TY  - THES
A1  - Cord, Anna
T1  - Potential of multi-temporal remote sensing data for modeling tree species distributions and species richness in Mexico
T1  - Eignung multi-temporaler Fernerkundungsdaten für die Modellierung von Artverbreitungsgebieten und Diversität von Baumarten in Mexiko
N2  - Current changes of biodiversity result almost exclusively from human activities. This anthropogenic conversion of natural ecosystems during the last decades has led to the so-called ‘biodiversity crisis’, which comprises the loss of species as well as changes in the global distribution patterns of organisms. Species richness is unevenly distributed worldwide. Altogether, 17 so-called ‘megadiverse’ nations cover less than 10% of the earth’s land surface but support nearly 70% of global species richness. Mexico, the study area of this thesis, is one of those countries. However, due to Mexico’s large extent and geographical complexity, it is impossible to conduct reliable and spatially explicit assessments of species distribution ranges based on these collection data and field work alone. In the last two decades, Species distribution models (SDMs) have been established as important tools for extrapolating such in situ observations. SDMs analyze empirical correlations between geo-referenced species occurrence data and environmental variables to obtain spatially explicit surfaces indicating the probability of species occurrence. Remote sensing can provide such variables which describe biophysical land surface characteristics with high effective spatial resolutions. Especially during the last three to five years, the number of studies making use of remote sensing data for modeling species distributions has therefore multiplied. Due to the novelty of this field of research, the published literature consists mostly of selective case studies. A systematic framework for modeling species distributions by means of remote sensing is still missing. This research gap was taken up by this thesis and specific studies were designed which addressed the combination of climate and remote sensing data in SDMs, the suitability of continuous remote sensing variables in comparison with categorical land cover classification data, the criteria for selecting appropriate remote sensing data depending on species characteristics, and the effects of inter-annual variability in remotely sensed time series on the performance of species distribution models. The corresponding novel analyses were conducted with the Maximum Entropy algorithm developed by Phillips et al. (2004). In this thesis, a more comprehensive set of remote sensing predictors than in the existing literature was utilized for species distribution modeling. The products were selected based on their ecological relevance for characterizing species distributions. Two 1 km Terra-MODIS Land 16-day composite standard products including the Enhanced Vegetation Index (EVI), Reflectance Data, and Land Surface Temperature (LST) were assembled into enhanced time series for the time period of 2001 to 2009. These high-dimensional time series data were then transformed into 18 phenological and 35 statistical metrics that were selected based on an extensive literature review. Spatial distributions of twelve tree species were modeled in a hierarchical framework which integrated climate (WorldClim) and MODIS remote sensing data. The species are representative of the major Mexican forest types and cover a variety of ecological traits, such as range size and biotope specificity. Trees were selected because they have a high probability of detection in the field and since mapping vegetation has a long tradition in remote sensing. The result of this thesis showed that the integration of remote sensing data into species distribution models has a significant potential for improving and both spatial detail and accuracy of the model predictions.
