Detailseite
Projekt
Integration von Fernerkundungsinformationen in das Cosmic Ray Neutron Sensing (CRNS) Signal zur Modellierung und zur Stichprobenerfassung der Bodenfeuchte
Antragstellerinnen / Antragsteller
Dr.-Ing. Michael Förster; Professorin Dr. Birgit Kleinschmit
Fachliche Zuordnung
Hydrogeologie, Hydrologie, Limnologie, Siedlungswasserwirtschaft, Wasserchemie, Integrierte Wasserressourcen-Bewirtschaftung
Förderung
Förderung seit 2018
Projektkennung
Deutsche Forschungsgemeinschaft (DFG) - Projektnummer 357874777
Die Ergebnisse der ersten Phase der Forschergruppe Cosmic Sense hat gezeigt, dass es einen starken Zusammenhang zwischen der von CRNS abgeleiteten Bodenfeuchtegehalt (BFG) und dem aktiven und passiven Fernerkundungssignal gibt. Dies wurde sowohl für verschiedene UAS-Daten als auch für Sentinel-1- und -2-Satelliteninformationen gezeigt. Es besteht jedoch immer noch ein hohes Maß an Unsicherheit bezüglich der räumlichen und zeitlichen Variabilität der verschiedenen Messsysteme, die im Detail entschlüsselt werden müssen, um die besten Maßstäbe für die Übertragung der CRNS-Footprints auf eine größere räumliche Abdeckung mit Fernerkundungsdaten zu finden. Obwohl die empirischen Untersuchungen plausible Ergebnisse zeigen, sind sie immer noch auf regionale Besonderheiten angewiesen und erfordern eine zusätzliche physikalisch basierte Modellierung, um die Zusammenhänge, insbesondere in Bezug auf die räumliche Verteilung (horizontal und vertikal) verschiedener Wasserstoffpools zu verstehen. Dies kann zu einer klaren Trennung des Bodenfeuchtesignals von anderen Wasserstoffpools im Footprint führen. Sowohl empirische als auch physikalische Modelle sind auf gemessene Eingangsgrößen angewiesen, die den gesamten Bereich der beobachteten Zielgröße unter verschiedenen Umweltbedingungen abdecken. Solche repräsentativen Messpunkte zu finden ist entscheidend für eine zukünftige BF-Überwachung im Einzugsgebiet. Hochauflösende Fernerkundungsdaten kombiniert mit neuen KI-Methoden können diese Herausforderung annehmen. Unser wissenschaftliches Ziel ist es, die Verteilung und zeitlichen Veränderungen der BF in großräumigen Landschaften mit ihren vielfältigen Mosaiken zu verstehen. Daher müssen wir das Verständnis des Neutronentransports in Gebieten mit heterogener Biomasseverteilung verbessern. Dazu wollen wir Strahlungstransportmodelle (STM) und Neutronentransportmodelle koppeln. STMs liefern Informationen über den Wassergehalt der Pflanzen und können nach Invertierung in die Neutronentransportmodellierung einbezogen werden. Mit diesem modellierten Vegetationswassergehalt wollen wir charakteristische Standorte für CRNS-Sonden innerhalb der Joint Field Campaign (JFC) identifizieren. Dies wird in neuartigen Deep-Learning (DL)-Methoden umgesetzt, die zeitliche und räumliche Charakteristika der BF in Relation zu einem Prädiktor-Datensatz, bestehend aus Fernerkundungs- und anderen räumlichen Daten, berücksichtigen. Die DL-Methoden werden zur Ableitung von BF-Variabilitätskarten verwendet. CRNS-Messungen aus gemeinsamen Feld-Kampagnen werden zur Validierung und zum Vergleich der abgeleiteten repräsentativen Stichproben verwendet. Zudem wird aus dem CRNS-Datensatz der JFC und den DL-Ansätzen eine hochauflösende BF-Karte für das Elbe-Einzugsgebiet erstellt. Diese Ergebnisse werden die Grundlage für einen Vergleich von BF-Mustern in den verschiedenen räumlichen Auflösungen (m bis km) unter Verwendung von UAS- und globalen Fernerkundungs-BF-Produkten sein.
DFG-Verfahren
Forschungsgruppen
