Im Digitalgespräch des Zentrums verantwortungsbewusste Digitalisierung (ZEVEDI) vom März 2023 spricht Hanna über KI in der Umweltfernerkundung. Das Interview ist hier zu finden.

Unsere Masterstudentin Candy Fahrenholz war im Rahmen ihrer Masterarbeit im Wildschutzreservat Kuzikus in Namibia unterwegs. Ein Schwerpunkt ihrer Forschungsarbeit lag auf der Erfassung der kleinräumigen Landschaftsstrukturen mittels drohnenbasierter Fernerkundung. Mit Hilfe dieser hochauflösenden Bilddaten soll die Forschungsfrage „Welche Umweltparameter beeinflussen die Wahl des Nistbaums von gefährdeten Geierarten in Namibia?“ beantwortet werden.

Marvin Ludwig hat am 10.02.2023 erfolgreich seine Dissertation verteidigt und wurde zum Doktor der Naturwissenschaften promoviert. Der Titel seiner Doktorarbeit lautet: „Remote sensing and machine learning for multi-scale ecosystem monitoring”. Herzlichen Glückwunsch von deiner Arbeitsgruppe!

Globale, flächendeckende Umweltdaten sind eine wichtige Informationsquelle für Forscher als auch für politische Entscheidungsträger. Häufig werden diese Karten durch Methoden des maschinellen Lernens erstellt, wobei im Feld erhobene Referenzdaten die Datengrundlage für das Modelltraining darstellen. Da Feldaufnahmen jedoch i.d.R. sehr spärlich und räumlich geclustert vorliegen, erfordert die Modellvorhersage eine Übertragung des trainierten Modells auf Regionen, für die keine Referenzdaten verfügbar sind. Neuere Studien stellen jedoch die Machbarkeit dieses Modelltransfers in Frage. In dieser Studie schlagen wir einen neuen Workflow für die räumliche Vorhersage vor, der die unsere aktuellen Entwicklungen auf diesem Gebiet nutzt und sie auf innovative Weise kombiniert, mit dem Ziel einer verbesserten Übertragbarkeit der Modelle. Wir demonstrieren, bewerten und diskutieren den Workflow anhand von aktuellen und prominenten Beispielen. Die Veröffentlichung ist hier zu finden: Ludwig, M., Moreno-Martinez, A., Hölzel, N., Pebesma, E., Meyer, H. (2023): Assessing and improving the transferability of current global spatial prediction models. Global Ecology and Biogeography.

In den letzten 15 Monaten haben wir an insgesamt 250 verschiedenen Standorte in unserem 20 x 20 km großen Untersuchungsgebiet im Fichtelgebirge die Bodentemperatur und die Bodenfeuchte gemessen. An allen Standorten wurde entweder eine Woche oder ein Monat lang gemessen. Somit haben wir jetzt eine Datensatz mit Messungen an unterschiedlichen Standorten (Wälder, Wiesen und Äcker) unter ganz verschiedenen meteorologischen Bedingungen. Diese Daten sollen jetzt verwendet werden, um die Bodentemperatur und die Bodenfeuchte im Untersuchungsgebiet kontinuierlich in 4D zu modellieren, d.h. für jeden Ort, zu jedem Zeitpunkt und in jeder Bodentiefe.

Im Fichtelgebirge fand am 7. Oktober unser 2. Projekttreffen des Carbon-4D Projekts statt. Gemeinsam mit der Bodenökologie der Universität Bayreuth haben wir über den aktuellen Stand des Projekts gesprochen und vor allem auch erste Ergebnisse diskutiert. Die Messungen von Bodentemperatur und -feuchte laufen seit September 2021 und werden noch bis Dezember dieses Jahres fortgeführt. Weitere Informationen zu dem Projekt sind auf der Projektseite [de] zu finden.