N2  - Sämtliche aktuell zu beobachtenden Veränderungen in der Biodiversität lassen sich fast ausschließlich auf menschliche Aktivitäten zurückführen. In den letzten Jahrzehnten hat insbesondere die anthropogene Umwandlung bisher unberührter, natürlicher Ökosysteme zur sogenannten ‚Biodiversitätskrise‘ geführt. Diese umfasst nicht nur das Aussterben von Arten, sondern auch räumliche Verschiebungen in deren Verbreitungsgebieten. Global gesehen ist der Artenreichtum ungleich verteilt. Nur insgesamt 17 sogenannte ‚megadiverse‘ Länder, welche 10% der globalen Landoberfläche umfassen, beherbergen fast 70% der weltweiten Artenvielfalt. Mexiko, das Studiengebiet dieser Arbeit, ist eine dieser außerordentlich artenreichen Nationen. Aufgrund seiner großen Ausdehnung und geographischen Komplexität kann eine verlässliche und detaillierte räumliche Erfassung von Artverbreitungsgebieten in Mexiko jedoch nicht nur auf Basis dieser Datenbanken sowie von Feldarbeiten erfolgen. In den letzten beiden Jahrzehnten haben sich Artverbreitungsmodelle (Species distribution models, SDMs) als wichtige Werkzeuge für die räumliche Interpolation solcher in situ Beobachtungen in der Ökologie etabliert. Artverbreitungsmodelle umfassen die Analyse empirischer Zusammenhänge zwischen georeferenzierten Fundpunkten einer Art und Umweltvariablen mit dem Ziel, räumlich kontinuierliche Vorhersagen zur Wahrscheinlichkeit des Vorkommens der jeweiligen Art zu treffen. Mittels Fernerkundung können Umweltvariablen mit Bezug zu den biophysikalischen Eigenschaften der Landoberfläche in hohen effektiven räumlichen Auflösungen bereitgestellt werden. Insbesondere in den letzten drei bis fünf Jahren ist daher die Verwendung von Fernerkundungsdaten in der Artverbreitungsmodellierung sprunghaft angestiegen. Da es sich hierbei jedoch immer noch um ein sehr neues Forschungsfeld handelt, stellen diese meist nur Einzelstudien mit Beispielcharakter dar. Eine systematische Untersuchung zur Modellierung von Artverbreitungsgebieten mit Hilfe von Fernerkundungsdaten fehlt bisher. Diese Forschungslücke wurde in der vorliegenden Arbeit aufgegriffen. Hierzu wurden spezifische Untersuchungen durchgeführt, welche insbesondere folgende Aspekte betrachteten: die sinnvolle Verknüpfung von Klima- und Fernerkundungsdaten im Rahmen von Artverbreitungsmodellen, den quantitativen Vergleich von kontinuierlichen Fernerkundungsdaten und einer bestehenden kategorialen Landbedeckungsklassifikation, die Identifizierung von Kriterien zur Auswahl geeigneter Fernerkundungsprodukte, welche die Eigenschaften der Studienarten berücksichtigen, sowie der Einfluss inter-annueller Variabilität in fernerkundlichen Zeitreihen auf die Ergebnisse und Leistungsfähigkeit von Artverbreitungsmodellen. Die entsprechenden neuen Analysen wurden mit Hilfe des von Phillips et al. (2004) entwickelten Maximum Entropy Algorithmus zur Artverbreitungsmodellierung durchgeführt. Im Rahmen dieser Arbeit wurde ein umfangreicherer Datensatz an Fernerkundungsvariablen als in der bisherigen Literatur verwendet. Die entsprechenden Fernerkundungsprodukte wurden spezifisch aufgrund ihrer Eignung für die Beschreibung ökologisch relevanter Parameter, die sich auf die Verbreitungsgebiete von Arten auswirken, ausgewählt. Für den Zeitraum von 2001 bis 2009 wurden zwei Terra-MODIS Standardprodukte mit 1 km räumlicher und 16-tägiger zeitlicher Auflösung zu geglätteten, kontinuierlichen Zeitreihen zusammengefügt. Diese Produkte beinhalten den verbesserten Vegetationsindex (Enhanced Vegetation Index, EVI), Reflexionsgrade und die Landoberflächentemperatur (Land Surface Temperature, LST). Diese hochdimensionalen Zeitreihendaten wurden in insgesamt 18 phänologische sowie 35 statistische Maßzahlen überführt, welche auf der Basis einer umfassenden Sichtung der vorhandenen Literatur zusammengestellt wurden. Die Verbreitungsgebiete von zwölf Baumarten wurden mit Hilfe eines hierarchisch aufgebauten Ansatzes, welcher sowohl Klimadaten (WorldClim) als auch Fernerkundungsdaten des MODIS-Sensors berücksichtigt, modelliert. Die Studienarten sind repräsentativ für die in Mexiko vorkommenden Waldtypen und decken eine breite Spannweite ökologischer Eigenschaften wie Größe des Verbreitungsgebietes und Breite der ökologischen Nische ab. Als Studienobjekte wurden Bäume ausgewählt, weil sie im Feld mit hoher Wahrscheinlichkeit richtig erfasst werden und außerdem die fernerkundungsbasierte Kartierung von Vegetation bereits auf eine Vielzahl an Studien zurückgreifen kann. Durch die im Rahmen dieser Dissertation durchgeführten Untersuchungen konnte gezeigt werden, dass die Integration von Fernerkundungsdaten in Artverbreitungsmodelle ein signifikantes Potential zur Verbesserung der räumlichen Detailgenauigkeit und der Güte der Modellvorhersagen bietet.
