Loading...

Die systematische und kontinuierliche Erfassung von Umweltdaten ist ein wichtiger Teil der Forschungsinfrastruktur der Biodiversitäts-Exploratorien. Das Kernprojekt 3 „Messtechnik und Fernerkundung“ ist verantwortlich für (i) die systematische und großräumige Messung und Aufzeichnung meteorologischer und bodenkundlicher Umweltvariablen und (ii) die Bereitstellung von Fernerkundungs- und Geodaten zur Landbedeckung und -nutzung.

Dazu entwickelt und betreibt das Kernprojekt 3 eine wichtige Forschungsinfrastruktur bestehend aus einem sehr großen Netzwerk an Klimastationen, Klimamesstürmen und fernerkundlichen Plattformen und Sensoren. Es erhebt regelmäßig klimatische und fernerkundliche Daten nach standardisierten Verfahren, um kohärente Zeitreihen zu erstellen. Diese werden über spezielle Datenbankanwendungen, die im Projekt entwickelt werden, zur Verfügung gestellt.

Die Instrumentierung war daher seit Beginn der Biodiversitäts-Exploratorien ein maßgeblicher Bestandteil der Forschungsinfrastruktur. Aufgrund der starken Nachfrage nach Fernerkundungsdaten, Geodaten und Dienstleistungen wurde das Projekt im Jahr 2014 um eine fernerkundliche Komponente erweitert. Damit wird ein für alle Forschergruppen zugängliches Archiv an Geodaten und Fernerkundungsprodukten aufgebaut, und die Aufnahme neuer Daten z.B. mit Drohnen und Flugzeugen koordiniert. Das Kernprojekt 3 trägt auch dazu bei, Geodaten in den Biodiversitäts-Exploratorien zu standardisieren und zu harmonisieren.


Das Ziel des Kernprojektes ist der Aufbau und die Betreuung der Messtechnik und Sensorik sowie die Bereitstellung von Umweltdaten als aufbereitete Basisprodukte zur Bearbeitung vielfältiger Forschungsfragen in den Biodiversitäts-Exploratorien. Dazu zählen unter anderem:

  • Klimavariablen: Klimamessstationen auf Grünland- und Waldstationen, TreeTalker auf Wald-Experimenten (FOX), Klimamesstürme für vertikale Profile
  • Vegetationsstrukturvariablen: Indices zur räumliche Struktur der Vegetation aus Laserscanning und photogrammetrischen Punktwolken
  • Audioumgebung: (Ultraschall-)Aufnahmen
  • Bereitstellung und Verarbeitung von Landnutzungs- und Landbedeckungskarten
  • Landschaftsstruktur: Erfassung und Quantifizierung der Landschaftsstruktur
  • Koordination und Durchführung von Drohnenbefliegungen
  • Aufbereitung von Copernicus- und Landsat-Satellitendaten zur Erstellung kontinuierlicher Zeitreihen und daraus abgeleiteter Produkte (Produktivität, Landnutzungsintensität, Änderungsanalysen)

Neben diesen Produkten möchte das Kernprojekt die Nutzung von Klima- und Geodaten in der Biodiversitätsforschung stärken. Dazu werden vom Kernprojekt Workshops zur Auswertung und Nutzung der Klima- und Geodaten angeboten.


Umweltmesstechnik

Meteorologische und bodenkundliche Variablen gehören zu den Haupteinflussfaktoren der organismischen Diversität und Funktionalität von Ökosystemkreisläufen. Um eine systematische und großräumige Messung und Aufzeichnung dieser Umweltvariablen  durchzuführen, sind in den drei Exploratorien Schorfheide-Chorin, Hainich-Dün und auf der Schwäbischen Alb mehr als 400 permanente Messeinrichtungen installiert und werden betreut.

Klimastationen

In jedem Exploratorium wurden jeweils >140 Messstationen aufgebaut, wovon je 50 im Grünland und je 91-111 in den jeweiligen Waldflächen installiert sind. Vor dem Hintergrund der sehr großen Anzahl an Stationen wurden nicht alle identisch bestückt, sondern mit abgestuften Sensorgruppen ausgestattet. Derzeit sind die folgenden Stationstypen im Einsatz:

  • 279 Basis-Umwelt-Messstationen (CEMU – Core Environmental Monitoring Units)
  • 21 Erweiterte-Umwelt-Messstationen (EEMU -Enhanced CEMUs )
  • 148 FOX-Umwelt-Messstationen (FEMU – Fox Environmental Monitoring Units) a la Treetalker

Typ CEMU wird auf allen Experimentalprobeflächen (EPs) der Exploratorien in den Waldgebieten und im Grünland verwendet. Neben allgemeinen meteorologischen Variablen wie Lufttemperatur, Oberflächentemperatur und relativer Luftfeuchte werden außerdem Messungen im Erdreich vorgenommen. Fünf Messfühler werden im Oberboden eingesetzt, um kontinuierlich Bodentemperatur und -feuchte zu erfassen.

