Visual Analytics approach for the correlation-based comparison of two ensemble time series.

Git:to be done

GeoMultiSens supports the holistic processing and analysis of optical remote sensing data from different archives.

Spatial and spectral homogenization of satellite remote sensing data. 

Kontakt: Dr. Daniel Eggert, Daniel Scheffler

Habitat Sampler (HaSa, Community Version), ein innovatives Werkzeug, das selbstständig repräsentative Referenzproben für die prädiktive Modellierung von Oberflächenklassenwahrscheinlichkeiten erzeugt. Das R-Paket kann auf alle Bilddaten angewendet werden, die Oberflächenstrukturen und -dynamik jeglicher Art auf mehreren räumlichen und zeitlichen Skalen zeigen.

Die Hauptinnovation des Tools besteht darin, dass es die Abhängigkeit von umfassenden In-situ-Bodenwahrheitsdaten oder umfassenden Trainingsdatensätzen reduziert, die eine genaue Bildklassifizierung insbesondere in komplexen Szenen einschränken. HaSa wurde von Carsten Neumann (Helmholtz-Zentrum Potsdam GFZ Deutsches GeoForschungsZentrum) im Rahmen des vom Bundesministerium für Bildung und Forschung (BMBF) geförderten Projekts NaTec - KRH entwickelt. Für eine detaillierte Beschreibung des Habitat Samplers und seiner Anwendungen siehe Neumann et al., (2020).

Kontakt: Dr. Carsten Neumann

HYSOMA (Hyperspectral SOil MApper) ist eine Software-Schnittstelle, die derzeit am Deutschen GeoForschungsZentrum GFZ entwickelt wird. Es ist eine experimentelle Plattform für Bodenkartierungsanwendungen von hyperspektralen Bildern, die eine einfache Implementierung in den hyperspektralen und nicht-hyperspektralen Communities ermöglicht (Verteilung unter der idl-virtual machine) und die Auswahl mehrerer Algorithmen für jeden Bodenparameter bietet. Die Hauptmotivation für die Entwicklung von HYSOMA ist es, Experten und Nicht-Experten eine Reihe von Werkzeugen zur Verfügung zu stellen, die für Bodenanwendungen genutzt werden können. Die Algorithmen konzentrieren sich auf die vollautomatische Erstellung von semiquantitativen Bodenkarten für wichtige Bodenparameter wie Bodenfeuchte, organischer Kohlenstoff und Bodenmineralien (Eisenoxide, Tonminerale, Karbonate). Zusätzliche Werkzeuge zur Bodenanalyse wurden implementiert, um z.B. die Ableitung quantitativer Karten auf Basis von in-situ-Datensätzen zu ermöglichen.

Kontakt: Dr. Sabine Chabrillat

The local PLSR methodology: Quantification of soil parameters e.g. organic carbon, in field soil samples using spectrally similar soil samples from a large scale soil spectral database. For this purpose, Laboratory spectra measured from the field soil samples are required and compared with the laboratory spectra from the soil spectral database. The most similar soil samples from the soil spectral database are then used to train a separate PLSR model for each field sample. Each model is applied to the respective field sample to quantify the soil parameter. The localPLSR thus represents an alternative to the conventional quantification (in the chemical laboratory) of spectrally active soil parameters. For this purpose, laboratory spectra of the field samples need to be measured with laboratory spectrometers.

contact: Kathrin Ward 

PyRQA conducts recurrence analysis in a massively parallel manner using the OpenCL framework. It is designed to efficiently process time series consisting of hundreds of thousands of data points.

Pip: https://pypi.org/project/PyRQA

Kontakt: Dr. Mike Sips

SEVA supports users in training classification models, assessing the classifier's errors, and exploring the classification results.

Kontakt: Dr. Daniel Eggert

Visual Analytics approach for assessing the quality of simulation models with sparse and imprecise observation data.

Git: https://gitext.gfz-potsdam.de/sec15pub/slivisu

Kontakt: Dr. Daniel Eggert 

Spektrale Homogenisierung von multispektralen Satellitendaten.

SpecHomo  ist ein Python-Paket zur spektralen Homogenisierung von multispektralen Satellitendaten, d.h. zur Transformation der spektralen Information eines Sensors in die spektralen Eigenschaften eines anderen Sensors. Dies vereinfacht Arbeitsabläufe, erhöht die Zuverlässigkeit der anschließend abgeleiteten Multisensor-Produkte und kann auch die Erzeugung neuer Produkte ermöglichen, die mit den ursprünglichen spektralen Kanalpositionen nicht möglich sind.

Kontakt: Daniel Scheffler