TY - THES A1 - Weigand, Matthias Johann T1 - Fernerkundung und maschinelles Lernen zur Erfassung von urbanem Grün - Eine Analyse am Beispiel der Verteilungsgerechtigkeit in Deutschland T1 - Remote Sensing and Machine Learning to Capture Urban Green – An Analysis Using the Example of Distributive Justice in Germany N2 - Grünflächen stellen einen der wichtigsten Umwelteinflüsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits können Grünflächen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Grünflächen nicht für die gesamte Bevölkerung gleichermaßen zugänglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-ökonomische und demographische Gruppen der deutschen Bevölkerung unterschiedlichen Zugriff auf Grünflächen haben. An bestehenden Analysen von Umwelteinflüssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten häufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere für großflächig angelegte Studien zu. So werden wichtige räumliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens ermöglichen die effiziente Verarbeitung zur Ableitung höherwertiger Informationen. Das übergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Grünflächen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen für die großflächige und hochaufgelöste Analyse von Umwelteigenschaften aufzuzeigen und durchzuführen. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden für die Verbesserung der räumlichen und semantischen Auflösung von Geoinformationen erforscht werden. Hierfür werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenlücken zu schließen und Aufschluss über die Verteilungsgerechtigkeit von Grünflächen zu bieten. Diese Dissertation gliedert sich in drei konzeptionelle Teilschritte. Im ersten Studienteil werden Erdbeobachtungsdaten der Sentinel-2 Satelliten zur deutschlandweiten Klassifikation von Landbedeckungsinformationen verwendet. In Kombination mit punktuellen Referenzdaten der europaweiten Erfassung für Landbedeckungs- und Landnutzungsinformationen des Land Use and Coverage Area Frame Survey (LUCAS) wird ein maschinelles Lernverfahren trainiert. In diesem Kontext werden verschiedene Vorverarbeitungsschritte der LUCAS-Daten und deren Einfluss auf die Klassifikationsgenauigkeit beleuchtet. Das Klassifikationsverfahren ist in der Lage Landbedeckungsinformationen auch in komplexen urbanen Gebieten mit hoher Genauigkeit abzuleiten. Ein Ergebnis des Studienteils ist eine deutschlandweite Landbedeckungsklassifikation mit einer Gesamtgenauigkeit von 93,07 %, welche im weiteren Verlauf der Arbeit genutzt wird, um grüne Landbedeckung (GLC) räumlich zu quantifizieren. Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Grünflächen anhand des Beispiels öffentlicher Grünflächen (PGS), die häufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine häufig verwendete Quelle für räumliche Daten zu öffentlichen Grünflächen, der European Urban Atlas (EUA), wird bisher nicht flächendeckend für Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verfügbarkeit von öffentlichem Grün auf der räumlichen Ebene von Nachbarschaften für ganz Deutschland zu ermitteln. Hierfür dienen bereits vom EUA erfasste Gebiete als Referenz. Mithilfe einer Kombination von Erdbeobachtungsdaten und Informationen aus dem OpenStreetMap-Projekt wird ein Deep Learning -basiertes Fusionsnetzwerk erstellt, welche die verfügbare Fläche von öffentlichem Grün quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge öffentlicher Grünflächen in der Nachbarschaft zu schätzen (𝑅 2 = 0.952). Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Grünflächen in Deutschland unter Hinzunahme von georeferenzierten Bevölkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Grünflächen nach zwei Typen: GLC und PGS. Zunächst wird mithilfe deskriptiver Statistiken die generelle Grünflächenverteilung in der Bevölkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand gängiger Gerechtigkeitsmetriken bestimmt. Abschließend werden die Zusammenhänge zwischen der demographischen Komposition der Nachbarschaft und der verfügbaren Menge von Grünflächen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verfügbarkeit von PGS zwischen städtischen und ländlichen Gebieten. Ein höherer Prozentsatz der Stadtbevölkerung hat Zugriff das Mindestmaß von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bezüglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Grünflächentypen für derartige Untersuchungen. Die abschließende Betrachtung verschiedener Bevölkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf. In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden können bisherige Limitierungen räumlicher Datensätze zu überwinden. Am Beispiel von Grünflächen in der Wohnumgebung der Bevölkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgelöste und lokal feingliedrige geographische Informationen bereichert werden können. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten können, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterstützen und überwachen. N2 - Green spaces are one of the most important environmental factors for humans in the living environment. On the one hand they provide benefits to people’s physical and mental health, on the other hand they allow for the mitigation of negative impacts of environmental stressors like heat waves which are increasing as a result of climate change. Yet, green spaces are not equally accessible to all people. Existing literature in the context of Environmental Justice (EJ) research has shown that the access to green space varies among different socio-economic and demographic groups in Germany. However, previous studies in the context of EJ were criticized for using strongly spatially aggregated data for their analyses resulting in a loss of spatial detail on local environmental exposure metrics. This is especially true for large-scale studies where important spatial information often get lost. In this context, modern earth observation and geospatial data are more detailed than ever, and machine learning methods enable efficient processing to derive higher value information for diverse applications. The overall objective of this work is to demonstrate and implement methodological steps that allow for the transformation of vast geodata into relevant geoinformation for the large-scale and high-resolution analysis of environmental characteristics using the example of green spaces in Germany. By bridging the disciplines remote sensing, geoinformatics, social geography and environmental justice research, potentials of modern methods for the improvement of spatial and semantic resolution of geoinformation are explored. For this purpose, machine learning methods are used to map land cover and land use on a national scale. These developments will help to close existing data gaps and provide information on the distributional equity of green spaces. This dissertation comprises three conceptual steps. In the first part of the study, earth observation data from the Sentinel-2 satellites are used to derive land cover information across Germany. In combination with point reference data on land cover and land use from the paneuropean Land Use and Coverage Area Frame Survey (LUCAS) a machine learning model is trained. Therein, different preprocessing steps of the LUCAS data and their influence on the classification accuracy are highlighted. The classification model derives land cover information with high accuracy even in complex urban areas. One result of the study is a Germany-wide land cover classification with an overall accuracy of 93.07 % which is used in the further course of the dissertation to spatially quantify green land cover (GLC). The second conceptual part of this study focuses on the semantic differentiation of green spaces using the example of public green spaces (PGS), which is often the subject of EJ research. A frequently used source of spatial data on public green spaces, the European Urban Atlas (EUA),however, is not available for all of Germany. This part of the study takes a data-driven approach to determine the availability of public green space at the spatial level of neighborhoods for all of Germany. For this purpose, areas already covered by the EUA serve as a reference. Using a combination of earth observation data and information from the OpenStreetMap project, a Deep Learning -based fusion network is created that quantifies the available area of public green space. The result of this step is a model that is utilized to estimate the amount of public green space in the neighborhood (𝑅 2 = 0.952). The third part of this dissertation builds upon the results of the first two parts and integrates georeferenced population data to study the socio-spatial distribution of green spaces in Germany. This exemplary analysis distinguishes green spaces according to two types: GLC and PGS. In this,first, descriptive statistics are used to examine the overall distribution of green spaces available to the German population. Then, the distributional equality is determined using established equality metrics. Finally, the relationships between the demographic composition of the neighborhood and the available amount of green space are examined using three exemplary sociodemographic groups. The analysis reveals strong differences in PGS availability between urban and rural areas. Compared to the rural population, a higher percentage of the urban population has