Typ EEMU wird auf ausgewählten Intensivprobeflächen (VIPs) und topographisch wichtigen Probeflächen eingesetzt und verfügt zusätzlich über ergänzende Sensorik zur Messung des Niederschlags, der Windgeschwindigkeit und -richtung, der ein- und ausfallenden Strahlungskomponenten von kurz- und langwelliger Strahlung, der photosynthetisch aktiven Strahlung (PAR) sowie des Luftdrucks.

Abbildung: Das Foto zeigt auf einer ungemähten Wiese eine umzäunte Klimamess-Station. Die rechteckige Umzäunung besteht an den Ecken aus dünnen Holzpfählen, die an jeder der vier Seiten mit drei horizontalen angenagelten dünnen Holzlatten verbunden und von Maschendraht umspannt sind. Die Station besteht aus einer Metallstange, an der sich unten ein Schaltkasten befindet und oben an der Spitze zwei kreuzförmig angeordnete Querstangen, an deren Enden sich Sensoren befinden, zum Beispiel zur Messung der Windgeschwindigkeit. Zur Stabilisierung sind die Enden der Verstrebungen mit dünnen Drähten an den Eckpfählen der Umzäunung verspannt. Zur Energieversorgung der Station dient ein Solarmodul, das innen an der Umzäunung befestigt ist. Im Hintergrund des Bildes sieht man eine leicht hügelige Landschaft, in der sich Wiesen, Felder und Wälder abwechseln. Links in der Landschaft ist in der Ferne eine Siedlung zu erkennen.
Abbildung 1: Messstation type EEMU im Hainich

Typ FEMU/ Treetalker wird auf den Wald Experimentflächen (FOX) eingesetzt. Neben allgemeinen meteorologischen Daten wie Lufttemperatur und -feuchte werden außerdem Bodenfeuchte und -temperaturmessungen im Erdreich vorgenommen sowie die Sonneneinstrahlung unter dem Kronendach in 12 Spektralbändern (450 – 860nm) aufgenommen.

Abbildung: Das Foto zeigt in einem Herbstwald mit rotbraun verfärbtem Laub eine Klimamess-Station. Die Station besteht aus einer im Boden steckenden Metallstange, auf der oben ein Sensor der Marke Tritoker angebracht ist, sowie einem ungefähr DIN A 4 Blatt großen Solarmodul, das unterhalb des Sensors befestigt ist.
Abbildung 2a: ‘Treetalker’ mit Solarmodule im Hainich
Abbildung: Das Foto zeigt von unten nach oben fotografiert in einem sommerlichen Wald unter blauem Himmel einen Messtechniker bei Wartungsarbeiten am Treetalker-Sensor einer Klimamess-Station.
Abbildung 2b: Mechatroniker bei der Wartung auf Schwäbischer Alb

Eine Visualisierung der gemessenen Temperaturzeitreihe ist hier zu sehen:

Visualisierung

 

Klimamesstürme

Im Biosphärenreservat Schorfheide-Chorin und auf der Schwäbischen Alb wurde jeweils ein Messturm mit einer Höhe von 44 m bzw. 37 m installiert. Beide Türme umfassen die Sensorik der EEMUs und messen zusätzlich die Lufttemperatur, Luftfeuchte und die PAR im Profil. Zwei weitere Türme, die vom Max-Planck-Institut für Biogeochemie aufgebaut worden sind, können im Nationalpark Hainich-Dün mitgenutzt werden.

Abbildung: Das Foto zeigt schräg nach oben fotografiert einen herbstlichen Laubwald unter blauem Himmel. Weiter hinten im Bild ist zwischen den Bäumen ein Klima-Mess-Turm zu erkennen.
Abbildung 3a: Messturm in Schorfheide-Chorin
Abbildung: Das Foto zeigt von unten nach oben fotografiert einen Klima-Mess-Turm, der in einem herbstlichen Laubwald unter blauem Himmel steht.
Abbildung 3b: Messturm in Schorfheide-Chorin

Audioaufnahmen

Auf ausgewählten Plots erfassen Audioaufnahmegeräte die Geräuschkulisse sowohl in den hörbaren als auch in den Ultraschall-Frequenzen. Rückschlüsse über das Vorkommen und die Intensität der Aktivität von Vögeln, Fledermäusen und auditiv erfassbaren Ökosystemstörungen werden semi regelmäßig erfasst. Dies bietet die Möglichkeit Unterschiede Vorkommen und Aktivität zwischen Jahreszeiten und Plots systematisch und gleichzeitig zu erfassen und  zu analysieren.

