Filter
  • Zeitbezug (5051)
    -
  • Frequenz (2784)
  • Kategorien
  • Datenanbieter
  • Art des Zugangs
  • Lizenzen

7162 Datensätze

Sensordaten 18.02.2020

Dieser Datensatz enthält die Daten der Smartphone-Sensoren einer Fahrt mit einem PKW im Raum Saarbrücken am 18.02.2020.
Das Smartphone ist ein Google Pixel 3a, welches während der gesamten Fahrt per Halterung an der Windschutzscheibe des Fahrzeugs angebracht war.

mFUND-Projekt: DatEnKoSt, FKZ: 19F2090B

Straßen
Bereitgestellt durch

Cyface GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Mon Feb 17 23:00:00 GMT 2020

Aktualisierungsfrequenz

Niemals

Raumbezug

Städtische Grünflächen und Indikatoren: Dresden

Beschreibung: Der Datensatz enthält alle öffentlich zugänglichen Grünflächen der Stadt Dresden einschließlich einer Attributtabelle mit 38 verschiedenen Indikatoren. Die Grünflächen und Indikatorenwerte sind zentrale Datengrundlage für die Bewertung der Grünflächen nach Kriterien oder der Eignung für bestimmte Aktivitäten mittels der meinGrün-App (app.meingruen.org).

Die Grünflächenpolygone wurden mittels eines automatischen Ansatzes generiert, der in Ludwig et al. (2021) näher beschrieben ist. Die Bildung erfolgt auf Grundlage von Annahmen über physische Barrieren, speziell dem Straßen-, Schienen-, und Wassernetz sowie Grenzen bestimmter benachbarter Landnutzungsklassenkombinationen. Für Dresden erfolgte die Bildung der Grünflächenpolygone durch eine kombinierte Verarbeitung von OpenStreetmap und städtischen Daten, speziell einer Geometrie zu statistischen Blöcken, den Park- und Grünanlagen, Spielplätzen, Friedhöfen, Kleingärten und Wäldern. Indikatoren wurden durch das Leibniz-Institut für ökologische Raumentwicklung, dem Heidelberg Institute for Geoinformation Technology an der Universität Heidelberg und dem Institut für Kartographie der TU Dresden prozessiert. Die für die Berechnung der Indikatoren verwendeten Datengrundlagen und Berechnungsvorschriften sind in der Metadatenbeschreibung dokumentiert.

# Referenzen:
Cakir, S.; Hecht, R.; Krellenberg, K. (2021): Sensitivity analysis in multi-criteria evaluation of the suitability of urban green spaces for recreational activities. In: AGILE GIScience Series, 2, 22 (2021)
https://doi.org/10.5194/agile-giss-2-22-2021

Hecht, R.; Artmann, M.; Brzoska, P. et al. (2021): A web app to generate and disseminate new knowledge on urban green space qualities and their accessibility. ISPRS Annals (accepted)

Krellenberg, K.; Artmann, M.; Stanley, C.; Hecht, R. (2021): What to do in, and what to expect from, urban green spaces – Indicator-based approach to assess cultural ecosystem services. In: Urban Forestry & Urban Greening (2021) 59: 126986
https://doi.org/10.1016/j.ufug.2021.126986

Krellenberg, K.; Hecht, R. (2021): Mit einer mobilen App neues Wissen zum Stadtgrün generieren. In: GIS.business - das Magazin für Geoinformation (2021) 3/2021, S.41-43
https://doi.org/10.21241/ssoar.73701

Ludwig, C.; Hecht, R.; Lautenbach, S.; Schorcht, M.; Zipf, A. (2021): Mapping Public Urban Green Spaces Based on OpenStreetMap and Sentinel-2 Imagery Using Belief Functions. In: ISPRS International Journal of Geo-Information 10 (2021) 4, S.251
https://doi.org/10.3390/ijgi10040251

mFUND-Projekt: meinGrün, FKZ: 19F2073A

Infrastruktur
Bereitgestellt durch

Leibniz-Institut für ökologische Raumentwicklung e. V. (IÖR)

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Wed Dec 31 23:00:00 GMT 2014 — Wed Dec 30 23:00:00 GMT 2020

Aktualisierungsfrequenz

Unregelmäßig

Raumbezug

Stadt München, P+R-Parkplatz Lochhausen Nord: Stellplatzbelegung

Diese API umfasst statische und dynamische Daten zu 10 Stellplätzen auf dem Park-and-Ride-Parkplatz Lochhausen Nord, Lochhausener Str. 215, 81249 München. Diese unmittelbar benachbarten Stellplätze sind jeweils mit einem druckempfindlichen Belegungssensor der ParkHere GmbH ausgestattet. Als dynamische Daten sind die aktuellen Belegungszustände von jedem Stellplatz in Echtzeit angegeben. Als statische Daten sind u.a. die geografischen Koordinaten von jedem Stellplatz angegeben.