KW  - Fernerkundung
KW  - Biodiversität
KW  - Landnutzung
KW  - Zeitreihenanalyse
KW  - Mexiko
KW  - Artverbreitungsmodellierung
KW  - Maximum Entropy Algorithmus
KW  - MODIS
KW  - Modellierung
KW  - Remote sensing
KW  - Species distribution modeling
KW  - Maximum Entropy algorithm
KW  - MODIS
KW  - Mexico
Y1  - 2012
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-71021
ER  - 
TY  - JOUR
A1  - Forkuor, Gerald
A1  - Hounkpatin, Ozias K.L.
A1  - Welp, Gerhard
A1  - Thiel, Michael
T1  - High resolution mapping of soil properties using remote sensing variables in south-western Burkina Faso: a comparison of machine learning and multiple linear regression models
JF  - PLOS One
N2  - Accurate and detailed spatial soil information is essential for environmental modelling, risk assessment and decision making. The use of Remote Sensing data as secondary sources of information in digital soil mapping has been found to be cost effective and less time consuming compared to traditional soil mapping approaches. But the potentials of Remote Sensing data in improving knowledge of local scale soil information in West Africa have not been fully explored. This study investigated the use of high spatial resolution satellite data (RapidEye and Landsat), terrain/climatic data and laboratory analysed soil samples to map the spatial distribution of six soil properties–sand, silt, clay, cation exchange capacity (CEC), soil organic carbon (SOC) and nitrogen–in a 580 km2 agricultural watershed in south-western Burkina Faso. Four statistical prediction models–multiple linear regression (MLR), random forest regression (RFR), support vector machine (SVM), stochastic gradient boosting (SGB)–were tested and compared. Internal validation was conducted by cross validation while the predictions were validated against an independent set of soil samples considering the modelling area and an extrapolation area. Model performance statistics revealed that the machine learning techniques performed marginally better than the MLR, with the RFR providing in most cases the highest accuracy. The inability of MLR to handle non-linear relationships between dependent and independent variables was found to be a limitation in accurately predicting soil properties at unsampled locations. Satellite data acquired during ploughing or early crop development stages (e.g. May, June) were found to be the most important spectral predictors while elevation, temperature and precipitation came up as prominent terrain/climatic variables in predicting soil properties. The results further showed that shortwave infrared and near infrared channels of Landsat8 as well as soil specific indices of redness, coloration and saturation were prominent predictors in digital soil mapping. Considering the increased availability of freely available Remote Sensing data (e.g. Landsat, SRTM, Sentinels), soil information at local and regional scales in data poor regions such as West Africa can be improved with relatively little financial and human resources.
KW  - Agricultural soil science
KW  - Forecasting
KW  - Machine learning
KW  - Support vector machines
KW  - Paleopedology
KW  - Trees
KW  - Clay mineralogy
KW  - Remote sensing
KW  - South-western Burkina Faso
Y1  - 2017
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-180978
VL  - 12
IS  - 1
ER  - 
TY  - THES
A1  - Babu, Dinesh Kumar
T1  - Efficient Data Fusion Approaches for Remote Sensing Time Series Generation
T1  - Effiziente Datenfusionsansätze für die Generierung von Fernerkundungszeitreihen
