Forschungsschwerpunkte
- Maschinelle Lernverfahren für räumliche Daten
- Optische Fernerkundung
- Umweltmonitoring
- Raum-zeitliche Modellierung
Weitere Zugehörigkeit an der Universität Münster
Vita
Akademische Ausbildung
- Doktorandin an der Philipps Universität Marburg
- M.Sc. "Environmental Geography - Systems, Processes and Interactions" an der Philipps-Universität Marburg
- B.Sc. Geographie an der Philipps-Universität Marburg
Beruflicher Werdegang
- Professorin für Fernerkundung und Räumliche Modellierung, Institut für Landschaftsökologie, WWU Münster
- Juniorprofessorin für Remote Sensing and Image Interpretation, Institut für Geoinformatik, WWU Münster
- Wissenschaftliche Mitarbeiterin in der AG Umweltinformatik, Philipps- Universität Marburg
- Gastwissenschaftlerin an der University of Canterbury, Neuseeland
-
Lehre
Vorlesung
- Vorlesung: V Fernerkundung und räumliche Modellierung der Umwelt [148686]
[ - | | wöchentlich | Mo. | StudLab GEO1 130 | Prof. Dr. Hanna Meyer]
Seminar
- Seminar: S Aktuelle Themen der Umweltfernerkundung [148688]
[ - | | wöchentlich | Di. | GEO1 401 | Prof. Dr. Hanna Meyer]
Praktikum
- Praktikum: Ü Fernerkundung und maschinelle Lernverfahren zur flächendeckenden Landschaftserfassung [148687]
[ - | | wöchentlich | Fr. | StudLab GEO1 130 | Prof. Dr. Hanna Meyer]
Ãœbung
- Übung: Ü Räumliche Datenanalyse mit R [148685]
(zusammen mit Dr. Marvin Ludwig)
[n. V. | Dr. Marvin Ludwig]
Kolloquium
- Kolloquium: Graduiertenkolloquium I / II [148684]
(zusammen mit Prof. Dr. Sascha Buchholz)
[ - | Prof. Dr. Sascha Buchholz]
Sonstige Lehrveranstaltung
- Projektveranstaltung: P Fernerkundliche Erfassung von Ökosystemen [148683]
[n. V. | Prof. Dr. Hanna Meyer]
Vorlesung
- Vorlesung: Einführung in die Fernerkundungsmethoden in den Geowissenschaften - Vorlesung [146713]
(zusammen mit Dr. Torsten Prinz)
[ - | | wöchentlich | Di. | GEO1 Hörsaal | Prof. Dr. Hanna Meyer]
Ãœbungen
- Praktische Übung: P Fernerkundliche Analyse von Umweltveränderungen in Raum und Zeit [146738]
(zusammen mit Lilian-Maite Lezama Valdes)
[ - | | wöchentlich | Di. | StudLab GEO1 130 | Lilian-Maite Lezama Valdes] - Übung: Ü Fernerkundungsmethoden in der Landschaftsökologie A [146714]
(zusammen mit Maiken Baumberger)
[ - | | wöchentlich | Mo. | StudLab GEO1 130 | Maiken Baumberger]
Exkursion
- Exkursion: Exk. Fernerkundliches Monitoring im Nationalpark Harz [146756]
Kolloquium
- Kolloquium: Graduiertenkolloquium I [146728]
(zusammen mit Prof. Dr. Sascha Buchholz)
[ - | GEO1 Hörsaal | Prof. Dr. Sascha Buchholz]
Vorlesung
- Vorlesung: V Fernerkundung und räumliche Modellierung der Umwelt [144721]
Seminar
- Seminar: S Aktuelle Themen der Umweltfernerkundung [144723]
Praktikum
- Praktikum: Ü Fernerkundung und maschinelle Lernverfahren zur flächendeckenden Landschaftserfassung [144722]
Ãœbung
- Übung: Ü Räumliche Datenanalyse mit R [144704]
(zusammen mit Dr. Marvin Ludwig)
Kolloquium
- Kolloquium: Graduiertenkolloquium I / II [144700]
(zusammen mit Prof. Dr. Sascha Buchholz)
Sonstige Lehrveranstaltung
- Projektveranstaltung: P Fernerkundliche Erfassung von Ökosystemen [144697]
Vorlesung
- Vorlesung: Einführung in die Fernerkundungsmethoden in den Geowissenschaften - Vorlesung [142955]
(zusammen mit Dr. Torsten Prinz)
Seminare
- Seminar: S Mensch-Umwelt-Beziehung B [142719]