Erläuterung zu den Daten:
id...ID des Stellplatzes (spot)
longitude...geografische Länge zur Stellplatzposition (in Grad, östliche Länge)
latitude...geografische Breite zur Stellplatzposition (in Grad, nördliche Breite)
timestamp...Erfassungszeitpunkt bzw. Beginn des aktuellen Zustands (Datum und Uhrzeit)
state...aktueller Belegungszustand des Stellplatzes (0=frei, 1=belegt)

Anmerkung:
Korrektur aller Stellplatz-Koordinaten am 27.08.2021 wegen ursprünglich ungenauer Messdaten. Die neuen Koordinaten wurden auf Basis eines aktuellen Luftbilds in JOSM (Open Street Map) ermittelt und eingezeichnet. Die neuen Kartendaten (Stellplätze mit Umrandung) wurden auch auf den Open Street Map-Server hochgeladen.

mFUND-Projekt: PAMIR, FKZ: 19F2061A

Straßen
Infrastruktur
Bereitgestellt durch

ifak e.V.

Art des Datenzugangs

API

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Wed Dec 18 23:00:00 GMT 2019 —

Aktualisierungsfrequenz

Kontinuierlich

Raumbezug

Standardleistungskatalog für den Wasserbau (STLK-W), Zusätzliche Technische Vertragsbedingungen Wasserbau (ZTV-W)


Der STLK-W und die ZTV-W werden durch die Arbeitsgruppe Standardleistungsbeschreibungen im Wasserbau erstellt. Der vom Bundesministerium für Verkehr und digitale Infrastruktur (BMVI) herausgegebene Standardleistungskatalog (STLK) für den Wasserbau vereinheitlicht die zur Beschreibung von Bauleistungen im Wasserbau verwendeten Leistungstexte. Er baut auf der Verdingungsordnung für Bauleistungen (VOB) sowie auf den für den Tiefbau eingeführten bundeseinheitlichen Technischen Regelwerken, insbesondere auf den Zusätzlichen Technischen Vertragsbedingungen (ZTV), auf.

Die ZTV ergänzen entsprechend § 8a (EU) Nr. (3) VOB/A die Allgemeinen Technischen Vertragsbedingungen für Bauleistungen (ATV) (VOB Teil C).

Wasserstraßen und Gewässer
Bereitgestellt durch

Bundesanstalt für Wasserbau (BAW)

Art des Datenzugangs

Dateidownload / Portal

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Raumbezug

Störfallprognose im Strassengüterverkehr

Im Projekt SLIDE wurden Daten von LKW-Touren (Plan‐ und Ist‐Daten) mit weiteren relevanten Daten aus externen Portalen, wie bspw. Baustelleninformationen, Verkehrsauslastung, TMC‐Meldungen oder Wettervorhersagen, kombiniert. Die veredelten Daten wurden anschließend bzgl. eingetretener Störfälle und deren Ursachen analysiert. Aufbauend auf der Datenanalyse wurden verschiedene Störfallmodelle berechnet. Die Modelle ermöglichen die Vorhersage von Störfällen für LKW-Touren in Abhängigkeit bestimmter Tour-Merkmale.

mFUND-Projekt: SLIDE, FKZ: VB18F1049A

Straßen
Bereitgestellt durch

Digital System Integration UG

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Aktualisierungsfrequenz

Niemals

Raumbezug

Straßenzustands-Quantile Stadt Kempten

Der Datensatz enthält Schädigungswerte, welche den Straßenzustand der Stadt Kempten beschreiben. Erfasst wurden Straßenabschnitte, welche durch den Linienbusverkehr befahren werden. Die Erfassung erfolgte anhand hochfrequenter Beschleunigungswerte über 3 Monate im Jahre 2021. Die Länge der Auswerteabschnitte beträgt 100m. Diese Beschleunigungswerte wurden mittels eines Bewertungsalgorithmus in Schädigungswerte überführt und abschließend anhand festgelegter Quantile klassiert.