N2  - Fernerkundungszeitreihen beschreiben die Erfassung von zeitlich gleichmäßig verteilten Fernerkundungsdaten in einem festgelegten Zeitraum entweder global oder für ein vordefiniertes Gebiet. Für die Überwachung der Landwirtschaft, die Erkennung von Veränderungen der Phänologie oder für das Umwelt-Monitoring werden nahezu tägliche Daten mit hoher räumlicher Auflösung benötigt. Bei vielen verschiedenen fernerkundlichen Anwendungen hängt die Genauigkeit von der dichte und der Verlässlichkeit der fernerkundlichen Datenreihe ab. Die verschiedenen Fernerkundungssatellitenkonstellationen sind immer noch nicht in der Lage, fast täglich oder täglich Bilder mit hoher räumlicher Auflösung zu liefern, um die Bedürfnisse der oben erwähnten Fernerkundungsanwendungen zu erfüllen. Einschränkungen bei den Sensoren, hohe Entwicklungskosten, hohe Betriebskosten der Satelliten und das Vorhandensein von Wolken, die die Sicht auf das Beobachtungsgebiet blockieren, sind einige der Gründe, die es sehr schwierig machen, fast tägliche oder tägliche optische Fernerkundungsdaten mit hoher räumlicher Auflösung zu erhalten. Mit Entwicklungen bei den optischen Sensorsystemen und gut geplanten Fernerkundungssatellitenkonstellationen kann dieser Zustand verbessert werden, doch ist dies mit Kosten verbunden. Selbst dann wird das Problem nicht vollständig gelöst sein, so dass der wachsende Bedarf an zeitlich und räumlich hochauflösenden Daten nicht vollständig gedeckt werden kann. Da der Datenerfassungsprozess sich auf Satelliten stützt, die physische Systeme sind, können diese aus verschiedenen Gründen unvorhersehbar ausfallen und einen vollständigen Verlust der Beobachtung für einen bestimmten Zeitraum verursachen, wodurch eine Lücke in der Zeitreihe entsteht. Um den langfristigen Trend der phänologischen Veränderungen aufgrund der sich schnell ändernden Umweltbedingungen zu beobachten, sind die Fernerkundungsdaten aus der gegenwärtig nicht ausreichend. Hierzu werden auch Daten aus der Vergangenheit benötigt. Eine bessere Alternativlösung für dieses Problem kann die Erstellung von Fernerkundungszeitreihen durch die Fusion von Daten mehrerer Fernerkundungssatelliten mit unterschiedlichen räumlichen und zeitlichen Auflösungen sein. Dieser Ansatz soll effektiv und effizient sein. Bei dieser Methode kann ein zeitlich und räumlich hoch aufgelöstes Bild von einem Satelliten, wie Sentinel-2 mit einem zeitlich und räumlich niedrig aufgelösten Bild von einem Satelliten, wie Sentinel-3 fusioniert werden, um synthetische Daten mit hoher zeitlicher und räumlicher Auflösung zu erzeugen. Die Erzeugung von Fernerkundungszeitreihen durch Datenfusionsmethoden kann sowohl auf die gegenwärtig erfassten Satellitenbilder als auch auf die in der Vergangenheit von den Satelliten aufgenommenen Bilder angewandt werden. Dies wird die dringend benötigten zeitlich und räumlich hochauflösenden Bilder für Fernerkundungsanwendungen liefern. Dieser vereinfachte Ansatz ist kosteneffektiv und bietet den Forschern die Möglichkeit, aus der begrenzten Datenquelle, die ihnen zur Verfügung steht, die für ihre Anwendung benötigten Daten selbst zu generieren. Ein effizienter Datenfusionsansatz in Kombination mit einer gut geplanten Satellitenkonstellation kann ein Lösungsansatz sein, um eine nahezu tägliche Zeitreihen von Fernerkundungsdaten lückenlos gewährleistet. Ziel dieser Forschungsarbeit ist die Entwicklung eines effizienten Datenfusionsansatzes, um dichte Fernerkundungszeitreihen zu erhalten.
