten möchte ich herausfinden, wie sich mikrobielle Gemeinschaften auf Bioplastik über die Zeit entwickeln und ob bzw. wie diese Mikroben Plastik abbauen. Für diese Inkubationsexperimente möchte ich FISH, CLASIFISH, scanning electron microscopy sowie metagenomische und metatranscriptomische Ansätze verwenden.
Das Projekt BE-Cult wird sich mit der Biodiversität von nitratammonifizierenden (syn. Dissimilatorischen Nitrat-zu-Ammoniumreduzierenden, DNRA) Bakterien in Böden von wenig und intensiv genutzten Grünländern der Biodiversitätsexploratorien (BEs) an allen Grünland-VIPs (very intensively studied plots) beschäftigen. Die Funktion Stickstoff (N) durch DNRA-Bakterien im Boden zu halten, wurde lange Zeit nur wenig wahrgenommen und die quantitative Rolle bei der Lachgas-Freisetzung aus Böden nicht untersucht. Aus diesem Grund gibt es umfassende Informationen zur Biodiversität und Ökophysiologie von denitrifizierenden aber nicht zu DNRA-Boden- Mikroorganismen. Die Konsequenz dieser historischen Entwicklung ist, dass heute wenig über die Ökophysiologie und Bedeutung der DNRA Bakterien im N-Kreislauf terrestrischer Ökosysteme bekannt ist. Im Gegensatz zu den DNRA-Bakterien, bilden Dentrifikanten N-haltige Gase als Endprodukt ihres Stoffwechsels, die substantiell zum N-Verlust in Böden beitragen. Dahingegen reduzieren DNRA Bakterien Nitrat hauptsächlich zu Ammonium, das im Boden verbleibt und als wichtiger Pflanzennährstoff dient. Beide Bakteriengrupppen bilden das potente Treibhausgas Lachgas und tragen damit zur globalen Erwärmung bei. Das Hauptanliegen des Projektes BE-Cult ist es den Einfluss der Landnutzungsintensität auf diese wichtigen Mikroorganismen im N-Kreislauf von Böden zu untersuchen. In einem Hochdurchsatz-Kultivierungs-Ansatz (einschl. MALDI TOF MS für eine schnelle Stammidentifikation und verschiedene Tests zur physiologischen Charakterisierung des Nitrat- Stoffwechsels) werden über 10.000 Reinkulturen charakterisiert und entsprechend ihrer Phylogenie und Nitrat-Physiologie gruppiert. Aus dieser Stammsammlung werden 100 Isolate genom-sequenziert. Basierend auf den genomischen Informationen werden PCR-Primer funktioneller Genmarker entwickelt und verbessert um dann die funktionellen Genmarker in DNA-Extrakten der Grünland-VIPs zu quantifizieren. Zusammen mit Partnern in den BEs wird die relative Bedeutung der DNRA-Bakterien (insbesondere ihrer relativen Aktivität im Vergleich zu Denitrifikanten) in Meta-Transkriptom Datensätzen evaluiert. Letztendlich werden die so gewonnen Daten in multivariaten Analysen bestehend aus funktionellen Genmarker-Abundanzen, physiologischen 'traits' und auch abiotischen wie biotischen Parametern verwendet um die Verteilungsmuster von DNRA Bakterien in Böden zu erklären und ihre ökologischen Nischen besser definieren zu können.
