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]

2022

Aljoumani, B., Sanchez-Espigares, J., Kluge, B., Wessolek, G. and Kleinschmit, B. (2022). Analyzing Temporal Trends of Urban Evaporation Using Generalized Additive Models [12]. 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 [13]. 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 [14]. 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. [15]. 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 [16]. 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. [17]. 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 [18]. 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? [19]. 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 [20]. 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 [21]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 1-15.

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

Summer Nights in Berlin, Germany: Modeling Air Temperature Spatially With Remote Sensing, Crowdsourced Weather Data, and Machine Learning
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
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