Lucas Wittstruck, M. Sc.

Institut für Informatik
Wachsbleiche 27
49090 Osnabrück

Room: 50/416a
Tel.: +49 541 969-7498
Fax: +49 541 969-2799
lucas.wittstruck@uni-osnabrueck.de

Über mich

Experte für Fernerkundung und maschinelles Lernen mit Spezialisierung auf die Analyse optischer und radarbasierter Fernerkundungsdaten für die landwirtschaftliche und umweltbezogene Überwachung. Mein Schwerpunkt liegt auf der Anwendung von Deep-Learning-Methoden zur automatisierten Analyse von Fernerkundungsdaten in diesen Bereichen. Umfassende Expertise in der Drohnentechnologie zur Datenerfassung, kombiniert mit fundierter Erfahrung in der Datenverarbeitung mit Python und R, runden mein Profil ab.

CV

Forschungs- und Berufserfahrungen

Oct. 2018 - akutell     

Wissenschaftlicher Mitarbeiter / Universität Osnabrück / Institut für Informatik – Arbeitsgruppe Fernerkundung und Digitale Bildverarbeitung / Osnabrück, Deutschland
 

1. Projekt: KI-Reallabor (2025 - )
2. Projekt: Agri-Gaia (2022 - 2024) 
3. Projekt: Soil-DE (2018 - 2022)

Akademische Qualifikationen

Publications

Papers in journals (peer-reviewed)

Wittstruck, L., Waske, B. & Jarmer, T.,  2025. Multi-Modal Vision Transformer for high-resolution soil texture prediction of German agricultural soils using remote sensing imagery. Remote Sensing of Environment, 331, 114985.

Reuter, T., Nahrstedt, K., Wittstruck, L., Jarmer, T., Broll, G., & Trautz, D., 2024. Site-specific mechanical weed management in maize (Zea mays) in North-West Germany. Crop Protection, 190(1), 107123.

Wittstruck, L., Jarmer, T., & Waske, B., 2024. Multi-Stage Feature Fusion of Multispectral and SAR Satellite Images for Seasonal Crop-Type Mapping at Regional Scale Using an Adapted 3D U-Net Model. Remote Sensing, 16(17), 3115.

Seiche, A. T., Wittstruck, L., & Jarmer, T., 2024. Weed Detection from Unmanned Aerial Vehicle Imagery Using Deep Learning—A Comparison between High-End and Low-Cost Multispectral Sensors. Sensors, 24(5), 1544.

Wittstruck, L., Jarmer, T., Trautz, D. & Waske, B., 2022. Estimating LAI from winter wheat using UAV data and CNNs. IEEE Geoscience and Remote Sensing Letters, 19, 1-5 (Art no. 2503405).

Wittstruck, L., Kühling, I., Trautz, D., Kohlbrecher, M. & Jarmer, T., 2021. UAV-based RGB imagery for Hokkaido pumpkin (Cucurbita max.) detection and yield estimation. Sensors, 21, 15p.
 

Conference papers

Wittstruck, L., Gerighausen, H., Säurich, A., Möller, M., Hartmann, K., Steininger, M., Zepp, S. & Jarmer, T., 2023. Räumliche Erfassung des organischen Kohlenstoffgehaltes von Böden einer landwirtschaftlichen Intensivregion aus Sentinel-2 Daten. In: Proceedings 43. GIL-Jahrestagung 2023.

Rettig, R., Storch, M., Wittstruck, L., Ansah, C. E., Bald, J. R., Richard, D., … Jarmer, T., 2023. A coupled multitemporal UAV-based LiDAR and multispectral data approach to model dry biomass of maize. In: Proceedings 43. GIL-Jahrestagung 2023.

Gerighausen, H., Säurich, A., Möller, M., Hartmann, K., Jarmer, T., Steininger, M., Wittstruck, L., Zepp, S., 2022. Developing SDG indicators for the assessment of yield capacity, land use intensity and vulnerability of agricultural soils in Germany. In: Proceedings Living Planet Symposium, Bonn, 23-27 May 2022.

Reuter, T., Nahrstedt, K., Wittstruck, L., Jarmer, T., & Trautz, D., 2021. Ableitung der Vorfruchtwirkung heterogener Kleeanteile im Kleegras anhand von NDVI-Werten im Ökologischen Landbau. In: Proceedings 63. Jahrestagung der Gesellschaft für Pflanzenbauwissenschaften e.V. 2021.

Wittstruck, L., Nahrstedt, K., Reuter, T., Trautz, D., Jarmer, T. & Kühling, I., 2021. Unterscheidung von Mais- und Beikrautpflanzen unter Anwendung von multispektralen UAV-Bilddaten zur teilflächenspezifischen Beikrautregulierung. In: Proceedings 41. GIL-Jahrestagung 2021.

Reuter, T., Nahrstedt, K., Wittstruck, L., Jarmer, T., Kühling, I. & Trautz, D., 2021. Erfassung von Bestandsheterogenität im Kleegras mithilfe von drohnengestützten RGB- und Multispektraldaten. In: Proceedings 41. GIL-Jahrestagung 2021.

Wittstruck, L., Jarmer, T. & Kanning, M., 2019. Einsatz von Deep Learning zur Klassifikation landwirtschaftlicher Kulturen auf Basis hyperspektraler Fernerkundungsdaten. In: Proceedings 25. Workshop Computer-Bildanalyse in der Landwirtschaft (= Bornimer Agrartechnische Berichte, Heft 102), 136-143.