Prof. Dr. Tobia Lakes

Prof. Lakes erforscht die räumlichen Wechselwirkungen zwischen Umweltbelastungen, Landnutzung und menschlicher Gesundheit in urbanen und ländlichen Räumen. Aktuell konzentriert sich seine Arbeit auf die Modellierung von Umweltexpositionen (Luftverschmutzung, Verkehrslärm, Hitze, Grünflächen) und deren gesundheitliche Auswirkungen in großen Bevölkerungskohorten sowie auf die Simulation von Landnutzungsdynamiken unter Berücksichtigung ökologischer Netzwerke und erneuerbarer Energiepolitik. Seine Methoden verbinden räumliche Datenanalyse, Machine Learning und agentenbasierte Modellierung, um für Kommunen, Gesundheitsbehörden und Raumplanungsinstitutionen evidenzbasierte Grundlagen für Resilienzstrategien und nachhaltige Flächennutzung zu schaffen.

🔒 Das System hat 894 mögliche Industrie-Partner gefunden — Firmen, Scores und Begründungen sind nur für eingeloggte Nutzer:innen sichtbar. Anmelden

• Kohlenstoffspeicherung, Biodiveristät und Sozialstrukturen im südlichen Amazonien: Modellierung und Implementierung eines Kohlenstoff-optimierten Landmanagements

  Quelle ↗

  Förderer: Bundesministerium für Forschung, Technologie und Raumfahrt Zeitraum: 06/2011 - 08/2016 Projektleitung: Prof. Dr. Patrick Hostert, Prof. Dr. Tobia Lakes

• Carbon sequestration, biodiversity and social structures in Southern Amazonia: models and implementation of carbon-optimized land management strategies

  Quelle ↗

  Förderer: Bundesministerium für Wirtschaft und Energie Zeitraum: 06/2011 - 08/2016 Projektleitung: Prof. Dr. Tobia Lakes

• EX: Crimelab Gründerstipendium

  Quelle ↗

  Förderer: Bundesministerium für Wirtschaft und Energie Zeitraum: 08/2011 - 07/2012 Projektleitung: Prof. Dr. Tobia Lakes

• Machine learning data-driven approaches for land use/cover mapping and trend analysis using Google Earth Engine

  2021

  Journal of Environmental Planning and Management · DOI

  With the recent advances in earth observation technologies, the increasing availability of data from more and more different satellite sensors as well as progress in semi-automated and automated classification techniques enable the (semi-) automated remote monitoring and analysis of large areas. Online platforms such as Google Earth Engine (GEE) bring data-driven techniques to the desktops of researchers while changing workflows and making excessive data downloads redundant. We present a study that utilizes machine learning algorithms on the GEE cloud computing platform for land use/land cover (LULC) mapping and change detection analysis using a Landsat satellite image time series. We applied different machine learning techniques to data from an environmentally sensitive area in Northern Iran. We tested their efficiency for LULC mapping and change detection analysis using the support vector machine (SVM), random forest (RF) and classification and regression tree (CART). We obtained LULC maps for the years 2000, 2005, 2010, 2015 and 2020. Training data was collected from field operations and historical datasets, and the respective LULC maps were validated using ground control points. In addition, we validated the reliability of the results through a spatial uncertainty analysis using Dempster-Shafer Theory (DST). The resulting accuracies of the classification outcomes varied significantly. SVM performed best with accuracies of 90.25%, 91.84%, 89.02%, 93.35% and 95.65% for 2000, 2005, 2010, 2015 and 2020, respectively. The spatial uncertainty analysis also validated the efficiency of SVM compared to RF and CART. The results confirm the potential of machine learning techniques for time series LULC mapping on the GEE platform while lowering the barriers to analyzing large amounts of satellite data. The results are also critical for decision-makers and authorities for analyzing the LULC changes and developing the respective environmental protection and polices in Northern Iran.