Fernerkundung & Geodaten

Abbildung: Die Luftaufnahme einer Drone zeigt die Kronen des Laubwalds eines Experimentier-Plots im Hainich. Durch die untere Hälfte des Fotos schlängelt sich ein Weg oder ein Bach. Oben rechts im Bild sieht man eine kreisförmige Lücke, die im Zuge des Wald-Experiments FOX künstlich angelegt wurde.
Abbildung 4: Hochaufgelöstes UAS Bild eines Wald Plots (EP) und eines Wald-Experimentes (FOX) im Hainich, wo runde Löcher (obere rechte Ecke) geschlagen wurden, um die Lückendynamik zu studieren

Zielsetzung der Fernerkundungskomponente ist es, die großflächige Erhebung von meterologischen Variablen durch eine flächendeckende fernerkundliche Erfassung in den drei Exploratorien zu ergänzen. Mit der Bereitstellung und Aktualisierung von Geodaten und anderen – aus Fernerkundungsdaten abgeleiteten – Produkten als fertig prozessierte Analysis Ready Daten (ARD), soll es auch Nicht-Fernerkundlern ermöglicht werden, räumliche und zeitliche Analysen auf Basis von Fernerkundungsbeobachtungen in ihre Forschungen zu integrieren und somit neue Erkenntnisse über die funktionalen Zusammenhänge auf unterschiedlichen Skalenebenen der Biodiversität zu erlangen. Dazu wurde im Kernprojekt eine fernerkundliche Infrastruktur aufgebaut die im Folgenden vorgestellt wird.

Abbildung: Das Foto zeigt eine ungemähte Wiese im Sonnenschein. Im Gras steht ein Klapptisch, auf dem ein Laptop und eine Starrflügel-Drone liegen. Links hinter dem Tisch steht eine Transportkiste. Links am Bildrand befindet sich ein großer Rucksack. Weiter hinten auf der Wiese sind Gruppen von Büschen und Bäumen und dahinter ein Laubwald zu sehen.
Abbildung 5: Nurflügler UAS vor Grünlandeinsatz

Unmaned Aerial Systems (UAS) / Drohnen bieten die Möglichkeit zeitlich flexibel hochauflösende Bilder kleinere Gebiete (Plots + Umgebung) aufzunehmen. Dies ist besonders dann sinnvoll, wenn Bildaufnahmen zeitlich synchron mit weiteren Feldaufnahmen erfolgen sollen z.B. um Bildklassifikationsmodelle zu entwickeln. Somit kann sowohl der Plotzustand während der Feldaufnahmen dokumentiert und Trainingsdaten für die Entwicklung von Klassifikationsmodellen erhoben werden. Die sehr hohe räumliche Auflösung der Drohnenaufnahmen ermöglicht die Erfassung sehr kleiner Merkmale. Seit 2017 führt das Kernprojekt Drohnen-Befliegungen in den Exploratorien durch. Dafür stehen dem Projekt mehrere Drohnen (Copter, Starflügler) und unterschiedliche Sensoren (Thermal, RGB, Multi-spektral, hyperspektral) zur Verfügung. Gleichzeitig wurde die erforderliche Computer Hard- und Software aufgebaut und fachspezifische  Datenverarbeitungsketten entwickelt. Der Einsatz von Drohnen ist an strenge rechtlichen Voraussetzungen gebunden die besonders in Naturschutzgebieten häufig gesonderte Genehmigungen erfordern. In Zusammenarbeit mit den Naturschutzbehörden konnte das Kernprojekt hier in vielen Fällen gute Lösungen erarbeiten die den Einsatz von Drohnen auch in sensitiven Bereichen ermöglichen.

Satelliten- und Flugzeugdaten

Abbildung: Das Diagramm zeigt im Querschnitt das Profil einer A L S Punktwolke eines Experimentier-Plots im Hainich. Dargestellt sind vom Boden bis zur Höhe von circa dreiundzwanzig Metern Punkt-Ansammlungen, die als unklassifiziert, als Boden und als Vegetation klassifiziert sind.
Abbildung 6: Querschnittsprofil der ALS-Punktwolke eines EP im Hainich

Um der Vielfalt der Forschungsfragen und Methoden innerhalb der Biodiversitäts-Exploratorien gerecht zu werden, wird neben den Drohnen ein breites Spektrum an fernerkundlichen Plattformen genutzt. Das Spektrum reicht von optischen Satellitenbildern (e.g. Pléiades, RapidEye, Planet, Sentinel-2) bis zu flugzeuggetragenen Hyperspektral- und LiDAR-Sensoren wie in Tabelle 1 dargestellt.

