Wie reagieren die Ökosysteme auf sich ändernde Wetterverhältnisse, steigende Temperaturen und zunehmende Kohlendioxidkonzentrationen? Ist der Einfluss des Niederschlags wichtiger als der der Temperatur? Oder wird die Dynamik von Ökosystemen stärker durch die Verfügbarkeit von Nährstoffen beeinflusst? Welche Rolle spielen Extremereignisse bei der Entwicklung der biogeochemischen Kreisläufe? Um Antworten zu finden, müssen wir die Wechselwirkungen zwischen drei komplexen Systemen verstehen: Klima, Vegetation und Boden. Daher kombinieren wir Experimente und Langzeitbeobachtungen vor Ort mit Erdbeobachtungen, die von Flugzeugen und Satelliten in verschiedenen räumlichen Maßstäben gesammelt werden, und setzen datengestütztes maschinelles Lernen und theoriegestützte mechanistische Modellierung ein. Mit unserer Forschung versuchen wir zu verstehen, wie die terrestrische Biosphäre auf laufende Umweltveränderungen und Schwankungen der atmosphärischen Bedingungen reagiert und Rückkopplungen auf sie ausübt.
Neuste Publikationen
Die Publikationen sind nur in englischer Sprache verfügbar.
Hodač, L., Karbstein, K., Kösters, L., Rzanny, M., Wittich, H. C., Boho, D., et al. (2024). Deep learning to capture leaf shape in plant images: Validation by geometric morphometrics. The Plant Journal. doi:10.1111/tpj.17053. // Figure 1: Workflow of this study from data acquisition to research questions. (a) A flowering plant of Ranunculus auricomus with developed taxonomically informative basal leaves. Image data were acquired from identical leaves as smartphone images (= in situ leaf images) and by leaf scanning after herbarization (= herbarized leaf images). The in situ leaf images had a natural background, while the herbarized leaf images had a uniform background. From both in situ and herbarized images, we automatically extracted DL features (using a CNN) and manually extracted GM shapes (using a landmark digitization). (b) Our research questions regarding clustering of DL features (RQ1), covariation of DL features and GM shapes (RQ2), and automatic classification of DL fea- tures into morpho-phylo-groups (RQ3)
Hodač, L., Karbstein, K., Kösters, L., Rzanny, M., Wittich, H. C., Boho, D., et al. (2024). Deep learning to capture leaf shape in plant images: Validation by geometric morphometrics. The Plant Journal. doi:10.1111/tpj.17053. // Figure 1: Workflow of this study from data acquisition to research questions. (a) A flowering plant of Ranunculus auricomus with developed taxonomically informative basal leaves. Image data were acquired from identical leaves as smartphone images (= in situ leaf images) and by leaf scanning after herbarization (= herbarized leaf images). The in situ leaf images had a natural background, while the herbarized leaf images had a uniform background. From both in situ and herbarized images, we automatically extracted DL features (using a CNN) and manually extracted GM shapes (using a landmark digitization). (b) Our research questions regarding clustering of DL features (RQ1), covariation of DL features and GM shapes (RQ2), and automatic classification of DL fea- tures into morpho-phylo-groups (RQ3)
1.
Zhong, L.; Lei, H.; Li, Z.; Jiang, S.: Advancing streamflow prediction in data-scarce regions through vegetation-constrained distributed hybrid ecohydrological models. Journal of Hydrology 645 (PART A), 132165 (2024)
Romanou, A.; Hegerl, G. C.; Seneviratne, S. I.; Abis, B.; Bastos, A.; Conversi, A.; Landolfi, A.; Kim, H.; Lerner, P. E.; Mekus, J.et al.; Otto-Bliesner, B. L.; Pausata, F. S. R.; Pinto, I.; Suarez-Guiterrez, L.: Extreme events contributing to tipping elements and tipping points. Surveys in Geophysics (2024)
Mauder, M.; Jung, M.; Stoy, P.; Nelson, J. A.; Wanner, L.: Energy balance closure at FLUXNET sites revisited. Agricultural and Forest Meteorology 358, 110235 (2024)