Ruminants play an important role as assets and sources of high quality food and income for rural populations in the developing world. Ruminant productivity is usually low due to inadequate nutrition (i.e. protein deficiency). Promising forage species, mainly legumes, have been identified to overcome these limitations. Many of these legume species contain tannins that could be either advantageous or disadvantageous in terms of feed efficiency and metabolizable protein supply to the animal. The overall aim of this project is to develop efficient feeding systems based on tanniniferous shrub and tree legumes in order to improve livestock productivity and to alleviate poverty of smallholders in the tropics. This will by achieved through (i) studying the effect of plant nutritional status on the accumulation of condensed tannins in legumes, and the influence of these tannins in ruminant nutrition and the nitrogen fertilizer value of animal excreta for plants, and (ii) designing optimal feeding strategies based on the use of tropical forage legumes with different tannin content to overcome the limitations of ruminant diets in protein supply. Finally, the results will be assessed by an ex-ante economic analysis at farm level and at ecoregional levels. The outcomes of this work will provide the necessary background information for better feeding practices based on tanniniferous legumes. The project is part of the Research Priority Area on 'Livestock Systems Research in Support of Poor People of the Swiss Centre for International Agriculture.
Unser Wissen zur Ökologie und Bedeutung von Mikroorganismen in Böden ist umfassend. Dies gilt im Gegensatz dazu nicht für die Ökologie der Viren. Erkenntnisse dazu hinken dem Kenntnisstand aus aquatischen Lebensräumen weit hinterher. Böden beherbergen eine große Anzahl an Viren und das Viren - Wirt Verhältnis liegt meist deutlich über jenem in aquatischen Systemen. Unterschiede in den Virenpopulationen können teilweise auf unterschiedliche Bodencharakteristika (pH, Wassergehalt, Anteil an organischem Material) erklärt werden. Dies lässt den Schluss zu, dass Unterschiede in der Landnutzung entsprechend die Virenabundanz als auch Viren - Wirt Interaktionen beeinflussen. In Böden tragen bis zu 68% aller Bakterien induzierbare Prophagen, ein Hinweis darauf, dass die Heterogenität im Boden und die ungleiche Verteilung der Mikroorganismen eine lysogene Vermehrung von Viren selektiert. Dies hat zur Folge, dass der Austausch von genetischer Information zwischen Virus und Wirt vorwiegend durch Transduktion stattfindet. Bis dato analysierte Virenmetagenome aus dem Boden bestanden bis zu 50% aus transduzierten Genen prokaryotischen Ursprungs. Obwohl davon ausgegangen werden kann, dass Viren im Boden, wie für aquatische Lebensräume gezeigt, einen signifikanten Einfluss auf die räumliche und zeitliche Dynamik ihrer Wirte (Killing the Winner Hypothese) und deren kontinuierliche Anpassung (Red Queen Hypothese), wichtige Ökosystemfunktionen und biogeochemische Prozesse haben, kennen wir die Art und Häufigkeit der Interaktionen nicht und empirische Daten fehlen. Wir postulieren, dass Transduktion eine wichtige Rolle für die Resilienz von Böden unter intensiver Landnutzung spielt, da in diesen Böden i) die mikrobielle Diversität vergleichsweise niedrig ist, was zu einer erhöhten Sensitivität gegenüber Veränderungen in den Umweltbedingungen führt. Andererseits, ii) hat die durch Düngung erhöhte spezifische Aktivität von Mikroorganismen eine erhöhte Transduktionsrate zur Folge, da Viren für ihre Vervielfältigung auf metabolisch aktive Wirte angewiesen sind. Um unsere Hypothese zu überprüfen, werden wir an 150 Standorten der Biodiversitäts-Exploratorien und im Detail an einer Auswahl an Grünlandstandorten mit unterschiedlicher Intensität der Bewirtschaftung Untersuchungen durchführen. Analysiert wird die Beziehung zwischen Virenabundanzen und VBRs mit der Bewirtschaftung, der Vegetationsperiode und den vorherrschenden Umweltbedingungen. Zusätzlich untersuchen wir mit Hilfe moderner molekularer Methoden die Zusammensetzung der Virengemeinschaften und ihre Diversität, sowie viren-assoziierte Funktionen prokaryotischen Ursprungs. Experimente zu Virus-Wirt Interaktionen und die Analyse von CRISPR like structures in den prokaryotischen Wirten werden Erkenntnisse zu der Ökologie bakterieller Gemeinschaften liefern. Nicht zuletzt werden wir Viren von abundanten Bodenbakterien (z.B. Pseudomonaden) für vergleichende Genomanalysen und Kreuzinfektionsversuche isolieren.