- Seminar: S Remote Sensing and Spatial Modeling Forum [142709]
(zusammen mit Lilian-Maite Lezama Valdes)
Ãœbungen
- Praktische Übung: P Fernerkundliche Analyse von Umweltveränderungen in Raum und Zeit [142708]
- Übung: Ü Fernerkundungsmethoden in der Landschaftsökologie A [142693]
Exkursionen
- Exkursion: Exk. Fernerkundliches Monitoring im Nationalpark Harz [142741]
- Exkursion: Exk. Naturschutzmonitoring durch vernetzte Sensorik im "Marburg Open Forest" [142740]
Vorlesung
- Vorlesung: V Fernerkundung und räumliche Modellierung der Umwelt [140552]
Seminare
- Seminar: Remote Sensing and Spatial Modelling Forum [140570]
(zusammen mit Henning Schneidereit) - Seminar: S Aktuelle Themen der Umweltfernerkundung [140554]
- Seminar: S Mensch-Umwelt-Beziehung B [140549]
(zusammen mit Henning Schneidereit)
Praktikum
- Praktikum: Ü Fernerkundung und maschinelle Lernverfahren zur flächendeckenden Landschaftserfassung [140553]
Ãœbung
- Übung: Ü Räumliche Datenanalyse mit R [140583]
(zusammen mit Dr. Marvin Ludwig)
Sonstige Lehrveranstaltung
- Projektveranstaltung: P Fernerkundliche Erfassung von Ökosystemen [140593]
- Vorlesung: V Fernerkundung und räumliche Modellierung der Umwelt [148686]
Projekte
- SFB TRR 391 - A05: Deep Learning in Raum und Zeit ( – )
Teilprojekt in DFG-Verbund koordiniert außerhalb der Universität Münster: DFG - Sonderforschungsbereich | Förderkennzeichen: TRR 391/1, A05 - Quantifying and modelling peat breathing with satellite radar data ( – )
Durch die Universität Münster intern gefördertes Projekt: Universität Münster-interne Förderung - Collaboration Grant for Young Researchers - PRISM – Preservation and RecognItion of Spatial patterns using Machine learning ( – )
EU-Projekt koordiniert an der Universität Münster: EU Horizon Europe - Marie Skłodowska-Curie Actions - Postdoctoral Fellowship | Förderkennzeichen: 101147446 - BEyond – SPP 1374 - Teilprojekt: Lernen aus den Exploratorien für Vorhersagen jenseits deren Grenzen: Kl-gestützte Modellierung und Erklärung von Biodiversitätsmustern und Ökosystemenfunktionen im Grünland ganzer Naturräume ( – )
Teilprojekt in DFG-Verbund koordiniert außerhalb der Universität Münster: DFG - Schwerpunktprogramm | Förderkennzeichen: HO 3830/13-1; ME 5512/4-1 - ReVersal – ERA-Net Cofund BiodivRestore (Joint Call 2020-2021): Renaturierung von Mooren der nemoralen Zone unter Bedingungen variabler Wasserverfügbarkeit und -qualität ( – )
EU-Projekt koordiniert außerhalb der Universität Münster: DFG - BiodivERsA (ERA-Net Cofunds) | Förderkennzeichen: KN 929/26-1; ME 5512/3-1 - Carbon4D – Carbon4D: Ein landschaftsskaliges Modell der Mineralisation organischen Bodenkohlenstoffs in Raum, Tiefe und Zeit ( – )
Gefördertes Einzelprojekt: DFG - Sachbeihilfe/Einzelförderung | Förderkennzeichen: ME 5512/2-1 - Uebersat – Raum-zeitliche Übertragbarkeit satellitenbasierter KI-Modelle ( – )
Gefördertes Einzelprojekt: Bundesministerium für Wirtschaft und Klimaschutz | Förderkennzeichen: 50EE2009
- SFB TRR 391 - A05: Deep Learning in Raum und Zeit ( – )
Publikationen
- . . The CAST package for training and assessment of spatial prediction models in R arXiv. doi: 10.48550/arXiv.2404.06978.
- . . ‘Random forests with spatial proxies for environmental modelling: opportunities and pitfalls.’ Geoscientific Model Development 2024, Nr. 17: 6007. doi: 10.5194/gmd-17-6007-2024.
