EnMAP Core Science Team - Monitoring von ?kosystemüberg?ngen

Auf einen Blick

Laufzeit
01/2010  – 12/2012
DFG-Fachsystematik

Geod?sie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie

F?rderung durch

Bundesministerium für Forschung, Technologie und Raumfahrt

Projektbeschreibung

EnMAP (Environmental Mapping and Analysis Program) ist eine deutsche hyperspektrale Satellitenmission, die zeitnah und regelm??ig qualitativ hochwertige hyperspektrale Bilddaten liefern wird. Das Hauptziel des Programms besteht in der Ableitung einer breiten Palette an Oberfl?chenparametern terrestrischer und aquatischer ?kosysteme. Dies Parameter bilden die Grundlage für die Quantifizierung und Modellierung entscheidender ?kosystemprozesse. EnMAP soll somit sowohl zu einem besseren Verst?ndnis 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-Universit?t zu Berlin auf der Entwicklung von Algorithmen und der Absch?tzung des Potentials von EnMAP-Daten zur Analyse der raum-zeitlichen Dynamik (semi-)natürlicher ?kosysteme und ihrer ?kosystemleistungen. 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 ?berg?nge und Dynamiken von natürlichen ?kosysteme und ihrer Dienstleistungen. Beleuchtet wurden zum einen landwirtschaftlich aufgegebene Regionen im Süden Portugals, die sich durch natürliche Sukzession hinzu vielf?ltigen Busch?kosystemen entwickeln konnten. Zum anderen stand die Analyse vom Nutzungsgradienten des urbanen-ruralen ?bergangs Berlins Fokus. Als Grundlage der Analysen dienten simulierte EnMAP-Daten aufgenommen entlang unterschiedlicher r?umlicher Gradienten, also auch Zeitreihen aus Landsat Daten. Methodisch stand die Implementierung von r?umlich und zeitlich übertragbaren Klassifikations- und Regressionsmodelle des maschinellen Lernens im Fokus.

Projektwebsite ?ffnen