• Forschungsschwerpunkte

    • Fernerkundung in der Ökologie
    • Maschinelles Lernen für räumliche Umweltdaten

  • Vita

    Akademische Ausbildung

    Promotion, Remote sensing and machine learning for multi-scale ecosystem monitoring
    Doktorand, Institut für Landschaftsökologie, Universität Münster
    Doktorand, Geographie - AG Umweltinformatik - Philipps-Universität Marburg
    M.Sc. Physische Geographie, Philipps-Universität Marburg
    B.Sc. Umweltwissenschaften, Universität Koblenz-Landau

    Beruflicher Werdegang

    Akademischer Rat auf Zeit, AG Fernerkundung und Räumliche Modellierung, Institut für Landschaftsökologie, Universität Münster
    Wissenschaftlicher Mitarbeiter - AG Fernerkundung und Räumliche Modellierung, Institut für Landschaftsökologie, Universität Münster
    Wissenschaftlicher Mitarbeiter - Natur 4.0, Philipps-Universität Marburg.

  • Lehre

  • Publikationen

    • , , , , und . . „The CAST package for training and assessment of spatial prediction models in R.“ arXiv doi: 10.48550/arXiv.2404.06978.
    • , , , , und . . „Random forests with spatial proxies for environmental modelling: opportunities and pitfalls.“ Geoscientific Model Development, Nr. 2024 (17): 6007–603. doi: 10.5194/gmd-17-6007-2024.
    • , , , und . . „kNNDM CV: k-fold nearest-neighbour distance matching cross-validation for map accuracy estimation.“ Geoscientific Model Development, Nr. 17 (15): 5897–5912. doi: 10.5194/gmd-17-5897-2024.
    • , , , , , und . . „High-resolution soil temperature and soil moisture patterns in space, depth and time: An interpretable machine learning modelling approach.“ Geoderma, Nr. 451: 117049–117049. doi: 10.1016/j.geoderma.2024.117049.
    • , , , , , , , , , , und . . „Recent trends in moisture conditions across European peatlands.“ Remote Sensing Applications: Society and Environment, Nr. 2024: 101385–101385. doi: https://doi.org/10.1016/j.rsase.2024.101385.
    • , , , und . . „Estimation of local training data point densities to support the assessment of spatial prediction uncertainty.“ EGUsphere doi: 10.5194/egusphere-2024-2730.
    • , , , , , , , , und . . „Leveraging heterogeneous LiDAR data to model successional stages at tree species level in temperate forests.“ Environmental Data Science, Nr. 3: e24–e24. doi: 10.1017/eds.2024.31.
    • , , , , , , , , , , , , , , , , , , , , , , , , , , , und . „Soil carbon in the world’s tidal marshes.“ Nature Communications, Nr. 15 10265. doi: 10.1038/s41467-024-54572-9.

    • , , , , und . . „Assessing and improving the transferability of current global spatial prediction models.“ Global Ecology and Biogeography, Nr. 00: 1–13. doi: 10.1111/geb.13635.
    • , , , , , und . . „Using GEDI as training data for an ongoing mapping of landscape-scale dynamics of the plant area index.“ Environmental Research Letters, Nr. 18 (7) doi: 10.1088/1748-9326/acde8f.

    • , , , und . . „Developing Transferable Spatial Prediction Models: a Case Study of Satellite Based Landcover Mapping.“ Beitrag präsentiert auf der ISPRS, Nice doi: 10.5194/isprs-archives-XLIII-B3-2022-135-2022.

    • , , , , , , und . . „PioLaG: a piosphere landscape generator for savanna rangeland modelling.“ Landscape Ecology, Nr. 35 (9): 2061–2082. doi: 10.1007/s10980-020-01066-w.
    • , , , , , , , , , , und . . „Quality Assessment of Photogrammetric Methods—A Workflow for Reproducible UAS Orthomosaics.“ Remote Sensing, Nr. 12 (22): 3831. doi: 10.3390/rs12223831.

    • , , , , , , und . . „Machine learning and multi-sensor based modelling of woody vegetation in the Molopo Area, South Africa.“ Remote Sensing of Environment, Nr. 222: 195–203. doi: 10.1016/j.rse.2018.12.019.
    • , , , , , und . . „Introduction of an automatic and open‐source radio‐tracking system for small animals.“ Methods in Ecology and Evolution, Nr. 10 (12): 2163–2172. doi: 10.1111/2041-210X.13294.