SystemPlattformRäuml. Auflösung (m)# BänderSpektrale Auflösung (μm)Temporale AuflösungAbdeckung
RapidEyeSatellit550.44 – 0.852009-2015 ~Min. drei phänologische Perioden pro Jahrvollflächig
PlanetSatellit3.540.44-0.882020-2021, mehrere Aufnahmen pro Jahrvollflächig
Landsat*Satellit15 – 120 4 - 80.43 – 12.51972 - 2014, ~ jährlichvollflächig
MODIS**Satellit250 – 1000360.40 – 14.392001 - 2014, ~ täglichvollflächig
Sentinel-2Satellit10-20130.49-2.22016-,~ alle fünf Tagevollflächig
PléiadesSatellit0.5– 250.43 – 9.40Einmalig (2015)100 km² je Exploratorium
HyperspektralFlugzeug1> 2000.40 – 2.40Einmalig (2015)100 km² je Exploratorium
LiDARFlugzeug~14 Punkte/m²Full wave form---Einmalig (2015)100 km² je Exploratorium
Tabelle 1.Übersicht über die Fernerkundungsprodukte, die durch das Core-Projekt 3 zur Verfügung gestellt werden. *Der Landsat-Datensatz schließt die MSS-, TM-, ETM+- und OLI/TIRS-Sensoren ein. **MODIS-Daten von den Terra- und Aqua-Satelliten

Datenbanken und Prozessierung

Klimadaten

Die oben beschriebenen Klimamesseinrichtungen erfassen täglich >70.000 Messwerte in jedem Forschungsgebiet. Diese werden automatisiert über das Mobilfunknetz nach Marburg übertragen und in der speziell für die Exploratorien entwickelten Klimadatenzeitreihendatenbank  TubeDB (https://environmentalinformatics-marburg.github.io/tubedb/) gesammelt. Die Forscher können diese aufbereiteten Klimadaten direkt über BExIS nutzen und nach individuellen Anforderungen, etwa Qualitätskorrektur, zeitliche Aggregation und Interpolation visualisieren und exportieren.

Abbildung: Der Screenshot zeigt in der Bedien-Oberfläche der Klimadaten-Zeitreihen-Datenbank Tjub D B die Visualisierung einer Temperatur-Zeitreihe in einem Diagramm. Der Hintergrund ist weiß, die X und Y Achsen sind als graues Gitter und die Temperatur-Daten als durchgängige rote Zickzack-Linie dargestellt.
Abbildung 7: TubeDB: Interaktive Visualisierung einer Temperaturzeitreihe

Wildtierkameras

Wir übernehmen die Aufbereitung von Wildtierkameraaufnahmen, die in erster Linie das Auftreten von Säugetieren erfassen. Die Prozessierung kategorisiert die Aufnahmen in Bilder von Tieren, Menschen und Fehlaufnahmen. Die Position der Tiere in den Bildern wird markiert, so dass eine anschließende manuelle oder maschinelle Speziesbestimmung vereinfacht wird. Unsere Bildverwaltungssoftware ermöglicht die Durchsicht der kategorisierten Bilder und die manuelle Nachbestimmung.

Abbildung: Das Foto zeigt die Aufnahme einer Wildtierkamera. In einem sommerlichen Wald kreuzt ein Reh den Bereich vor dem Objektiv. Um das Reh herum markiert ein roter Rahmen die Position des Tiers im Bild.
Abbildung 8 : Tiererkennung basierend auf maschinellem Lernen in Wildkamerabildern

Audiodaten

Unserer Audiodatenverwaltungssoftware ist die zentrale Sammelstelle für die Aufgenommenen Audiodaten. In der Weboberfläche können Aufnahmen angehört, als Spektrogramm visualisiert und gelabelt werden. Das Machinelearning (ML) basierte automatische Labeln läuft in Zyklen von initial manuellem labeln, ML Training, manuelle Bewertung der automatisch generierten Labels und erneutem ML Training.

Abbildung: Der Screenshot zeigt in der Bedien-Oberfläche der Audio App das Spektogramm eines Fledermaus-Rufs. Die Audio-Signale werden vor schwarzem Hintergrund in Form von rot-violetten schmalen Säulen mit gleichmäßigen Abständen zueinander dargestellt.
Abbildung 9: AudioDB: Spektrogramm eines im Feld aufgenommenen Fledermausrufs

Fernerkundungsdaten

In der Fernerkundungsdatenbank RSDB, (https://environmentalinformatics-marburg.github.io/rsdb/) werden die prozessierten Rasterdaten, Punktwolken und Vektordaten verwaltet. Das Webinterface bietet Funktionen zum Suchen und Erkunden der gespeicherten Geodaten interaktive Visualisierungen, Prozessierungen und Datenexport. Zusätzlich können sämtliche Daten der RSDB über das R-Package rsdb (https://github.com/environmentalinformatics-marburg/rsdb/tree/master/r-package) direkt in R verarbeitet werden.

Abbildung: Der Screenshot zeigt in der Bedien-Oberfläche der internetbasierten Fernerkundungsdatenbank R S D B die Luftaufnahme einer Drone.
Abbildung 10: Screenshot der RSDB-Weboberfläche mit einem RGB-UAS-Bild einer Oberfläche in der Ebenenansicht

Aktuelle Phasen (2023-2026)

Service und Beratung

Wir führen die individuellen Beratungen über Erhebung und Beschaffung von Umwelt- und Geodaten fort. Workshops, Lehrgänge und Dokumentationen werden angeboten, um die Nutzung der existierenden Daten und Analyse-Funktionen zu unterstützen und zu fördern.