access to the minimum level of PGS defined as a target by the World Health Organization (WHO). The results also show a clear deviation in terms of distributive equality between GLC and PGS, highlighting the relevance of distinguishing green space types for such studies. The final analysis of certain population groups addresses differences at the sociodemographic level. In summary, this dissertation demonstrates how previous limitations of spatial datasets can be overcome through a combination of modern geospatial data and machine learning methods. Using the example of green spaces in the residential environment of the population in Germany,it is shown that nationwide analyses of environmental justice can be enriched by high-resolution and locally fine-grained geographic information. This study illustrates how earth observation and methods of geoinformatics can make an important contribution to identifying inequalities in people’s living environment. Such objective information can ultimately be deployed to support and monitor sustainable urban development. KW - Geografie KW - Fernerkundung KW - Maschinelles Lernen KW - Deep learning KW - Urbanes Grün KW - urban green KW - machine learning KW - distributive justice KW - environmental justice KW - Deutschland KW - Germany KW - Verteilungsgerechtigkeit KW - Umweltgerechtigkeit Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-349610 ER - TY - THES A1 - Kraff, Nicolas Johannes T1 - Analyse raumzeitlicher Veränderungen und ontologische Kategorisierung morphologischer Armutserscheinungen - Eine globale Betrachtung mithilfe von Satellitenbildern und manueller Bildinterpretation T1 - Analysis of spatiotemporal changes and ontological categorization of morphological manifestations of poverty - A global view using satellite imagery and manual image interpretation N2 - Die städtische Umwelt ist in steter Veränderung, vor allem durch den Bau, aber auch durch die Zerstörung von städtischen Elementen. Die formelle Entwicklung ist ein Prozess mit langen Planungszeiträumen und die bebaute Landschaft wirkt daher statisch. Dagegen unterliegen informelle oder spontane Siedlungen aufgrund ihrer stets unvollendeten städtischen Form einer hohen Dynamik – so wird in der Literatur berichtet. Allerdings sind Dynamik und die morphologischen Merkmale der physischen Transformation in solchen Siedlungen, die städtische Armut morphologisch repräsentieren, auf globaler Ebene bisher kaum mit einer konsistenten Datengrundlage empirisch untersucht worden. Hier setzt die vorliegende Arbeit an. Unter der Annahme, dass die erforschte zeitliche Dynamik in Europa geringer ausfällt, stellt sich die generelle Frage nach einer katalogisierten Erfassung physischer Wohnformen von Armut speziell in Europa. Denn Wohnformen der Armut werden oft ausschließlich mit dem ‚Globalen Süden‘ assoziiert, insbesondere durch die Darstellung von Slums. Tatsächlich ist Europa sogar die Wiege der Begriffe ‚Slum‘ und ‚Ghetto‘, die vor Jahrhunderten zur Beschreibung von Missständen und Unterdrückung auftauchten. Bis heute weist dieser facettenreiche Kontinent eine enorme Vielfalt an physischen Wohnformen der Armut auf, die ihre Wurzeln in unterschiedlichen Politiken, Kulturen, Geschichten und Lebensstilen haben. Um über diese genannten Aspekte Aufschluss zu erlangen, bedarf es u.a. der Bildanalyse durch Satellitenbilder. Diese Arbeit wird daher mittels Fernerkundung bzw. Erdbeobachtung (EO) sowie zusätzlicher Literaturrecherchen und einer empirischen Erhebung erstellt. Um Unsicherheiten konzeptionell und in der Erfassung offenzulegen, ist die Methode der manuellen Bildinterpretation von Armutsgebieten kritisch zu hinterfragen. Das übergeordnete Ziel dieser Arbeit ist eine bessere Wissensbasis über Armut zu schaffen, um Maßnahmen zur Reduzierung von Armut entwickeln zu können. Die Arbeit dient dabei als eine Antwort auf die Nachhaltigkeitsziele der Vereinten Nationen. Es wird Grundlagenforschung betrieben, indem Wissenslücken in der Erdbeobachtung zu physisch-baulichen bzw. morphologischen Erscheinungen von Armut auf Gebäude-Ebene explorativ analysiert werden. Die Arbeit wird in drei Forschungsthemen bzw. Studienteile untergliedert: Ziel des ersten Studienteils ist die globale raumzeitliche Erfassung von Dynamiken durch Anknüpfung an bisherige Kategorisierungen von Armutsgebieten. Die bisherige Wissenslücke soll gefüllt werden, indem über einen Zeitraum von etwa sieben Jahren in 16 dokumentierten Manifestationen städtischer Armut anhand von Erdbeobachtungsdaten eine zeitliche Analyse der bebauten Umwelt durchgeführt wird. Neben einer global verteilten Gebietsauswahl wird die visuelle Bildinterpretation (MVII) unter Verwendung von hochauflösenden optischen Satellitendaten genutzt. Dies geschieht in Kombination mit in-situ- und Google Street View-Bildern zur Ableitung von 3D-Stadtmodellen. Es werden physische Raumstrukturen anhand von sechs räumlichen morphologischen Variablen gemessen: Anzahl, Größe, Höhe, Ausrichtung und Dichte der Gebäude sowie Heterogenität der Bebauung. Diese ‚temporale Analyse‘ zeigt zunächst sowohl inter- als auch intra-urbane Unterschiede. Es lassen sich unterschiedliche, aber generell hohe morphologische Dynamiken zwischen den Untersuchungsgebieten finden. Dies drückt sich in vielfältiger Weise aus: von abgerissenen und rekonstruierten Gebieten bis hin zu solchen, wo Veränderungen innerhalb der gegebenen Strukturen auftreten. Geographisch gesehen resultiert in der Stichprobe eine fortgeschrittene Dynamik, insbesondere in Gebieten des Globalen Südens. Gleichzeitig lässt sich eine hohe räumliche Variabilität der morphologischen Transformationen innerhalb der untersuchten Gebiete beobachten. Trotz dieser teilweise hohen morphologischen Dynamik sind die räumlichen Muster von Gebäudefluchten, Straßen und Freiflächen überwiegend konstant. Diese ersten Ergebnisse deuten auf einen geringen Wandel in Europa hin, weshalb diese europäischen Armutsgebiete im folgenden Studienteil von Grund auf erhoben und kategorisiert werden. Ziel des zweiten Studienteils ist die Erschaffung einer neuen Kategorisierung, speziell für das in der Wissenschaft unterrepräsentierte Europa. Die verschiedenen Formen nicht indizierter Wohnungsmorphologien werden erforscht und kategorisiert, um das bisherige globale wissenschaftliche ontologische Portfolio für Europa zu erweitern. Hinsichtlich dieses zweiten Studienteils bietet eine Literaturrecherche mit mehr als 1.000 gesichteten Artikeln die weitere Grundlage für den folgenden Fokus auf Europa. Auf der Recherche basierend werden mittels der manuellen visuellen Bildinterpretation (engl.: MVII) erneut Satellitendaten zur Erfassung der physischen Morphologien von Wohnformen genutzt. Weiterhin kommen selbst definierte geographische Indikatoren zu Lage, Struktur und formellem Status zum Einsatz. Darüber hinaus werden gesellschaftliche Hintergründe, die durch Begriffe wie ‚Ghetto‘, ‚Wohnwagenpark‘, ‚ethnische Enklave‘ oder ‚Flüchtlingslager‘ beschrieben werden, recherchiert und implementiert. Sie sollen als Erklärungsansatz für Armutsviertel in Europa dienen. Die Stichprobe der europäischen, insgesamt aber unbekannten Grundgesamtheit verdeutlicht eine große Vielfalt an physischen Formen: Es wird für Europa eine neue Kategorisierung von sechs Hauptklassen entwickelt, die von ‚einfachsten Wohnstätten‘ (z. B. Zelten) über ‚behelfsmäßige Unterkünfte ‘ (z. B. Baracken, Container) bis hin zu ‚mehrstöckigen Bauten‘ - als allgemeine Taxonomie der Wohnungsnot in Europa - reicht. Die Untersuchung zeigt verschiedene Wohnformen wie z. B. unterirdische oder mobile Typen, verfallene Wohnungen oder große Wohnsiedlungen, die die Armut im Europa des 21. Jahrhunderts widerspiegeln. Über die Wohnungsmorphologie hinaus werden diese Klassen durch die Struktur und ihren rechtlichen Status beschrieben - entweder als geplante oder als organisch-gewachsene bzw. weiterhin als formelle, informelle oder hybride (halblegale) Formen. Geographisch lassen sich diese ärmlichen Wohnformen sowohl in städtischen als auch in ländlichen Gebieten finden, mit einer Konzentration in Südeuropa. Der Hintergrund bei der Mehrheit der Morphologien betrifft Flüchtlinge, ethnische Minderheiten und sozioökonomisch benachteiligte Menschen - die ‚Unterprivilegierten‘. Ziel des dritten Studienteils ist eine kritische Analyse der Methode. Zur Erfassung all dieser Siedlungen werden heutzutage Satellitenbilder aufgrund der Fortschritte bei den Bildklassifizierungsmethoden meist automatisch ausgewertet. Dennoch spielt die MVII noch immer eine wichtige Rolle, z.B. um Trainingsdaten für Machine-Learning-Algorithmen zu generieren oder für Validierungszwecke. In bestimmten städtischen Umgebungen jedoch, z.B. solchen mit höchster Dichte und struktureller Komplexität, fordern spektrale und textur-basierte Verflechtungen von überlappenden Dachstrukturen den menschlichen Interpreten immer noch heraus, wenn es darum geht einzelne Gebäudestrukturen zu erfassen. Die kognitive Wahrnehmung und die Erfahrung aus der realen Welt sind nach wie vor unumgänglich. Vor diesem Hintergrund zielt die Arbeit methodisch darauf ab, Unsicherheiten speziell bei der Kartierung zu quantifizieren und zu interpretieren. Kartiert werden Dachflächen als ‚Fußabdrücke‘ solcher Gebiete. Der Fokus liegt dabei auf der Übereinstimmung zwischen mehreren Bildinterpreten und welche Aspekte der Wahrnehmung und Elemente der