Inhalt des Dokuments
zur Navigation
Dr. Michael Förster
- © M. Förster
Wissenschaftlicher Mitarbeiter (Senior Scientist)
Tel.: +49 (0)30 / 314 - 72 79 8
E-Mail: michael.foerster(at)tu-berlin.de
Raum: EB 236b
Sprechstunde: nach Vereinbarung
| 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
| 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. |