EnMAP Core Science Team - Monitoring von Ökosystemübergängen

Auf einen Blick

Laufzeit
01/2010  – 12/2012
DFG-Fachsystematik

Geodäsie, Photogrammetrie, Fernerkundung, Geoinformatik, Kartographie

Förderung durch

Bundesministerium für Forschung, Technologie und Raumfahrt

Projektbeschreibung

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.

Projektwebsite öffnen