direkt zum Inhalt springen

direkt zum Hauptnavigationsmenü

Sie sind hier

TU Berlin

Inhalt des Dokuments

Prof. Dr. Birgit Kleinschmit

Lupe [1]
© B. Kleinschmit

Fachgebietsleiterin

Tel.: +49 (0)30 / 314 - 72 84 7

E-Mail: birgit.kleinschmit(at)tu-berlin.de [2]

Raum: EB 235a
Sprechstunde: nach Vereinbarung

Lebenslauf
2011


Ernennung zur Universitätsprofessorin und Leiterin des Fachgebiets Geoinformation in der Umweltplanung an der Technischen Universität Berlin
2003-2011


Juniorprofessorin am Fachgebiet für Geoinformationsverarbeitung in der Umweltplanung an der Technischen Universität Berlin
2001-2003
Softwareentwicklerin bei der INTEND Geoinformatik GmbH in Kassel
2001
Promotion zum Dr. forest an der Universität Göttingen (magna cum laude)
1998-2001


Wissenschaftliche Mitarbeiterin an der Universität Göttingen am Institut für Forsteinrichtung, Ertragskunde und Fernerkundung
1993-1998
Studium der Forstwissenschaften an der Universität Göttingen
1973
in Münster, Westfalen geboren

Forschungsinteressen

  • Skalenübergreifende Analyse von Landnutzungsänderungen mit Hilfe von Geographischen Informationssystemen (GIS und Fernerkundung) zum besseren Verständnis des Mensch-Umweltsystems
  • Modellierung von raum-zeitlichen Änderungen der Umwelt und Bewertung der Einflüsse auf Menschen und Ökosysteme 
  • Wissensbasierte Kombination von Geoinformationen und Fernerkundungsdaten
  • Evaluierung neuer Sensortechnologien

 

 

Wichtige Funktionen, Auszeichnungen, Ehrungen

Seit 2019         

  • Mitglied im wissenschaftlichen Beirat für Waldpolitik des Bundesministerium für Ernährung und Landwirtschaft
  • Mitglied im Transferbeirat der TU Berlin

 

Seit 2018

  • stellvertretende Geschäftsführende Direktorin des Institutes für Landschaftsarchitektur und Umweltplanung, TU Berlin

Seit 2015        

  • Co-Speakerin der DFG research training group Urban Water Interfaces

Seit 2016

  • Mitglied im Auswahl- und Lenkungsausschusses der Berlin International Graduate School in Model and Simulation based Research (BIMoS), TU Berlin

2012-2018       

  • Leiterin der Special Interest Group „Analysis of remote sensing data” der deutschen Gesellschaft für Photogrammetrie, Remote Sensing und Geoinformation

Seit 2018        

  • Mitglied der Kommission für die Vergabe von Promotionsstipendien der Elsa-Neumann-Stiftung

Seit 2010         

  • Mitglied im Lenkungsausschuss des Geo.X – Forschungsnetzwerks für Geowissenschaften in Berlin und Potsdam

 

 

Publikationen

  • Zeitschriftenbeiträge
  • Weitere Publikationen

Zeitschriftenbeiträge

The benefit of synthetically generated RapidEye and Landsat 8 data fusion time series for riparian forest disturbance monitoring
Zitatschlüssel Gaertner2016
Autor Gärtner, P. and Förster, M. and Kleinschmit, B.
Seiten 237-247
Jahr 2016
DOI doi:10.1016/j.rse.2016.01.028
Journal Remote Sensing of Environment
Jahrgang 2016
Nummer 177
Monat Januar
Verlag Elsevier
Zusammenfassung Insect defoliation causes forest disturbances with complex spatial dynamics. In order to monitor affected areas, decision makers seek but often lack information with high spatial and temporal precision. Within the context of a riparian Tugai forest disturbed by the insect Apocheima cinerarius, this study examines whether the analysis of a RapidEye time series would benefit from the availability of synthetically generated images at the spatial resolution of RapidEye and the additional temporal resolution of Landsat 8. We applied the Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) to downscale Landsat 8 Normalized Difference Vegetation Index (NDVI) scenes to concurrent RapidEye NDVI scenes.We a) performed a pixel-based regression analyses in order to evaluate the quality of the synthetically created NDVI products and b) examined if forest disturbance maps producedwith synthetic images improve the accuracy of disturbance detection. The results show that the ESTARFM predictions have a sufficiently good accuracy, with a correlation coefficient between 0.878 b r b 0.919 (p b 0.001) and an average root mean square error 0.015 b RMSE b 0.024. The overall accuracy of forest disturbance detection with added synthetic images increased from 42.8% to 61.1 & 65.7% compared to the original data set. Forest recovery detection accuracy improved from 59.5% to 80.9%. The main source of error in the disturbance analysis occurs during the temporal interweaving between foliation and defoliation in spring.
Link zur Originalpublikation [3] Download Bibtex Eintrag [4]

Zurück [5]

Weitere Publikationen

Sie sind auf Seite:1 | 2 [6] | 3 [7] | 4 [8] | 5 [9] | 6 [10] | 7 [11] | 8 [12] | 9 [13] | 10 [14] | 11 [15] | 12 [16] | 13 [17] | 14 [18] | 15 [19]

vor >> [20]

2021

Rocchini, D., Salvatori, N., Beierkuhnlein, C., Chiarucci, A., de Boissieu, F., Förster, M., Garzon-Lopez, C., Gillespie, T. W., Hauffe, H., He, K., Kleinschmit, B., Lenoir, J., Malavasi, M., Moudrý, V., Nagendra, H., Payne, D., Šímová, P., Torresani, M., Wegmann, M. and Féret, J.-B. (2021). From local spectral species to global spectral communities: A benchmark for ecosystem diversity estimate by remote sensing. [21]. Ecological Informatics. Elsevier, 1-10.

2020

Vulova, S., Meier, F., Fenner, D., Nouri, H. and Kleinschmit, B. (2020). Summer Nights in Berlin, Germany: Modeling Air Temperature Spatially With Remote Sensing, Crowdsourced Weather Data, and Machine Learning [22]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1-15.

Holtgrave, A., Röder, N., Ackermann, A., Erasmi, S. and Kleinschmit, B. (2020). Comparing Sentinel-1 and -2 Data and Indices for Agricultural Land Use Monitoring [23]. remote sensing, 1-27.

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 [24]. Earth System Science Data, 2289-2309.

Döpper, V., Gränzig, T., Kleinschmit, B. and Förster, M. (2020). Challenges in UAS-Based TIR Imagery Processing: Image Alignment and Uncertainty Quantification. [25]. remote sensing, 1-22.

2019

Vallentin, C., Dobers, E. S., Itzerott, S., Kleinschmit, B. and Spengler, D. (2019). Delineation of management zones with spatial data fusion and belief theory [26]. Precision Agriculture. Springer, 1-29.

Schulz, C. and Kleinschmit, B. (2019). Zentralasiatische Tugai-Auwälder – Ein gefährdetes Ökosystem [27]. Auenmagazin, 11-17.

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 [28]. 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 [29]. PFG – Journal of Photogrammetry, Remote Sensing and Geoinformation Science, 71–84.

Heuner, M., Schröder, B., Schröder, U. and Kleinschmit, B. (2018). Contrasting elevational responses of regularly flooded 4 marsh plants in navigable estuaries [30]. Ecohydrology & Hydrobiology, 1-17.

Sie sind auf Seite:1 | 2 [31] | 3 [32] | 4 [33] | 5 [34] | 6 [35] | 7 [36] | 8 [37] | 9 [38] | 10 [39] | 11 [40] | 12 [41] | 13 [42] | 14 [43] | 15 [44]

vor >> [45]

Fachgebiet Geoinformation in der Umweltplanung
Sekretariat EB5
Raum EB 236a
Straße des 17. Juni 145
D - 10623 Berlin
Tel.: +49 (0)30 314 - 73 29 0
Fax: +49 (0)30 314 - 23 50 7
E-Mail-Anfrage [46]
------ Links: ------

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

Hilfsfunktionen

Schriftgröße:
kleiner
Standardgröße
größer
Diese Seite verwendet Matomo für anonymisierte Webanalysen. Mehr Informationen und Opt-Out-Möglichkeiten unter Datenschutz.
Copyright TU Berlin 2008