EnMAP Science Advisory Group - Monitoring von Vegetation in Zeiten des globalen Wandels


EnMAP (Environmental Mapping and Analysis Program) ist eine deutsche hyperspektrale Satellitenmission, die zeitnah und regelmäßig qualitativ hochwertige hyperspektrale Bilddaten liefern wird. Das Hauptziel des Programms besteht in der Ableitung einer breiten Palette an Oberflächenparametern terrestrischer und aquatischer Ökosysteme. Diese Parameter bilden die Grundlage für die Quantifizierung und Modellierung entscheidender Ökosystemprozesse. EnMAP soll somit sowohl zu einem besseren Verständnis des komplexen Systems Erde, als auch zum nachhaltigen Management von lebenswichtigen Ressourcen beitragen. Im Rahmen der wissenschaftlichen Vorbereitung der EnMAP-Mission, liegt der Forschungsschwerpunkt des Earth Observation Labs der Humboldt-Universität zu Berlin auf der Entwicklung von Algorithmen und der Abschätzung des Potentials von EnMAP-Daten zur Analyse der raum-zeitlichen Dynamik (semi-)natürlicher Ökosysteme und ihrer Ökosystemleistungen.
Die dritte Phase des EnMAP Projektes befasst sich mit dem Monitoring unterschiedlicher Naturräume Kaliforniens, USA. Im Mittelpunkt der Analysen stehen die Charakterisierung und Quantifizierung unterschiedlicher Vegetationstypen, Vegetationszuständen, Phänologie und ökosystemarer Störereignisse wie Feuer oder Dürre. Als Grundlage dienen simulierte EnMAP-Daten, welche großflächig und zu multi-saisonalen Zeitpunkten verschiedene Ökoregionen abdecken. Methodisch steht die Implementierung von räumlich und zeitlich generalisierter empirischer Modelle des maschinellen Lernens sowie die Evaluierung von potenziellen Synergien mit Landsat und Sentinel-2 Daten im Fokus. Dieses Projekt folgt den ECST-Phasen I und II mit dem Titel „Natürliche Ökosysteme und Ökosystemübergänge“.

Projektleitung
Hostert, Patrick Prof. Dr. (Details) (Geomatik)

Laufzeit
Projektstart: 01/2017
Projektende: 11/2020

Forschungsbereiche
Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie

Forschungsfelder
Hyperspektrale Fernerkundung, Klassifikations- und Regressionsansätze, Ökosystemstörungen, Vegetationsfernerkundung, Zeitreihenanalyse

Publikationen
Cooper, S., Okujeni, A., Jaenicke, C., Clark, M., van der Linden, S., & Hostert, P. (under review). Disentangling fractional vegetation cover: regression-based unmixing of simulated spaceborne imaging spectroscopy data. Remote Sensing of Environment
Jänicke, C., Okujeni, A., Cooper, S., Clark, M., Hostert, P., & van der Linden, S. (2020). Brightness gradient-corrected hyperspectral image mosaics for fractional vegetation cover mapping in northern California. Remote Sensing Letters, 11, 1-10
Okujeni, A., Canters, F., Cooper, S.D., Degerickx, J., Heiden, U., Hostert, P., Priem, F., Roberts, D.A., Somers, B., & van der Linden, S. (2018). Generalizing machine learning regression models using multi-site spectral libraries for mapping vegetation-impervious-soil fractions across multiple cities. Remote Sensing of Environment, 216, 482-496

Zuletzt aktualisiert 2021-03-06 um 16:25