Bildinterpretation die Kartierung beeinflussen. Um letztlich die Methode der MVII als drittes Ziel selbstkritisch zu reflektieren, werden Experimente als sogenannte ‚Unsicherheitsanalyse‘ geschaffen. Dabei digitalisieren zehn Testpersonen bzw. Probanden/Interpreten sechs komplexe Gebiete. Hierdurch werden quantitative Informationen über räumliche Variablen von Gebäuden erzielt, um systematisch die Konsistenz und Kongruenz der Ergebnisse zu überprüfen. Ein zusätzlicher Fragebogen liefert subjektive qualitative Informationen über weitere Schwierigkeiten. Da die Grundlage der hierfür bisher genutzten Kategorisierungen auf der subjektiven Bildinterpretation durch den Menschen beruht, müssen etwaige Unsicherheiten und damit Fehleranfälligkeiten offengelegt werden. Die Experimente zu dieser Unsicherheitsanalyse erfolgen quantifiziert und qualifiziert. Es lassen sich generell große Unterschiede zwischen den Kartierungsergebnissen der Probanden, aber eine hohe Konsistenz der Ergebnisse bei ein und demselben Probanden feststellen. Steigende Abweichungen korrelieren mit einer steigenden baustrukturellen (morphologischen) Komplexität. Ein hoher Grad an Individualität bei den Probanden äußert sich in Aspekten wie z.B. Zeitaufwand beim Kartieren, in-situ Vorkenntnissen oder Vorkenntnissen beim Umgang mit Geographischen Informationssystemen (GIS). Nennenswert ist hierbei, dass die jeweilige Datenquelle das Kartierungsverfahren meist beeinflusst. Mit dieser Studie soll also auch an der Stelle der angewandten Methodik eine weitere Wissenslücke gefüllt werden. Die bisherige Forschung komplexer urbaner Areale unter Nutzung der manuellen Bildinterpretation implementiert oftmals keine Unsicherheitsanalyse oder Quantifizierung von Kartierungsfehlern. Fernerkundungsstudien sollten künftig zur Validierung nicht nur zweifelsfrei auf MVII zurückgreifen können, sondern vielmehr sind Daten und Methoden notwendig, um Unsicherheiten auszuschließen. Zusammenfassend trägt diese Arbeit zur bisher wenig erforschten morphologischen Dynamik von Armutsgebieten bei. Es werden inter- wie auch intra-urbane Unterschiede auf globaler Ebene präsentiert. Dabei sind allgemein hohe morphologische Transformationen zwischen den selektierten Gebieten festzustellen. Die Ergebnisse deuten auf einen grundlegenden Kenntnismangel in Europa hin, weshalb an dieser Stelle angeknüpft wird. Eine über Europa verteilte Stichprobe erlaubt eine neue morphologische Kategorisierung der großen Vielfalt an gefundenen physischen Formen. Die Menge an Gebieten erschließt sich in einer unbekannten Grundgesamtheit. Zur Datenaufbereitung bisheriger Analysen müssen Satellitenbilder manuell interpretiert werden. Das Verfahren birgt Unsicherheiten. Als kritische Selbstreflexion zeigt eine Reihe von Experimenten signifikante Unterschiede zwischen den Ergebnissen der Probanden auf, verdeutlicht jedoch bei ein und derselben Person Beständigkeit. N2 - Through construction as well as destruction of urban elements, the morphological manifestation of cities is in constant change. As reported in literature, there is a difference between formal and informal development: Whereas formal planning periods lead to a built landscape that appears static, unfinished informal urban forms reflect high dynamics leading to informal or spontaneous settlements. With respect to data base and scale, these kinds of settlements, which morphologically represent urban poverty, have hardly been subject to empirical studies that analyze their dynamics and morphological characteristics of physical transformation consistently. This is where the present work begins. Assuming that the temporal dynamics explored are less pronounced in Europe, the general question of indexing physical housing forms of poverty arises specifically in Europe. This is because housing forms of poverty are often exclusively associated with the 'Global South', especially through the representation of slums. In fact, Europe is even the cradle of the terms 'slum' and 'ghetto', which emerged centuries ago to describe grievances and oppression. To this day, this multifaceted continent exhibits a tremendous variety of physical housing forms of poverty that have their roots in different histories, cultures, policies and lifestyles. To gain insight into these aforementioned aspects requires, among other things, image analysis through satellite imagery. Therefore, this work is done through remote sensing or Earth Observation (EO) as well as additional literature review and an empirical survey. In order to reveal uncertainties conceptually and in the coverage, the method of manual image interpretation of poverty areas has to be critically questioned. The overall goal of this work is to create a better knowledge base about poverty in order to be able to develop measures to reduce poverty. The work serves as a response to the United Nations Sustainable Development Goals. Basic research is carried out by exploratively analyzing knowledge gaps in Earth observation on physical-structural or morphological manifestations of poverty at the building level. The work is divided into three research themes or study parts: The aim of the first part of the study is to capture global spatiotemporal dynamics by linking to established categorizations of poverty areas. The knowledge gap will be filled by conducting a temporal analysis of the built environment over a period of seven years, in 16 documented manifestations of urban poverty using earth observation data. In addition to a globally distributed area selection, visual image interpretation (MVII) and very high-resolution optical satellite data are used. In order to derive 3D city models, MVII is applied combining in-situ and Google Street View imagery. Six spatial morphological variables are applied: number, size, height, orientation and density of buildings as well as heterogeneity of the built-up pattern. In this way, physical spatial structures are measured. Inter-urban and intra-urban differences are demonstrated in the temporal analysis. Findings show different, yet generally high morphological dynamics across the study areas. The variety comprises demolished and reconstructed areas as well as such, where changes occur within the given structures. Results demonstrate increased dynamics, especially in areas of the Global South. At the intra-urban scale, morphological transformations show a high spatial variability simultaneously. However, in spite of these findings of high dynamics, the spatial patterns are mostly constant, including building alignments, streets and open spaces. These initial results indicate little change in Europe, which is why these European poverty areas are surveyed and categorized from scratch in the following part of the study. The aim of the second part of the study is to create a new categorization, specifically for Europe, which is underrepresented in science. In order to expand the existing global scientific ontological inventory for Europe, different forms of non-indexed residential morphologies are detected and categorized. Regarding this second part of the study, a literature search with more than 1,000 articles reviewed provides the further basis for the following focus on Europe. Based on the research, satellite data are again used by means of manual visual image interpretation (MVII) to obtain the physical morphologies of housing types. Furthermore, self-defined geographical indicators of location, structure and formal status are used. Additionally, social backgrounds described by terms like 'ghetto', 'trailer park', 'ethnic enclave' or 'refugee camp' are researched and implemented. They are intended to serve as an explanatory approach to poverty neighborhoods in Europe. The sample for Europe, however is an overall unknown basic population and illustrates a wide variety of physical forms: A new categorization of six main classes is developed for Europe, ranging from 'simplest dwellings' (e.g., tents) to 'makeshift shelters ' (e.g., shacks, containers) to 'multi-story structures' - as a general taxonomy of housing deprivation in Europe. The study discloses different housing types such as underground or mobile types, dilapidated dwellings or large housing estates that reflect poverty in 21st century Europe. Next to housing morphology, these classes are described by structural settlement patterns and their legal status - either as planned or organic-grown, or further as formal, informal or hybrid (semi-legal) forms. From a geographic point of view, a concentration of these poor housing forms can be found in Southern Europe and all across Europe in urban and rural areas. The societal background of the most morphologies concern the 'underprivileged' who are represented, by refugees, ethnic minorities and socioeconomically disadvantaged people. The aim of the third part of the study is a critical analysis of the method. To capture all these settlements and due to the advances in image classification methods, satellite images are typically analyzed automatically nowadays. Still, MVII is important, e.g., for the purpose of validation or to generate training data for machine learning algorithms. Thus, cognitive perception and real-world experience are still unavoidable. Nevertheless, such urban environments with highest density and structural complexity challenge the human interpreter, when it comes to detecting individual building