Management und Betrieb des Umweltsensor-Netzwerkes

Das Klimastationsnetzwerk wird modernisiert und weiterbetrieben, um kontinuierlich Klimadaten zu erheben (z.B. Temperatur, Strahlung, Niederschlag, Bodenfeuchte, Luftdruck, Windrichtung und –geschwindigkeit).

Management und Entwicklung von Datenbank-Modulen zur Auswertung von Umwelt- und Geodaten

Neue Fernerkundungsdatensätze werden in die Remote Sensing Database (RSDB) integriert. Die RSDB wird um weitere graphische und programmatische Benutzerschnittstellen erweitert, um eine Berechnung unterschiedlicher Landschaftsstruktur- und Biodiversitätsindikatoren für freiwählbare Flächen in den Exploratorien zu ermöglichen.

Die Prozessierung der Klimadatenzeitserien wird fortgeführt, so dass die aktuellen und lückenlosen Daten direkt über die Klimadatenbank TubeDB bereitgestellt werden.

In dieser Phase sollen außerdem weitere Tools zur KI-gestützten Auswertung von Audiodaten (Vogelstimmenerkennung und Metriken der akustischen Umgebung) entwickelt und in die bereits bestehende Datenbankanwendung AudioDB integriert werden.

Basierend auf dem dichten Klimastationsnetzwerk und unter Berücksichtigung der Topographie und Landbedeckung, berechnen wir flächendeckende Mikroklimakarten.

Beschaffung und Verarbeitung von Fernerkundungs-, Landnutzungs- und Bodenbedeckungsdaten

Wir erweitern und aktualisieren die ATKIS Landbenutzungsdaten in der Umgebung der Untersuchungsflächen mit Schwerpunkt auf der Kartierung von Straßentypen, Rückegassen und Fußwegen.
Kleine verholzende Pflanzen als wichtige Landschaftsstrukturelemente werden flächendeckend für alle Exploratorien auf Basis von Luftbildern kartiert.

Wir führen die Zeitserien der Copernicus Satellitenbilder (Sentinel-1 (Radar) und Sentinel-2 (multispektral) fort und leiten zeitlich-räumliche Metriken ab.

Wir bauen eine hyperspektrale Zeitserie des neuen deutschen Satelliten EnMAP auf, die uns die Erkundung optischer Daten mit einer hohen spektralen Auflösung erlaubt.

Wir nutzen drohnengestützes Laserscanning „von oben“ und terrestrisches Laserscanning „von unten“, um komplette räumliche 3D Modelle aller Waldplots des FOX-Experimentes bereitzustellen.

 

Abbildung: Die multi-spektrale Infrafrot-Luftaufnahme einer Drone zeigt in den Farben Rot, Violett und Türkis die Vegetationsmuster eines Grünland-Experimentier-Plots und seiner Umgebung.
Abbildung 11: Hochauflösendes Farbinfrarot(CIR)-Orthomosaik eines Grünland-EPs, das die unterschiedlichen Muster der Vegetation im Plot und seiner Umgebung zeigt, aufgenommen mit einem UAV und einer Multispektralkamera
Abbildung: Die Landbedeckungskarte zeigt ein Gebiet in der Schwäbischen Alb, in dessen Mitte sich das Experimentier-Plot befindet. Rund um das Plot ist eine Fünfhundert-Meter-Pufferzone in Form eines roten Kreises eingezeichnet.
Abbildung 12: Ausschnitt der Landbedeckungskarte mit einem 500m-Buffer um den EP (rot) in der Schwäbischen Alb
Abbildung: Die Satelliten-Aufnahme zeigt das Exploratorium Hainich in seinem landschaftlichen Zustand am ersten April im Jahr Zweitausendachtzehn. Klickt man das Bild an, zeigt es in schneller Abfolge mit einem Bild pro Monat die Zeitreihe der monatlichen Entwicklung der Landschaft bis zum November Zweitausendzwanzig.
Abbildung 13: Animierte Sentinel-2-Zeitserie im Exploratorium Hainich 2018-2020

