Fernerkundung und maschinelles Lernen zur Erfassung von urbanem Grün - Eine Analyse am Beispiel der Verteilungsgerechtigkeit in Deutschland

Weigand, Matthias (2024) Fernerkundung und maschinelles Lernen zur Erfassung von urbanem Grün - Eine Analyse am Beispiel der Verteilungsgerechtigkeit in Deutschland. Dissertation, Julius-Maximilians-Universität Würzburg. doi: 10.25972/OPUS-34961.

PDF
34MB

Offizielle URL: https://nbn-resolving.org/urn:nbn:de:bvb:20-opus-349610

elib-URL des Eintrags:

https://elib.dlr.de/198338/

Dokumentart:

Hochschulschrift (Dissertation)

Zusätzliche Informationen:

Gefördert durch ein Promotionssipendium der Deutschen Bundesstiftung Umwelt (DBU)

Titel:

Fernerkundung und maschinelles Lernen zur Erfassung von urbanem Grün - Eine Analyse am Beispiel der Verteilungsgerechtigkeit in Deutschland

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Weigand, Matthias	Matthias.Weigand (at) dlr.de	https://orcid.org/0000-0002-5553-4152	NICHT SPEZIFIZIERT

Datum:

2024

Open Access:

DOI:

10.25972/OPUS-34961

Seitenanzahl:

177

Status:

veröffentlicht

Stichwörter:

remote sensing, machine learning, urban green, environmental justice, Germany, Fernerkundung, maschinelles Lernen, urbane Grünflächen, Umweltgerechtigkeit, Deutschland

Institution:

Julius-Maximilians-Universität Würzburg

Abteilung:

Institut für Geographie und Geologie

HGF - Forschungsbereich:

Luftfahrt, Raumfahrt und Verkehr

HGF - Programm:

Raumfahrt

HGF - Programmthema:

Erdbeobachtung

DLR - Schwerpunkt:

Raumfahrt

DLR - Forschungsgebiet:

R EO - Erdbeobachtung

DLR - Teilgebiet (Projekt, Vorhaben):

R - Fernerkundung u. Geoforschung, R - Geowissenschaftl. Fernerkundungs- und GIS-Verfahren

Standort:

Oberpfaffenhofen

Institute & Einrichtungen:

Deutsches Fernerkundungsdatenzentrum > Georisiken und zivile Sicherheit

Hinterlegt von:

Weigand, Matthias

Hinterlegt am:

19 Mär 2024 09:43

Letzte Änderung:

15 Apr 2024 09:11

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags