@phdthesis{Keupp2024,
  author    = {Keupp, Luzia Esther},
  title     = {Hochaufgel{\"o}ste Erfassung zuk{\"u}nftiger Klimarisiken f{\"u}r Land- und Forstwirtschaft in Unterfranken},
  doi       = {10.25972/OPUS-34735},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-347350},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2024},
  abstract  = {Das Klima und seine Ver{\"a}nderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zuk{\"u}nftigen Klimarisiken f{\"u}r diese Sektoren von hoher Relevanz. Dies ist auch und vor allem f{\"u}r den schon heute weitr{\"a}umig trockheitsgepr{\"a}gten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu {\"u}ber 80 \% land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher r{\"a}umlicher Aufl{\"o}sung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repr{\"a}sentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte f{\"u}r Trockenheit, Starkniederschlag, Hitze sowie (Sp{\"a}t-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ans{\"a}tze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgef{\"u}hrt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großr{\"a}umige atmosph{\"a}rische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Pr{\"a}diktoren f{\"u}r die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Pr{\"a}diktoren durchzuf{\"u}hren. Sowohl f{\"u}r die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgef{\"u}hrt, um die Ergebnisse unabh{\"a}ngig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien f{\"u}r den gesamten historischen Modellzeitraum verglichen, so weist f{\"u}r alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt f{\"u}r das 21. Jahrhundert negative Trends der (Sp{\"a}t-)Frost- und Eis- sowie positive Trends der Hitzetageh{\"a}ufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verst{\"a}rkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle best{\"a}tigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Sp{\"a}tfrost Widerspr{\"u}che, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird. Zus{\"a}tzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Pr{\"a}diktoren zur Simulation von Ertr{\"a}gen aus Acker- und Weinbau wiederholt. Die G{\"u}te kann aufgrund mangelnder Beobachtungsdatenl{\"a}nge nur anhand der Reanalyse-angetriebenen REMO-Daten abgesch{\"a}tzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel {\"u}ber alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchtertr{\"a}ge. Hinsichtlich der Frankenweinertr{\"a}ge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle f{\"u}hren durch positive Trendvorzeichen f{\"u}r den Weißwein zu insgesamt koh{\"a}renten Ergebnissen. Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegen{\"u}ber Hitze sowie im Speziellen gegen{\"u}ber Trockenheit in Zukunft im ohnehin trockenheitsgepr{\"a}gten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Sp{\"a}tfrostgefahr m{\"u}ssen im Blick behalten werden. Die Trends der Feldfruchtertr{\"a}ge deuten in die gleiche Richtung, da Sommergetreide eine h{\"o}here Trockenheitsanf{\"a}lligkeit besitzen. Die unklaren Ergebnisse der Weinertr{\"a}ge hingegen lassen keine eindeutigen Schl{\"u}sse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung k{\"o}nnten ein Grund hierf{\"u}r sein.},
  subject      = {Klima},
  language  = {de}
}
@phdthesis{Ibebuchi2023,
  author    = {Ibebuchi, Chibuike Chiedozie},
  title     = {Bias correction of climate model output for Germany},
  doi       = {10.25972/OPUS-31264},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-312647},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2023},
  abstract  = {Regional climate models (RCMs) are tools used to project future climate change at a regional scale. Despite their high horizontal resolution, RCMs are characterized by systematic biases relative to observations, which can result in unrealistic interpretations of future climate change signals. On the other hand, bias correction (BC) is a popular statistical post-processing technique applied to improve the usability of output from climate models. Like every other statistical technique, BC has its strengths and weaknesses. Hence, within the regional context of Germany, and for temperature and precipitation, this study is dedicated to the assessment of the impact of different BC techniques on the RCM output. The focuses are on the impact of BC on the RCM's statistical characterization, and physical consistency defined as the spatiotemporal consistency between the bias-corrected variable and the simulated physical mechanisms governing the variable, as well as the correlations between the bias-corrected variable and other (simulated) climate variables. Five BC techniques were applied in adjusting the systematic biases in temperature and precipitation RCM outputs. The BC techniques are linear scaling, empirical quantile mapping, univariate quantile delta mapping, multivariate quantile delta mapping that considers inter-site dependencies, and multivariate quantile delta mapping that considers inter-variable dependencies (MBCn). The results show that each BC technique adds value in reducing the biases in the statistics of the RCM output, though the added value depends on several factors such as the temporal resolution of the data, choice of RCM, climate variable, region, and the metric used in evaluating the BC technique. Further, the raw RCMs reproduced portions of the observed modes of atmospheric circulation in Western Europe, and the observed temperature, and precipitation meteorological patterns in Germany. After the BC, generally, the spatiotemporal configurations of the simulated meteorological patterns as well as the governing large-scale mechanisms were reproduced. However, at a more localized spatial scale for the individual meteorological patterns, the BC changed the simulated co-variability of some grids, especially for precipitation. Concerning the co-variability among the variables, a physically interpretable positive correlation was found between temperature and precipitation during boreal winter in both models and observations. For most grid boxes in the study domain and on average, the BC techniques that do not adjust inter-variable dependency did not notably change the simulated correlations between the climate variables. However, depending on the grid box, the (univariate) BC techniques tend to degrade the simulated temporal correlations between temperature and precipitation. Further, MBCn which adjusts biases in inter-variable dependency has the skill to improve the correlations between the simulated variables towards observations.},
  language  = {en}
}
@phdthesis{Engelbauer2023,
  author    = {Engelbauer, Manuel},
  title     = {Global assessment of recent UNESCO Biosphere Reserve quality enhancement strategies and interlinkages with other UNESCO labels},
  publisher = {W{\"u}rzburg University Press},
  address   = {W{\"u}rzburg},
  isbn      = {978-3-95826-196-9},
  doi       = {10.25972/WUP-978-3-95826-197-6},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-286538},
  school      = {W{\"u}rzburg University Press},
  pages     = {XVI, 187},
  year      = {2023},
  abstract  = {In 1995, the Second International Biosphere Reserve Congress in Seville resulted in a set of new regulations that spurred a significant paradigm shift in the UNESCO Man and Bio-sphere (MAB) Programme, reconceptualizing the research programme as a modern instrument for the dual mandate of nature conservation and sustainable development. But almost 20 years later, a large proportion of biosphere reserves designated before 1996 still did not comply with the new regulations. In 2013, the International Coordination Council of the MAB Programme announced the 'Exit Strategy' to assess, monitor and improve the quality of the World Network of Biosphere Reserves. However, the strategy also meant that 266 biosphere reserves in 76 member states were faced with the possibility of exclusion from the world network. This study presents a global assessment of the challenges that result from the Exit Strategy and the Process of Excellence and Enhancement that follows. Specifically, it investigates the differences in quality management strategies and the periodic review processes of various biosphere reserves, the effects of those quality management strategies on the MAB Programme and on the 76 directly affected member states, and the interlinkages between the MAB Programme and other UNESCO designations for nature conservation: the natural World Heritage Sites and the Global Geoparks. Semi-structured expert interviews were conducted with 31 participants in 21 different countries, representing all UN regions. To showcase the diversity of the World Network of Bio-sphere Reserves, 20 country-specific case studies are presented, highlighting the challenges of implementing the biosphere reserve concept and, more specifically, the periodic review process. Information gleaned from the experts was transcribed and evaluated using a qualitative content analysis method. The results of this study demonstrate major differences worldwide in the implementation biosphere reserves, especially in the case of the national affiliation of the MAB Programme, the legal recognition of biosphere reserves in national legislation, the usage of the term 'bio-sphere reserve' and the governance structures of the biosphere reserves. Of those represented by the case studies, the four countries with the highest number of voluntary biosphere reserves withdrawals after 2013, Australia, Austria, Bulgaria and the United States of America, show that the Exit Strategy contributed to the streamlining and quality enhancement of the world network. The biosphere reserves in those countries were strictly nature conservation areas without human settlements and were designated as such in the 1970s and 1980s. Only post-Seville biosphere reserves remain in those countries. Some experts have pointed out that there appears to be competition for political attention and funding between the three UNESCO labels for nature conservation. While a combination of the designation of biosphere reserves and World Heritage Sites in one place is favoured by experts, Global Geoparks and Biosphere Reserves are seen as being in competition with each other. This study concludes that quality enhancement strategies were fundamental to improving the credibility and coherence of the MAB Programme. Most pre-Seville biosphere reserves were adapted or the member states were encouraged to withdraw them voluntarily. Challenges in implementing the Exit Strategy were not unique to individual countries but applied equally to all member states with pre-Seville sites. Over the course of the quality enhancement process, many UNESCO member states have become more involved with the MAB Programme, which has led to rejuvenation of the national biosphere reserves network in many countries.},
  subject      = {Naturschutz},
  language  = {en}
}
@phdthesis{Abel2023,
  author    = {Abel, Daniel Karl-Joseph},
  title     = {Weiterentwicklung der Bodenhydrologie des regionalen Klimamodells REMO},
  doi       = {10.25972/OPUS-31146},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-311468},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2023},
  abstract  = {Die Bodenfeuchte stellt eine essenzielle Variable f{\"u}r den Energie-, Feuchte- und Stoffaustausch zwischen Landoberfl{\"a}che und Atmosph{\"a}re dar. Ihre Auswirkungen auf Temperatur und Niederschlag sind vielf{\"a}ltig und komplex. Die in Klimamodellen verwendeten Schemata zur Simulation der Bodenfeuchte, auch bodenhydrologische Schemata genannt, sind aufgrund des Ursprungs der Klimamodelle aus Wettermodellen jedoch h{\"a}ufig sehr stark vereinfacht dargestellt. Bei Klimamodellen, die Simulationen mit einer groben Aufl{\"o}sung von mehreren Zehner- oder Hunderterkilometern rechnen, k{\"o}nnen viele Prozesse vernachl{\"a}ssigt werden. Da die Aufl{\"o}sung der Klimamodelle jedoch stetig steigt und mittlerweile beim koordinierten Projekt regionaler Klimamodelle CORDEX-CORE standardm{\"a}ßig bei 0.22° Kantenl{\"a}nge liegt, m{\"u}ssen auch h{\"o}her aufgel{\"o}ste Daten und mehr Prozesse simuliert werden. Dies gilt erst recht mit Blick auf konvektionsaufl{\"o}sende Simulationen mit wenigen Kilometern Kantenl{\"a}nge. Mit steigenden Modellaufl{\"o}sungen steigt zugleich die Komplexit{\"a}t und Differenziertheit der Fragestellungen, die mit Hilfe von Klimamodellen beantwortet werden sollen. An diesem Punkt setzt auch das Projekt BigData@Geo an, in dessen Rahmen die vorliegende Arbeit entstand. Ziel dieses Projektes ist es, hochaufgel{\"o}ste Klimainformationen f{\"u}r den bayerischen Regierungsbezirk Unterfranken f{\"u}r Akteure aus der Land- und Forstwirtschaft