Pedometrics
In der UFZ-Arbeitsgruppe Pedometrics ist es unser Ziel, räumliche Bodenverbreitungsmuster und deren Wechselwirkungen mit der Biosphäre und der Hydrosphäre zu verstehen und zu modellieren.
Pedometrics ist eine interdisziplinäre Wissenschaft im Zusammenspiel von Bodenkunde, angewandter Mathematik/ Statistik und Geoinformatik. Untersuchungsgegenstand ist die räumlich-zeitliche Variabilität der Pedospäre auf unterschiedlichen Skalen. Modellierungsansätze kommen dabei genauso zum Einsatz wie zahlreiche Aspekte der Sensorik und der Geodatananalyse. Gemein ist allen Forschungsansätzen, dass die Quantifizierung der Vorhersage-Unschärfe einen wichtigen Raum einnimmt. Aktuell kommt dem Einsatz von Algorithmen und Optimierungsverfahren aus dem Bereich des ‚Spatial Data Science‘ immer größere Bedeutung zu. Letztere entwickelte sich aus der Mustererkennung und der Theorie des rechnergestützten Lernens und untersucht die Anwendung und Konstruktion mathematischer Algorithmen, die Wissen aus komplexen Datenstrukturen ableiten können.
Wissenschaftler
Dr. Mareike Ließ
AG-Leiterin
Dr. Javier Reyes
Wissenschaftlicher Mitarbeiter
Alumni
Anika Gebauer
Ali Sakhaee
Dr. Matteo Poggio
Carlos M. Guio Blanco
Monja Ellinger
Istvan Dunkl
Lisa Krieg
Tobias Koch
BONARES
Boden als nachhaltige Ressource für die Bioökonomie
Gefördert durch: Bundesministerium für Bildung und Forschung - BMBF
SoilSpace3D-DE
Erstellung bundesweiter, räumlich hochaufgelöster Bodeninformation (2D, 3D) mittels verschiedener Modellierungsansätze.
In Kooperation mit Thünen-Institut für Agrarklimaschutz
SOCmonit
Monitoring des organischen Bodenkohlenstoffs mittels Methoden der Fernerkundung und der Proximal-Bodenerfassung
Gefördert durch: Bundesministerium für Ernährung und Landwirtschaft - BMEL
2024 (1)
- Reyes, J., Ließ, M. (2024):
Spectral data processing for field-scale soil organic carbon monitoring
Sensors 24 (3), art. 849 10.3390/s24030849
2023 (1)
- Reyes, J., Ließ, M. (2023):
On-the-go Vis-NIR spectroscopy for field-scale spatial-temporal monitoring of soil organic carbon
Agriculture-Basel 13 (8), art. 1611 10.3390/agriculture13081611
2022 (5)
- Dunkl, I., Ließ, M. (2022):
On the benefits of clustering approaches in digital soil mapping: an application example concerning soil texture regionalization
Soil 8 (2), 541 - 558 10.5194/soil-8-541-2022 - Gebauer, A., Sakhaee, A., Don, A., Poggio, M., Ließ, M. (2022):
Topsoil texture regionalization for agricultural soils in Germany – an iterative approach to advance model interpretation
Front. Soil Sci. 1 , art. 770326 10.3389/fsoil.2021.770326 - Ließ, M. (2022):
Modeling the agricultural soil landscape of Germany—A data science approach involving spatially allocated functional soil process units
Agriculture-Basel 12 (11), art. 1784 10.3390/agriculture12111784 - Ließ, M. (2022):
3D soil parameter space of the agricultural landscape [Germany, Version 2]
BonaRes 10.20387/bonares-13qm-mw25 - Sakhaee, A., Gebauer, A., Ließ, M., Don, A. (2022):
Spatial prediction of organic carbon in German agricultural topsoil using machine learning algorithms
Soil 8 (2), 587 - 604 10.5194/soil-8-587-2022
2021 (2)
- Bartkowski, B., Droste, N., Ließ, M., Sidemo-Holm, W., Weller, U., Brady, M.V. (2021):
Payments by modelled results: A novel design for agri-environmental schemes
Land Use Pol. 102 , art. 105230 10.1016/j.landusepol.2020.105230 - Ließ, M., Gebauer, A., Don, A. (2021):