Doc
Menge J. H., Magdon P., Wöllauer S., Ehbrecht M. (2023): Impacts of forest management on stand and landscape-level microclimate heterogeneity of European beech forests. Landscape Ecology 38, 903–917. doi: 10.1007/s10980-023-01596-z
Mehr Informationen:  doi.org
Doc
Kartierung von Mahdereignissen in Deutschland auf der Grundlage kombinierter Sentinel-2- und Landsat-8-Zeitreihen
Schwieder M., Wesemeyer M., Frantz D., Pfoch K., Erasmi S., Pickert J., Nendel C., Hostert P. (2022): Mapping grassland mowing events across Germany based on combined Sentinel-2 and Landsat 8 time series. Remote Sensing of Environment 269, 112795. doi: 10.1016/j.rse.2021.112795
Mehr Informationen:  doi.org
Doc
RSDB: Eine einfach zu installierende Open-Source Web-Plattform für Fernerkundungsdaten zur Verarbeitung von Raster- und Punktwolkendaten
Wöllauer S., Zeuss D., Magdon P., Nauss T. (2021): RSDB: An easy to deploy open-source web platform for remote sensing raster and point cloud data processing. Ecography 44 (3), 414-426. doi: 10.1111/ecog.05266
Mehr Informationen:  doi.org
Doc
TubeDB: Ein Datenbanksystem zur On-Demand-Verarbeitung von Klimastationsdaten
Wöllauer S., Zeuss D., Hänsel F., Nauss T. (2021): TubeDB: An on-demand processing database system for climate station data. Computers & Geosciences 146: 104641. doi: 10.1016/j.cageo.2020.104641
Mehr Informationen:  doi.org
Doc
Geometry of the projection of tree crown area for estimation of above-ground biomass
Geometrie der Projektion von Baumkronenfläche zur Schätzung der oberirdischen Biomasse
Adesuyi Fisola Emmanuel (2021): Geometry of the projection of tree crown area for estimation of above-ground biomass. Master thesis, University Göttingen
Doc
Vielfältige Reaktionen von Biodiversität auf Heterogenität in Wäldern
Heidrich L., Bae S., Levick S., Seibold S., Weisser W. W., Krzystek P., Magdon P., Nauss T., Schall P., Serebryanyk A., Wöllauer S., Ammer C., Bässler C., Doerfler I., Fischer M., Gossner M. M., Heurich M., Hothorn T., Jung K., Kreft H., Schulze E.-D., Simons N., Thorn S., Müller J. (2020): Heterogeneity–diversity relationships differ between and within trophic levels in temperate forests. Nature Ecology & Evolution 4, 1204–1212. doi: 10.1038/s41559-020-1245-z
Mehr Informationen:  doi.org
Doc
Bestimmung der structurellen Bestandeskomplexität aus luftgestützen Laserscanningdaten- was sagt sie uns über den Wald?
Seidel D., Annighöfer P., Ehbrecht M., Magdon P., Wöllauer S., Ammer C. (2020): Deriving stand structural complexity from airborne laser scanning data - What does it tell us about a forest? Remote Sensing 12, 1854. doi: 10.3390/rs12111854
Mehr Informationen:  doi.org
Doc
Kukunda C. B. (2020): Scale challenges in inventory of forests aided by remote sensing. Dissertation, University Göttingen
Mehr Informationen:  ediss.uni-goettingen.de
Doc
Kukunda C. B., Beckschäfer P., Magdon P., Schall P., Wirth C., Kleinn C. (2019): Scale-guided mapping of forest stand structural heterogeneity from airborne LiDAR. Ecological indicators 102, 410-425. doi: 10.1016/j.ecolind.2019.02.056
Mehr Informationen:  doi.org
Doc
Graf W., Kleinn C., Schall P., Nauss T., Detsch T., Magdon P. (2019): Analyzing the relationship between historic canopy dynamics and current plant species diversity in the herb layer of temperate forests using long-term Landsat time series. Remote Sensing of Environment 232, 111305. doi: 10.1016/j.rse.2019.111305
Mehr Informationen:  doi.org
Doc
Schätzung und Kompensation der Eindringtiefe von TanDEM-X in gemässigten Waeldern
Schlund M., Baron D., Magdon P., Erasmi S. (2019): Canopy penetration depth estimation with TanDEM-X and its compensation in temperate forests. ISPRS Journal of Photogrammetry and Remote Sensing 147, 232–241. doi: 10.1016/j.isprsjprs.2018.11.021
Mehr Informationen:  doi.org
Doc
Baumhöhenschätzung mit TanDEM-X Daten in temperierten und borealen Wäldern
Schlund M., Magdon P., Eaton B., Aumann C., Erasmi S. (2019): Canopy height estimation with TanDEM-X in temperate and boreal forests. International Journal of Applied Earth Observation and Geoinformation
Mehr Informationen:  doi.org
Doc
Empfindlichkeit von bistatischen TanDEM-X Daten für Parameter der Bestandsstruktur in Wäldern der gemäßigten Zone
Erasmi S., Semmler M., Schall P., Schlund S. (2019): Sensitivity of bistatic TanDEM-X data to stand structural parameters in temperate forests. Remote Sensing 11 (24), 2966. doi: 10.3390/rs11242966
Mehr Informationen:  doi.org
Doc
Predicting Land-use Intensities in Grasslands with Sentinel-2 using Machine Learning Approaches
Vorhersage von Landnutzungsintensitäten in Grasländern anhand von Sentinel-2-Daten und Maschinellen Lernverfahren
Koch T. L. (2019): Predicting Land-use Intensities in Grasslands with Sentinel-2 using Machine Learning Approaches. Master thesis, University Marburg
Doc
Predicting grassland plant traits and biodiversity using hyperspectral aerial observation and a forward feature selection machine learning approach
Vorhersage von Pflanzenmerkmalen und Biodiversität in Grasländern mittels hyperspektraler Luftbilder und maschinellen Lernverfahren
Ludwig M. (2018): Predicting grassland plant traits and biodiversity using hyperspectral aerial observation and a forward feature selection machine learning approach. Master thesis, University Marburg
Doc
Analyse des Lokalklimas im Nationalpark Hainich
Markart M. (2017): Analyse des Lokalklimas im Nationalpark Hainich. Bachelor thesis, University Göttingen
Doc
Hyperspektrale Fernerkundung und Feldmessungen zur Charakteriserung fon Wäldern - Eine Fallstudie im Nationalpark Hainich, Mitteldeutschland
Aberle H. (2016): Hyperspectral Remote Sensing and Field Measurements for Forest Characteristics - A Case Study in the Hainich National Park, Central Germany. Dissertation, University Göttingen
Mehr Informationen:  ediss.uni-goettingen.de