N2  - Remote sensing time series is the collection or acquisition of remote sensing data in a
fixed equally spaced time period over a particular area or for the whole world. Near
daily high spatial resolution data is very much needed for remote sensing applications
such as agriculture monitoring, phenology change detection, environmental
monitoring and so on. Remote sensing applications can produce better and accurate
results if they are provided with dense and accurate time series of data. The current
remote sensing satellite architecture is still not capable of providing near daily
or daily high spatial resolution images to fulfill the needs of the above mentioned
remote sensing applications. Limitations in sensors, high development, operational
costs of satellites and presence of clouds blocking the area of observation are some
of the reasons that makes near daily or daily high spatial resolution optical remote
sensing data highly challenging to achieve. With developments in the optical sensor
systems and well planned remote sensing satellite constellations, this condition
can be improved but it comes at a cost. Even then the issue will not be completely
resolved and thus the growing need for high temporal and high spatial resolution
data cannot be fulfilled entirely. Because the data collection process relies on satellites
which are physical system, these can fail unpredictably due to various reasons
and cause a complete loss of observation for a given period of time making a gap
in the time series. Moreover, to observe the long term trend in phenology change
due to rapidly changing environmental conditions, the remote sensing data from
the present is not just sufficient, the data from the past is also important. A better
alternative solution for this issue can be the generation of remote sensing time series
by fusing data from multiple remote sensing satellite which has different spatial and
temporal resolutions. This approach will be effective and efficient. In this method
a high temporal low spatial resolution image from a satellite such as Sentinel-2 can
be fused with a low temporal and high spatial resolution image from a satellite such
as the Sentinel-3 to generate a synthetic high temporal high spatial resolution data.
Remote sensing time series generation by data fusion methods can be applied to
the satellite images captured currently as well as the images captured by the satellites
in the past. This will provide the much needed high temporal and high spatial
resolution images for remote sensing applications. This approach with its simplistic
nature is cost effective and provides the researchers the means to generate the
data needed for their application on their own from the limited source of data available
to them. An efficient data fusion approach in combination with a well planned
satellite constellation can offer a solution which will ensure near daily time series of
remote sensing data with out any gap. The aim of this research work is to develop
an efficient data fusion approaches to achieve dense remote sensing time series.
KW  - Remote sensing
KW  - Spatial resolution
KW  - Time Series
KW  - Data Fusion
KW  - Optical remote sensing data
KW  - Temporal Resolution
KW  - High resolution data
KW  - moderate resolution data
KW  - low resolution data
Y1  - 2021
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-251808
ER  - 
TY  - THES
A1  - Forkuor, Gerald
T1  - Agricultural Land Use Mapping in West Africa Using Multi-sensor Satellite Imagery
T1  - Kartierung landwirtschaftlicher Landnutzung unter Verwendung multi-sensoraler Satellitendaten
N2  - Rapid population growth in West Africa has led to expansion in croplands due to the need to grow more food to meet the rising food demand of the burgeoning population. These expansions negatively impact the sub-region's ecosystem, with implications for water and soil quality, biodiversity and climate. In order to appropriately monitor the changes in croplands and assess its impact on the ecosystem and other environmental processes, accurate and up-to-date information on agricultural land use is required. But agricultural land use mapping (i.e. mapping the spatial distribution of crops and croplands) in West Africa has been challenging due to the unavailability of adequate satellite images (as a result of excessive cloud cover), small agricultural fields and a heterogeneous landscape. This study, therefore, investigated the possibilities of improving agricultural land use mapping by utilizing optical satellite images with higher spatial and temporal resolution as well as images from Synthetic Aperture Radar (SAR) systems which are near-independent of weather conditions. The study was conducted at both watershed and regional scales.
At watershed scale, classification of different crop types in three watersheds in Ghana, Burkina Faso and Benin was conducted using multi-temporal: (1) only optical images (RapidEye) and (2) optical plus dual polarimetric (VV/VH) SAR images (TerraSAR-X). In addition, inter-annual or short term (2-3 years) changes in cropland area in the past ten years were investigated using historical Landsat images. Results obtained indicate that the use of only optical images to map different crop types in West Africa can achieve moderate classification accuracies (57% to 71%). Overlaps between the cropping calendars of most crops types and certain inter-croppings pose a challenge to optical images in achieving an adequate separation between those crop classes. Integration of SAR images, however, can improve classification accuracies by between 8 and 15%, depending on the number of available images and their acquisition dates. The sensitivity of SAR systems to different crop canopy architectures and land surface characteristics improved the separation between certain crop types. The VV polarization of TerraSAR-X was found to better discrimination between crop types than the VH. Images acquired between August and October were found to be very useful for crop mapping in the sub-region due to structural differences in some crop types during this period. 