structures because spectral and texture-based restrictions of overlapping roof structures encounter building delineation. Considering that, the aim of this work is to quantify and interpret uncertainties methodologically specifically in mapping. Roof areas are mapped as 'footprints' of such areas. One focus is the agreement between multiple image interpreters. The other focus explores influences by interpreter perception and different elements of image interpretation. Finally, to reflect self-critically on the method of MVII as a third goal, experiments are created as a so-called 'uncertainty analysis'. In these experiments, ten test persons respectively interpreters map six complex areas and produce quantitative data of spatial variables of buildings. This data allows to assess the consistency and congruence of the results in a systematical way. Additionally, a questionnaire provides subjective qualitative information about further difficulties. Since the basis of the categorizations used for this purpose so far is based on subjective image interpretation by humans, any uncertainties and thus error-proneness have to be revealed. The experiments for this uncertainty analysis are quantified and qualified. On the one hand results show remarkable differences between the mapping results of the interpreters. On the other hand, the results for one and the same interpreter reveal high consistency. Another finding demonstrates a correlation between increasing deviations among interpreters and increasing structural (morphological) complexity of the selected areas. Considering the qualitative responses, aspects such as time spent for mapping, prior in-situ knowledge, or prior knowledge of using Geographic Information Systems (GIS) reveal a high degree of individuality among the interpreters. It is noteworthy that particularly ‘data source’ usually influences the mapping procedure. Thus, this study also aims to fill another knowledge gap at the point of applied methodology. Uncertainty analyses often are neither part of research studies of complex urban areas using MVII, nor quantification of mapping errors. In future, remote sensing studies should not only be able to rely on MVII without doubt for validation, but rather data and methods are needed to rule out uncertainty. In summary, this work contributes to the hitherto little researched morphological dynamics of poverty areas. Inter- as well as intra-urban differences on a global scale are presented. Generally, high morphological transformations between the selected areas can be observed. The results indicate a fundamental lack of knowledge in Europe, which is why this work continues at this point. A sample distributed all across Europe allows a new morphological categorization of the large variety of physical forms found. The number of areas opens up in an unknown basic population. For data preparation of previous analyses, satellite images have to be interpreted manually. The procedure involves uncertainties. As a critical self-reflection, a series of experiments reveal significant differences between interpreters’ results, but illustrates consistency in the same subject. KW - Slum KW - Armutsviertel KW - Fernerkundung KW - Stadtgeographie KW - Bildinterpretation KW - physische Morphologie KW - urbane Strukturanalyse KW - raumzeitliche Dynamik KW - Manuelle visuelle Bildinterpretation KW - Wohnformen der Armut KW - Europa KW - Bildbetrachtung Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-320264 ER - TY - THES A1 - Knöfel, Patrick T1 - Energiebilanzmodellierung zur Ableitung der Evapotranspiration – Beispielregion Khorezm T1 - Optimization of energy balance modelling in order to determine evapotranspiration by developing a physical based soil heat flux approach on the example of Khorezm region in Uzbekistan N2 - Zum Verständnis der komplexen Wechselwirkungen innerhalb des Klimasystems der Erde sind Kenntnisse über den hydrologischen Zyklus und den Energiekreislauf essentiell. Eine besondere Rolle obliegt hierbei der Evapotranspiration (ET), da sie eine wesentliche Teilkomponente beider oben erwähnter Kreisläufe ist. Die exakte Quantifizierung der regionalen, tatsächlichen Evapotranspiration innerhalb der Wasser- und Energiekreisläufe der Erdoberfläche auf unterschiedlichen zeitlichen und räumlichen Skalen ist für hydrologische, klimatologische und agronomische Fragestellungen von großer Bedeutung. Dabei ist eine realistische Abschätzung der regionalen tatsächlichen Evapotranspiration die wichtigste Herausforderung der hydrologischen Modellierung. Besonders die unterschiedlichen räumlichen und zeitlichen Auflösungen von Satelliteninformationen machen die Fernerkundung sowohl für globale als auch regionale hydrologischen Fragestellungen interessant. Zusätzlich zur Notwendigkeit des Prozessverständnisses des Wasserkreislaufs auf globaler Ebene kommt dessen regionale Bedeutung für die Landwirtschaft, insbesondere in Bewässerungssystemen arider Regionen. In ariden Klimazonen übersteigt die Menge der Verdunstung oft bei weitem die Niederschlagsmengen. Aufgrund der geringen Niederschlagsmenge muss in ariden agrarischen Regionen das zum Pflanzenwachstum benötigte Wasser mit Hilfe künstlicher Bewässerung aufgebracht werden. Der jeweilige lokale Bewässerungsbedarf hängt von der Feldfrucht und deren Wachstumsphase, den Klimabedingungen, den Bodeneigenschaften und der Ausdehnung der Wurzelzone ab. Die Evapotranspiration ist als Komponente der regionalen Wasserbilanz eine wichtige Steuerungsgröße und Effizienzindikator für das lokale Bewässerungsmanagement. Die Bewässe-rungslandwirtschaft verbraucht weltweit etwa 70 % der verfügbaren Süßwasservorkom-men. Dies wird als einer der Hauptgründe für die weltweit steigende Wasserknappheit identifiziert. Dabei liegt die Wasserentnahme des landwirtschaftlichen Sektors in den OECD Staaten im Mittel bei etwa 44 %, in den Staaten Mittelasiens bei über 90 %. Bei der Erstellung der vorliegenden Arbeit kam die Methode der residualen Bestimmung der Energiebilanz zum Einsatz. Eines der weltweit am häufigsten eingesetzten und vali-dierten fernerkundlichen Residualmodelle zur ET Ableitung ist das SEBAL-Modell (Surface Energy Balance Algorithm for Land, mit über 40 veröffentlichten Studien. SEBAL eignet sich zur Quantifizierung der Verdunstung großflächiger Gebiete und wurde bisher über-wiegend in der Bewässerungslandwirtschaft eingesetzt. Aus diesen Gründen wurde es für die Bearbeitung der Fragestellungen in dieser Arbeit ausgewählt. SEBAL verwendet physikalische und empirische Beziehungen zur Berechnung der Energiebilanzkomponenten basierend auf Fernerkundungsdaten, bei gleichzeitig minimalem Einsatz bodengestützter Daten. Als Eingangsdaten werden u.a. Informationen über Strahlung, Bodenoberflächentemperatur, NDVI, LAI und Albedo verwendet. Zusätzlich zu SEBAL wurden einige Komponenten der SEBAL Weiterentwicklung METRIC (Mapping Evapotranspiration with Internalized Calibration) verwendet, um die Modellierung der ET vorzunehmen. METRIC überwindet einige Limitierungen des SEBAL Verfahrens und kann beispielsweise auch in stärker reliefierten Regionen angewendet werden. Außerdem ermöglicht die Integration einer gebietsspezifischen Referenz-ET sowie einer Landnutzungsklassifikation eine bessere regionale Anpassung des Residualverfahrens. Unter der Annahme der Bedingungen zum Zeitpunkt der Fernerkundungsaufnahme ergibt sich die Energiebilanz an der Erdoberfläche RN = LvE + H + G. Demnach teilt sich die verfügbare Strahlungsenergie RN in die Komponenten latenter Wärme (LVE), fühlbarer Wärme (H) und Bodenwärme (G) auf. Durch Umstellen der Gleichung kann auf die latente Wärme geschlossen werden. Das wesentliche Ziel der vorliegenden Arbeit ist die Optimierung, Erweiterung und Validierung des ausgewählten SEBAL Verfahrens zur regionalen Modellierung der Energiebilanzkomponenten und der daraus abgeleiteten tatsächlichen Evapotranspiration. Die validierten Modellergebnisse der Gebietsverdunstung der Jahre 2009-2011 sollen anschließend als Grundlage dienen, das Gesamtverständnis der regionalen Prozesse des Wasserkreislaufs zu verbessern. Die Arbeit basiert auf der Datengrundlage von MODIS Daten mit 1 km räumlicher Auflösung. Während die Komponenten verfügbare Strahlungsenergie und fühlbarer Wärmestrom physikalisch basiert ermittelt werden, beruht die Berechnung des Bodenwärmestroms ausschließlich auf empirischen Abschätzungen. Ein großer Nachteil des empirischen Ansatzes ist die Vernachlässigung des zeitlichen Versatzes zwischen Strahlungsbilanz und Bodenwärmestrom in Abhängigkeit der aktuellen Bodenfeuchtesituation. Ein besonderer Schwerpunkt der vorliegenden Arbeit liegt auf der Bewertung und Verbesserung der Modellgüte des Bodenwärmestroms durch Verwendung eines neuen Ansatzes zur Integration von Bodenfeuchteinformationen. Daher wird in der Arbeit ein physikalischer Ansatz entwickelt der auf dem Ansatz der periodischen Temperaturveränderung basiert. Hierbei wurde neben dem ENVISAT ASAR SSM Produkt der TU Wien das operationelle Oberflächenbodenfeuchteprodukt ASCAT SSM als Fernerkundungseingangsdaten ausgewählt. Die mit SEBAL modellierten Energiebilanzkomponenten werden durch eine intensive Validierung mit bodengestützten Messungen bewertet, die Messungen stammen von Bodensensoren und Daten einer Eddy-Kovarianz-Station aus den Jahren 2009 bis 2011. Die Region Khorezm gilt als charakteristisch