Vegetationsänderung der hohen Breiten
Das Klima in den hohen Breiten verändert sich rasant – mit weitreichenden Folgen für die Vegetation und ihre geografische Verbreitung. Unsere Forschung konzentriert sich auf den Taiga-Tundra-Ökoton in Nordamerika und Eurasien, den sensiblen Übergangsbereich zwischen den baumlosen Tundren des Nordens und den dichten Wäldern der Taiga. Hier untersuchen wir die arktische Baumgrenze sowie Gebirgsbaumgrenzen – von einzelnen Bäumen in der Tundra über offene Waldbestände in der Waldtundra bis hin zu dichten Nadelwäldern im wärmeren Süden.
Unser Ziel ist es, die Ökosystemfunktionen und -leistungen des Taiga-Tundra-Ökotons zu verstehen, in Vergangenheit, Gegenwart und Zukunft. Dabei betrachten wir Prozesse vom Einzelbaum bis zum Wald als Gesamtheit, von der Schutzfunktion für den Permafrost bis hin zur Rolle im globalen Kohlenstoffkreislauf.
Unsere Methoden
Leitung
Kunyan Hao (Wissenschaftliche Technikerin)
Antonia Gfrörer (BSc., Studentische Assistentin)
Elisabeth Riegel (MSc., Studentische Assistentin)
Amely Wernitz (BSc., Studentische Assistentin)
Nelly Zens (MSc., Studentische Assistentin)
Prof. Dr. Elisabeth Dietze
Dr. Alison Beamish
Dr. Xianyong Cao
Dr. Léa Enguehard
Dr. Rongwei Geng
Dr. Ramesh Glückler
Dr. Sarah Haupt
Dr. Simone Stuenzi
Dr. Ximena Tabares
Dr. Fang Tian
Dr. Iuliia Shevtsova
Jakob Broers (wissenschaftlicher Mitarbeiter)
Timon Miesner (wissenschaftlicher Mitarbeiter)
Femke van Geffen
Josias Gloy
Dr. Sarah Haupt
Prof. Dr. Luidmila Pestryakova
Prof. Dr. Xingqi Liu
Prof. Dr. Jian Ni
Dr. Natalya Rudaya
Dr. Kai Li
Dr. Yury Dvornikov
Dr. Evgenii Zakharov
Projekte, Kooperationen
ForestUNLOCK integriert terrestrische, flugzeuggestützte und satellitengestützte Sensordaten, um ein mehrdimensionales, mehrskaliges Benchmark‑Datenset für KI‑basiertes Monitoring von Borealkonferenzen und Kohlenstoffbilanzierungen zu erstellen. Das Projekt zielt darauf ab, Algorithmen zu entwickeln, die Walddichte, Holzvolumen und Kohlenstoffspeicher automatisiert aus Fernerkundungsdaten ableiten, um die globale Treibhausgasbilanz von Boreallebensräumen besser abzubilden.
Kontakt: Dr. Stefan Kruse
Partner:
- Alfred‑Wegener‑Institut, Helmholtz‑Zentrum für Polar‑ und Meeresforschung (AWI)
- Deutsches Zentrum für Luft‑ und Raumfahrt (DLR) – Germany / German Aerospace Center (DLR)
- Helmholtz‑Zentrum Potsdam, Deutsches GeoForschungsZentrum (GFZ)
Laufzeit: 2026
Förderung: Gefördert im Rahmen der UNLOCK‑Benchmark‑Projekte der Helmholtz‑Gemeinschaft, aus dem Helmholtz‑Initiativ‑ und Vernetzungs‑Fonds (INF) sowie mit Eigenmitteln der beteiligten Helmholtz‑Zentren.
Weiterführende Informationen: https://helmholtz-imaging.de/project/forestunlock/
POINTR entwickelt KI‑gestützte Methoden zur automatisierten, baumindividuellen Erfassung von Waldstrukturen aus hochauflösenden fernerkundlichen Daten (z. B. Drohnen‑LiDAR und Hochflugbildern). Das Projekt zielt darauf ab, präzise 3D‑Modelle von Bäumen und Beständen zu erstellen, um Wachstum, Stresszustände und Kohlenstoffspeicherung auf Einzelbaum‑Ebene zu analysieren und so das Verständnis von Waldreaktionen auf Klimawandel und Störungen zu verbessern.
Kontakt: Dr. Stefan Kruse
Partner:
- Alfred‑Wegener‑Institut, Helmholtz‑Zentrum für Polar‑ und Meeresforschung (AWI)
- Deutsches Zentrum für Luft‑ und Raumfahrt (DLR) – Germany / German Aerospace Center (DLR)
- Helmholtz‑Zentrum Potsdam, Deutsches GeoForschungsZentrum (GFZ)
Laufzeit: 2025-2028
Förderung: Gefördert als Helmholtz‑Imaging‑Projekt aus dem Helmholtz‑Initiativ‑ und Vernetzungs‑Fonds (INF) sowie mit Eigenmitteln der beteiligten Helmholtz‑Zentren.
Weiterführende Informationen: https://helmholtz-imaging.de/project/pointr/
FAIR AIMS verbessert die Zugänglichkeit und Qualität von Proben‑Daten, indem es ein automatisiertes System für die Registrierung und Verwaltung von IGSNs (International Geo‑Sample Numbers) entwickelt. Das Projekt erstellt einen IGSN‑Online‑Template‑Generator, disziplinsspezifische Metadatenprofile für Erd‑ und Umweltproben sowie eine integrierte Schnittstelle zur HZB‑Proben‑Datenbank, um standardisierte, maschinenlesbare Probenmetadaten zu erzeugen und Open‑Science‑Praktiken zu unterstützen.
Kontakt: Dr. Birgit Heim
Laufzeit: 2024–2026 (HMC‑Projekt Phase)
Förderung: Gefördert im Rahmen der HMC‑Projektkohorte (Helmholtz Metadata Collaboration) von der Helmholtz‑Gemeinschaft.
Weiterführende Informationen: https://helmholtz-metadaten.de/de/inf-projects/fairaims
FAIR WISH entwickelt standardisierte, disziplinspezifische IGSN‑Metadatenschemata und automatisierte Workflows, um internationale Generische Proben‑Nummern (IGSNs) für physikalische Proben in der Helmholtz‑Gemeinschaft einfacher zu registrieren und zu verwalten. Das Projekt deckt eine breite Palette an Probentypen aus den Bereichen Erde und Umwelt (z. B. Gestein, Boden, Vegetation, Wasser‑ und Sedimentproben) ab und unterstützt alle Digitalisierungsstufen – von Feldbuchnotizen einzelner Forschender bis zu voll digitalem Probenmanagement in Datenbanken.
Kontakt: Dr. Birgit Heim
Partner: GFZ, AWI, Hereon
Laufzeit: 2020–2024 (HMC‑Projektkohorte)
Förderung: Gefördert im Rahmen der Helmholtz Metadata Collaboration (HMC) von der Helmholtz‑Gemeinschaft.
Weiterführende Informationen: https://helmholtz-metadaten.de/de/inf-projects/fair-wish
Das Projekt untersucht, wie die Topografie die Kohlenstoffspeicherung und Verteilung im nördlichen Borealdickwald entlang des Tundra‑Taiga‑Ökokotons (TTE) beeinflusst und wie stabil diese Zusammenhänge über mehrere Jahrzehnte bleiben. Mittels generalisierter Additivmodelle werden die Beziehungen zwischen oberirdischem Biomasse‑Vorrat (AGB) und Geländeformen analysiert; vorhandene Langzeit‑Daten und Fernerkundungsrekonstruktionen dienen dazu, die Stabilität dieser topografischen Effekte zu prüfen und die individual‑basierte Vegetationsmodell‑Plattform LAVESI so zu erweitern, dass zukünftige AGB‑Trajektorien im TTE unter Klimawandel abgeschätzt werden können.
Kontakt: Dr. Stefan Kruse
Laufzeit: 2026-2028
Förderung: Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Programm „Einzelförderung (Research Grants)“
Weiterführende Informationen: https://gepris.dfg.de/gepris/projekt/563037533
Das Projekt untersucht, wie sich die Höhen‑Baumgrenze im Ural unter dem Einfluss des Klimawandels verschiebt und welche Faktoren – wie Wachstumsbedingungen, Mikro‑Konturen, Schnee‑ und Störungsdynamik – eine Ausbreitung der Tanne‑Baumgrenze begrenzen. Mittels Feldstudien, Holoring‑ und Genomdaten sowie Modellierung wird der Beitrag genetischer Anpassung und ökologischer Restriktionen an die Treelinedynamik analysiert, um die Reaktionsfähigkeit von Borealwäldern im Ural unter zukünftigen Klimaszenarien besser zu bewerten.
Kontakt: Dr. Stefan Kruse
Laufzeit: 2021–2025
Förderung: Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen eines Einzelprojekt‑Antrags.
Weiterführende Informationen: https://gepris.dfg.de/gepris/projekt/448651799
Das Projekt untersucht, wie sich die Pflanzenvielfalt und Vegetationszusammensetzung auf dem südöstlichen Tibet‑Plateau während des Jungpleistozäns und der Holozän‑Erwärmung verändert hat und welche klimatischen und ökologischen Faktoren die Zusammensetzung der Pflanzengesellschaften steuern. Auf Basis von sedentärem alten DNA‑Daten (sedaDNA), Pollen‑ und anderen Proxy‑Daten werden die Reaktionen von Hochgebirgs‑ und alpinen Pflanzengesellschaften auf Kälte‑ und Wärmephasen, Schneeschmelze und Kryosphärenverlust analysiert, um die Verletzlichkeit dieser einzigartigen Biodiversität gegenüber zukünftiger Erwärmung besser zu bewerten.
Kontakt: Dr. Stefan Kruse
Laufzeit: 2019–2024
Förderung: Gefördert durch die Deutsche Forschungsgemeinschaft (DFG) im Rahmen eines Einzelprojekts (Projektnummer 410561986).
Weiterführende Informationen: https://gepris.dfg.de/gepris/projekt/410561986
AI-vergreens entwickelte FAIR DATA Daten- und Code Publikationen für den spezifischen boreal nördlichen Waldes in Sibirien, Alaska und Kanada, und ermöglicht damit den Downstream-Task von Satellitendaten-basierter Klassifizierung von sommergrünen und immergrünen Nadelwäldern. Ein wertvoller Bestandteil in AI-vergreen ist die Bereitstellung von gelabelten Satelliten Trainings-, Validierungs und umfangreich getestete Benchmarkdaten für KI-gestützte Klassifizierungs-Anwendungen auf Basis der, UAV Waldstruktur und der Sentinel-2, Sentinel-1, Harmonised Landsat-Sentinel-2 (HLS) Satellitendaten. Machine Learning) liefert den Downstream Task der Ableitung von Boreale Wald-Struktur und borealer Wald Typus für diesen speziellen borealen Wald Typus.
Kontakt: Dr. Birgit Heim
Partner:
- Alfred‑Wegener‑Institut, Helmholtz‑Zentrum für Polar‑ und Meeresforschung (AWI)
- Deutsches Zentrum für Luft‑ und Raumfahrt (DLR)
- Technische Universität Berlin (TUB)
Laufzeit: 2022-20285
Förderung: Gefördert durch das Bundesministerium für Wirtschaft und Energie (BMWE)