- . . ‘kNNDM CV: k-fold nearest-neighbour distance matching cross-validation for map accuracy estimation.’ Geoscientific Model Development 17, Nr. 15: 5897–5912. doi: 10.5194/gmd-17-5897-2024.
- . . ‘Assessing and improving the transferability of current global spatial prediction models.’ Global Ecology and Biogeography 00: 1–13. doi: https://doi.org/10.1111/geb.13635.
- . . ‘Using GEDI as training data for an ongoing mapping of landscape-scale dynamics of the plant area index.’ Environmental Research Letters 18, Nr. 7. doi: 10.1088/1748-9326/acde8f.
- . . ‘Antarctic daily mesoscale air temperature dataset derived from MODIS land and ice surface temperature.’ Scientific data 10, Nr. 1: 833. doi: 10.1038/s41597-023-02720-z.
- . . ‘Nearest neighbour distance matching leave-one-out cross-validation for map validation.’ Methods in Ecology and Evolution 13: 1304–1316. doi: 10.1111/2041-210X.13851.
- . . ‘Machine learning-based global maps of ecological variables and the challenge of assessing them.’ Nature Communications 13. doi: 10.1038/s41467-022-29838-9.
- . . ‘Potential of Airborne LiDAR Derived Vegetation Structure for the Prediction of Animal Species Richness at Mount Kilimanjaro.’ Remote Sensing 14, Nr. 3: 786. doi: 10.3390/rs14030786.
- . . ‘Developing Transferable Spatial Prediction Models: a Case Study of Satellite Based Landcover Mapping.’ Contributed to the ISPRS, Nice. doi: 10.5194/isprs-archives-XLIII-B3-2022-135-2022.
- . . ‘Unbiased Area Estimation Using Copernicus High Resolution Layers and Reference Data.’ Remote Sensing 14, Nr. 19: 4903. doi: 10.3390/rs14194903.
- . . ‘A Machine Learning Based Downscaling Approach to Produce High Spatio-Temporal Resolution Land Surface Temperature of the Antarctic Dry Valleys from MODIS Data.’ Remote Sensing 13, Nr. 22. doi: 10.3390/rs13224673.
- . . ‘Mapping the geogenic radon potential for Germany by machine learning.’ Science of the Total Environment 754: 142291. doi: 10.1016/j.scitotenv.2020.142291.
- . . ‘Predicting into unknown space? Estimating the area of applicability of spatial prediction models.’ Methods in Ecology and Evolution 12: 1620–1633. doi: 10.1111/2041-210X.13650.
- . „Estimating the Area of Applicability of Remote Sensing-Based Machine Learning Models with Limited Training Data.“ contributed to the IEEE International Geoscience and Remote Sensing Symposium IGARSS, Brussels, Belgium, . doi: 10.1109/IGARSS47720.2021.9553999.
- . . ‘Atmospheric moisture pathways of East Africa and implications for water recycling at Mount Kilimanjaro.’ International Journal of Climatology 2020. doi: 10.1002/joc.6468.
- . . ‘PioLaG: a piosphere landscape generator for savanna rangeland modelling.’ Landscape Ecology 35, Nr. 9: 2061–2082. doi: 10.1007/s10980-020-01066-w.
- . . ‘Hourly gridded air temperatures of South Africa derived from MSG SEVIRI.’ International Journal of Applied Earth Observation and Geoinformation 78: 261–267. doi: 10.1016/j.jag.2019.02.006.
- . . ‘Hyperspectral Data Analysis in R: The hsdar Package.’ Journal of Statistical Software 89, Nr. 12. doi: 10.18637/jss.v089.i12.
- . . ‘Importance of spatial predictor variable selection in machine learning applications – Moving from data reproduction to spatial prediction.’ Ecological Modelling 411: 108815. doi: 10.1016/j.ecolmodel.2019.108815.
- . . ‘Machine learning and multi-sensor based modelling of woody vegetation in the Molopo Area, South Africa.’ Remote Sensing of Environment 222: 195–203. doi: 10.1016/j.rse.2018.12.019.
- . . uavRst: Unmanned Aerial Vehicle Remote Sensing Tools. R package version 0.5-2..
- . . CAST: 'caret' Applications for Spatial-Temporal Models. R package version 0.1.0..
