Sektion 1.4: Fernerkundung und Geoinformatik

Ziel der Forschung der Sektion Fernerkundung und Geoinformatik am GFZ ist es, die Fernerkundung als eine Kernmethode der Geowissenschaften zu etablieren und Fernerkundungsdaten für die flächendeckende Erfassung des Zustandes der Erdoberfläche und die Beobachtung der Landschafts- und Vegetationsentwicklung, der Auswirkungen von Klimawandel, Naturkatastrophen und menschlicher Nutzung nutzbar zu machen. Die Forschung und Methodenentwicklung der Sektion umfasst die gesamte Bandbreite der Fernerkundung von der wissenschaftlichen Entwicklung von Satellitenmissionen über die großflächige Auswertung von Fernerkundungszeitreihen bis zum Wissens- und Technologietransfer.

Die Sektion hat die wissenschaftliche Leitung der deutschen hyperspektralen Satellitenmission EnMAP, die 2022 erfolgreich ins All gestartet ist, und baut damit auf eine langjährige Expertise in der hyperspektralen Fernerkundung von der Sensor- bis zur Anwendungsentwicklung auf. Diese Expertise bringt die Sektion auch in die Entwicklung der hyperspektralen ESA-Satellitenmission CHIME ein, welche durch ihre regelmäßige Abdeckung der gesamten Erdoberflächen die Grundlage für globale wissenschaftliche Auswertungen und die Entwicklung von operationellen Produkten und Dienstleistungen bilden wird. Damit die heute in großer Menge zur Verfügung stehenden Fernerkundungsdaten auch von Anwendern außerhalb der Wissenschaft bestmöglich eingesetzt werden können, überführen wir unsere wissenschaftlichen Arbeiten in die praktische Nutzung. Dazu haben wir das Transfer-Lab FERN.Lab gegründet.

Unsere Sektion zeichnet sich durch eine breit gefächerte Expertise hinsichtlich der Nutzung unterschiedlicher Sensoren, Plattformen und Methoden in der Fernerkundung aus. Dies ermöglicht es uns, Zustand und Veränderungen an der Erdoberfläche zu erkennen, zugrunde liegende Prozesse zu analysieren und durch langfristige Überwachung kontinuierlich zu beobachten. Dazu entwickeln wir Methoden und Sensoren für die Kartierung von bio- und geophysikalischen Oberflächenparametern in den Bereichen Geologie, Boden, Vegetation und Atmosphäre mittels Fernerkundungsdaten verschiedener Plattformen (Satellit, Flugzeug, Drohne), sowie Verfahren zur Simulation, Kalibration und Fusion von Daten verschiedener Sensoren (optisch und Radar). Wir untersuchen den Zusammenhang zwischen bio- und geophysikalischen Prozessen und deren spektralem und drei-dimensionalen Abbild in den Fernerkundungsdaten, indem wir Spektralmessung und Lasermessungen im Labor, im Gelände und von fliegenden Plattformen mit den durch Felderhebungen erfassten physikalischen, strukturellen und chemischen Eigenschaften der Objekte verbinden. Außerdem entwickeln wir Bildanalysemethoden und -software, die aus Zeitreihen von Fernerkundungsdaten Veränderungen extrahieren und es Anwendern ermöglichen, bio- und geophysikalische Prozesse zu erkennen. Dazu nutzen und adaptieren wir Big Data Analytics/Data Science Ansätze zur regionalen bis globalen Beobachtung kritischer Erdoberflächenprozesse.

News aus der Sektion

Tropischer Regenwald

Co-Limitierung in niedrigeren Breitengraden prägt globale Walddiversitätsgradienten

Neuigkeiten

Causality guided machine learning model on wetland CH4 emissions across global wetlands

Yuan, K., Zhu, Q., Li, F., Riley, W. J., Torn, M., Chu, H., McNicol, G., Chen, M., Knox, S., Delwiche, K., Wu, H., Baldocchi, D., Ma, H., Desai, A. R., Chen, J., Sachs, T., Ueyama, M., Sonnentag, O., Helbig, M., Tuittila, E.-S., Jurasinski, G., Koebsch, F., Campbell, D., Schmid, H. P., Lohila, A., Goeckede, M., Nilsson, M. B., Friborg, T., Jansen, J., Zona, D., Euskirchen, E., Ward, E. J., Bohrer, G., Jin, Z., Liu, L., Iwata, H., Goodrich, J., Jackson, R. (2022): Causality guided machine learning model on wetland CH4 emissions across global wetlands. - Agricultural and Forest Meteorology, 324, 109115. https://doi.org/10.1016/j.agrformet.2022.109115

Abstract: Wetland CH4 emissions are among the most uncertain components of the global CH4 budget. The complex nature of wetland CH4 processes makes it challenging to identify causal relationships for improving our understanding and predictability of CH4 emissions. In this study, we used the flux measurements of CH4 from eddy covariance towers (30 sites from 4 wetlands types: bog, fen, marsh, and wet tundra) to construct a causality-constrained machine learning (ML) framework to explain the regulative factors and to capture CH4 emissions at sub-seasonal scale. We found that soil temperature is the dominant factor for CH4 emissions in all studied wetland types. Ecosystem respiration (CO2) and gross primary productivity exert controls at bog, fen, and marsh sites with lagged responses of days to weeks. Integrating these asynchronous environmental and biological causal relationships in predictive models significantly improved model performance. More importantly, modeled CH4 emissions differed by up to a factor of 4 under a +1°C warming scenario when causality constraints were considered. These results highlight the significant role of causality in modeling wetland CH4 emissions especially under future warming conditions, while traditional data-driven ML models may reproduce observations for the wrong reasons. Our proposed causality-guided model could benefit predictive modeling, large-scale upscaling, data gap-filling, and surrogate modeling of wetland CH4 emissions within earth system land models.

