Ermittlung pflanzlicher Funktionsmerkmale anhand von Spektren

Projekttitel: Ermittlung pflanzlicher Funktionsmerkmale anhand von Spektren unter Nutzung der Fortschritte im Deep Learning (Plant Functional Trait Retrieval from Spectra Using Deep Learning Advances)

Projektdauer: 15.06.2021 – heute

Forschungsgebiet: Fernerkundung in der Geo- und Ökosystemforschung

Menschliche Aktivitäten wirken sich in rasantem Tempo auf die globale Biodiversität aus und führen zu Veränderungen der Ökosystemfunktionen und -leistungen. Die Überwachung der pflanzlichen Funktionsvielfalt ist daher von entscheidender Bedeutung, um diese raschen Veränderungen besser zu verstehen und zu verfolgen. Vor diesem Hintergrund zielt dieses Promotionsprojekt darauf ab, einen Beitrag zur großflächigen Erfassung von Pflanzenmerkmalen zu leisten, eine kosteneffiziente Alternative anzubieten und die Erstellung effizienter Vorhersagemodelle für verschiedene Vegetationseigenschaften voranzutreiben, indem fortschrittliche Deep-Learning-Techniken mit neuen hyperspektralen Fernerkundungsdaten (RS) kombiniert werden.

Ziele

Das Projekt zielt darauf ab, effiziente Methoden zur Kartierung mehrerer Pflanzenmerkmale mithilfe hyperspektraler Fernerkundung zu entwickeln. Unter Einsatz von Convolutional Neural Networks (CNNs) und neuesten Erkenntnissen aus dem Bereich des Deep Learning versucht die Forschung, Datenbeschränkungen zu überwinden und gleichzeitig mehrere Merkmale über verschiedene Vegetationstypen und Sensoren hinweg vorherzusagen. Ziel ist es, das Potenzial des Deep Learning bei der Erstellung übertragbarer Vorhersagemodelle für verschiedene Ökosystemtypen aufzuzeigen.

Problemstellung

Das Projekt befasst sich mit der Herausforderung, hyperspektrale Reflexionsdaten in verschiedene Vegetationseigenschaften (Pflanzenmerkmale) umzuwandeln und dabei Datenknappheit und Heterogenität zu überwinden.

Praxisbeispiel

• Modelle mit mehreren Merkmalen (Proof of Concept)
• Inferenz aus hyperspektralen Bildern (z. B. EnMAP-Satellitenbilder)

Technologie

• TensorFlow, python
• Hyperspektralaufnahmen

Veröffentlichungen

• Cherif, Eya u. a. „Vom Spektrum zu funktionellen Pflanzenmerkmalen: Übertragbare Mehrmerkmalsmodelle aus heterogenen und spärlichen Daten.“ Remote Sensing of Environment 292 (2023): 113580.

Team

Lead

• Eya Cherif

Teammitglieder

• Teja Kattenborn
• Hannes Feilhauer

Partner

• Remote sensing center for Earth system Research (RSC4Earth)https://rsc4earth.de/