sowie dem Weinbau zur Verf{\"u}gung zu stellen. Auf diesen angewandten und grundlegenden Anforderungen und Zielsetzungen basierend, bedarf auch das in dieser Arbeit verwendete regionale Klimamodell REMO (Version 2015) der weiteren Entwicklung. So ist das Hauptziel der Arbeit das bestehende einschichtige bodenhydrologische Schema durch ein mehrschichtiges zu ersetzen. Der Vorteil mehrerer simulierter Bodenschichten besteht darin, dass nun die vertikale Bewegung des Wassers in Form von Versickerung und kapillarem Aufstieg simuliert werden kann. Dies geschieht auf der Basis bodenhydrologischer Parameter, deren Wert in Abh{\"a}ngigkeit vom Boden und der Bodenfeuchte {\"u}ber die Wasserr{\"u}ckhaltekurve bestimmt wird. F{\"u}r diese Kurve existieren verschiedene Parametrisierungen, von denen die Ans{\"a}tze von Clapp-Hornberger und van Genuchten verwendet wurden. Außerdem kann die Bodenfeuchte nun bis zu einer Tiefe von circa 10 m beziehungsweise der Tiefe des anstehenden Gesteins simuliert werden. Damit besteht im Gegensatz zum vorherigen Schema, dessen Tiefe auf die Wurzeltiefe beschr{\"a}nkt ist, die M{\"o}glichkeit, dass Wasser auch unterhalb der Wurzeln zur Verf{\"u}gung stehen kann und somit die absolute im Boden verf{\"u}gbare Wassermenge zunimmt. Die Schichtung erlaubt dar{\"u}ber hinaus die Verdunstung aus unbewachsenem Boden lediglich auf Basis des in der obersten Schicht verf{\"u}gbaren Wassers. Ein weiterer Prozess, der dank der Schichtung und der weiter unten erl{\"a}uterten Datens{\"a}tze neu parametrisiert werden kann, ist die Infiltration. F{\"u}r die Verwendung des Schemas sind Informationen {\"u}ber bodenhydrologische Parameter, die Wurzeltiefe und die Tiefe bis zum anstehenden Gestein erforderlich. Entsprechende Datens{\"a}tze m{\"u}ssen hierf{\"u}r aufbereitet und in das Modell eingebaut werden. Bez{\"u}glich der Wurzeltiefe wurden drei sich bez{\"u}glich der Tiefe, der Definition und der verf{\"u}gbaren Aufl{\"o}sung stark voneinander unterscheidende Datens{\"a}tze verglichen. Letztendlich wird die Wurzeltiefe aus dem mit einer anderen REMO-Version gekoppelten Vegetationsmodul iMOVE verwendet, da zuk{\"u}nftig eine Kopplung dieses Moduls mit dem mehrschichtigen Boden geplant ist und die Wurzeltiefen damit konsistent sind. Zudem ist die zugrundeliegende Aufl{\"o}sung der Daten hoch und es werden maximale Wurzeltiefen ber{\"u}cksichtigt, die besonders wichtig f{\"u}r die Simulation von Landoberfl{\"a}che-Atmosph{\"a}re-Interaktionen sind. Diese Vorteile brachten die anderen Datens{\"a}tze nicht mit. In der finalen Modellversion werden f{\"u}r die Tiefe bis zum anstehenden Gestein und die Korngr{\"o}ßenverteilungen die Daten von SoilGrids verwendet. Ein Vergleich mit anderen Bodendatens{\"a}tzen fand in einer parallel laufenden Dissertation statt (Ziegler 2022). Bei SoilGrids ist hervorzuheben, dass die Korngr{\"o}ßenverteilungen in einer hohen r{\"a}umlichen Aufl{\"o}sung (1 km^2 oder h{\"o}her) und mit mehreren vertikalen Schichten vorliegen. Gegen{\"u}ber dem urspr{\"u}nglich in REMO verwendeten Datensatz mit einer Kantenl{\"a}nge von 0.5° und ohne vertikale Differenzierung ist dies eine starke Verbesserung der Eingangsdaten. Dazu kommt, dass die Korngr{\"o}ßenverteilungen die Verwendung kontinuierlicher Pedotransferfunktionen statt f{\"u}nf diskreter Texturklassen, denen f{\"u}r die bodenhydrologischen Parameter fixe Tabellenwerte zugewiesen werden, erm{\"o}glichen. Dies f{\"u}hrt zu einer deutlich besseren Differenzierung des heterogenen Bodens. Im Rahmen der Arbeit wurden insgesamt 19 Simulationen f{\"u}r Europa und ein erweitertes Deutschlandgebiet mit Aufl{\"o}sungen von 0.44° beziehungsweise 0.11° f{\"u}r den Zeitraum 2000 bis 2018 gerechnet. Dabei zeigte sich, dass die Einf{\"u}hrung des mehrschichtigen Bodenschemas gegen{\"u}ber dem einschichtigen Schema zu einer Verringerung der Bodenfeuchte in der Wurzeltiefe f{\"u}hrt. Nichtsdestotrotz nimmt die absolute Wassermenge des Bodens durch die Ber{\"u}cksichtigung des Bodens unterhalb der Wurzelzone zu. Bezogen auf die einzelnen Schichten wird die Bodenfeuchte damit zwar untersch{\"a}tzt, im Laufe der Modellentwicklung kann jedoch eine Verbesserung im Vergleich zu ERA5 erzielt werden. Das neue Schema f{\"u}hrt zu einer Verringerung der Evapotranspiration, die {\"u}ber alle Schritte der Modellentwicklung und besonders w{\"a}hrend der Sommermonate auftritt. Im Vergleich zu Validationsdaten von ERA5 und GLEAM zeigt sich, dass dies eine Verbesserung dieser Gr{\"o}ße bedeutet, die sowohl in der Fl{\"a}che als auch beim Fehler und in der Verteilung auftritt. Gleiches l{\"a}sst sich f{\"u}r den Oberfl{\"a}chenabfluss sagen. Hierf{\"u}r implementierte Schemata (Philip, Green-Ampt), die anders als das standardm{\"a}ßig verwendete Improved-Arno-Schema bodenhydrologische Parameter ber{\"u}cksichtigen, konnten eine weitere Verbesserung im Flachland zeigen. In Gebirgsregionen nahm der Fehler durch die nicht enthaltene Ber{\"u}cksichtigung der Hangneigung jedoch zu, sodass in der finalen Modellversion auf das Improved-Arno-Schema zur{\"u}ckgegriffen wurde. Die Temperatur steigt durch die urspr{\"u}ngliche Version des mehrschichtigen Schemas zun{\"a}chst an, was zu einer {\"U}ber- statt der vorherigen Untersch{\"a}tzung gegen{\"u}ber E-OBS f{\"u}hrt. Die Modellentwicklung resultiert zwar in einer Reduzierung der Temperatur, jedoch f{\"a}llt diese zu stark aus, sodass der Temperaturfehler letztendlich gr{\"o}ßer als in der einschichtigen Modellversion ist. Da die Evapotranspiration jedoch maßgeblich verbessert wurde, kann dieser Fehler eventuell auf ein {\"u}berm{\"a}ßiges Tuning der Temperatur zur{\"u}ckgef{\"u}hrt werden. Die Betrachtung von Hitzeereignissen am Beispiel der Sommer 2003 und 2018 hat gezeigt, dass die Modellentwicklung dazu beitr{\"a}gt, diese Ereignisse besser als das einschichtige Schema zu simulieren. Zwar trifft dies nicht auf das r{\"a}umliche Verhalten der mittleren Temperatur zu, jedoch auf deren zeitlichen Verlauf. Hinzu kommt die bessere Simulation der t{\"a}glichen Extrem- und besonders der Minimaltemperatur, was zu einer Erh{\"o}hung der t{\"a}glichen Temperaturspanne f{\"u}hrt. Diese wird von Klimamodellen in der Regel zu stark untersch{\"a}tzt. Durch die Ber{\"u}cksichtigung der vertikalen Wasserfl{\"u}sse hat sich jedoch auch gezeigt, dass noch enormes Entwicklungspotenzial mit Blick