Co-limitation towards lower latitudes shapes global forest diversity gradients

Liang, J., Gamarra, J.G.P., Picard, N. et al. Co-limitation towards lower latitudes shapes global forest diversity gradients. Nat Ecol Evol

 (2022). doi.org/10.1038/s41559-022-01831-x

Abstract: The latitudinal diversity gradient (LDG) is one of the most recognized global patterns of species richness exhibited across a wide range of taxa. Numerous hypotheses have been proposed in the past two centuries to explain LDG, but rigorous tests of the drivers of LDGs have been limited by a lack of high-quality global species richness data. Here we produce a high-resolution (0.025° × 0.025°) map of local tree species richness using a global forest inventory database with individual tree information and local biophysical characteristics from ~1.3 million sample plots. We then quantify drivers of local tree species richness patterns across latitudes. Generally, annual mean temperature was a dominant predictor of tree species richness, which is most consistent with the metabolic theory of biodiversity (MTB). However, MTB underestimated LDG in the tropics, where high species richness was also moderated by topographic, soil and anthropogenic factors operating at local scales. Given that local landscape variables operate synergistically with bioclimatic factors in shaping the global LDG pattern, we suggest that MTB be extended to account for co-limitation by subordinate drivers.

Non-destructive estimation of individual tree biomass: Allometric models, terrestrial and UAV laser scanning

Benjamin Brede, Loise Terryn, Nicolas Barbier, Harm M. Bartholomeus, Renée Bartolo, Kim Calders, Géraldine Derroire, Sruthi M. Krishna Moorthy, Alvaro Lau, Shaun R. Levick, Pasi Raumonen, Hans Verbeeck, Di Wang, Tim Whiteside, Jens van der Zee, Martin Herold; https://doi.org/10.1016/j.rse.2022.113180

Abstract: Calibration and validation of aboveground biomass (AGB) (AGB) products retrieved from satellite-borne sensors require accurate AGB estimates across hectare scales (1 to 100 ha). Recent studies recommend making use of non-destructive terrestrial laser scanning (TLS) based techniques for individual tree AGB estimation that provide unbiased AGB predictors. However, applying these techniques across large sites and landscapes remains logistically challenging. Unoccupied aerial vehicle laser scanning (UAV-LS) has the potential to address this through the collection of high density point clouds across many hectares, but estimation of individual tree AGB based on these data has been challenging so far, especially in dense tropical canopies. In this study, we investigated how TLS and UAV-LS can be used for this purpose by testing different modelling strategies with data availability and modelling framework requirements. The study included data from four forested sites across three biomes: temperate, wet tropical, and tropical savanna. At each site, coincident TLS and UAV-LS campaigns were conducted. Diameter at breast height (DBH) and tree height were estimated from TLS point clouds. Individual tree AGB was estimated for ≥170 trees per site based on TLS tree point clouds and quantitative structure modelling (QSM), and treated as the best available, non-destructive estimate of AGB in the absence of direct, destructive measurements. Individual trees were automatically segmented from the UAV-LS point clouds using a shortest-path algorithm on the full 3D point cloud. Predictions were evaluated in terms of individual tree root mean square error (RMSE) and population bias, the latter being the absolute difference between total tree sample population TLS QSM estimated AGB and predicted AGB. The application of global allometric scaling models (ASM) at local scale and across data modalities, i.e., field-inventory and light detection and ranging LiDAR metrics, resulted in individual tree prediction errors in the range of reported studies, but relatively high population bias. The use of adjustment factors should be considered to translate between data modalities. When calibrating local models, DBH was confirmed as a strong predictor of AGB, and useful when scaling AGB estimates with field inventories. The combination of UAV-LS derived tree metrics with non-parametric modelling generally produced high individual tree RMSE, but very low population bias of ≤5% across sites starting from 55 training samples. UAV-LS has the potential to scale AGB estimates across hectares with reduced fieldwork time. Overall, this study contributes to the exploitation of TLS and UAV-LS for hectare scale, non-destructive AGB estimation relevant for the calibration and validation of space-borne missions targeting AGB

Der EARSeL Imaging Spectroscopy Workshop 2022 fand vom 22. bis 24. Juni auf dem Telegrafenberg statt. Er wurde vom GFZ und der EARSeL in Zusammenarbeit mit der Universität Greifswald organisiert und von 200 Teilnehmern aus 23 Ländern besucht.

zurück nach oben zum Hauptinhalt