Öffentliche Datensätze

Dataset
Wöllauer, Stephan (2023): Audio database of the Biodiversity Exploratories (AudioDB). Version 7. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/31589?version=7
Dataset
Magdon, Paul (2022): Topographic Wetness Index for all plots of the BiodiversityExploratories. Version 10. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/31304?version=10
Dataset
Memmert, Jörg; Magdon, Paul; Ostrowski, Andreas (2022): Borders of all three regions of the Biodiversity Exploratories project. Version 15. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/31234?version=15
Dataset
Erasmi, Stefan; Schwieder, Marcel (2021): Mowing events 2017-2020 for all Explo regions. Version 11. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/31107?version=11
Dataset
Erasmi, Stefan; Schwieder, Marcel (2021): Agricultural land use 2017 to 2019 in all Explo regions. Version 11. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/31106?version=11
Dataset
Magdon, Paul; Wöllauer, Stephan (2019): Leaf area index (LAI) of all forest EPs, 2008 - 2010. Version 4. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/24886?version=4
Dataset
Magdon, Paul (2019): Spectral diversity metrics of all grassland EPs, 2017 - 2019. Version 4. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/25906?version=4
Dataset
Hänsel, Falk; Forteva, Spaska; Wöllauer, Stephan; Nauss, Thomas (2019): Öffentlich verfügbare Klimadaten der Exploratorien / Open Climate Data of the Exploratories Project. Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/24766?version=6
Dataset
Kleinn, Christoph (2018): Distance from every EP center to the next route based on OSM data. Version 3. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/22426?version=3
Dataset
Magdon, Paul; Kleinn, Christoph; Graf, Wanda (2018): RemSens Landsat time series of all forest EPs, 1985 - 2015. Version 3. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/22987?version=3
Dataset
Kleinn, Christoph; Magdon, Paul (2017): Hyperspectral metrics of plots in the Hainich-Dün region in 2015. Version 7. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/21130?version=7
Dataset
Kleinn, Christoph; Magdon, Paul; Graf, Wanda (2017): Landsat time-series metrics of all plots of the Biodiversity Exploratories, 1985 - 2015. Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de/ddm/data/Showdata/21133?version=6