für die wasserbezogene Problematik der Bewässerungslandwirtschaft Mittelasiens und wurde als Untersuchungsgebiet für diese Arbeit ausgewählt. Die wesentlichen Probleme dieser Region entstehen durch die nach wie vor nicht nachhaltige Land- und Wassernutzung, das marode Bewässerungsnetz mit einer Verlustrate von bis zu 40 % und der Bodenversalzung aufgrund hoher Grundwasserspiegel. Im Untersuchungsgebiet wurden in den Jahren 2010 und 2011 umfangreiche Feldarbeiten zur Erhebung lokaler bodengestützter Informationen durchgeführt. Bei der Evaluierung der modellierten Einzelkomponenten ergab sich für die Strahlungsbi-lanz eine hohe Modellgüte (R² > 0,9; rRMSE < 0,2 und NSE > 0,5). Diese Komponente bildet die Grundlage bei der Bezifferung der für die Prozesse an der Erdoberfläche zur Verfügung stehenden Energie. Für die fühlbaren Wärmeströme wurden ebenfalls gute Ergebnisse erzielt, mit NSE von 0,31 und rRMSE von ca. 0,21. Für die residual bestimmte Größe der latenten Wärmeströmung konnte eine insgesamt gute Modellgüte festgestellt werden (R² > 0,6; rRMSE < 0,2 und NSE > 0,5). Dementsprechend gut wurde die tägliche Evapotranspiration modelliert. Hier ergab sich, nach der Interpolation täglicher Werte, eine insgesamt ausreichend gute Modellgüte (R² > 0,5; rRMSE < 0,2 und NSE > 0,4). Dies bestätigt die Ergebnisse vieler Energiebilanzstudien, die lediglich den für die Ableitung der Evapotranspiration maßgebenden Wärmestrom untersuchten. Die Modellergebnisse für den Bodenwärmestrom konnten durch die Entwicklung und Verwendung des neu entwickelten physikalischen Ansatzes von NSE < 0 und rRMSE von ca. 0,57 auf NSE von 0,19 und rRMSE von 0,35 verbessert werden. Dies führt zu einer insgesamt positiven Einschätzung des Verbesserungspotenzials des neu entwickelten Bodenwärmestromansatzes bei der Berechnung der Energiebilanz mit Hilfe von Fernerkundung. N2 - The understanding of the hydrological and the energy cycles are essential in order to describe the complex interactions within the climate system of the earth. Being recognized as an important component of both, the water and the energy cycle, reliable estimation of actual evapotranspiration and its spatial distribution is one outstanding challenge in this context. Detailed knowledge of land surface fluxes, especially latent and sensible heat components, is important for monitoring the climate and land surface, and for agriculture applications such as irrigation scheduling and water management. The use of remote sensing data to determine actual evapotranspiration (ET) is particularly suitable to provide area based indicators for the evaluation of the efficiency and productivity of irrigation systems as well as sustainability studies. Accurate estimation of evapotranspiration plays an important role in quantification of the water balance at watershed, basin, and regional scale for better planning and managing water resources. For instance, in irrigation systems of arid regions, artificial locations of evapotranspiration have been created. An in-depth process understanding is of paramount importance, as irrigated agriculture consumes about 70 % of the available freshwater resources worldwide, with a significant but unsatisfyingly quantified impact on the water cycle, especially on regional scale. Moreover, an exact quantification of ET inside these artificial ecosystems enables assessments of crop water consumptions and hence about water use efficiency. The withdrawal of water for agricultural use in the countries of Central Asia is more than 90 %. For this thesis the residual methods of energy budget are of interest. One of the most common models dealing with energy budget residual is the Surface Energy Balance Algorithm for Land (SEBAL). SEBAL uses physical and empirical relationships to calculate the energy partitioning with minimum of ground data and atmospheric variables are estimated from remote sensing data. The determination of wet and dry surfaces is necessary to extract threshold values. SEBAL requires remote sensing input data like radiation, surface temperature, NDVI, and albedo. For this thesis an algorithm was developed based on SEBAL, its adaptations METRIC (Mapping Evapotranspiration with Internalized Calibration) and some regional adjustments. METRIC introduces the leaf area index (LAI) and land use classification data to determine the dry and hot surfaces as well as the input of additional meteorological data in order to improve the results of the model. Estimation of latent heat flux (LvE, corresponding to evapotranspiration) with SEBAL is based on assessing the energy balance through several surface properties such as albedo, LAI, NDVI, LST etc. Considering instantaneous condition, the energy balance is written as RN = LvE + H + G. Net radiation energy (RN) is available as the sum of the atmospheric convective fluxes sensible heat flux (H), latent heat flux (LvE) and the soil heat flux (G). The main objective of this thesis is to optimize, improve, and evaluate the existing remote sensing based algorithms for the estimation of actual evapotranspiration. For this purpose the seasonal actual ET was calculated using a partly modified SEBAL. SEBAL was implemented based on MODIS time series to solve the energy balance equation. The applied model has proven practicable for this area and is accepted to fulfil the scientific demands. The SEBAL algorithm is tested and set up for the use of 1km MODIS products. Land surface temperature (LST), emissivity, albedo, Normalized Differenced Vegetation Index (NDVI), and leaf area index (LAI) were combined for modelling the actual ET. Land use classification results were aggregated to 1km MODIS scale. Furthermore, the surface soil moisture products ASCAT SSM and ASAR SSM will be used as input data for the model. In addition to remote sensing data meteorological and ground truth data are used in this study. Meteorological data are wind speed, air temperature, relative humidity, and net radiation. The data is required at time of satellite overpass (about 12 p.m.). RN depends on incoming shortwave radiation, incoming and outgoing longwave radiant fluxes, albedo, emissivity and surface temperature. H is mostly calculated using the aerodynamic resistance between the surface and the reference height in the lower atmosphere (commonly 2 m) above surface. G is usually estimated using an empirical equation. This thesis introduces a modified equation to estimate G using an adjusted form of the thermal conduction equation. This method uses microwave soil moisture products (ASAR-SSM and ASCAT-SSM) as additional input information. The SEBAL modelled energy balance components were intensively validated by field measurements with an eddy covariance system and soil sensors in 2009, 2010, and 2011. The thesis is primarily concerned with the irrigation farming of cotton ecosystems in Central Asia, in particular with the situation within Khorezm Oblast in Uzbekistan. Regional problems of Khorezm are high groundwater levels, soil salinity, and non-sustainable use of land and water. Amongst others, the determination of ground truth data driven by the above mentioned objectives are part of two extensive field campaigns in 2010 and 2011. The validation of the modelled energy balance components leads to a good quality assessment. The model shows very good performance for RN with average model efficiency (NSE) of 0,68 and small relative errors (rRMSE) of about 0,10. For turbulent heat fluxes good results can be achieved with NSE of 0,31 for H and 0,55 for LE, the rRMSE are about 0,21 (H) and 0,18 (LvE). Soil heat flux estimation could be improved using the physically based approach. While the empirical equation leads to negative NSE and rRMSE of about 0,57, the improved approach shows rRMSE of 0,35 and NSE of 0,19. Thus, the improved G estimation can be registered as a valuable contribution for the remote sensing based estimation of energy balance components. N2 - Die Bewässerungslandwirtschaft verbraucht weltweit etwa 70 % der verfügbaren Süßwasservorkommen. Dabei liegt die Wasserentnahme des landwirtschaftlichen Sektors in den Staaten Mittelasiens bei über 90 %. Wichtige Voraussetzungen für die Landwirtschaft sind der Produktionsfaktor Boden und das Klima. Der Wassergehalt und die Temperatur des Bodens bestimmen im Wesentlichen den Anteil der verfügbaren solaren Strahlungsenergie, der in den Boden geleitet wird. Existierende Fernerkundungsansätze verwenden zur Ermittlung des Bodenwärmestroms überwiegend empirische Gleichungen, da zuverlässige flächenhafte Informationen über die Bodenfeuchte bisher aufgrund räumlich unzureichender messtechnischer Bedingungen nicht ermittelt werden können. In der vorliegenden Arbeit wird ein neu entwickelter, physikalisch-basierter Ansatz vorgestellt, der erstmals räumlich hochaufgelöste Bodenfeuchteinformationen aus Radardatensätzen zur Berechnung des Bodenwärmestroms verwendet. Dieser Ansatz wird zur Lösung der Energiebilanz an der Erdoberfläche verwendet, um indirekt auf die tatsächlichen Evapotranspiration zu schließen. Denn eine realistische Quantifizierung der regionalen, tatsächlichen Evapotranspiration als Komponente der regionalen Wasserbilanz ist eine wichtige Steuerungsgröße und ein Effizienzindikator für das lokale Bewässerungsmanagement. T3 - Würzburger Geographische Arbeiten - 120 KW - Evapotranspiration KW - Energiebilanz KW - Mikrometeorologie