auf (boden)hydrologische Prozesse besteht. Dies gilt in besonderem Maße f{\"u}r zuk{\"u}nftige Simulationen mit konvektionserlaubender Aufl{\"o}sung. So sollten subskalige Informationen des Bodens und der Orographie ber{\"u}cksichtigt werden. Dies dient einerseits der Repr{\"a}sentation vorliegender Heterogenit{\"a}ten und kann andererseits, wie am Beispiel der Infiltrationsschemata dargelegt, zur Verbesserung bestehender Prozesse beitragen. Da die simulierte Drainage durch das mehrschichtige Bodenschema im gleichen Maße zu- wie der Oberfl{\"a}chenabfluss abnimmt und das Wasser dem Modell in der Folge nicht weiter zur Verf{\"u}gung steht, sollte zuk{\"u}nftig auch Grundwasser im Modell ber{\"u}cksichtigt werden. Eine Vielzahl von Studien konnte einen Mehrwert durch die Implementierung dieser Variable und damit verbundener Prozesse feststellen. Mittelfristig ist jedoch insgesamt die Kopplung an ein hydrologisches Modell zu empfehlen, um die bei hochaufl{\"o}senden Simulationen relevanten Prozesse angemessen repr{\"a}sentieren zu k{\"o}nnen. Hierf{\"u}r bieten sich beispielsweise ParFlow oder mHM an. Insgesamt ist festzuhalten, dass das mehrschichtige Bodenschema einen Mehrwert liefert, da schwer zu simulierende und in der Postprozessierung zu korrigierende Variablen wie die Evapotranspiration und der Oberfl{\"a}chenabfluss deutlich besser modelliert werden k{\"o}nnen als mit dem einschichtigen Schema. Dies gilt auch f{\"u}r die Extremtemperaturen. Beides ist klar auf die Schichtung des Bodens und damit einhergehender Prozesse zur{\"u}ckzuf{\"u}hren. Bez{\"u}glich der Daten zeigt sich, dass die Wurzeltiefe, die Ber{\"u}cksichtigung von SoilGrids und die vertikale Bodeninformation f{\"u}r die weitere Optimierung verantwortlich sind. Dar{\"u}ber hinaus ist der h{\"o}here Informationsgehalt, der anhand der geschichteten Bodenfeuchte zur Verf{\"u}gung steht, ebenfalls als Mehrwert einzustufen.},
  subject      = {Klima},
  language  = {de}
}
@phdthesis{Hoeser2022,
  author    = {H{\"o}ser, Thorsten},
  title     = {Global Dynamics of the Offshore Wind Energy Sector Derived from Earth Observation Data - Deep Learning Based Object Detection Optimised with Synthetic Training Data for Offshore Wind Energy Infrastructure Extraction from Sentinel-1 Imagery},
  doi       = {10.25972/OPUS-29285},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-292857},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2022},
  abstract  = {The expansion of renewable energies is being driven by the gradual phaseout of fossil fuels in order to reduce greenhouse gas emissions, the steadily increasing demand for energy and, more recently, by geopolitical events. The offshore wind energy sector is on the verge of a massive expansion in Europe, the United Kingdom, China, but also in the USA, South Korea and Vietnam. Accordingly, the largest marine infrastructure projects to date will be carried out in the upcoming decades, with thousands of offshore wind turbines being installed. In order to accompany this process globally and to provide a database for research, development and monitoring, this dissertation presents a deep learning-based approach for object detection that enables the derivation of spatiotemporal developments of offshore wind energy infrastructures from satellite-based radar data of the Sentinel-1 mission. For training the deep learning models for offshore wind energy infrastructure detection, an approach is presented that makes it possible to synthetically generate remote sensing data and the necessary annotation for the supervised deep learning process. In this synthetic data generation process, expert knowledge about image content and sensor acquisition techniques is made machine-readable. Finally, extensive and highly variable training data sets are generated from this knowledge representation, with which deep learning models can learn to detect objects in real-world satellite data. The method for the synthetic generation of training data based on expert knowledge offers great potential for deep learning in Earth observation. Applications of deep learning based methods can be developed and tested faster with this procedure. Furthermore, the synthetically generated and thus controllable training data offer the possibility to interpret the learning process of the optimised deep learning models. The method developed in this dissertation to create synthetic remote sensing training data was finally used to optimise deep learning models for the global detection of offshore wind energy infrastructure. For this purpose, images of the entire global coastline from ESA's Sentinel-1 radar mission were evaluated. The derived data set includes over 9,941 objects, which distinguish offshore wind turbines, transformer stations and offshore wind energy infrastructures under construction from each other. In addition to this spatial detection, a quarterly time series from July 2016 to June 2021 was derived for all objects. This time series reveals the start of construction, the construction phase and the time of completion with subsequent operation for each object. The derived offshore wind energy infrastructure data set provides the basis for an analysis of the development of the offshore wind energy sector from July 2016 to June 2021. For this analysis, further attributes of the detected offshore wind turbines were derived. The most important of these are the height and installed capacity of a turbine. The turbine height was calculated by a radargrammetric analysis of the previously detected Sentinel-1 signal and then used to statistically model the installed capacity. The results show that in June 2021, 8,885 offshore wind turbines with a total capacity of 40.6 GW were installed worldwide. The largest installed capacities are in the EU (15.2 GW), China (14.1 GW) and the United Kingdom (10.7 GW). From July 2016 to June 2021, China has expanded 13 GW of offshore wind energy infrastructure. The EU has installed 8 GW and the UK 5.8 GW of offshore wind energy infrastructure in the same period. This temporal analysis shows that China was the main driver of the expansion of the offshore wind energy sector in the period under investigation. The derived data set for the description of the offshore wind energy sector was made publicly available. It is thus freely accessible to all decision-makers and stakeholders involved in the development of offshore wind energy projects. Especially in the scientific context, it serves as a database that enables a wide range of investigations. Research questions regarding offshore wind turbines themselves as well as the influence of the expansion in the coming decades can be investigated. This supports the imminent and urgently needed expansion of offshore wind energy in order to promote sustainable expansion in addition to the expansion targets that have been set.},