Machine learning with GA optimization to model the agricultural soil-landscape of Germany: An approach involving soil functional types with their multivariate parameter distributions along the depth profile
Front. Environ. Sci. 9 , art. 692959 10.3389/fenvs.2021.692959
2020 (3)
- Gebauer, A., Ellinger, M., Brito Gomez, V.M., Ließ, M. (2020):
Development of pedotransfer functions for water retention in tropical mountain soil landscapes: spotlight on parameter tuning in machine learning
Soil 6 (1), 215 - 229 10.5194/soil-6-215-2020 - Ließ, M. (2020):
At the interface between domain knowledge and statistical sampling theory: Conditional distribution based sampling for environmental survey (CODIBAS)
Catena 187 , art. 104423 10.1016/j.catena.2019.104423 - Zhang, X., Wendroth, O., Matocha, C., Zhu, J., Reyes, J. (2020):
Assessing field-scale variability of soil hydraulic conductivity at and near saturation
Catena 187 , art. 104335 10.1016/j.catena.2019.104335
2019 (6)
- Bartkowski, B., Droste, N., Ließ, M., Sidemo-Holm, W., Weller, U., Brady, M.V. (2019):
Implementing result-based agri-environmental payments by means of modelling
UFZ Discussion Papers 5/2019
Helmholtz-Zentrum für Umweltforschung - UFZ, Leipzig, 28 pp. - Ellinger, M., Merbach, I., Werban, U., Ließ, M. (2019):
Error propagation in spectrometric functions of soil organic carbon
Soil 5 (2), 275 - 288 10.5194/soil-5-275-2019 - Gebauer, A., Brito Gómez, V.M., Ließ, M. (2019):
Optimisation in machine learning: An application to topsoil organic stocks prediction in a dry forest ecosystem
Geoderma 354 , art. 113846 10.1016/j.geoderma.2019.07.004 - Reyes, J., Wendroth, O., Matocha, C., Zhu, J. (2019):
Delineating site-specific management zones and evaluating soil water temporal dynamics in a farmer’s field in Kentucky
Vadose Zone J. 18 (1), art. 180143 10.2136/vzj2018.07.0143 - Vogel, H.-J., Eberhardt, E., Franko, U., Lang, B., Ließ, M., Weller, U., Wiesmeier, M., Wollschläger, U. (2019):
Quantitative evaluation of soil functions: potential and state
Front. Environ. Sci. 7 , art. 164 10.3389/fenvs.2019.00164 - Wiesmeier, M., Urbanski, L., Hobley, E., Lang, B., von Lützow, M., Marin-Spiotta, E., van Wesemael, B., Rabot, E., Ließ, M., Garcia-Franco, N., Wollschläger, U., Vogel, H.-J., Kögel-Knabner, I. (2019):
Soil organic carbon storage as a key function of soils - A review of drivers and indicators at various scales
Geoderma 333 , 149 - 162 10.1016/j.geoderma.2018.07.026
2018 (1)
- Guio Blanco, C.M., Brito Gomez, V.M., Crespo, P., Ließ, M. (2018):
Spatial prediction of soil water retention in a Páramo landscape: methodological insight into machine learning using random forest
Geoderma 316 , 100 - 114 10.1016/j.geoderma.2017.12.002
2017 (2)
- Jeong, G., Choi, K., Spohn, M., Park, S.J., Huwe, B., Ließ, M. (2017):
Environmental drivers of spatial patterns of topsoil nitrogen and phosphorus under monsoon conditions in a complex terrain of South Korea
PLOS One 12 (8), e0183205 10.1371/journal.pone.0183205 - Jeong, G., Oeverdieck, H., Park, S.J., Huwe, B., Ließ, M. (2017):
Spatial soil nutrients prediction using three supervised learning methods for assessment of land potentials in complex terrain
Catena 154 , 73 - 84 10.1016/j.catena.2017.02.006
2016 (1)
- Ließ, M., Schmidt, J., Glaser, B. (2016):
Improving the spatial prediction of soil organic carbon stocks in a complex tropical mountain landscape by methodological specifications in machine learning approaches
PLOS One 11 (4), e0153673 10.1371/journal.pone.0153673