Nicht veröffentlichte Datensätze

Dataset
Unmanned Aerial Vehicles (UAVs) / drone images from all Exploratory forest regions
Magdon, Paul; Hänsel, Falk (2024): Unmanned Aerial Vehicles (UAVs) / drone images from all Exploratory forest regions. Version 3. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31877
Dataset
Raster maps of moving events (2017-2021)
Erasmi, Stefan; Schwieder, Marcel (2024): Raster maps of moving events (2017-2021). Version 4. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31814
Dataset
Vector maps of German agricultural land use (2017-2021)
Erasmi, Stefan; Schwieder, Marcel (2024): Vector maps of German agricultural land use (2017-2021). Version 3. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31815
Dataset
Raster maps of German agricultural land use (2017-2021)
Erasmi, Stefan; Schwieder, Marcel (2024): Raster maps of German agricultural land use (2017-2021). Version 2. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31813
Dataset
hTLS point clouds of all FOX plots in leaf-on and leaf-off condition, 2023
Griese, Nils; Nölke, Nils (2024): hTLS point clouds of all FOX plots in leaf-on and leaf-off condition, 2023. Version 4. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31704
Dataset
Landscape elements in the surrounding of all experimental plots (2016-2018)
Magdon, Paul (2023): Landscape elements in the surrounding of all experimental plots (2016-2018). Version 7. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31454
Dataset
Landcover in the surrounding of all experimental plots (2016-2018)
Magdon, Paul (2023): Landcover in the surrounding of all experimental plots (2016-2018). Version 5. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31453
Dataset
UAV LiDAR point clouds (leaf-off 2023) for all forest experiments and neighbouring EPs
Nölke, Nils (2023): UAV LiDAR point clouds (leaf-off 2023) for all forest experiments and neighbouring EPs. Version 5. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31617
Dataset
Planet satellite image time series
Magdon, Paul (2022): Planet satellite image time series. Version 7. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31216
Dataset
Coordinates of all meteorological stations of all EP plots
Ostrowski, Andreas; Petzold, Eleonora (2022): Coordinates of all meteorological stations of all EP plots. Version 12. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31150
Dataset
Sentinel-2 satellite image time series for all Biodiversity Exploratories regions
Magdon, Paul; Wöllauer, Stephan; Nölke, Nils (2021): Sentinel-2 satellite image time series for all Biodiversity Exploratories regions. Version 15. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 30969
Dataset
Basic information of all forest experimental plots (FOX)
Magdon, Paul; Parth, Andreas (2021): Basic information of all forest experimental plots (FOX). Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 31040
Dataset
Digital orthophotos (DOP-20) of all Biodiversity Exploratories regions
Magdon, Paul; Wöllauer, Stephan (2021): Digital orthophotos (DOP-20) of all Biodiversity Exploratories regions. Version 9. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 30996
Dataset
RapidEye satellite image time series of all Biodiversity Exploratories regions
Magdon, Paul (2020): RapidEye satellite image time series of all Biodiversity Exploratories regions. Version 5. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 27731
Dataset
Digital terrain models (DGM-5) of all Biodiversity Exploratories regions
Magdon, Paul (2020): Digital terrain models (DGM-5) of all Biodiversity Exploratories regions. Version 9. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 27729
Dataset
Digital landscape models (Basis-DLM) of all Biodiversity Exploratories regions
Magdon, Paul (2020): Digital landscape models (Basis-DLM) of all Biodiversity Exploratories regions. Version 13. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 27728
Dataset
Unmanned Aerial Vehicles (UAVs) / drone images from all Exploratory grassland regions
Magdon, Paul; Hänsel, Falk (2020): Unmanned Aerial Vehicles (UAVs) / drone images from all Exploratory grassland regions. Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 27730
Dataset
Land cover (LBM-DE) of all Biodiversity Exploratories regions
Magdon, Paul (2020): Land cover (LBM-DE) of all Biodiversity Exploratories regions. Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 27727
Dataset
Airborne hyperspectral images of all Biodiversity Exploratories regions in 2015
Magdon, Paul; Nauss, Thomas; Kleinn, Christoph (2017): Airborne hyperspectral images of all Biodiversity Exploratories regions in 2015. Version 4. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 21126
Dataset
Airborne laser scanning of all Biodiversity Exploratories regions in 2015
Magdon, Paul; Kleinn, Christoph (2016): Airborne laser scanning of all Biodiversity Exploratories regions in 2015. Version 6. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 20806
Dataset
Climate data – Time Series Web Interface
Wöllauer, Stephan; Hänsel, Falk; Nauss, Thomas; Forteva, Spaska (2015): Climate data - Time Series Web Interface. Version 8. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 19007
Dataset
WORLDCLIM
Nauss, Thomas; Otte, Insa; Hänsel, Falk (2012): WORLDCLIM. Version 2. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 14606
Dataset
BIOCLIM
Nauss, Thomas; Otte, Insa; Hänsel, Falk (2012): BIOCLIM. Version 2. Biodiversity Exploratories Information System. Dataset. https://www.bexis.uni-jena.de. Dataset ID= 14586

Management und Betrieb des Umweltsensor-Netzwerkes

Prof. Dr. Thomas Nauss
Prof. Dr. Thomas Nauss
Philipps-Universität Marburg
Falk Hänsel
Falk Hänsel
Philipps-Universität Marburg
Spaska Forteva
Spaska Forteva
Philipps-Universität Marburg

Beschaffung und Verarbeitung von Fernerkundungs-, Landnutzungs- und Bodenbedeckungsdaten

Prof. Dr. Christoph Kleinn
Prof. Dr. Christoph Kleinn
Georg-August-Universität Göttingen
Dr. Hans Fuchs
Dr. Hans Fuchs
Georg-August-Universität Göttingen
Dr. Nils Nölke
Dr. Nils Nölke
Georg-August-Universität Göttingen
Adrian Staker
Adrian Staker
Georg-August-Universität Göttingen

Management und Entwicklung von Datenbank-Modulen zur Auswertung von Umwelt- und Geodaten

Prof. Dr. Paul Magdon
Prof. Dr. Paul Magdon
Hochschule für angewandte Wissenschaft und Kunst Hildesheim/Holzminden/Göttingen (HAWK)
Stephan Wöllauer
Stephan Wöllauer
Hochschule für angewandte Wissenschaft und Kunst Hildesheim/Holzminden/Göttingen (HAWK)

Technische Bearbeitung in den Exploratorien

Martin Fellendorf
Martin Fellendorf
Universität Ulm
Mechatroniker
Frank Suschke
Frank Suschke
Georg-August-Universität Göttingen,
Biodiversitäts-Exploratorium Schorfheide-Chorin
Mechatroniker
Michael Ehrhardt
Michael Ehrhardt
Philipps-Universität Marburg
Mechatroniker
Top