  language  = {en}
}
@phdthesis{Uereyen2022,
  author    = {{\"U}reyen, Soner},
  title     = {Multivariate Time Series for the Analysis of Land Surface Dynamics - Evaluating Trends and Drivers of Land Surface Variables for the Indo-Gangetic River Basins},
  doi       = {10.25972/OPUS-29194},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-291941},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2022},
  abstract  = {The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument. In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed. To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere. In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area. These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions.},
  subject      = {Multivariate Analyse},
  language  = {en}
}
@phdthesis{Bangelesa2022,
  author    = {Bangelesa, Freddy Fefe},
  title     = {Impacts of climate variability and change on Maize (\(Zea\) \(mays\)) production in tropical Africa},
  doi       = {10.25972/OPUS-25934},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-259347},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2022},
  abstract  = {Climate change is undeniable and constitutes one of the major threats of the 21st century. It impacts sectors of our society, usually negatively, and is likely to worsen towards the middle and end of the century. The agricultural sector is of particular concern, for it is the primary source of food and is strongly dependent on the weather. Considerable attention has been given to the impact of climate change on African agriculture because of the continent's high vulnerability, which is mainly due to its low adaptation capac- ity. Several studies have been implemented to evaluate the impact of climate change on this continent. The results are sometimes controversial since the studies are based on different approaches, climate models and crop yield datasets. This study attempts to contribute substantially to this large topic by suggesting specific types of climate pre- dictors. The study focuses on tropical Africa and its maize yield. Maize is considered to be the most important crop in this region. To estimate the effect of climate change on maize yield, the study began by developing a robust cross-validated multiple linear regression model, which related climate predictors and maize yield. This statistical trans- fer function is reputed to be less prone to overfitting and multicollinearity problems. It is capable of selecting robust predictors, which have a physical meaning. Therefore, the study combined: large-scale predictors, which were derived from the principal component analysis of the monthly precipitation and temperature; traditional local-scale predictors, mainly, the mean precipitation, mean temperature, maximum temperature and minimum temperature; and the Water Requirement Satisfaction Index (WRSI), derived from the specific crop (maize) water balance model. The projected maize-yield change is forced by a regional climate model (RCM) REMO under two emission scenarios: high emission scenario (RCP8.5) and mid-range emission scenario (RCP4.5). The different effects of these groups of predictors in projecting the future maize-yield changes were also assessed. Furthermore, the study analysed the impact of climate change on the global WRSI. The results indicate that almost 27 \% of the interannual variability of maize production of the entire region is explained by climate variables. The influence of climate predictors on maize-yield production is more pronounced in West Africa, reaching 55 \% in some areas. The model projection indicates that the maize yield in the entire region is expected to decrease by the middle of the century under an RCP8.5 emission scenario, and from the middle of the century to the end of the century, the production will slightly recover but will remain negative (around -10 \%). However, in some regions of East Africa, a slight increase in maize yield is expected. The maize-yield projection under RCP4.5 remains relatively unchanged compared to the baseline period (1982-2016). The results further indicate that large-scale predictors are the most critical drivers of the global year-to-year maize-yield variability, and ENSO - which is highly correlated with the most important predictor (PC2) - seems to be the physical process underlying this variability. The effects of local predictors are more pronounced in the eastern parts of the region. The impact of the future climate change on WRSI reveals that the availability of maize water is expected to decrease everywhere, except in some parts of eastern Africa.},
  language  = {en}
}
@phdthesis{Ziegler2022,
  author    = {Ziegler, Katrin},
  title     = {Implementierung von verbesserten Landoberfl{\"a}chenparametern und -prozessen in das hochaufgel{\"o}ste Klimamodell REMO},
  doi       = {10.25972/OPUS-26128},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-261285},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2022},