Quantile:
VeryLowLoad 0.000000
LowLoad 0.030000
Load 0.300000
HeavyLoad 10000000000.000000
ExtremeLoad 100000000000.000000

Die Erfassung erfolgte an der Fahrzeugachse ("extern") und im Fahrzeuginnenraum ("intern"). Als alternative Erhebungsmethode zu hochpreisiger Hardware ("Logger") erfolgten zudem Aufzeichnungen durch Smartphone-Beschleunigungssensoren ("mobile"), deren Korrelation anhand der exemplarischen Rohdaten ("raw") nachvollzogen werden kann.

mFUND-Projekt: ERST, FKZ: 19F2169A

Straßen
Bereitgestellt durch

Hochschule Kempten

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Sat Jul 31 22:00:00 GMT 2021 — Sat Oct 30 22:00:00 GMT 2021

Aktualisierungsfrequenz

Niemals

Raumbezug

Traffic Signs: Berlin, 2020

1. Einführung
Die Hauptidee des Projekts ist die Gewinnung von Verkehrszeichenstandorten durch die Analyse von Videos mit einer Kombination aus künstlicher Intelligenz und Bilderkennungsmethoden. Zu jeder Videodatei gehört auch eine Geolokalisierungsdatei, die den gleichen Namen wie die Videodatei trägt und Breiten- und Längengrad sowie Zeitstempelattribute vom Anfang des Videos an enthält. Insgesamt werden 3350 Videos mit einer Gesamtreichweite von 1040 km im Bereich des Berliner S-Bahn-Rings verwendet. Die Ergebnisdatei enthält Längen- und Breitengrad (WGS84, EPSG:4326) der Verkehrszeichenstandorte und deren Typen in 43 Kategorien.

2. Datensätze
Um AI-Netzwerke zu trainieren, werden zwei öffentlich zugängliche Datensätze verwendet: für die Verkehrszeichenerkennung werden “German Traffic Sign Detection Benchmark Dataset[1]” und für die Verkehrszeichenklassifizierung “German Traffic Sign Recognition Benchmark Dataset[1]“. Weitere Informationen finden Sie hier: Detection Dataset, Classification Dataset

3. Methodik und Modelle
Für die Analyse von Videos wird das TensorFlow[2] Framework genutzt. Ein Objektdetektions[3]-Modell für die Verkehrszeichenerkennung wird mit der Transferlernmethode[4] trainiert. Um die Genauigkeit der Verkehrszeichenklassifizierung zu verbessern, wird ein benutzerdefiniertes Bildklassifizierungs[5]-Modell zur Kategorisierung von Verkehrszeichentypen trainiert. Die Ausgabe des Verkehrszeichenerkennungsmodells wird als Eingabe des Verkehrszeichen-Klassifikationsmodells verwendet.

4. Quelle
[1] Houben, S., Stallkamp, J., Salmen, J., Schlipsing, M. and Igel, C. (2013). “Detection of traffic signs in real-world images: the german traffic sign detection benchmark”, in Proceedings of the International Joint Conference on Neural Networks.10.1109/IJCNN.2013.6706807

[2] Martín A., Paul B., Jianmin C., Zhifeng C., Andy D., Jeffrey D., .... Xiaoqiang Zheng. (2016). “TensorFlow: a system for large-scale machine learning”, in Proceedings of the 12th USENIX conference on Operating Systems Design and Implementation(OSDI'16). USENIX Association, USA, 265–283

[3] Girshick, R., Donahue, J., Darrell, T., Malik, J. (2014). “Rich feature hierarchies for accurate object detection and semantic segmentation”, 2014 IEEE Conference on Computer Vision and Pattern Recognition. doi:10.1109/cvpr.2014.81

[4] Tan, C., Sun, F., Kong, T., Zhang, W., Yang, C. and Liu, C. (2018) “A survey on deep transfer learning”, Lecture Notes in Computer Science (including subseries Lecture Notes in Artificial Intelligence and Lecture Notes in Bioinformatics), 11141 LNCS, pp. 270–279. doi: 10.1007/978-3-030-01424-7_27.

