TU Berlin

Geoinformation in der UmweltplanungFörster, Michael

Inhalt des Dokuments

zur Navigation

Dr. Michael Förster

Lupe

Wissenschaftlicher Mitarbeiter (Senior Scientist)

Tel.: +49 (0)30 / 314 - 72 79 8

E-Mail:

Raum: EB 236b
Sprechstunde: nach Vereinbarung

Lebenslauf
1975
in Burgstädt, Sachsen geboren
1996-2003
Studium der Geoökologie in Potsdam
1998/99
Studium an der University of Southampton
2003
GIS - Koordinator beim Planungsbüro Froelich & Sporbeck
2003-2008
Wissenschaftlicher Mitarbeiter am Fachgebiet für Geoinformationsverarbeitung in der Landschafts- und Umweltplanung im Institut für Landschaftsarchitektur und Umweltplanung an der Technischen Universität Berlin
seit Jan. 2009
Wissenschaftlicher Mitarbeiter (PostDoc) am Fachgebiet für Geoinformationsverarbeitung in der Landschafts- und Umweltplanung im Institut für Landschaftsarchitektur und Umweltplanung an der Technischen Universität Berlin
2010
Gastwissenschaftler an der European Academy Bolzano (EURAC), Italien (Institute for Applied Remote Sensing)
2012
Gastwissenschaftler and der Universität Utrecht, Niederlande (Department of Physical Geography)
2018
Gastwissenschaftler am Joint Research Center (JRC) in Ispra, Italien (Bioeconomy Unit)

Forschungsschwerpunkte

  • Entwicklung von Methoden zur Analyse der Dynamik von Ökosystemen aus Zeitreihen (optisch und SAR), speziell bei Degradationsprozessen oder abrupten Schäden (z.B. durch Feuer oder Stürme)
  • Relation von temporalen und spektralen Signalen zu Pflanzeneigenschaften und biophysikalischen Variablen (Xantophyll, Stickstoff, Chlorophyll und Fluoreszenz)
  • Ableitung von operationalisierbaren und flächendeckenden Umweltindikatoren, die zur effektiven Umsetzung von Managementmaßnahmen (z.B. im Rahmen der europäischen Vorgaben zu NATURA 2000) oder zum besseren Verständnis von Ökosystemen benötigt werden
  • Interaktion von Vegetationsstruktur, welche mit LiDAR oder SAR erhoben werden kann, mit spektralen Eigenschaften, welche speziell bei der Auswertung von bewaldeten Gebieten eine große Rolle spielen
  • Gemeinsame Nutzung von räumlich sehr hoch aufgelösten Daten (Drohnen) mit Satellitendaten, entweder zum Verständnis von ökohydrologischen Prozessen und speziell zum Ableiten von hydrologischen Variablen, wie Bodenfeuchtegehalt oder Interzeption

    Zeitschriftenbeiträge

    2020

    Fersch, B., Francke, T., Heistermann, M., Schrön, M., Döpper, V., Jakobi, J., Baroni, G., Blume, T., Bogena, H., Budach, C., Gränzig, T., Förster, M., Güntner, A., Hendricks Franssen, H., Kasner, M., Köhli, M., Kleinschmit, B., Kunstmann, H., Patil, A., Rasche, D., Scheiffele, L., Schmidt, U., Szulc-Seyfried, S., Weimar, J., Zacharias, S., Zreda, M., Heber, B., Kiese, R., Mares, V., Mollenhauer, H., Völksch, I. and Oswald, S. (2020). A dense network of cosmic-ray neutron sensors for soil moisture observation in a highly instrumented pre-Alpine headwater catchment in Germany. Earth System Science Data, 2289-2309.


    Fenske, K., Feilhauer, H., Förster, M., Stellmes, M. and Waske, B. (2020). Hierarchical classification with subsequent aggregation of heathland habitats using an intra-annual RapidEye time-series. International Journal of Applied Earth Observation and Geoinformation, 1-13.


    Döpper, V., Gränzig, T., Kleinschmit, B. and Förster, M. (2020). Challenges in UAS-Based TIR Imagery Processing: Image Alignment and Uncertainty Quantification.. remote sensing, 1-22.


    2019

    Kattenborn, T., Lopatina, J., Förster, M., Braun, A. C. and Fassnacht, F. E. (2019). UAV data as alternative to field sampling to map woody invasive species based on combined Sentinel-1 and Sentinel-2 data. Remote Sensing of Environment, 61-73.


    2018

    Holtgrave, A.-K., Förster, M., Greifeneder, F., Notarnicola, C. and Kleinschmit, B. (2018). Estimation of Soil Moisture in Vegetation-Covered Floodplains with Sentinel-1 SAR Data Using Support Vector Regression. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 85–101.


    Klinke, R., Kuechly, H., Frick, A., Förster, M., Schmidt, T., Holtgrave, A.-K. a. K. B., Spengler, D. and Neumann, C. (2018). Indicator-Based Soil Moisture Monitoring ofWetlands by Utilizing Sentinel and Landsat Remote Sensing Data. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 71–84.


    2017


    Schmidt, J., Fassnacht, F. E., Neff, C., Lausch, A., Kleinschmit, B., Förster, M. and Schmidtlein, S. (2017). Adapting a Natura 2000 field guideline for a remote sensing-based assessment of heathland conservation status. International Journal of Applied Earth Observation and Geoinformation, 61-71.


    2016

    Gärtner, P., Förster, M. and Kleinschmit, B. (2016). The benefit of synthetically generated RapidEye and Landsat 8 data fusion time series for riparian forest disturbance monitoring. Remote Sensing of Environment. Elsevier, 237-247.


    Neumann, C., Förster, M., Kleinschmit, B. and Itzerott, S. (2016). Utilizing a PLSR-Based Band-Selection Procedure for Spectral Feature Characterization of Floristic Gradients. EEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1-15.


    Weitere Veröffentlichungen

    Hierarchical classification with subsequent aggregation of heathland habitats using an intra-annual RapidEye time-series
    Zitatschlüssel Fenske2020
    Autor Fenske, K. and Feilhauer, H. and Förster, M. and Stellmes, M. and Waske, B.
    Seiten 1-13
    Jahr 2020
    ISSN 0303-2434
    DOI https://doi.org/10.1016/j.jag.2019.102036
    Journal International Journal of Applied Earth Observation and Geoinformation
    Jahrgang 87
    Zusammenfassung Mapping heathland habitats is generally challenging due to fine-scale habitats as well as spectral ambiguities between different classes. A multi-seasonal time-series of multispectral RapidEye data from several phenological stages was analysed towards the classification of different vegetation communities. A 3-level hierarchical dependent classification using Import Vector Machines was tested, based on the assumption that a probabilistic output per class would help the mapping. The first level of the hierarchical classification was related to the moisture gradient, which was derived from Ellenberg’s moisture indicative value. The second level aimed to separate plant alliances; the third level differentiated individual plant associations. For the final integration of the three classification levels, two approaches were implemented: (i) the F1-score and (ii) the maximum classification probability. The overall classification accuracies of both methods were found to be similar, around 0.7. Nevertheless, based on our expert knowledge we found the probabilistic approach to provide a more realistic picture and to be more practical compared to the result using the F1-score from the management point of view. In addition, the overall performance of the maximum probabilistic approach is better in the sense that the same accuracy of 0.7 was achieved with a differentiation of 33 classes instead of only 13 classes for the F1-score, meaning that the method is able to separate more spectral classes at a more detailed level providing the same accuracy.
    Link zur Publikation Download Bibtex Eintrag

    Navigation

    Direktzugang

    Schnellnavigation zur Seite über Nummerneingabe