TU Berlin

Geoinformation in der UmweltplanungKleinschmit, Birgit

Inhalt des Dokuments

zur Navigation

Prof. Dr. Birgit Kleinschmit

Lupe

Fachgebietsleiterin

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

E-Mail:

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

 

 

Zeitschriftenbeiträge

2022

Aljoumani, B., Sanchez-Espigares, J., Kluge, B., Wessolek, G. and Kleinschmit, B. (2022). Analyzing Temporal Trends of Urban Evaporation Using Generalized Additive Models. Land


Vallentin, C., Harfenmeister, K., Itzerott, S., Kleinschmit, B., Conrad, C. and Spengler, D. (2022). Suitability of satellite remote sensing data for yield estimation in northeast Germany. Precision Agriculture, 52–82.


Duarte Rocha, A., Vulova, S., van der Tol, C., Förster, M. and Kleinschmit, B. (2022). Modelling hourly evapotranspiration in urban environments with SCOPE using open remote sensing and meteorological data. Hydrology and Earth System Sciences


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.. Ecological Informatics. Elsevier, 1-10.


Hölzl, S. E., Veskov, M., Scheibner, T., Le, T. T. and Kleinschmit, B. (2021). Vulnerable socioeconomic groups are disproportionately exposed to multiple environmental burden in Berlin - implications– for planning. International journal of urban sustainable development, 1-18.


Gränzig, T., Fassnacht, F. E., Kleinschmit, B. and Förster, M. (2021). Mapping the fractional coverage of the invasive shrub Ulex europaeus with multi-temporal Sentinel-2 imagery utilizing UAV orthoimages and a new spatial optimization approach.. International Journal of Applied Earth Observation and Geoinformation


Bauhus, J., Seeling, U., Dieter, M., Farwig, N., Hafner, A., Kätzel, R., Kleinschmit, B., Lang, F., Lindner, M., Möhring, B., Müller, J., M., N., Richter, K. and Schraml, U. (2021). Die Anpassung von Wäldern und Waldwirtschaft an den Klimawandel. Berichte über Landwirtschaft-Zeitschrift für Agrarpolitik und Landwirtschaft, 1-158.


Schulz, C., Holtrave, A. and Kleinschmit, B. (2021). Large-scale winter catch crop monitoring with Sentinel-2 time series and machine learning–An alternative to on-site controls?. Computers and Electronics in Agriculture


Vulova, S., Meier, F., Rocha, A. D., Quanz, J., Nouri, H. and and Kleinschmit, B. (2021). Modeling urban evapotranspiration using remote sensing, flux footprints, and artificial intelligence. Science of The Total Environment, 1-13.


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. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1-15.


Weitere Publikationen

Sensitivity analysis of RapidEye spectral bands and derived vegetation indices for insect defoliation detection in pure Scots pine stands
Zitatschlüssel Marx2017
Autor Marx, A. and Kleinschmit, B.
Seiten 659-668
Jahr 2017
DOI 10.3832/ifor1727-010
Journal iForest Biogeosciences and Forestry
Jahrgang 2017
Nummer 10
Zusammenfassung This study investigated the statistical relationship between defoliation in pine forests infested by nun moths (Lymantria monacha) and the spectral bands of the RapidEye sensor, including the derived normalized difference vegetation index (NDVI) and the normalized difference red-edge index (NDRE). The strength of the relationship between the spectral variables and the ground reference samples of percent remaining foliage (PRF) was assessed over three test years by the Spearman’s ρ correlation coefficient, revealing the following ranking order (from high to low ρ): NDRE, NDVI, red, NIR, green, blue, and rededge. A special focus was directed at the vegetation indices. In both discriminant analyses and decision tree classification, the NDRE yielded higher classification accuracy in the defoliation classes containing none to moderate levels of defoliation, whereas the NDVI yielded higher classification accuracy in the defoliation classes representing severe or complete defoliation. We concluded that the NDRE and the NDVI respond very similarly to changes in the amount of foliage, but exhibit particular strengths at different defoliation levels. Combining the NDRE and the NDVI in one discriminant function, the average gain of overall accuracy amounted to 7.8 percentage points compared to the NDRE only, and 7.4 percentage points compared to the NDVI only. Using both vegetation indices in a machine-learning-based decision tree classifier, the overall accuracy further improved and reached 81% for the test year 2012, 71% for 2013, and 79% for the test year 2014.
Typ der Publikation Kleinschmit
Download Bibtex Eintrag

Navigation

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe