Dr. Maximilian Kleebauer

• Seit 2022: Wissenschaftlicher Mitarbeiter an der Universität Kassel, Fachgebiet Energiemanagement und Betrieb elektrischer Netze
• Seit 2021: Wissenschaftlicher Mitarbeiter im Bereich Energiemeteorologie und Geoinformationssysteme am Fraunhofer-Institut für Energiewirtschaft und Energiesystemtechnik IEE, Kassel
• 2025: Promotion zum Dr. rer. nat. an der Philipps-Universität Marburg. Dissertation: Remote Sensing based Renewable Energy System Recognition using Deep Learning, durchgeführt in Kooperation mit der Universität Kassel und dem Fraunhofer IEE
• 2019–2021: Wissenschaftliche Hilfskraft im Bereich Energiemeteorologie und Geoinformationssysteme am Fraunhofer IEE, Kassel
• 2017–2020: Studium der Physischen Geographie mit Schwerpunkt Umweltinformationssysteme (M. Sc.), Philipps-Universität Marburg
  Masterarbeit: Entwicklung eines Verfahrens zur Detektion von Photovoltaikanlagen in hochauflösenden Luftbildern
• 2015–2017: Studium der Geographie (B. Sc.), Philipps-Universität Marburg
  Bachelorarbeit: Räumliche Modellierung von Hangrutschungen in der Fränkischen Alb sowie Identifikation und Übertragbarkeit ihrer Einflussfaktoren
• 2013–2019: Studentische Hilfskraft im Bereich Studium und Lehre an der Philipps-Universität Marburg
• 2012–2015: Studium der Physik (B. Sc.-Studiengang), Philipps-Universität Marburg

• Geoinformationssysteme: Entwicklung, Integration und Analyse hochaufgelöster Geodaten und Dateninfrastrukturen für energiewirtschaftliche Anwendungen.
• Fernerkundung: KI-gestützte Analyse von Satelliten- und Luftbildern zur Erfassung, Charakterisierung und Beobachtung von Energieinfrastrukturen.
• Künstliche Intelligenz und Machine Learning: Entwicklung und Anwendung von Machine-Learning- und Deep-Learning-Verfahren für Objekterkennung, Bildsegmentierung, räumliche Datenvalidierung und Datenfusion.
• Energiesystemanalyse: Räumliche Analyse und Modellierung erneuerbarer Energiesysteme sowie Entwicklung harmonisierter und georeferenzierter Datensätze für Energiesystemforschung und -planung.

2026

• Hafdaoui, H., Kleebauer, M., Bouzekri, A., Belhaouas, N., Charki, A., & Bouchakour, S. (2026). Detection of Photovoltaic Power Plants in Satellite Images Using Artificial Intelligence Techniques. Next Research, 101385. 

2025

• Kleebauer, M. (2025). Remote Sensing based Renewable Energy System Recognition using Deep Learning. Dissertation, Fachbereich Geographie, Philipps-Universität Marburg.
• Kleebauer, M., Karamanski, S., Callies, D., & Braun, M. (2025). A Wind Turbines Dataset for South Africa: OpenStreetMap Data, Deep Learning Based Geo-Coordinate Correction and Capacity Analysis. ISPRS International Journal of Geo-Information, 14(6), 232. https://doi.org/10.3390/ijgi14060232
• Botha, N., Coleman, T., Wessels, G., Kleebauer, M., & Karamanski, S. (2025). Power generation time series for solar energy generation: Modelling with ATlite in South Africa. Solar, 5(1), 8. https://doi.org/10.3390/solar5010008
• Kleebauer, M., Hafdaoui, H., Bouchakour, S., Häckner, B., & Lindenmeyer, M. (2025). Globally scalable, QGIS-integrated workflow for solar photovoltaic system segmentation and capacity estimation: A case study in Algeria. IGARSS 2025 - 2025 IEEE International Geoscience and Remote Sensing Symposium, Brisbane, Australia, IEEE.
• Hirschmann, J., Rieß, B., Michaelis, L., Pauscher, L., Kleebauer, M., Basse, A., Geiger, D., Pape, C., & Callies, D. (2025). Automated time series-based loss calculation model for onshore wind turbines in Germany. 24th Wind & Solar Integration Workshop, Berlin.
• Häckner, B., Zink, C., Fetköter, J., & Kleebauer, M. (2025). Mapping Kenya’s Green Ammonia Potential: A GIS-Based Assessment. 24th Wind & Solar Integration Workshop, Berlin.

2024

• Kleebauer, M., Zink, C., Krapf, S., Müller, U., Pogacar, S., Kucharczak, L., Petschelt, R., Wetzel, H., & Pape, C. (2024). Barometer der Energiewende für Nordhessen. Fraunhofer IEE. https://doi.org/10.24406/h-477852
• Kleebauer, M., Braun, A., Horst, D., & Pape, C. (2024). Enhancing wind turbine location accuracy: A deep learning-based object regression approach for validating wind turbine geo-coordinates. IGARSS 2024 - 2024 IEEE International Geoscience and Remote Sensing Symposium, 7863-7867. https://doi.org/10.1109/IGARSS53475.2024.10641018
• Kleebauer, M., Niemi, A., Putkonen, N., Kiviluoma, J., Boodhraj, K., van Reenen, T., Lindenmeyer, M., Dobschinski, J., & Braun, M. (2024). OASES: Open-Source and Data Strategy Report. Zenodo. https://doi.org/10.5281/zenodo.13365309
• Franken, L., Horst, D., & Kleebauer, M. (2024). Einfluss von Gebäudemerkmalen und soziodemografischen Faktoren auf die Eignung von Dachflächen für Photovoltaikanlagen mittels SVM-One-Class-Klassifizierung. In J. Wittmann & M. Müller (Eds.), Simulation in Umwelt- und Geowissenschaften (pp. 37–51). Shaker Verlag. https://doi.org/10.2370/9783844096767
• Kleebauer, M., Marz, C., & Horst, D. (2024). Sentinel-2 Super-resolution with Real-ESRGAN using satellite and aerial image pairs and color correction techniques. In KonKIS - Conference of the German AI Service Centers. https://doi.org/10.13140/RG.2.2.22240.70405

2023

• Kleebauer, M., Marz, C., Reudenbach, C., & Braun, M. (2023). Multi-resolution segmentation of solar photovoltaic systems using deep learning. Remote Sensing, 15(24), 5687. https://doi.org/10.3390/rs15245687
• Kleebauer, M., Horst, D., & Reudenbach, C. (2021). Semi-automatic generation of training samples for detecting renewable energy plants in high-resolution aerial images. Remote Sensing, 13(23), 4793. https://doi.org/10.3390/rs13234793