At the regional scale, inter-annual or short term changes in cropland area in the Sudanian Savanna agro-ecological zone in West Africa were assessed by upscaling historical cropland information derived at the watershed scale (using Landsat imagery) unto a coarse spatial resolution, but geographically large, satellite imagery (MODIS) using regression based modeling. The possibility of using such regional scale cropland information to improve government-derived agricultural statistics was investigated by comparing extracted cropland area from the fractional cover maps with district-level agricultural statistics from Ghana The accuracy of the fractional cover maps (MAE between 14.2% and 19.1%) indicate that the heterogeneous agricultural landscape of West Africa can be suitably represented at the regional or continental scales by estimating fractional cropland cover on low resolution Analysis of the results revealed that cropland area in the Sudanian Savanna zone has experienced inter-annual or short term fluctuations in the past ten years due to a variety of factors including climate factors (e.g. floods and droughts), declining soil fertility, population increases and agricultural policies such as fertilizer subsidies. Comparison of extracted cropland area from the fractional cover maps with government's agricultural statistics (MoFA) for seventeen districts (second administrative units) in Ghana revealed high inconsistencies in the government statistics, and highlighted the potential of satellite derived cropland information at regional scales to improve national/sub-national agricultural statistics in West Africa.
The results obtained in this study is promising for West Africa, considering the recent launch of optical (Landsat 8) and SAR sensors (Sentinel-1) that will provide free data for crop mapping in the sub-region. This will improve chances of obtaining adequate satellite images acquired during the cropping season for agricultural land use mapping and bolster opportunities of operationalizing agricultural land use mapping in West Africa. This can benefit a wide range of biophysical and economic models and improve decision making based on their results.
N2  - Das schnelle Bevölkerungswachstum im Westen Afrikas hat, durch das erhöhte Bedürfnis nach Lebensmittel der expandierenden Bevölkerung, zu einer steigenden Lebensmittelnachfrage und damit zur Ausweitung von Ackerland geführt. Diese Expansionen haben negative Einflüsse auf das Ökosystem der Subregion, die Konsequenzen für Wasser- und Bodenqualität, sowie für Biodiversität und das Klima nach sich ziehen. Um die Veränderungen der Ackerflächen überwachen und die Folgen für das Ökosystem und anderer Umweltprozesse richtig abschätzen zu können, werden genaue und aktuelle Informationen über die landwirtschaftliche Nutzung benötigt. Das kartographieren landwirtschaftlicher Flächennutzung (z.B. das Abbilden der räumlichen Verteilung von Feldfrüchten und Ackerflächen) in Westafrika wurde durch die mangelhafte Verfügbarkeit geeigneter Satellitendaten (durch das Auftreten massiver Wolkenbedeckung), der geringen Größe der landwirtschaftlichen Flächen, sowie der heterogenen Landschaft, erschwert. Aus diesen Gründen untersucht diese Studie das Potential landwirtschaftlich genutzte Flächen, durch die Nutzung von optischen Satellitensystemen mit höherer geometrischer und temporaler Auflösung und Aufnahmen des Synthetic Aperture Radar (SAR) als ein nahezu wetterunabhängiges System, aufzunehmen. Diese Studie wurde sowohl auf der Skala von Wassereinzugsgebieten als auch von Regionen erstellt (Agrarökologische Zone in der sudanesischen Savanne).
Auf der Skala der Wassereinzugsgebiete wurden Klassifikationen verschiedener Feldfrüchte in drei Einzugsgebieten in Ghana, Burkina Faso und Benin, mithilfe multitemporaler Abbildungen, bestehend aus entweder (1) nur optischer Abbildungen (Rapideye) oder (2) optischer und dual polarimetric (VV/VH) SAR Aufnahmen (TerraSAR-X), durchgeführt. Zusätzlich wurden interannuelle oder kurzzeitige (2-3 Jahre) Veränderungen in der Ausdehnung von Ackerflächen über die vergangenen zehn Jahre hinweg mittels historischer Landsataufnahmen untersucht. Die Ergebnisse zeigen, dass das Kartographieren verschiedener Feldfrüchte in Westafrika durch nur optische Abbildungen eine moderate Klassifikationsgenauigkeit von 57% bis 71% widergibt. Überlappungen zwischen dem Anbauplan der meisten Feldfrüchte und dem Zwischenfruchtanbau stellen eine Herausforderung für optische Abbildungen dar, um eine angemessene Unterscheidung der  Feldfrüchte zu erreichen. Die Hinzunahme von SAR Aufnahmen kann die Klassifikationsgenauigkeit, abhängig von der Anzahl verfügbarer Szenen und deren Aufnahmedatum, jedoch um 8% bis 15% erhöhen. Die Empfindlichkeit der SAR Systeme gegenüber unterschiedlichem Aufbau der Fläche von Feldfrüchten und der Charakteristika der Landoberfläche verbesserten die Trennbarkeit unterschiedlicher Feldfrüchte. Wie sich herausstellte hat die VV Polarisation von TerraSAR-X eine bessere Trennung der Feldfrüchte bewirkt als die VH Polarisation. Außerdem zeigt sich, dass Aufnahmen zwischen August und Oktober sehr nützlich zur Abbildung von Feldfrüchten in der Subregion sind, da in dieser Zeit strukturelle Unterschiede einiger Feldfrüchte beobachtet werden können.