[5] Sultana, F., Sufian, A. and Dutta, P. (2018). “Advancements in image classification using convolutional neural network”, in Proceedings - 2018 4th IEEE International Conference on Research in Computational Intelligence and Communication Networks, ICRCICN 2018, pp. 122–129. doi: 10.1109/ICRCICN.2018.8718718.

mFUND-Projekt: Mobile Mapping

Straßen
Bereitgestellt durch

AIPARK GmbH

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Sat Feb 29 23:00:00 GMT 2020 — Wed Sep 30 22:00:00 GMT 2020

Aktualisierungsfrequenz

Niemals

Raumbezug

TraVis - TransportmengenVisualisierung

Die Netzumlegung auf die Wasserstraßen der Verkehrsprognose ist Bestandteil des Bundesverkehrswegeplans (BVWP) 2030 und die Grundlage für die Planung von Neubau- und Ersatzinvestitionen im Bundeswasserstraßennetz.

Bei der Netzumlegung Wasserstraßen werden die Gütermengen der Binnen- und Seeschifffahrt und die Flottenstrukturen der Binnenschifffahrt für die einzelnen Strecken des Wasserstraßennetzes für das Analysejahr 2010 und das Prognosejahr 2030 ermittelt.

Die Umlegungsergebnisse früherer Verkehrsverflechtungsprognosen auf die deutschen Binnen- und Seeschifffahrtsstraßen wurden bisher in der Windows-Anwendung PlanGIS (Plancos Geographisches Informationssystem) bereitgestellt. TraVis (Transportmengenvisualisierung) ist die Nachfolgeanwendung von PlanGIS und ist für alle Nutzer frei zugänglich. Zudem erlaubt es dem Nutzer durch standardisierte Schnittstellen die bereitgestellten Daten in andere Anwendungen zu integrieren.

Wasserstraßen und Gewässer
Bereitgestellt durch

Bundesanstalt für Wasserbau (BAW)

Art des Datenzugangs

Dateidownload / Portal

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Raumbezug

Unfälle und schwere Störungen in der Zivilluftfahrt in Deutschland

Unfälle und schwere Störungen in der Zivilluftfahrt in Deutschland seit 1999
in der gewerblichen Luftfahrt (Tabelle A), bis Ende 2010 (A1) und ab 2011 (A2)
und der allgemeinen Luftfahrt (Tabelle B), bis Ende 2010 (B1) und ab 2011 (B2).

Luft- und Raumfahrt
Bereitgestellt durch

Bundesstelle für Flugunfalluntersuchung BFU

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Thu Dec 31 23:00:00 GMT 1998 —

Aktualisierungsfrequenz

Monatlich

Raumbezug

Unternehmensstatistik

Zur Beurteilung der Struktur und der Entwicklung des Güterkraftverkehrs führt das Bundesamt für Logistik und Mobilität (BALM) bei Unternehmen, die Güterkraftverkehr betreiben, repräsentative Erhebungen von Angaben zu diesen Unternehmen durch. Sie dienen dem Ziel, Entwicklungen auf dem Verkehrs- und Logistikmarkt frühzeitig zu erkennen und sollen unter anderem dazu beitragen, die Funktionsfähigkeit des überwiegend mittelständig geprägten Verkehrsgewerbes zu erhalten. Die Erhebung zur „Struktur der Unternehmen des gewerblichen Güterkraftverkehrs und des Werkverkehrs“ erfolgt auf Grundlage des Verkehrsstatistikgesetzes (VerkStatG). Die Erhebung erstreckt sich auf alle Unternehmen mit Hauptsitz in Deutschland, die für den Güterkraftverkehr Lastkraftfahrzeuge einschließlich Anhänger mit mehr als 3,5 Tonnen zulässigem Gesamtgewicht einsetzen. Sie erstreckt sich auf eine repräsentative Auswahl von höchstens 10% der Unternehmen, die Güterkraftverkehr als Haupt-, Neben- oder Hilfstätigkeit ausüben. Im Rahmen der Erhebung werden von den ausgewählten Unternehmen Angaben zu den wirtschaftliche Tätigkeiten, Zahl der Fahrzeuge zur Güterbeförderung nach Fahrzeug- und Aufbauarten und zur Struktur der Beschäftigten erfragt und differenziert nach unterschiedlichen Kriterien dargestellt.

Straßen
Bereitgestellt durch

Bundesamt für Logistik und Mobilität BALM

Art des Datenzugangs

Dateidownload

Aktualität der Datensatzbeschreibung

Mon Mar 06 11:04:53 GMT 2023

Zeitbezug der Daten

Mon Oct 29 23:00:00 GMT 2001 —

Aktualisierungsfrequenz

Kontinuierlich

Raumbezug

4381 - 4390 von 7162 Datensätzen

Ergebnisse als CSV oder RDF/XML