Natur 4.0 - Sensing Biodiversity - UM2: Fernerkundung und räumliche Vorhersage
Project staff:
Abstract:
Ausgangsbasis
Um konsistente, raum-zeitliche Datensätze bereitzustellen, müssen die irregulär vorliegenden Sensordaten in NatNet mit flächendeckenden, fernerkundlich erfassten Geodatensätzen verbunden werden. Die Ableitung von Ökosysteminformationen aus den heterogenen Fernerkundungsdaten erfordert dabei den Einsatz leistungsfähiger, maschineller Lernverfahren. Für das Monitoring von fliegenden Insekten und Vögeln ist ferner der Einbezug von Radar- und akustischen Informationen erforderlich. Allerdings stecken insbesondere die Radarverfahren zur mobilen Insektenerfassung noch in den Kinderschuhen und müssen auf Basis miniaturisierter Sensoren weiterentwickelt werden.
Ziele
- Operationalisierung der UAV-Prototypen für quasi-autonome, zeitlich hochaufgelöste Befliegungsprotokolle.
- Entwicklung von Verfahren zur Ableitung der vertikalen und horizontalen Ökosystemstruktur durch kostengünstige VIS/NIR-Kameras.
- Entwicklung von deep-learning Modellierungsstrategien zur automatischen Erkennung relevanter Zielgrößen in den Sensorfotos.
- Aufbau und Test eines mobilen (Rover-fähigen) Insektenradars mit Bauteilen aus der Forschung zum autonomen Fahren.
- Akustische Detektion und Erkennung von Vogelarten.
- Entwicklung von maschinellen Lernmodellen zur skalenübergreifenden räumlichen Vorhersage von Ökosystemparametern auf Grundlage der Sensordaten und abgeleiteter Informationen.
Description:
Projektwebsite: https://www.uni-marburg.de/de/fb19/natur40/projektbereiche/um2
Publications and poster presentations:
2023 - Noskov, A.; Achilles, S. & Bendix, J. (2023): Towards Forest Dynamics' Systematic Knowledge: Concept Study of a Multi-Sensor Visually-Tracked Rover Including a New Insect Radar for High-Accuracy Robotic Monitoring. Frontiers in Ecology and Evolution 11, 1214419.
2022 - Noskov, A. (2022): Radar as a Key to Global Aeroecology: Essentials of Technology and Development Milestones. In: IGI Global (eds.): Handbook of Research on Sustainable Development Goals, Climate Change, and Digitalization ( ), IGI Global, 482--505.
2021 - Noskov, A.; Achilles, S. & Bendix, J. (2021): Presence and Biomass Information Extraction from Highly Uncertain Data of an Experimental Low-Range Insect Radar Setup. Diversity 13(9), 452.
- Neuwirth, B.; Rabbel, I.; Bendix, J.; Bogena, H.R. & Thies, B. (2021): The European Heat Wave 2018: The Dendroecological Response of Oak and Spruce in Western Germany. Forests 12(3), 283.
- Noskov, A.; Bendix, J. & Friess, N. (2021): A Review of Insect Monitoring Approaches with Special Reference to Radar Techniques. Sensors 21(4), 1-23.
2020 - Egli, S. & Höpke, M. (2020): CNN-Based Tree Species Classification Using High Resolution RGB Image Data from Automated UAV Observations. Remote Sensing 12(23), 3892.
Datasets:
- Dendrometer measurements of changes in tree width and sapflow on tree 3 in Caldern by Dobbermann, M. (2020)
- Dendrometer measurements of changes in tree width and sapflow on tree 2 in Caldern by Dobbermann, M. (2020)
- Dendrometer measurements of changes in tree width and sapflow on tree 1 in Caldern by Thies, B. & Dobbermann, M. (2019)