KW - Bodenfeuchte KW - Fernerkundung KW - Eddy-Kovarianz Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-135669 SN - 978-3-95826-042-9 (Print) SN - 978-3-95826-043-6 (Online) SN - 0510-9833 SN - 2194-3656 N1 - Eingereicht mit dem Titel: Optimierung der Energiebilanzmodellierung zur Ableitung der Evapotranspiration durch Entwicklung eines physikalischen Bodenwärmestromansatzes am Beispiel der Region Khorezm (Usbekistan). N1 - Parallel erschienen als Druckausgabe in Würzburg University Press, 978-3-95826-042-9, 34,90 EUR. PB - Würzburg University Press CY - Würzburg ET - 1. Auflage ER - TY - THES A1 - Geßner, Ursula T1 - Räumliche und zeitliche Muster der Vegetationsstruktur in Savannen des südlichen Afrika T1 - Spatial and temporal patterns of vegetation structure in southern African savannas N2 - Die Veränderung der terrestrischen Ökosysteme, ist ein grundlegendes Element des Globalen Wandels. In diesem Kontext unterliegt auch eines der größten Biome der Erde, die tropische und subtropische Savanne, immer stärkeren Veränderungen. Dieses Biom in sozioökonomischer und ökologischer Hinsicht von besonderer Bedeutung. Für einen rasch wachsenden Teil der Weltbevölkerung bildet es die Grundlage für das Betreiben von Weidewirtschaft, Ackerbau und Tourismus. In nationalen und internationalen Forschungsprogrammen zum Globalen Wandel hat die Analyse von Landnutzungs- und Landbedeckungsänderungen in den vergangenen Jahrzehnten zunehmend an Bedeutung gewonnen. Die Landbedeckungsdynamik von Savannenökosystemen ist jedoch noch nicht hinreichend verstanden, so dass diese Ökosysteme in globalen Studien nur ansatzweise berücksichtigt werden können. Besondere Herausforderungen bei der Erfassung der Landbedeckung und ihrer Dynamik liegen im Falle der Savannen in der heterogenen räumlichen Verteilung der Wuchsformen, in den graduellen Übergängen zwischen Landbedeckungsklassen und in der hohen inner- und interannuellen Variabilität der Vegetationsdecke. Vor diesem Hintergrund beschäftigt sich diese Dissertation mit der fernerkundungsbasierten Erfassung und Interpretation der Vegetationsstruktur und der Vegetationsdynamik von Savannen am Beispiel ausgewählter afrikanischer Untersuchungsregionen. Die Vegetationsstruktur wird in dieser Dissertation in Form von Bedeckungsgraden holziger Vegetation, krautiger Vegetation und vegetationsloser Fläche erfasst. Es kommt ein mehrskaliges Verfahren zum Einsatz, in dem höchstaufgelöste IKONOS- und QuickBird-Daten, Landsat-Daten und annuelle MODIS-Zeitreihen ausgewertet werden. Der Ansatz basiert auf der Methodik der Ensemble-Regeressionbäume und stellt eine Erweiterung und Optimierung der Herangehensweise des MODIS-Standardproduktes Vegetation Continuous Fields (VCF) nach Hansen et al. (2002) dar. Beim Vergleich mit unabhängigen Validierungsdaten der nächst höheren Auflösungsebene zeigt sich das Potenzial der vorgestellten Methodik. Die räumliche Übertragbarkeit der Regressionsbäume wird am Beispiel von zwei Vegetationstypen innerhalb der Zentralnamibischen Savanne dargestellt. In diesem Zusammenhang zeigt sich der hohe Stellenwert einer optimalen Auswahl an Trainingsdaten mit einer repräsentativen Abdeckung der Wertespanne aller existierenden Bedeckungsgrade. Die erarbeiteten Resultate unterstreichen, die optimale Eignung der Subpixel-Bedeckungsgrade, gerade zur Beschreibung von Savannenlandschaften. In der Kombination von herkömmlichen, diskreten Landbedeckungs- oder Vegetationskarten mit Informationen zu Bedeckungsgraden wird ein besonderer Mehrwert für weiterführende Analysen gesehen. Die Dynamik der Savannenvegetation wird in dieser Arbeit sowohl auf biannueller als auch auf mehrjähriger Skala charakterisiert. Bei der biannuellen Analyse werden die Veränderungen der holzigen Vegetationsbedeckung zwischen den Jahren 2003/04 und 2006/07 erfasst. Hierfür findet eine zeitliche Übertragung des zuvor vorgestellten Verfahrens zur Ableitung von Bedeckungsanteilen statt. Im Rahmen der biannuellen Untersuchungen können Veränderungsflächen identifiziert werden, ohne Einschränkung auf Übergänge zwischen fest definierten Klassengrenzen. In Ergänzung der biannuellen Analysen werden aus MODIS-EVI- und Niederschlagszeitreihen Maßzahlen abgeleitet, die den Zusammenhang zwischen Niederschlag und Vegetationsentwicklung, die Variabilität und die Trends der Vegetation über einen Zeitraum von acht Jahren beschreiben. Hierbei kommen beispielsweise Korrelationsanalysen zwischen Vegetationsindex- und Niederschlagszeitreihen zum Einsatz. Zudem werden Trendanalysen der Vegetationsindex-Zeitreihen durchgeführt. Die Trends werden einerseits allein aus den Zeitreihen der Vegetationsindizes ermittelt, andererseits wird bei der Berechnung von Restrends (Residual Trends) der Einfluss des Niederschlags berücksichtigt. Neben den Korrelations- und Trendanalysen werden unterschiedliche Variabilitätsmaße der Vegetationsindex-Zeitreihen genutzt, um die mehrjährige Vegetationsdynamik zu beschreiben. Durch die Kombination von Fernerkundungsdaten unterschiedlicher räumlicher und zeitlicher Auflösungen wird in dieser Dissertation die heterogene Vegetationsstruktur und die komplexe Vegetationsdynamik ausgewählter afrikanischer Savannenökosysteme beschreiben. N2 - The change of terrestrial ecosystems is a fundamnental element of Global Change. In this context, also one of the largest terrestrial biomes, the tropical and subtropical savanna, is subject to increasing changes. This biome is of high socioeconomic and ecologic relevance both globally and for the vulnerable African continent. Savannas provide fundamental natural resources for cropping, grazing and tourism for a rapidly growing part of the global population. Furthermore, savannas are characterised by an extraordinary biodiversity. With regard to carbon storage and carbon fluxes they occupy the second rank after the global forest biome. During the last few decades, national and international research programmes have increasingly focused on the analysis of land cover and land use change. However, the land surface dynamics of savanna ecosystems are not yet fully understood. The consequence is, that savanna ecosystems can not yet be adequately included in global studies. When analysing the land surface and land surface dynamics of savannas, the major challenge is to be seen in the heterogeneous spatial patterns of vegetation growth forms, in gradual transitions between land cover classes and in the high innerand interannual variability of vegetation. In this framework, this thesis deals with the remote sensing based assessment and interpretation of vegetation structure and vegetation dynamics in selected African savanna regions. Vegetation structure is delineated as per pixel fractional cover of woody vegetation, herbaceous vegetation and bare surface. A multiscale approach is used which includes the analysis of very high resolution IKONOS and QuickBird data, high resolution Landsat data, and medium resolution MODIS time-series. The approach is based on ensemble regression trees and can be seen as an extension and regional optimisation of the approach of the MODIS standard product Vegetation Continuous Fields (VCF, Hansen et al. 2002). The spatial transferability of the regression tree ensembles is demonstrated for two vegetation types of the central Namibian savanna. In this context, the high relevance of an optimal selection of training data is demonstrated. This means first of all that training data should cover the complete range of existing cover types of the area under investigation. The presented results underline the high potential of analysing sub-pixel fractional cover in savanna landscapes as the typical heterogeneous structure and the gradual transitions of vegetation cover are captured adequately. Added value is seen in the combination of the delineated fractional vegetation cover with conventional discrete classifications. The dynamics of the savanna vegetation of the northern Namibian study region Kalahari Woodland is examined both at biannual and multiannual scale. In the biannual analysis, changes of woody vegetation cover between the years 2003/04 and 2006/07 are delineated. For this purpose, the presented multiscale approach for the delineation of fractional vegetation cover is adapted in order to also analyse the situation of a past year. This temporal transfer is conceived in a way that does not require very high resolution satellite data for the past. Based on the biannual analyses, areas of change can be identified without any constraint to predefined transitions of class boundaries. In addition to the biannual analyses, time-series of MODIS-EVI and rainfall are analysed. Metrics are calculated from these time-series which describe the connection between precipitation and vegetation development as well as gradual changes (trends) and variability of the vegetation for a period of 8 years. Here, correlation analyses between time-series of rainfall and vegetation indices are used. Furthermore, trend analyses of vegetation indices are performed as well as Restrend (Residual trend) analyses accounting for the influence of precipitation on vegetation. In addition to these correlation and trend analyses different measures of variability are calculated. In this thesis, the heterogeneous vegetation structure and the complex vegetation dynamics of selected African savannas are characterised by the