Wir hatten eine tolle Woche im Harz (12.9.22-16.09.22), in der Studierende unseres Instituts mit Studierenden der Universität Göttingen, der HAWK Göttingen und der Universität Würzburg zusammenkamen. Wir haben aktuelle Herausforderungen in der Forstwirtschaft im Harz diskutiert und Methoden kennengelernt, mit denen wir ein Monitoring der Wälder fernerkundlich unterstützen können. Dabei war insbesondere die Interdisziplinarität der Gruppe (Studierende der Landschaftsökologie, Forstwirtschaft, Forstwissenschaft, Fernerkundung) eine tolle Erfahrung. Bei Walk&Talk durch den Nationalpark hatten wir die Möglichkeit uns zwischen den Gruppen näher auszutauschen und die verschiedenen Schwerpunkte dann bei einer gemeinsamen Projektarbeit zu verbinden. Wir freuen uns schon auf die nächste gemeinsame Veranstaltung im nächsten Jahr!

Die diesjährige OpenGeoHub Summer School fand vom 28.8.-3.9.2022 in Siegburg statt. Wie schon in den letzten Jahren gab es auch von uns einen Workshop, diesmal zum Thema „Machine learning-based maps of the environment: challenges of extrapolation and overfitting“. Das Kursmaterial ist auf Github verfügbar. Die Aufzeichnungen der Vorlesung [en] und Übung [en] sind vorhanden. Die aufbereiteten Versionen werden später auf unserer Kurs-Website verlinkt.
 

Unser kürzlich veröffentlichte Artikel  "Machine learning-based global maps of ecological variables and the challenge of assessing them" [en] wurde von der WWU Pressestelle in einem Artikel aufgegriffen. Der Artikel kann in der Online Ausgabe von Juli 2022 [de] gelesen werden.

Als Teil des Studienprojektes Amtsvenn wurde am 03. März 2022 erfolgreich die erste Flugkampagne der Saison durchgeführt. Dabei wurden hochaufgelöste multispektrale sowie sehr hochaufgelöste RGB Bilder mit der WingtraOne aufgenommen. Die Kampagne wurde von der „Biologischen Station Zwillbrock e.V.“ begleitet, um den Einfluss der UAS auf die Wildtiere zu untersuchen, wobei keine Beeinträchtigungen beobachtet wurden.
Das Studienprojekt untersucht, wie UAS-Aufnahmen dafür genutzt werden können die Feuchtigkeit und Vitalität in Moorvegetation zu detektieren und räumlich zu modellieren. Als Ground Truth wurde ein Messsetup von den Studenten entworfen, welches die Bodenfeuchtigkeit und ‑temperatur entlang verschiedener Gradienten (Geländehöhe, Vegetation, Degradierungsgrad) im Moor misst.
Das Studienprojekt schließt thematisch an bereits bestehende Projekte im Vechta Moor an und ist ein Pilotprojekt zu dem im April 2022 startenden „ReVersal Projekt“ [de].
Bei Interesse an Forschungsprojekten und Abschlussarbeiten im Bereich der Fernerkundung und räumliche Modellierung im Ökosystem Moor, melden Sie sich bitte bei Jan Lehmann [de], Hanna Meyer [de] und Laura Giese [de].

Was tun, wenn die räumliche oder zeitliche Auflösung von Satellitendaten nicht ausreichend für das Forschungsthema ist? Unsere Studie zeigt, wie die Stärken zweier Satellitensensoren in Bezug auf die räumliche und zeitliche Auflösung in einem datengetriebenen Ansatz kombiniert werden können. Mit dem daraus resultierenden Modell können ab 1999 Landoberflächentemperaturdaten mit einer räumlichen Auflösung von 30 m mehrmals täglich für die antarktischen Trockentäler produziert werden – Daten, die für verschiedene Forschungsanwendungen genutzt werden können, etwa zur Modellierung der Artenverteilung oder weiterer relevanter Umweltinformationen.

• Lezama Valdes L-M, Katurji M, Meyer H. 2021: A Machine Learning Based Downscaling Approach to Produce High Spatio-Temporal Resolution Land Surface Temperature of the Antarctic Dry Valleys from MODIS Data [en]. Remote Sensing 13, 4673. doi: 10.3390/rs13224673