Auf regionalem Maßstab wurden interanuelle oder kurzzeitige Veränderungen der Ackerflächen in der agrarökologischen Zone der sudanesischen Savanne in Westafrika durch das hochskalieren historischer Informationen zu den Ackerflächen auf der Skala der Wassereinzugsgebiete (aus Landsat Aufnahmen) auf eine gröbere Auflösung, aber geographisch weite Satellitenszene (MODIS), unter Zuhilfenahme eines auf Regression basierenden Modells, berechnet. Die Möglichkeit regionalskalierte Informationen zu Ackerflächen zu nutzen um staatlich erstellte landwirtschaftliche Statistiken zu verbessern wurde untersucht, indem die extrahierte Fläche der Äcker aus fraktionierten Karten zur Landbedeckung mit landwirtschaftlichen Statistiken auf Distrikt-Level miteinander verglichen werden. Die Genauigkeit der fraktionierten Landbedeckungskarten (Mean Absolute Error zwischen 14,2% und 19,1%) weist darauf hin, dass die heterogene Agrarlandschaft Westafrikas auf einem regionalen oder kontinentalen Maßstab, durch die Abschätzung fraktionierter Ackerflächen aus gering aufgelösten Satellitendaten, angemessen repräsentiert werden kann. Die Analyse der Ergebnisse zeigt, dass die Ackerflächen der Agrarökologischen Zone der sudanesischen Savanne interannuelle oder kurzzeitige Schwankungen in den vergangenen zehn Jahren unterlegen waren. Diese Schwankungen ergeben sich durch bestimmte Faktoren wie: klimatische Faktoren (z.B.  Überschwemmungen oder Dürren), sinkende Bodenfruchtbarkeit, Bevölkerungswachstum und landwirtschaftliche Politik wie der Subvention von Düngemitteln. Der Vergleich von fraktionierter Landbedeckungskarten mit staatlich erstellten landwirtschaftlichen Statistiken (MoFA) in 17 Distrikten in Ghana ergaben große Unregelmäßigkeiten in den staatlichen Statistiken und zeigten das Potential von aus Satellitendaten abgeleiteten Informationen zu Ackerflächen auf regionalem Maßstab um nationale oder subnationale landwirtschaftliche Statistiken in Westafrika zu verbessern.
Angesichts der baldigen Starts der optischen (Landsat 8) und SAR (Sentinel-1) Sensoren, die frei zugängliche Daten für die Kartierung von Feldfrüchten in der Subregion liefern werden, sind die Ergebnisse, die in dieser Studie gewonnen wurden, vielversprechend für Westafrika. Dadurch steigen die Chancen, dass adäquate Satellitenszenen für das Abbilden landwirtschaftlicher Landnutzung während der Anbauzeitraums bezogen und operationalisiert werden können. Dies hat zur Folge, dass ein breites Spektrum biophysikalischer und ökonomischer Modelle davon profitieren und die Entscheidungsfindung durch die Ergebnisse optimiert wird.
KW  - Westafrika
KW  - Fernerkundung
KW  - Bodennutzung
KW  - Kartierung
KW  - Agricultural land use
KW  - Remote sensing
KW  - West Africa
Y1  - 2014
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108687
ER  -