  abstract  = {Das Ziel dieser Arbeit war neue Eingangsdaten f{\"u}r die Landoberfl{\"a}chenbeschreibung des regionalen Klimamodells REMO zu finden und ins Modell zu integrieren, um die Vorhersagequalit{\"a}t des Modells zu verbessern. Die neuen Daten wurden so in das Modell eingebaut, dass die bisherigen Daten weiterhin als Option verf{\"u}gbar sind. Dadurch kann {\"u}berpr{\"u}ft werden, ob und in welchem Umfang sich die von jedem Klimamodell ben{\"o}tigten Rahmendaten auf Modellergebnisse auswirken. Im Zuge der Arbeit wurden viele unterschiedliche Daten und Methoden zur Generierung neuer Parameter miteinander verglichen, denn neben dem Ersetzen der konstanten Eingangswerte f{\"u}r verschiedene Oberfl{\"a}chenparameter und den damit verbundenen {\"A}nderungen wurden als zus{\"a}tzliche Verbesserung auch Ver{\"a}nderungen an der Parametrisierung des Bodens speziell in Hinblick auf die Bodentemperaturen in REMO vorgenommen. Im Rahmen dieser Arbeit wurden die durch die verschiedenen {\"A}nderungen ausgel{\"o}sten Auswirkungen f{\"u}r das CORDEX-Gebiet EUR-44 mit einer Aufl{\"o}sung von ca. 50km und f{\"u}r das in dem darin eingebetteten neu definierten Deutschlandgebiet GER-11 mit einer Aufl{\"o}sung von ca. 12km getestet sowie alle {\"A}nderungen anhand von verschiedenen Beobachtungsdatens{\"a}tzen validiert. Die vorgenommenen Arbeiten gliederten sich in drei Hauptteile. Der erste Teil bestand in dem vom eigentlichen Klimamodell unabh{\"a}ngigen Vergleich der verschiedenen Eingangsdaten auf unterschiedlichen Aufl{\"o}sungen und deren Performanz in allen Teilen der Erde, wobei ein besonderer Fokus auf der Qualit{\"a}t in den sp{\"a}teren Modellgebieten lag. Unter Ber{\"u}cksichtigung der Faktoren, wie einer globalen Verf{\"u}gbarkeit der Daten, einer verbesserten r{\"a}umlichen Aufl{\"o}sung und einer kostenlosen Nutzung der Daten sowie verschiedener Validationsergebnissen von anderen Studien, wurden in dieser Arbeit vier neue Topographiedatens{\"a}tze (SRTM, ALOS, TANDEM und ASTER) und drei neue Bodendatens{\"a}tze (FAOn, Soilgrid und HWSD) f{\"u}r die Verwendung im Pr{\"a}prozess von REMO aufbereitet und miteinander sowie mit den bisher in REMO verwendeten Daten verglichen. Auf Grundlage dieser Vergleichsstudien schieden bei den Topographiedaten die verwendeten Datensatz-Versionen von SRTM, ALOS und TANDEM f{\"u}r die in dieser Arbeit durchgef{\"u}hrten REMO-L{\"a}ufe aus. Bei den neuen Bodendatens{\"a}tzen wurde ausgenutzt, dass diese verschiedenen Bodeneigenschaften f{\"u}r unterschiedliche Tiefen als Karten zur Verf{\"u}gung stellen. In REMO wurden bisher alle ben{\"o}tigten Bodenparameter abh{\"a}ngig von f{\"u}nf verschiedenen Bodentexturklassen und einer zus{\"a}tzlichen Torfklasse ausgewiesen und als konstant {\"u}ber die gesamte Modellbodens{\"a}ule (bis ca. 10m) angenommen. Im zweiten Teil wurden auf Basis der im ersten Teil ausgew{\"a}hlten neuen Datens{\"a}tze und den neu verf{\"u}gbaren Bodenvariablen verschiedene Sensitivit{\"a}tsstudien {\"u}ber das Beispieljahr 2000 durchgef{\"u}hrt. Dabei wurden verschiedene neue Parametrisierungen f{\"u}r die bisher aus der Textur abgeleiteten Bodenvariablen und die Parametrisierung von weiteren hydrologischen und thermalen Bodeneigenschaften verglichen. Ferner wurde aufgrund der neuen nicht {\"u}ber die Tiefe konstanten Bodeneigenschaften eine neue numerische Methode zur Berechnung der Bodentemperaturen der f{\"u}nf Schichten in REMO getestet, welche wiederum andere Anpassungen erforderte. Der Test und die Auswahl der verschiedenen Datensatz- und Parametrisierungsversionen auf die Modellperformanz wurde in drei Experimentpl{\"a}ne unterteilt. Im ersten Plan wurden die Auswirkungen der ausgew{\"a}hlten Topographie- und Bodendatens{\"a}tze {\"u}berpr{\"u}ft. Der zweite Plan behandelte die Unterschiede der verschiedenen Parametrisierungsarten der Bodenvariablen hinsichtlich der verwendeten Variablen zur Berechnung der Bodeneigenschaften, der {\"u}ber die Tiefe variablen oder konstanten Eigenschaften und der verwendeten Berechnungsmethode der Bodentemperatur{\"a}nderungen. Durch die Erkenntnisse aus diesen beiden Experimentpl{\"a}nen, die f{\"u}r beide Untersuchungsgebiete durchgef{\"u}hrt wurden, ergaben sich im dritten Plan weitere Parametrisierungs{\"a}nderungen. Alle {\"A}nderungen dieses dritten Experimentplans wurden sukzessiv getestet, sodass der paarweise Vergleich von zwei aufeinanderfolgenden Modelll{\"a}ufen die Auswirkungen der Neuerung im jeweils zweiten Lauf widerspiegelt. Der letzte Teil der Arbeit bestand aus der Analyse von f{\"u}nf l{\"a}ngeren Modelll{\"a}ufen (2000-2018), die zur {\"U}berpr{\"u}fung der Ergebnisse aus den Sensitivit{\"a}tsstudien sowie zur Einsch{\"a}tzung der Performanz in weiteren teilweise extremen atmosph{\"a}rischen Bedingungen durchgef{\"u}hrt wurden. Hierf{\"u}r wurden die bisherige Modellversion von REMO (id01) f{\"u}r die beiden Untersuchungsgebiete EUR-44 und GER-11 als Referenzl{\"a}ufe, zwei aufgrund der Vergleichsergebnisse von Experimentplan 3 selektierte Modellversionen (id06 und id15a f{\"u}r GER-11) sowie die finale Version (id18a f{\"u}r GER-11), die alle vorgenommenen {\"A}nderungen dieser Arbeit enth{\"a}lt, ausgew{\"a}hlt. Es stellte sich heraus, dass sowohl die neuen Topographiedaten als auch die neuen Bodendaten große Differenzen zu den bisherigen Daten in REMO haben. Zudem {\"a}nderten sich die von diesen konstanten Eingangsdaten abgeleiteten Hilfsvariablen je nach verwendeter Parametrisierung sehr deutlich. Dies war besonders gut anhand der Bodenparameter zu erkennen. Sowohl die r{\"a}umliche Verteilung als auch der Wertebereich der verschiedenen Modellversionen unterschieden sich stark. Eine Einsch{\"a}tzung der Qualit{\"a}t der resultierenden Parameter wurde jedoch dadurch erschwert, dass auch die verschiedenen zur Validierung herangezogenen Bodendatens{\"a}tze f{\"u}r diese Parameter deutlich voneinander abweichen. Die finale Modellversion id18a {\"a}hnelte trotz der umfassenden {\"A}nderungen in den meisten Variablen den Ergebnissen der bisherigen REMO-Version. Je nach zeitlicher und r{\"a}umlicher Aggregation sowie unterschiedlichen Regionen und Jahreszeiten wurden leichte Verbesserungen, aber auch leichte Verschlechterungen im Vergleich zu den klimatologischen Validationsdaten festgestellt. Gr{\"o}ßere Ver{\"a}nderungen im Vergleich zur bisherigen Modellversion konnten in den tieferen Bodenschichten aufgezeigt werden, welche allerdings aufgrund von fehlenden Validationsdaten nicht beurteilt werden konnten. F{\"u}r alle 2m-Temperaturen konnte eine tendenzielle leichte Erw{\"a}rmung im Vergleich zum bisherigen Modelllauf beobachtet werden, was sich einerseits negativ auf die ohnehin durchschnittlich zu hohe Minimumtemperatur, aber andererseits positiv auf die bisher zu niedrige Maximumtemperatur des Modells in den betrachteten Gebieten auswirkte. Im Niederschlagssignal und in den 10m-Windvariablen konnten keine signifikanten {\"A}nderungen nachgewiesen werden, obwohl die neue Topographie an manchen Stellen im Modellgebiet deutlich von der bisherigen abweicht. Des Weiteren variierte das Ranking der verschiedenen Modellversionen jeweils nach dem angewendeten Qualit{\"a}tsindex. Um diese Ergebnisse