EnMAP Core Science Team - Monitoring von Ökosystemübergängen
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. Dies 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. Datensynergien mit anderen Sensoren und Datentypen stehen dabei ebenfalls im Fokus der Projektforschung.
Die erste Phase des EnMAP Projekts befasste sich mit der Analyse gradueller Übergänge und Dynamiken von natürlichen Ökosysteme und ihrer Dienstleistungen. Beleuchtet wurden zum einen landwirtschaftlich aufgegebene Regionen im Süden Portugals, die sich durch natürliche Sukzession hinzu vielfältigen Buschökosystemen entwickeln konnten. Zum anderen stand die Analyse vom Nutzungsgradienten des urbanen-ruralen Übergangs Berlins Fokus. Als Grundlage der Analysen dienten simulierte EnMAP-Daten aufgenommen entlang unterschiedlicher räumlicher Gradienten, also auch Zeitreihen aus Landsat Daten. Methodisch stand die Implementierung von räumlich und zeitlich übertragbaren Klassifikations- und Regressionsmodelle des maschinellen Lernens im Fokus.
Mittelgeber
BMBF - HU als Unterauftragnehmerin
Laufzeit
Projektstart: 01/2010
Projektende: 12/2012
Forschungsbereiche
Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie
Forschungsfelder
Biodiversität, Hyperspektrale Fernerkundung, Klassifikations- und Regressionsansätze, Veränderung der Landnutzung/-bedeckung, Zeitreihenanalyse
Publikationen
Leitão, P.J., Schwieder, M., Suess, S., Okujeni, A., Galvão, L., Linden, S., & Hostert, P. (2015). Monitoring Natural Ecosystem and Ecological Gradients: Perspectives with EnMAP. Remote Sensing, 7, 13098-13119.
Leitão, P.J., Schwieder, M., Suess, S., Catry, I., Milton, E.J., Moreira, F., Osborne, P.E., Pinto, M.J., van der Linden, S., & Hostert, P. (2015). Mapping beta diversity from space: Sparse Generalised Dissimilarity Modelling (SGDM) for analysing high-dimensional data. Methods in Ecology and Evolution, 6, 764-771.
Okujeni, A., van der Linden, S., & Hostert, P. (2015). Extending the vegetation–impervious–soil model using simulated EnMAP data and machine learning. Remote Sensing of Environment, 158, 69-80
Okujeni, A., van der Linden, S., Jakimow, B., Rabe, A., Verrelst, J., & Hostert, P. (2014). A Comparison of Advanced Regression Algorithms for Quantifying Urban Land Cover. Remote Sensing, 6, 6324-6346
Okujeni, A., van der Linden, S., Tits, L., Somers, B., & Hostert, P. (2013). Support vector regression and synthetically mixed training data for quantifying urban land cover. Remote Sensing of Environment, 137, 184-197
Schwieder, M., Leitão, P.J., Suess, S., Senf, C., & Hostert, P. (2014). Estimating Fractional Shrub Cover Using Simulated EnMAP Data: A Comparison of Three Machine Learning Regression Techniques. Remote Sensing, 6, 3427-3445.
Suess, S., Linden, S.v.d., Leitão, P.J., Okujeni, A., Waske, B., & Hostert, P. (2014). Import Vector Machines for Quantitative Analysis of Hyperspectral Data. IEEE Geoscience and Remote Sensing Letters, 11, 449-453
Suess, S., van der Linden, S., Okujeni, A., Leitão, P., Schwieder, M., & Hostert, P. (2015). Using Class Probabilities to Map Gradual Transitions in Shrub Vegetation from Simulated EnMAP Data. Remote Sensing, 7, 10668
Suess, S., van der Linden, S., Okujeni, A., Griffiths, P., Leitão, P.J., Schwieder, M., & Hostert, P. (2018). Characterizing 32 years of shrub cover dynamics in southern Portugal using annual Landsat composites and machine learning regression modeling. Remote Sensing of Environment, 219, 353-364
