Umweltstatistik & GeoComputation

Im Bereich Umweltstatistik & GeoComputation der Professur für Geoinformatik werden innovative räumliche Datenanalysemethoden der Umweltstatistik und des Maschinellen Lernens entwickelt und angewandt, um akademische wie auch praktische geographische Probleme zu lösen. Diese Methoden werden ferner in (meist Open-Source-) Software implementiert.

Zu den Ergebnissen dieser Forschung zählt unter anderem die Implementierung von Erweiterungen für die Datenanalyse-Software R für die räumliche Kreuzvalidierung und die Anbindung von R and SAGA GIS, sowie die Entwicklung des ersten alpenweiten Permafrostmodells. Diese Entwicklungen sind oft angetrieben und inspiriert durch praktische Herausforderungen, die bei der Zusammenarbeit mit Partnern in Wissenschaft und Wirtschaft auftreten. Kooperationen finden dabei mit unterschiedlichen Anwendungsfeldern statt, beispielsweise Fernerkundung, Ökologie und Präzisionslandwirtschaft.

Mitarbeiter
Prof. Dr. Alexander Brenning

Florian Strohmaier

Pascal Schlechtweg

Jonathan Frank

Marco Peña

Donovan Bangs (University of Waterloo)

Renfang Liao (University of Waterloo)
Aktuelle Projekte
Bundesweite Regionalisierung der Nitratbelastung des Grundwassers mithilfe innovativer Methoden der Geostatistik und KI als wissenschaftliche Grundlage für fachliche Vollzugsaufgaben im Grundwasserschutz (REGENI)

Entwicklung eines geostatistischen Regionalisierungsverfahrens zur Abgrenzung von nitratbelasteten Gebieten in Schleswig-Holstein
Abgeschlossene Projekte
Wissenschaftler Rückkehrprogramm der German Scholars Organization und der Carl Zeiss Stiftung

NSERC Discovery Grant - Individual (at the University of Waterloo, Canada)

Humboldt Research Fellowship (sabbatical of A. Brenning at the University of Heidelberg)

Permafrost Favorability Index Map for the Chilean Semi-Arid AndesExterner Link
Ausgewählte Publikationen
Albuquerque, J. P., Herfort, B., Brenning, A. & A. Zipf (2015). Geographic approach for combining social media and authoritative data towards improving information extraction for disaster management. International Journal of Geographic Information Science, 29(4): 667-689.

Iturritxa, E., Mesanza, N. & Brenning, A. (2015). Spatial analysis of the risk of major forest diseases in Monterey pine plantations. Plant Pathology, 64(4): 880-889.

Goetz, J. N., A. Brenning, H. Petschko, P. Leopold. Evaluating machine learning and statistical prediction techniques for landslide susceptibility modelling. Computers & Geosciences, submitted, 81: 1-11.

Brenning, A., M. Schwinn, A. P. Ruiz-Páez & J. Muenchow. 2015. Landslide susceptibility near highways is increased by 1 order of magnitude in the Andes of southern Ecuador, Loja province, Nat. Hazards Earth Syst. Sci., 15, 45-57, doi:10.5194/nhess-15-45-2015.

Zandler, H., A. Brenning & C. Samimi. 2015. Quantifying dwarf shrub biomass in an arid environment: comparing empirical methods in a high dimensional setting. Remote Sensing of Environment, 158: 140-155. doi:10.1016/j.rse.2014.11.007

Peña, M.A., A. Brenning & A. Sagredo. 2012. Constructing satellite-derived hyperspectral indices sensitive to canopy structure variables of a Cordilleran Cypress (Austrocedrus chilensis) forest. ISPRS Journal of Photogrammetry & Remote Sensing, 74: 1-10.

Knudby, A., A. Brenning & E. LeDrew. 2010. New approaches for modeling fish-habitat relationships. Ecological Modelling, 221: 503-511