besser einordnen zu k{\"o}nnen, muss ber{\"u}cksichtigt werden, dass die neuen Daten f{\"u}r Modellgebiete mit 50 bzw. 12km r{\"a}umlicher Aufl{\"o}sung und der damit verbundenen hydrostatischen Modellversion getestet wurden. Zudem sind vor allem in Fall der Topographie die bisher enthaltenen GTOPO-Daten (1km Aufl{\"o}sung) f{\"u}r die Aggregation auf diese gr{\"o}bere Modellaufl{\"o}sung geeignet. Die bisherigen Bodendaten stoßen jedoch mit 50km Aufl{\"o}sung bereits an ihre Grenzen. Zus{\"a}tzlich ist zu beachten, dass nicht nur die Mittelwerte dieser Daten, sondern auch deren Subgrid-Variabilit{\"a}t als Variablen im Modell f{\"u}r verschiedene Parametrisierungen verwendet werden. Daher ist es essentiell, dass die Eingangsdaten eine deutlich h{\"o}here Aufl{\"o}sung bereitstellen als die zur Modellierung definierte Aufl{\"o}sung. F{\"u}r lokale Klimasimulationen mit Aufl{\"o}sungen im niedrigen Kilometerbereich spielen auch die Vertikalbewegungen (nicht-hydrostatische Modellversion) eine wichtige Rolle, die stark von der Topographie sowie deren horizontaler und vertikaler {\"A}nderungsrate beeinflusst werden, was die in dieser Arbeit eingebauten wesentlich h{\"o}her aufgel{\"o}sten Daten f{\"u}r die zuk{\"u}nftige Weiterentwicklung von REMO wertvoll machen kann.},
  subject      = {Klimamodell},
  language  = {de}
}
@phdthesis{Baumhoer2021,
  author    = {Baumhoer, Celia Am{\´e}lie},
  title     = {Glacier Front Dynamics of Antarctica - Analysing Changes in Glacier and Ice Shelf Front Position based on SAR Time Series},
  doi       = {10.25972/OPUS-24581},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-245814},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2021},
  abstract  = {The Antarctic Ice Sheet stores ~91\% of the global ice volume which is equivalent to a sea-level rise of 58.3 meters. Recent disintegration events of ice shelves and retreating glaciers along the Antarctic Peninsula and West Antarctica indicate the current vulnerable state of the Antarctic Ice Sheet. Glacier tongues and ice shelves create a safety band around Antarctica with buttressing effects on ice discharge. Current decreases in glacier and ice shelf extent reduce the effective buttressing forces and increase ice discharge of grounded ice. The consequence is a higher contribution to sea-level rise from the Antarctic Ice Sheet. So far, it is unresolved which proportion of Antarctic glacier retreat can be attributed to climate change and which part to the natural cycle of growth and decay in the lifetime of a glacier. The quantitative assessment of the magnitude, spatial extent, distribution, and dynamics of circum-Antarctic glacier and ice shelf retreat is of utmost importance to monitor Antarctica's weakening safety band. In remote areas like Antarctica, earth observation provides optimal properties for large-scale mapping and monitoring of glaciers and ice shelves. Nowadays, the variety of available satellite sensors, technical advancements regarding spatial resolution and revisit times, as well as open satellite data archives create an ideal basis for monitoring calving front change. A systematic review conducted within this thesis revealed major gaps in the availability of glacier and ice shelf front position measurements despite the improved satellite data availability. The previously limited availability of satellite imagery and the time-consuming manual delineation of calving fronts did neither allow a circum-Antarctic assessment of glacier retreat nor the assessment of intra-annual changes in glacier front position. To advance the understanding of Antarctic glacier front change, this thesis presents a novel automated approach for calving front extraction and explores drivers of glacier retreat. A comprehensive review of existing methods for glacier front extraction ascertained the lack of a fully automatic approach for large-scale monitoring of Antarctic calving fronts using radar imagery. Similar backscatter characteristics of different ice types, seasonally changing backscatter values, multi-year sea ice, and m{\´e}lange made it challenging to implement an automated approach with traditional image processing techniques. Therefore, the present abundance of satellite data is best exploited by integrating recent developments in big data and artificial intelligence (AI) research to derive circum-Antarctic calving front dynamics. In the context of this thesis, the novel AI-based framework "AntarcticLINES" (Antarctic Glacier and Ice Shelf Front Time Series) was created which provides a fully automated processing chain for calving front extraction from Sentinel-1 imagery. Open access Sentinel-1 radar imagery is an ideal data source for monitoring current and future changes in the Antarctic coastline with revisit times of less than six days and all-weather imaging capabilities. The developed processing chain includes the pre-processing of dual-polarized Sentinel-1 imagery for machine learning applications. 38 Sentinel-1 scenes were used to train the deep learning architecture U-Net for image segmentation. The trained weights of the neural network can be used to segment Sentinel-1 scenes into land ice and ocean. Additional post-processing ensures even more accurate results by including morphological filtering before extracting the final coastline. A comprehensive accuracy assessment has proven the correct extraction of the coastline. On average, the automatically extracted coastline deviates by 2-3 pixels (93 m) from a manual delineation. This accuracy is in range with deviations between manually delineated coastlines from different experts. For the first time, the fully automated framework AntarcticLINES enabled the extraction of intra-annual glacier front fluctuations to assess seasonal variations in calving front change. Thereby, for example, an increased calving frequency of Pine Island Glacier and a beginning disintegration of Glenzer Glacier were revealed. Besides, the extraction of the entire Antarctic coastline for 2018 highlighted the large-scale applicability of the developed approach. Accurate results for entire Antarctica were derived except for the Western Antarctic Peninsula where training imagery was not sufficient and should be included in future studies. Furthermore, this dissertation presents an unprecedented record of circum-Antarctic calving front change over