Exploring the combination of remote sensing and machine learning to correct Cosmic Ray Neutron Sensing soil moisture signals for variable biomass effects

Knieß, Jakob (2025) Exploring the combination of remote sensing and machine learning to correct Cosmic Ray Neutron Sensing soil moisture signals for variable biomass effects. Masterarbeit, University of Augsburg.

Dieses Archiv kann nicht den Volltext zur Verfügung stellen.

elib-URL des Eintrags:

https://elib.dlr.de/215293/

Dokumentart:

Hochschulschrift (Masterarbeit)

Titel:

Exploring the combination of remote sensing and machine learning to correct Cosmic Ray Neutron Sensing soil moisture signals for variable biomass effects

Autoren:

Autoren	Institution oder E-Mail-Adresse	Autoren-ORCID-iD	ORCID Put Code
Knieß, Jakob	jakob.kniess (at) uni-a.de	NICHT SPEZIFIZIERT	NICHT SPEZIFIZIERT

DLR-Supervisor:

Beitragsart	DLR-Supervisor	Institution oder E-Mail-Adresse	DLR-Supervisor-ORCID-iD
Thesis advisor	Fluhrer, Anke	Anke.Fluhrer (at) dlr.de	https://orcid.org/0000-0002-1188-5313
Thesis advisor	Jagdhuber, Thomas	Thomas.Jagdhuber (at) dlr.de	https://orcid.org/0000-0002-1760-2425

Datum:

2025

Open Access:

Nein

Status:

nicht veröffentlicht

Stichwörter:

Remote Sensing, Sentinel-1, Biomass correction, CRNS, soil moisture

Institution:

University of Augsburg

Abteilung:

Faculty of Applied Computer Science

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 - Sicherheitsrelevante Erdbeobachtung

Standort:

Oberpfaffenhofen

Institute & Einrichtungen:

Institut für Hochfrequenztechnik und Radarsysteme > Aufklärung und Sicherheit

Hinterlegt von:

Fluhrer, Anke

Hinterlegt am:

21 Jul 2025 09:16

Letzte Änderung:

31 Jul 2025 13:13

Nur für Mitarbeiter des Archivs: Kontrollseite des Eintrags