PhD position (f/m/d) Cross-Sensor Transfer Learning for Long-Term Forest Biomass and Structure [...]

Haben Sie ein starkes Interesse an Fernerkundung, Wäldern und Erdbeobachtung? Sind Sie begeistert davon, nächste Generation Satellitenmissionen mit maschinellem Lernen zu kombinieren, um langfristige Wald dynamiken zu rekonstruieren? Wenn ja, laden wir Bewerbungen für eine PhD-Position am Institut für Photogrammetrie und Fernerkundung (KIT-IPF) im Rahmen der Internationalen Graduiertenschule C4LaND ein.

Wälder spielen eine zentrale Rolle im Landnutzungsnexus, indem sie Kohlenstoffspeicherung, Biodiversität und erneuerbare Ressourcen bereitstellen, während sie zunehmend von Landnutzungsänderungen und Klimaextremen betroffen sind. Robuste, räumlich explizite und zeitlich konsistente Informationen über Wald biomasse und -struktur sind entscheidend für die Bewertung langfristiger Landnutzungs trade-offs und zur Information integrierter Modellierungs- und Governance-Rahmen. Neu gestartete Synthetic Aperture Radar (SAR) Satellitenmissionen wurden speziell entwickelt, um dreidimensionale Waldstruktur und oberirdische Biomasse mit hoher Sensitivität abzurufen, aber ihre Beobachtungsdaten sind kurz. Im Gegensatz dazu bieten etablierte SAR-Missionen wie Sentinel-1 dichte und konsistente Zeitreihen, die über ein Jahrzehnt zurückreichen, jedoch mit begrenzter Biomassesensitivität.

Diese PhD-Position ist Teil der Internationalen Graduiertenschule C4LaND und konzentriert sich auf die Entwicklung von Transfer-Lernansätzen, die Schätzungen der oberirdischen Biomasse und Struktur von Wäldern aus nächsten Generationen, biomasse-orientierten SAR-Missionen mit langfristigen SAR-Archiven verknüpfen, um eine räumlich explizite Rekonstruktion der Wald dynamiken mindestens bis zum Beginn der Sentinel-1-Ära zu ermöglichen. Das Projekt wird am KIT (Karlsruher Institut für Technologie), Institut für Photogrammetrie und Fernerkundung (IPF), unter der Aufsicht von Prof. Stefan Hinz durchgeführt. Ihr Co-Betreuer in Melbourne wird Dr. Jagannath Aryal sein.

Forschungsrichtungen umfassen:

• Entwicklung von Cross-Sensor-Transfer-Lernrahmen basierend auf multi-level SAR-Beobachtungen zur Schätzung der oberirdischen Biomasse durch Ausnutzung polarimetrischer SAR-Merkmale über Sensor-Generationen hinweg und deren Anreicherung mit höherordentlichen strukturellen Informationen aus Polarimetric InSAR und Tomographic SAR, wo verfügbar.
• Erforschung von multimodalen und multimodellen Unterstützungen unter Verwendung optischer und hyperspektraler Daten zur Verbesserung der Robustheit und Generalisierbarkeit des Transferlernens zwischen SAR-Sensoren.
• Sensorbewusste Unsicherheitscharakterisierung und Fehlerübertragung, mit dem Schwerpunkt auf der Zerlegung des Fehlerbudgets und der Schätzung des Verlusts an Präzision, der mit Produkten verbunden ist, die aus etablierten Missionen im Vergleich zu neuen Biomasse-Missionen abgeleitet werden.
• Validierung über langfristige Waldobservatorien in mehreren Regionen, einschließlich Europa (TERENO), Australien (CSIRO Permanent Rainforest Plots) und potenziell Brasilien, um die Übertragbarkeit über Waldtypen, Klimazonen und Landnutzungskontexte, die für C4LaND relevant sind, sicherzustellen.

Eintrittstermin: Oktober 2026

Ihre Qualifikation:

• Ein überdurchschnittlicher M.Sc.-Abschluss (oder gleichwertig) in Fernerkundung, Umweltwissenschaften, Informatik, Forstwirtschaft oder einem verwandten Bereich.
• Starker Hintergrund und Interesse an Erdbeobachtung, Fernerkundung von Wäldern und SAR-Datenverarbeitung.
• Erfahrung mit maschinellem Lernen, Domänenanpassung oder Transfer-Lernmethoden ist sehr wünschenswert.
• Ausgezeichnete Kommunikationsfähigkeiten und Begeisterung für die Arbeit in einem internationalen und multidisziplinären Forschungsumfeld.
• Fließende Englischkenntnisse, schriftlich und mündlich.
• Bereitschaft, einen einjährigen Forschungsaufenthalt an der University of Melbourne, Australien, zu absolvieren und die Formalitäten an beiden Institutionen einzuhalten.