Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
AStA Wirtschafts- und Sozialstatistisches Archiv
Erschienen in: AStA Wirtschafts- und Sozialstatistisches Archiv 2-3/2016

11.07.2016 | Originalveröffentlichung

Schätzung von Holzvorräten unter Verwendung von Fernerkundungsdaten

verfasst von: Ralf Münnich, Julian Wagner, Joachim Hill, Johannes Stoffels, Henning Buddenbaum, Thomas Udelhoven

Erschienen in: AStA Wirtschafts- und Sozialstatistisches Archiv | Ausgabe 2-3/2016

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Zusammenfassung

Die Effizienz moderner Verfahren der Datenerhebung sowie deren zugehörige Auswertung hängen immer mehr von der Güte der Vor- oder Zusatzinformationen ab. Die Verfügbarkeit von Big Data liefert heutzutage ganz neue und andersartige Möglichkeiten, Schätzungen in der amtlichen und institutionellen Statistik zu verbessern, stellt aber auch Herausforderungen an die Qualität der Resultate auf, die diskutiert werden müssen.
In der Forstinventur wird schon seit einiger Zeit die Verwendung von Fernerkundungsdaten diskutiert und sogar umgesetzt. Im Rahmen dieser Arbeit werden die aktuell diskutierten Verfahren vorgestellt und konkrete Schätzungen für Rheinland-Pfalz durchgeführt. Abschließend werden die Herausforderungen an zukünftige Anwendungen vorgestellt, die sich im Rahmen von Big Data durch die allgemeine Verfügbarkeit von Satellitendaten ergeben.
Vorheriger Artikel The use of Twitter data to improve small area estimates of households’ share of food consumption expenditure in Italy
Nächster Artikel Big Data is a big deal but how much data do we need?

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
Battese G, Harter R, Fuller W (1988) An error-components model for prediction of county crop areas using survey and satellite data. J Am Stat Assoc 83:28–36CrossRef
Bellman R (1961) Adaptive Control Processes: A Guided Tour. Princeton University Press, PrincetonCrossRefMATH
Boyd D, Danson F (2005) Satellite remote sensing of forest resources: three decades of research development. Prog Phys Geogr 29:1–26CrossRef
Breidenbach J, Astrup R (2012) Small area estimation of forest attributes in the norwegian national forest inventory. Eur J For Res 131:1255–1267CrossRef
Delincé J (2001) A european approach to area frame survey. In: Proceedings of the Conference on Agricultural and Environmental Statistical Applications in Rome (CAESAR), Bd. 2., S 463–472
Drusch M, Bello UD, Carlier S, Colin O, Fernandez V, Gascon F, Hoersch B, Isola C, Laberinti P, Martimort P, Meygret A, Spoto F, Sy O, Marchese F, Bargellini P (2012) Sentinel-2: ESA’s optical high-resolution mission for GMES operational services. Remote Sens Environ 120:25–36CrossRef
Eckert S (2012) Improved forest biomass and carbon estimations using texture measures from worldview-2 satellite data. Remote Sens (Basel) 4:810–829CrossRef
Eysn L, Hollaus M, Lindberg E, Berger F, Monnet JM, Dalponte M, Kobal M, Pellegrini M, Lingua E, Mongus D (2015) A benchmark of lidar-based single tree detection methods using heterogeneous forest data from the alpine space. Forests 6:1721–1747CrossRef
Flores L, Martinez L (2000) Land cover estimation in small areas using ground survey and remote sensing. Remote Sens Environ 74:240–248CrossRef
Gallego F (2004) Remote sensing and land cover area estimation. Int J Remote Sens 25:3019–3047CrossRef
Gallego J, Carfagna E, Baruth B (2010) Accuracy, objectivity and efficiency of remote sensing for agricultural statistics. In: Roberto Benedetti, Marco Bee, Giuseppe Espa, Federica Piersimoni. Agricultural survey methods. Wiley & Sons, S 193–211
Guanter L, Kaufmann H, Segl K, Foerster S, Rogass C, Chabrillat S, Kuester T, Hollstein A, Rossner G, Chlebek C, Straif C, Fischer S, Schrader S, Storch T, Heiden U, Mueller A, Bachmann M, Mühle H, Müller R, Habermeyer M, Ohndorf A, Hill J, Buddenbaum H, Hostert P, van der Linden S, Leitão PJ, Rabe A, Doerffer R, Krasemann H, Xi H, Mauser W, Hank T, Locherer M, Rast M, Staenz K, Sang B (2015) The EnMAP spaceborne imaging spectroscopy mission for earth observation. Remote Sens (Basel) 7:8830–8857CrossRef
Henderson C (1975) Best linear unbiased estimation and prediction under a selection model. Biometrics 31:423–447CrossRefMATH
Horvitz D, Thompson D (1952) A generalization of sampling without replacement from a finite universe. J Am Stat Assoc 47:663–685MathSciNetCrossRefMATH
Jensen J (2007) Remote sensing of the environment: An earth resource perspective. Pearson prentice hall, Upper Saddle River, NJ
Kaufmann H, Segl K, Guanter L, Hofer S, Foerster KP, Stuffler T, Mueller A, Richter R, Bach H, Hostert P et al (2008) Environmental mapping and analysis program (EnMAP-recent advances and status). In: Geoscience and Remote Sensing Symposium, 2008. IGARSS 2008. IEEE International, S 109–112
Liu P (2015) A survey of remote-sensing big data. Front Environ Sci 3:45CrossRef
Ma Y, Wu H, Wang L, Huang B, Ranjan R, Zomaya A, Jie W (2014) Remote sensing big data computing: Challenges and opportunities. Future Gener Comput Syst 51:47–60CrossRef
Mandelkow A (2012) Holzvorratsschätzung mit Small Area Estimation. Master’s thesis, Universität Trier
Münnich R, Gabler S, Ganninger M, Burgard J, Kolb JP (2012) Stichprobenoptimierung und Schätzung im Zensus 2011, Statistik und Wissenschaft Bd. 21. Destatis, Wiesbaden
Münnich R, Burgard JP, Vogt M (2013) Small Area-Statistik: Methoden und Anwendungen. Asta Wirtschafts- Sozialstatistische Arch 6:149–191CrossRef
Neubert M, Klemmt HJ, Müller-Kroehling S (2012) Bundeswaldinventur 3: Erstmals Erfassung der Natura 2000-Wald-Lebensraumtypen. Lwf Aktuell 89:36–40
Opsomer J, Claeskens G, Ranalli MG, Kauermann G, Breidt J (2008) Non-parametric small area estimation using penalized spline regression. J Royal Stat Soc Ser B 70:265–286MathSciNetCrossRefMATH
Polley H, Bolte A (2010) Dritte Bundeswaldinventur beginnt 2011. Afz-der Wald 17:35–37
Ruppert D, Wand M, Caroll R (2003) Semiparametric Regression. Cambridge University Press, CambridgeCrossRefMATH
Särndal CE, Swensson B, Wretman J (1992) Model Assisted Survey Sampling. Springer, New YorkCrossRefMATH
Schmid T, Tzavidis N, Münnich R, Chambers R (2016) Outlier robust small-area estimation under spatial correlation. Scand J Stat. doi:10.1111/sjos.12205MATH
St-Onge B, Treitz P, Wulder MA (2003) Tree and canopy height estimation with scanning lidar. In: Remote Sensing of Forest Environments. Springer, New York, S 489–509CrossRef
Steinmann K, Ginzler C, Lanz A (2011) Kombination von Landesforstinventar-und Fernerkundungsdaten für Kleingebietsschätzungen. Schweizerische Zeitschrift Für Forstwes 162:290–299CrossRef
Stoffels J, Hill J, Sachtleber T, Mader S, Buddenbaum H, Stern O, Langshausen J, Dietz J, Ontrup G (2015) Satellite-based derivation of high-resolution forest information layers for operational forest management. Forests 6:1982–2013CrossRef
Ugarte MD, Goicoa T, Militino AF, Durban M (2009) Spline smoothing in small area trend estimation and forecasting. Comput Stat Data Analysis 53:3616–3629MathSciNetCrossRefMATH
Wahba G (1990) Spline Model for Observational Data. Society for Industrial and Applied Mathematics, PhiladelphiaCrossRefMATH
Metadaten
Titel
Schätzung von Holzvorräten unter Verwendung von Fernerkundungsdaten
verfasst von
Ralf Münnich
Julian Wagner
Joachim Hill
Johannes Stoffels
Henning Buddenbaum
Thomas Udelhoven
Publikationsdatum
11.07.2016
Verlag
Springer Berlin Heidelberg
Erschienen in
AStA Wirtschafts- und Sozialstatistisches Archiv / Ausgabe 2-3/2016
Print ISSN: 1863-8155
Elektronische ISSN: 1863-8163
DOI
https://doi.org/10.1007/s11943-016-0186-0

Weitere Artikel der Ausgabe 2-3/2016

AStA Wirtschafts- und Sozialstatistisches Archiv 2-3/2016 Zur Ausgabe

Originalveröffentlichung

Big Data in der Regionalstatistik

Originalveröffentlichung

Big Data im Europäischen Statistischen System

Originalveröffentlichung

The use of Twitter data to improve small area estimates of households’ share of food consumption expenditure in Italy

Editorial

Big Data und was nun? Neue Datenbestände und ihre Auswirkungen

Originalveröffentlichung

Statistikausbildung in Zeiten von Big Data

Originalveröffentlichung

Statistik, Data Science und Big Data