combined analysis of remote sensing data of different spatial and temporal resolutions. The presented analyses reveal possibilities to enhance regional studies of the state and dynamics of savanna ecosystems. KW - Savanne KW - Optische Fernerkundung KW - Vegetation KW - Südafrika KW - Bedeckungsgrade KW - Landbedeckung KW - Landbedeckungsveränderungen KW - Fernerkundung KW - fractional cover KW - land cover KW - land cover change Y1 - 2010 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-55128 ER - TY - THES A1 - Machwitz, Miriam T1 - Eine raum-zeitliche Modellierung der Kohlenstoffbilanz mit Fernerkundungsdaten auf regionaler Ebene in Westafrika T1 - Spatio-temporal modelling of the cabon budget in West Africa with remote sensing data on a regional scale N2 - Der Klimawandel und insbesondere die globale Erwärmung gehören aktuell zu den größten Herausforderungen an Politik und Wissenschaft. Steigende CO2-Emissionen sind hierbei maßgeblich für die Klimaerwärmung verantwortlich. Ein regulierender Faktor beim CO2-Austausch mit der Atmosphäre ist die Vegetation, welche als CO2-Senke aber auch als CO2-Quelle fungieren kann. Diese Funktionen können durch Analysen der Landbedeckungsänderung in Kombination mit Modellierungen der Kohlenstoffbilanz quantifiziert werden, was insbesondere von aktuellen und zukünftigen politischen Instrumenten wie CDM (Clean Development Mechanism) oder REDD (Reducing Emissions from Deforestation and Degradation) gefordert wird. Vor allem in Regionen mit starker Landbedeckungsänderung und hoher Bevölkerungsdichte sowie bei geringem Wissen über die Produktivität und CO2-Speicherpotentiale der Vegetation, bedarf es einer Erforschung und Quantifizierung der terrestrischen Kohlenstoffspeicher. Eine Region, für die dies in besonderem Maße zutrifft, ist Westafrika. Jüngste Studien haben gezeigt, dass sich einerseits die Folgen des Klimawandels und Umweltveränderungen sehr stark in Westafrika auswirken werden und andererseits Bevölkerungswachstum eine starke Änderung der Landbedeckung für die Nutzung als agrarische Fläche bewirkt hat. Folglich sind in dieser Region die terrestrischen Kohlenstoffspeicher durch Ausdehnung der Landwirtschaft und Waldrodung besonders gefährdet. Große Flächen agieren anstelle ihrer ursprünglichen Funktion als CO2-Senke bereits als CO2-Quelle. [...] N2 - Global warming associated with climate change is one of the greatest challenges of today's world. One regulating factor of CO2 exchange with the atmosphere is the vegetation cover. Measurements of land cover changes in combination with modeling of the carbon balance can therefore contribute to determining temporal variations of CO2 sources and sinks, which is an essential necessity of existing and prospective political instruments like CDM (Clean Development Mechanism) or REDD (Reducing Emissions from Deforestation and Degradation). The need for quantifiable terrestrial carbon stocks is especially high for regions, where rates of land cover transformation and population density are high and knowledge on vegetation productivity is low. One region which is characterized by these criteria is West Africa. Therefore, carbon stocks in this region are seriously endangered by land cover change like the expansion of agriculture and forest logging. Large areas already act as carbon sources on a yearly basis instead of their previous function as carbon sink. Since only a few studies have analyzed the terrestrial carbon stocks in Africa and especially regional analysis in West Africa are missing, the following study focuses on regional scale modeling of the actual terrestrial carbon stocks. Additionally, the potential carbon stocks of unmanaged land cover and the potential for CO2 payments have been analyzed in this work. To quantify and assess carbon fluxes as well as the loss of carbon, net primary productivity of vegetation has been modeled, based on the plants characteristics to fix carbon from the atmosphere during photosynthesis. Modeling vegetation dynamics and net primary productivity has been realized by using MODIS 250m time series for semi-humid and semi-arid savanna ecosystems in West Africa. This study aimed to quantify CO2 exchanges of the Savanna regions in the Volta basin by applying and adapting the Regional Biomass Model (RBM). The RBM was developed by Jochen Richters (2005) at a resolution of 1000m for the Namibian Kaokoveld. In this study the model was optimized to the scale of 232m to consider the heterogeneous landscape in West Africa (RBM+). New input parameters with higher accuracies and resolution were generated instead of using the global standard products. The most important parameters for the modeling are FPAR and the fractional cover of herbaceous and woody vegetation. To enhance the MODIS FPAR product, linear interpolation and downscaling algorithms were applied. The main objective of the downscaling is a better representation of the finely scattered vegetation by the 232m resolution FPAR. The second optimized parameter, the fractional cover of herbaceous and woody vegetation was represented by the Vegetation Continuous Fields product (VCF) from MODIS in the originally version of the RBM. This global product reflects the vegetation structure of West Africa poorly, since few high resolution training data is available for this region, and the dynamic savanna vegetation can hardly be classified by not regionally adapted methods. Additionally, the data is only available with 500m resolution. Therefore, in this study a new product with 232m resolution was developed which represents the spatial heterogeneity well and, due to the regional adaptation, shows higher accuracies. The percentage cover of woody and herbaceous vegetation and bare soil on 232m MODIS data was calculated in a multi scale approach. Based on very high resolution data, represented by Quickbird and Ikonos with 0.6-4m resolution, and high resolution data from Landsat with 30m resolution, the percentage coverage was estimated for representative focus regions. These classifications were used as a training data set to determine the percentage coverage on the 232m scale with MODIS time series for the whole study region. Based on these optimized and adapted input parameters, the net primary productivity was modeled. Data from a meteorological station and an Eddy-Covariance-Flux allowed a detailed validation of the input parameters and of the model results. The model led to good results as it only overestimated the net primary productivity for the two analyzed years 2005 and 2006 by 8.8 and 2.0 %, respectively. The second aim of the study was an analysis of the potential for long term terrestrial carbon sinks. Classifications of the actual and of the potential land cover were calculated for this analysis. Considering the overall long time CO2 fixation behavior of trees, which depends on their age, longterm carbon stocks for 100 years were simulated. As carbon fixing could be paid by emission trading, which is in future depending on the political Post-Kyoto programs, potential alternative income was calculated with different price scenarios for the three countries. A comparison with the gross domestic products of these countries and with developing aid, showed the significance of CO2 trading in this region. KW - Carbon dioxide capture and storage KW - Fernerkundung KW - Klimaänderung KW - Volta-Gebiet KW - Kohlenstoffmodellierung KW - Fernerkundung KW - Klimawandel KW - Nettoprimärproduktion KW - Carbon modelling KW - remote sensing KW - climate change KW - net primary productivity Y1 - 2010 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-55136 ER - TY - THES A1 - Wegmann, Martin T1 - Analyse von räumlichen Landschaftsmustern und deren Determinanten mittels Fernerkundungsdaten : am Beispiel von Regenwaldfragmenten in Westafrika T1 - Analysis of spatial landscape pattern and determining factors by the means of remote sensing data N2 - In den letzten Jahrzehnten ist eine verstärkte Veränderung der Landoberfläche beobachtet worden. Diese Prozesse sind direkten und indirekten anthropogenen Einflüssen zuzuschreiben, wie Deforestation oder Klimawandel. Mit dieser Entwicklung geht der Verlust und die Fragmentation von naturnahen Flächen einher. Für das Fortbestehen von Populationen verschiedenster Organismen in einer derartig geformten Landschaft ist entscheidend, inwieweit die Migration zwischen bestehenden Fragmenten gewährleistet ist. Diese wird von der Eignung der umgebenden Landschaft beeinflusst. Im Kontext einer klimatischen Veränderung und verstärkter anthropogener Landnutzung ist die Analyse der räumlichen Anordnung von Habitatfragmenten und der Qualität der umgebenden Landschaft besonders für die globale Aufrechterhaltung der Biodiversität wichtig. Großräumige Muster der Landschaftsveränderung können mit Hilfe von Satellitendaten analysiert werden, da es nur diese ermöglichen die Landbedeckung flächendeckend, reproduzierbar und auf einer adäquaten räumlichen Auflösung zu kartieren. Besonders zeitlich hochaufgelöste Daten liefern wertvolle Informationen bezüglich der Dynamik der Landbedeckung. Diese Arbeit beschäftigt sich mit der Analyse der Fragmentation in Westafrika und der potentiellen Bedeutung von singulären Fragmenten und deren potentiellen Auswirkungen auf die Biodiversität. Dafür wurden zeitlich hoch- und räumlich mittelaufgelöste Daten des Aufnahmesystems MODIS verwendet, mit