Inhalt des Dokuments
zur Navigation
Prof. Dr. Birgit Kleinschmit
- © B. Kleinschmit
Fachgebietsleiterin
Tel.: +49 (0)30 / 314 - 72 84 7
E-Mail: birgit.kleinschmit(at)tu-berlin.de
Raum: EB 235a
Sprechstunde: nach Vereinbarung
| 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
Zeitschriftenbeiträge
| Zitatschlüssel | Vulova2020 |
|---|---|
| Autor | Vulova, S. and Meier, F. and Fenner, D. and Nouri, H. and Kleinschmit, B. |
| Seiten | 1-15 |
| Jahr | 2020 |
| ISSN | 1939-1404 |
| DOI | 10.1109/JSTARS.2020.3019696 |
| Journal | IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing |
| Jahrgang | 562 |
| Zusammenfassung | Urban areas tend to be warmer than their rural surroundings, well-known as the “urban heat island” effect. Higher nocturnal air temperature (Tair) is associated with adverse effects on human health, higher mortality rates, and higher energy consumption. Prediction of the spatial distribution of Tair is a step towards the “Smart City” concept, providing an early warning system for vulnerable populations. The study of the spatial distribution of urban Tair was thus far limited by the low spatial resolution of traditional data sources. Volunteered geographic information (VGI) provides alternative data with higher spatial density, with citizen weather stations monitoring Tair continuously in hundreds or thousands of locations within a single city. In this study, the aim was to predict the spatial distribution of nocturnal Tair in Berlin, Germany, one day in advance at a 30- m resolution using open-source remote sensing and geodata from Landsat and Urban Atlas, crowdsourced Tair data, and machine learning (ML) methods. Results were tested with a “leave-onedate- out” training scheme (testingcrowd) and reference Tair data (testingref). Three ML algorithms were compared - Random Forest (RF), Stochastic Gradient Boosting (GBM), and Model Averaged Neural Network (avNNet). The optimal model based on accuracy and computational speed is RF, with an average RMSE for testingcrowd of 1.16 °C (R2 = 0.512) and RMSE for testingref of 1.97 °C (R2 = 0.581). Overall, the most Important GIS predictors were morphometric parameters and albedo. The proposed method relies on open-source datasets and can, therefore, be adapted to many cities worldwide. |
| Typ der Publikation | Kleinschmit |