the last two decades. The newly extracted coastline for 2018 was compared to previous coastline products from 2009 and 1997. This revealed that the Antarctic Ice Sheet shrank 29,618±1193 km2 in extent between 1997-2008 and gained an area of 7,108±1029 km2 between 2009-2018. Glacier retreat concentrated along the Antarctic Peninsula and West Antarctica. The only East Antarctic coastal sector primarily experiencing calving front retreat was Wilkes Land in 2009-2018. Finally, potential drivers of circum-Antarctic glacier retreat were identified by combining data on glacier front change with changes in climate variables. It was found that strengthening westerlies, snowmelt, rising sea surface temperatures, and decreasing sea ice cover forced glacier retreat over the last two decades. Relative changes in mean air temperature could not be identified as a driver for glacier retreat and further investigations on extreme events in air temperature are necessary to assess the effect of atmospheric forcing on frontal retreat. The strengthening of all identified drivers was closely connected to positive phases of the Southern Annular Mode (SAM). With increasing greenhouse gases and ozone depletion, positive phases of SAM will occur more often and force glacier retreat even further in the future. Within this thesis, a comprehensive review on existing Antarctic glacier and ice shelf front studies was conducted revealing major gaps in Antarctic calving front records. Therefore, a fully automated processing chain for glacier and ice shelf front extraction was implemented to track circum-Antarctic calving front fluctuations on an intra-annual basis. The large-scale applicability was certified by presenting two decades of circum-Antarctic calving front change. In combination with climate variables, drivers of recent glacier retreat were identified. In the future, the presented framework AntarcticLINES will greatly contribute to the constant monitoring of the Antarctic coastline under the pressure of a changing climate.},
  language  = {en}
}
@phdthesis{Karama2021,
  author    = {Karama, Alphonse},
  title     = {East African Seasonal Rainfall prediction using multiple linear regression and regression with ARIMA errors models},
  doi       = {10.25972/OPUS-25183},
  url       = {http://nbn-resolving.de/urn:nbn:de:bvb:20-opus-251831},
  school      = {Universit{\"a}t W{\"u}rzburg},
  year      = {2021},
  abstract  = {The detrimental impacts of climate variability on water, agriculture, and food resources in East Africa underscore the importance of reliable seasonal climate prediction. To overcome this difficulty RARIMAE method were evolved. Applications RARIMAE in the literature shows that amalgamating different methods can be an efficient and effective way to improve the forecasts of time series under consideration. With these motivations, attempt have been made to develop a multiple linear regression model (MLR) and a RARIMAE models for forecasting seasonal rainfall in east Africa under the following objectives: 1. To develop MLR model for seasonal rainfall prediction in East Africa. 2. To develop a RARIMAE model for seasonal rainfall prediction in East Africa. 3. Comparison of model's efficiency under consideration In order to achieve the above objectives, the monthly precipitation data covering the period from 1949 to 2000 was obtained from Climate Research Unit (CRU). Next to that, the first differenced climate indices were used as predictors. In the first part of this study, the analyses of the rainfall fluctuation in whole Central- East Africa region which span over a longitude of 15 degrees East to 55 degrees East and a latitude of 15 degrees South to 15 degrees North was done by the help of maps. For models' comparison, the R-squared values for the MLR model are subtracted from the R-squared values of RARIMAE model. The results show positive values which indicates that R-squared is improved by RARIMAE model. On the other side, the root mean square errors (RMSE) values of the RARIMAE model are subtracted from the RMSE values of the MLR model and the results show negative value which indicates that RMSE is reduced by RARIMAE model for training and testing datasets. For the second part of this study, the area which is considered covers a longitude of 31.5 degrees East to 41 degrees East and a latitude of 3.5 degrees South to 0.5 degrees South. This region covers Central-East of the Democratic Republic of Congo (DRC), north of Burundi, south of Uganda, Rwanda, north of Tanzania and south of Kenya. Considering a model constructed based on the average rainfall time series in this region, the long rainfall season counts the nine months lead of the first principal component of Indian sea level pressure (SLP_PC19) and the nine months lead of Dipole Mode Index (DMI_LR9) as selected predictors for both statistical and predictive model. On the other side, the short rainfall season counts the three months lead of the first principal component of Indian sea surface temperature (SST_PC13) and the three months lead of Southern Oscillation Index (SOI_SR3) as predictors for predictive model. For short rainfall season statistical model SAOD current time series (SAOD_SR0) was added on the two predictors in predictive model. By applying a MLR model it is shown that the forecast can explain 27.4\% of the total variation and has a RMSE of 74.2mm/season for long rainfall season while for the RARIMAE the forecast explains 53.6\% of the total variation and has a RMSE of 59.4mm/season. By applying a MLR model it is shown that the forecast can explain 22.8\% of the total variation and has a RMSE of 106.1 mm/season for short rainfall season predictive model while for the RARIMAE the forecast explains 55.1\% of the total variation and has a RMSE of 81.1 mm/season. From such comparison, a significant rise in R-squared, a decrease of RMSE values were observed in RARIMAE models for both short rainfall and long rainfall season averaged time series. In terms of reliability, RARIMAE outperformed its MLR counterparts with better efficiency and accuracy. Therefore, whenever the data suffer from autocorrelation, we can go for MLR with ARIMA error, the ARIMA error part is more to correct the autocorrelation thereby improving the variance and productiveness of the model.},
  subject      = {Regression},
  language  = {en}
}