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.
Pflanzenmanagement- und Agrarsysteme erlangen international eine steigende Bedeutung. In der vorliegenden Studie werden Pappeln und Weiden mit einheimischen Pflanzenspezies kombiniert, um Agrarsysteme weiter zu verbessern. Zwei in landwirtschaftlichen Systemen relevante Schadstoffe (Cadmium und Stickstoff) wurden ausgewählt, um die Pflanzen bezüglich Phytoremediation und Effizienz von Schadstoffanreicherung in Pflanzenteilen zu untersuchen. Pflanzen-Mikroben-Interaktionen spielen eine Hauptrolle in Agrarsystemen, weshalb mikrobielle Veränderungen in der Rhizosphäre durch Schadstoffeintrag in Böden einen wichtigen Schwerpunkt darstellen. Um solche Veränderungen in einer pflanzenspezifischen, mikrobiellen Gemeinschaft zu detektieren werden Phospholipidfettsäuren (PLFA) im Boden bestimmt, da diese in allen lebenden Zellen vorkommen und nach Zelltod rasch abgebaut werden. Die erzielten Ergebnisse werden mit DNA-basierten Methoden zur Bestimmung mikrobieller Gemeinschaften verglichen. Weiterhin soll die Analytik von Terpenen, Flavonoiden und Fettsäuren im Pflanzenmaterial Auskunft über pysiologische Veränderungen von Pflanzen geben, welche durch die verschiedenen Schadstoffe ausgelöst werden. Ein 13CO2 Puls, welcher vor der Ernte appliziert wird, ermöglicht eine genaue Untersuchung, wie Pflanzenstoffwechsel und Kohlenstofftranslokation in die Rhizosphäre durch Schadstoffe verändert werden. In diesem Zusammenhang wird die Stabilisotopenanalytik von PLFA und DNA verglichen, sowie weitere 13C-Analysen des Pflanzenmaterials durchgeführt. Um den Schwerpunkt von Pflanzenmanagement Systemen zu vertiefen werden weitere Analysen von Pflanzenteilen (Wurzeln, Stamm, Blätter, Früchte, Samen) bezüglich Cadmium und Stickstoff durchgeführt. Massiv kontaminiertes Pflanzenmaterial kann für die Biogasproduktion verbrannt und anschließend zum Recycling kompostiert werden. Pflanzenteile mit hohem Stickstoffgehalt und fehlender Akkumulation von Cadmium kann als Tierfutter in Wintermonaten verwendet werden; eine Verwendung für kommerzielle Produkte ist ebenfalls denkbar und soll im Rahmen des Forschungsantrags untersucht werden.
| Organisation | Count |
|---|---|
| Bund | 1750 |
| Europa | 6 |
| Kommune | 4 |
| Land | 56 |
| Weitere | 1 |
| Wirtschaft | 6 |
| Wissenschaft | 1306 |
| Zivilgesellschaft | 29 |
| Type | Count |
|---|---|
| Daten und Messstellen | 228 |
| Ereignis | 1 |
| Förderprogramm | 1731 |
| Taxon | 1 |
| Text | 3 |
| unbekannt | 17 |
| License | Count |
|---|---|
| Geschlossen | 20 |
| Offen | 1960 |
| Language | Count |
|---|---|
| Deutsch | 1593 |
| Englisch | 561 |
| Resource type | Count |
|---|---|
| Archiv | 8 |
| Bild | 1 |
| Datei | 219 |
| Dokument | 24 |
| Keine | 1206 |
| Unbekannt | 1 |
| Webseite | 541 |
| Topic | Count |
|---|---|
| Boden | 1137 |
| Lebewesen und Lebensräume | 1980 |
| Luft | 1101 |
| Mensch und Umwelt | 1974 |
| Wasser | 971 |
| Weitere | 1958 |