- . . ‘Soil respiration and its temperature sensitivity (Q10): Rapid acquisition using mid-infrared spectroscopy.’ Geoderma 323: 31–40. doi: 10.1016/j.geoderma.2018.02.031.
- . . ‘Mapping fractional woody cover in semi-arid savannahs using multi-seasonal composites from Landsat data.’ ISPRS Journal of Photogrammetry and Remote Sensing 139: 88–102. doi: 10.1016/j.isprsjprs.2018.02.010.
- . . ‘Multiple indicators yield diverging results on grazing degradation and climate controls across Tibetan pastures.’ Ecological Indicators 93: 1199–1208. doi: 10.1016/j.ecolind.2018.06.021.
- . . ‘Improving performance of spatio-temporal machine learning models using forward feature selection and target-oriented validation.’ Environmental Modelling and Software 101: 1–9. doi: 10.1016/j.envsoft.2017.12.001.
- . . ‘Regional-scale controls on the spatial activity of rockfalls (Turtmann Valley, Swiss Alps) — A multivariate modeling approach.’ Geomorphology 287: 29–45. doi: 10.1016/j.geomorph.2016.01.008.
- . . ‘Satellite-based high-resolution mapping of rainfall over southern Africa.’ Atmospheric Measurement Techniques 10, Nr. 6: 2009–2019. doi: 10.5194/amt-10-2009-2017.
- . . ‘From local spectral measurements to maps of vegetation cover and biomass on the Qinghai-Tibet-Plateau: Do we need hyperspectral information?’ International Journal of Applied Earth Observation and Geoinformation 55: 21–31. doi: 10.1016/j.jag.2016.10.001.
- . . ‘Revealing the potential of spectral and textural predictor variables in a neural network-based rainfall retrieval technique.’ Remote Sensing Letters 8, Nr. 7: 647–656. doi: 10.1080/2150704X.2017.1312026.
- . . hsdar: Manage, analyse and simulate hyperspectral data in R. R package version 0.5.1..
- . . ‘Mapping Daily Air Temperature for Antarctica Based on MODIS LST.’ Remote Sensing 8, Nr. 9. doi: 10.3390/rs8090732.
- . . ‘Comparison of four machine learning algorithms for their applicability in satellite-based optical rainfall retrievals.’ Atmospheric Research 169, Part B: 424–433. doi: 10.1016/j.atmosres.2015.09.021.
- . . ‘Automatic classification of Google Earth images for a larger scale monitoring of bush encroachment in South Africa.’ International Journal of Applied Earth Observation and Geoinformation 50: 89–94. doi: 10.1016/j.jag.2016.03.003.
- . . Manipulating satellite data with satellite. R package version 1.0.0..
- . . ‘Retrieval of grassland plant coverage on the Tibetan Plateau based on a multi-scale, multi-sensor and multi-method approach.’ Remote Sensing of Environment 164: 197–207. doi: 10.1016/j.rse.2015.04.020.
- . . ‘Spatio-temporal interpolation of soil water, temperature, and electrical conductivity in 3D + T: The Cook Agronomy Farm data set.’ Spatial Statistics 14, Part A: 70–90.
- . . ‘Projecting land-use and land-cover changes in a tropical mountain forest of Southern Ecuador.’ Journal of Land Use Science 9, Nr. 1: 1–33.
- . . ‘A hyperspectral indicator system for rangeland degradation on the Tibetan Plateau: A case study towards spaceborne monitoring.’ Ecological Indicators 39: 54–64. doi: 10.1016/j.ecolind.2013.12.005.
- . . ‘Impacts of local land-use change on climate and hydrology.’ In Ecosystem services, Biodiversity and Environmental Change in a Tropical Mountain Ecosystem of South Ecuador, edited by , 275–286. Berlin: Springer. doi: 10.1007/978-3-642-38137-9_20.
- . . ‘Current provisioning services: pasture development and use, weeds (bracken) and management.’ In Ecosystem services, Biodiversity and Environmental Change in a Tropical Mountain Ecosystem of South Ecuador, edited by , 205–217. Berlin: Springer VDI Verlag. doi: 10.1007/978-3-642-38137-9_15.
- . . ‘Environmental changes affecting the Andes of Ecuador.’ In Ecosystem services, Biodiversity and Environmental Change in a Tropical Mountain Ecosystem of South Ecuador, edited by , 19–29. Berlin: Springer VDI Verlag. doi: 10.1007/978-3-642-38137-9_2.