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

Sie sind auf Seite:1 | 2 [3] | 3 [4] | 4 [5] | 5 [6] | 6 [7] | 7 [8] | 8 [9] | 9 [10]

vor >> [11]

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. [12]. 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 [13]. 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 [14]. 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 [15]. 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. [16]. 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 [17]. Precision Agriculture. Springer, 1-29.

Schulz, C. and Kleinschmit, B. (2019). Zentralasiatische Tugai-Auwälder – Ein gefährdetes Ökosystem [18]. 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 [19]. 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 [20]. 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 [21]. Ecohydrology & Hydrobiology, 1-17.

Sie sind auf Seite:1 | 2 [22] | 3 [23] | 4 [24] | 5 [25] | 6 [26] | 7 [27] | 8 [28] | 9 [29]

vor >> [30]

Weitere Publikationen

Comparing Sentinel-1 and -2 Data and Indices for Agricultural Land Use Monitoring
Zitatschlüssel Holtgrave2020
Autor Holtgrave, A. and Röder, N. and Ackermann, A. and Erasmi, S. and Kleinschmit, B.
Seiten 1-27
Jahr 2020
ISSN 2072-4292
DOI 10.3390/rs12182919
Journal remote sensing
Nummer 12
Zusammenfassung Agricultural vegetation development and harvest date monitoring over large areas requires frequent remote sensing observations. In regions with persistent cloud coverage during the vegetation season this is only feasible with active systems, such as SAR, and is limited for optical data. To date, optical remote sensing vegetation indices are more frequently used to monitor agricultural vegetation status because they are easily processed, and the characteristics are widely known. This study evaluated the correlations of three Sentinel-2 optical indices with Sentinel-1 SAR indices over agricultural areas to gain knowledge about their relationship. We compared Sentinel-2 Normalized Difference Vegetation Index, Normalized Difference Water Index, and Plant Senescence Radiation Index with Sentinel-1 SAR VV and VH backscatter, VH/VV ratio, and Sentinel-1 Radar Vegetation Index. The study was conducted on 22 test sites covering approximately 35,000 ha of four different main European agricultural land use types, namely grassland, maize, spring barley, and winter wheat, in Lower Saxony, Germany, in 2018. We investigated the relationship between Sentinel-1 and Sentinel-2 indices for each land use type considering three phenophases (growing, green, enescence). The strength of the correlations of optical and SAR indices differed among land use type and phenophase. There was no generic correlation between optical and SAR indices in our study. However, when the data were split by land use types and phenophases, the correlations increased remarkably. Overall, the highest correlations were found for the Radar Vegetation Index and VH backscatter. Correlations for grassland were lower than for the other land use types. Adding auxiliary data to a multiple linear regression analysis revealed that, in addition to land use type and phenophase information, the lower quartile and median SAR values per field, and a spatial variable, improved the models. Other auxiliary data retrieved from a digital elevation model, Sentinel-1 orbit direction, soil type information, and other SAR values had minor impacts on the model performance. In conclusion, despite the different nature of the signal generation, there were distinct relationships between optical and SAR indices which were independent of environmental variables but could be stratified by land use type and phenophase. These relationships showed similar patterns across different test sites. However, a regional clustering of landscapes would significantly improve the relationships.
Typ der Publikation Kleinschmit
Link zur Originalpublikation [31] Download Bibtex Eintrag [32]

Zurück [33]

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 [34]
------ Links: ------

Zusatzinformationen / Extras

Direktzugang

Schnellnavigation zur Seite über Nummerneingabe

Hilfsfunktionen

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