Der rasche Ausbau der erneuerbaren Energiequellen stellt eine große Herausforderung dar, wenn es darum geht, die Energieentwicklung mit konkurrierenden Interessen in Einklang zu bringen. Dies unterstreicht die Notwendigkeit präziser raumbezogener Daten, um eine effektive Bilanzierung, Steuerung oder Bewertung der Einhaltung gesetzlicher Vorgaben zu ermöglichen. In Deutschland stellt das vom Bundesnetzagentur betriebene Marktstammdatenregister (MaStR) eine weit verbreitete Datenquelle für standort- und anlagenspezifische Informationen dar. Der vorliegende Datensatz baut auf dem Marktstammdatenregister auf und verbessert dessen räumliche Genauigkeit für Onshore-Windkraftanlagen durch die Nutzung hochauflösender Fernerkundungsdaten und Deep Learning gestützter Objekterkennung. Der Datensatz besteht aus Punktgeometrien von Windenergieanlagen an Land in Deutschland. Die Windkraftanlagen wurden mithilfe des Objekterkennungsalgorithmus YOLO auf hochauflösenden Satellitenbild-Zeitreihen von PlanetScope detektiert. Die Inferenz erfolgte auf monatlichen PlanetScope-Basiskarten (Global Monthly Basemaps) für die Monate April bis Oktober der Jahre 2018 bis 2024, mit insgesamt 45 deutschlandweiten Inferenzdurchläufen. Das Trainingsdatenset basiert auf den von Manske & Schmiedt (2023) am UFZ semi-manuell korrigierten Standortdaten des Marktstammdatenregisters für die Jahre 2021, 2022 und 2023. Dabei wurden Windkraftanlagen standortgleichmäßig ausgewählt, um eine geografisch ausgewogene Trainingsstichprobe zu gewährleisten. Zusätzlich wurden Negativbeispiele in das Trainingsset aufgenommen. Diese wurden sowohl zufällig aus ganz Deutschland ausgewählt (mit Ausschlusszonen um Windkraftstandorte) als auch gezielt aus Objektklassen, die häufig zu Fehlklassifizierungen führen (z. B. Strommasten, Mobilfunktürme), basierend auf Daten aus OpenStreetMap. Der Datensatz wurde in mehreren Iterationen verfeinert: Schlechte anfängliche Labels, die nicht zuverlässig über mehrere Zeitpunkte hinweg vom trainierten Modell erneut erkannt wurden, wurden gefiltert. Zusätzlich wurden Szenen ergänzt, bei denen das Modell Schwierigkeiten hatte. Die monatlichen Detektionen von Windkraftanlagen über Deutschland hinweg wurden zeitlich aggregiert. Hierzu wurden alle Detektionen zusammengeführt, die innerhalb eines bestimmten Puffers über die Zeit hinweg wiederholt erkannt wurden. Die Zeitreihe der Erkennungszeitpunkte wurde als Attribut an die aggregierten Punkte angefügt. Um Detektionsrauschen zu filtern, kann der Datensatz nach einer Mindestanzahl von Erkennungen pro Punkt gefiltert werden. In zukünftigen Arbeiten planen wir, den Datensatz um aktuelle Monate zu erweitern, die Nachbearbeitung zur Eliminierung von Fehlklassifikationen zu verbessern sowie für jede Erkennung eine Verlinkung zur jeweiligen ID im Marktstammdatenregister bereitzustellen.