denen für das Untersuchungsgebiet Westafrika die Landbedeckung klassifziert wurde. Für die darauf folgenden Analysen der räumlichen Konfiguration der Fragmente wurde der Fokus auf Regenwaldgebiete gelegt. Die Analyse von räumlichen Mustern der Regenwaldfragmente liefert weiterführende qualitative Informationen der individuellen Teilbereiche. Die räumliche Anordnung wurde sowohl mit etablierten Maßen als auch mittels in dieser Arbeit erstellter robuster und übertragbarer Indizes quantifiziert. Es konnte gezeigt werden, dass die Verwendung von aussagekräftigen Indizes, besonders, wenn sie alle benachbarten Fragmente und die Qualität der umgebenden Matrix berücksichtigen, die räumliche Differenzierung von Fragmenten verbessert. Jedoch ist die Anwendung dieser Maße abhängig von den Ansprüchen einer Art. Daher muss die artspezifische Perzeptionen der Landschaft auf der Basis der Indizes implementiert werden, da die Übertragung der Ergebnisse einzelner Indizes auf andere räumliche Auflösungen und andere Regionen nur begrenzt möglich war. Des Weiteren wurden potentielle Einflussfaktoren auf die räumlichen Muster mittels Neutraler Landschaftsmodelle untersucht. Hierbei ergaben sich je nach Region und Index unterschiedliche Ergebnisse, allerdings konnte der Einfluss anthropogen induzierter Veränderungen auf die Landbedeckung postuliert werden. Die große Bedeutung der räumlichen Attribution von Landbedeckungsklassen konnte in dieser Arbeit aufgezeigt werden. Der alleinige Fokus auf die Kartierung von z. B. Waldfragmenten ohne deren räumliche Anordnung zu berücksichtigen, kann zu falschen Schlüssen bezüglich deren ökologischen, hydrologischen und klimatologischen Bedeutung führen. N2 - In a century where climate change is unquestioned and the anthropogenic induced loss of habitats of many species has reached tremendous rates, it becomes important to analyse the effects of these changes. Especially the division of formerly continuous habitats into smaller parts and the resulting changes of area or shape are important due to their effects on e.g. viable populations sizes. Consequently does the connectivity between patches change, which is also influenced by the environmental condition inbetween patches. Generally, the loss and fragmentation of habitat will constrain species migration, which in the long run will result in less genetic diversity within populations and decline and potentially in a loss of biodiversity. Broad scale analysis of these changes can be achieved using satellite imagery due to their capabilities to deliver information repeatedly for a large area with an ecological adequate spatial resolution which can be used to generate a landcover map. This study focuses on the effects of habitat fragmentation in West Africa. The importance of patches for the retention of the overall landscape connectivity and therefore their importance for the maintenance of biodiversity is in the focus of this work. For the analysis of fragmentation on a landscape level, temporal high- and spatial low-resolution imagery provided by MODIS are used for the necessary landcover classification. The analyses focus on the rainforest in West Africa and use various established and novel indices to classify the fragments due to their spatial attributes. The novel indices invented in this study aimed at being transferrable to other region and species and at being robust and applicable on large data sets. Moreover Neutral Landscapemodels have been generated to analyse the behaviour of indices across different scales and spatial arrangments. This study showed, that the differentiation of fragments based on their spatial attributes can be achieved best using indices which incorporate all neigbouring patches and the quality of the surrounding landscape. However all indices and their application are highly depending on species specific habitat requirements and perception range as well as the spatial scale, when using spatial pattern analysis. Moreover, analysing the causes for the existing spatial patterns showed, that the factors explaining the existing patterns differed by region and used indices, but generally the human impact contributed to a high degree to the existing spatial arrangement of forest fragments. This study showed that using solely the extent of a certain landcover without considering their spatial arrangement might lead to wrong conclusions concerning its importance for biodiversity. The results depend highly on the complex interactions between spatial and thematic resolution of the landcover data, spatial arrangement of patches, the surrounding landscapes and species requirements which can be accounted for using the novel applied indices in this study. Hence the importance to analyse the spatial attributes of landcover data is shown in this study. KW - Fragmentierung KW - Fernerkundung KW - Geoinformationssystem KW - Regenwald KW - Fragmentation KW - räumliche Muster KW - Tropen KW - Fragmentatin KW - GIS KW - remote sensing KW - spatial pattern analysis Y1 - 2009 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-36532 ER - TY - THES A1 - Taubenböck, Hannes T1 - Vulnerabilitätsabschätzung der erdbebengefährdeten Megacity Istanbul mit Methoden der Fernerkundung T1 - Vulnerability assessment of the earthquake prone mega city Istanbul utilizing remote sensing methods N2 - Urbane Räume zählen zu den dynamischsten Regionen dieser Erde. Besonders Megacities zeigen bereits heute Trends und Dimensionen der Urbanisierung, deren regionale und globale Folgen noch kaum vorhersehbar, und erst ansatzweise erforscht sind. Die enorme räumliche Konzentration von Menschen, Werten und Infrastruktur auf engem Raum ist für diese urbanen Räume die Grundlage einer hohen Verwundbarkeit (Vulnerabilität). Gerade im Kontext von Naturgefahren potenzieren sich die Risiken, die durch den schnellen strukturellen, sozioökonomischen und ökologischen Wandel entstehen. Das übergeordnete Ziel dieser Dissertation ist daher die Analyse von Potentialen der Fernerkundung zur Abschätzung von Risiko und Vulnerabilität am Beispiel der erdbebengefährdeten Megacity Istanbul. Um die Zielstellung systematisch zu verfolgen, wird ein konzeptioneller, thematischer Leitfaden entwickelt. Dieser besteht aus einer Systematisierung der abstrakten Überbegriffe ‚Risiko’, ‚Vulnerabilität’ und ‚Gefährdung’ in einem Indikatorensystem. Konkrete, messbare Indikatoren für das System ‚urbaner Raum’ erlauben eine quantitative Abschätzung von Einzelaspekten, addieren sich aber auch zu einer ganzheitlichen Perspektive des Risikos. Basierend auf dieser holistischen Idee, erlaubt das Indikatorensystem Potentiale, aber auch Limitierungen der Fernerkundungsdaten und Bildverarbeitungsmethoden für die Abschätzung von Risiko und Vulnerabilität zu identifizieren. Anhand des Leitfadens werden zielgerichtet Methoden zur automatisierten Extraktion räumlicher Informationen aus Fernerkundungsdaten entwickelt. Ein objektorientierter, modularer Klassifikationsansatz ermöglicht eine Landbedeckungsklassifikation höchst aufgelöster Daten im urbanen Raum. Dieses modulare Rahmenwerk zielt auf eine einfache und schnelle Übertragbarkeit auf andere höchst auflösende Sensoren bzw. andere urbane Strukturen. Zur Anpassung der Methoden werden neben IKONOS Daten der Megacity Istanbul und der erdbeben- und tsunamigefährdeten Küstenstadt Padang in Indonesien, Quickbird Daten für die zukünftige Megacity Hyderabad in Indien getestet. Die Resultate zeigen die detaillierte und hochgenaue Erfassung kleinräumiger, heterogener urbaner Objekte mit Genauigkeiten von über 80 %. Auch mittel aufgelöste Landsat Daten werden mit einem objektorientierten modularen Rahmenwerk mit hohen Genauigkeiten klassifiziert, um komplementäre temporale und gesamtstädtische Analysen hinzuzufügen. Damit wird eine aktuelle, flächendeckende und multiskalige Informationsbasis generiert, die als Ausgangsprodukt zur Analyse urbaner Vulnerabilität dient. Basierend auf diesen Informationsebenen werden dem konzeptionellen Leitfaden folgend Indikatoren zur Abschätzung von Vulnerabilität und Risiko extrahiert. Der Fokus ist dabei die Entwicklung von Methoden zur automatisierten, interpreterunabhängigen Ableitung vulnerabilitäts- und gefährdungsrelevanter Indikatoren. Die physische Analyse des kleinräumigen urbanen Raums konzentriert sich dabei auf die Typisierung des Gebäudebestandes mit Parametern wie Dichte, Höhe, Alter, Größe, Form sowie Dachtyp. Indirekt wird zudem mittels dieser Parameter die Bevölkerungsdichteverteilung abgeleitet. Weitere Standortfaktoren ergeben sich aus Lageparametern wie Distanzen zu Hauptverkehrsachsen, Freiflächenanalysen oder der Geländeoberfläche. Schließlich führt die Vulnerabilitätsabschätzung den modellhaften, thematischen Leitfaden mit den abgeleiteten Indikatoren zusammen. Dazu erfolgt eine Normierung der unterschiedlichen abgeleiteten Indikatoren auf einen einheitlichen Vulnerabilitätsindex. Dieser zielt auf eine räumliche und zeitliche Vergleichbarkeit und die Möglichkeit, die vielfältigen Informationsebenen zu kombinieren. Damit wird das Zusammenspiel verschiedenster Indikatoren simuliert und erlaubt daraus Identifizierung und Lokalisierung von Brennpunkten im Desasterfall. Über das fernerkundliche Potential hinaus, werden die Resultate in einer interdisziplinären Methode zu einem synergetischen Mehrwert erhoben. Statt einer quantitativen Abschätzung der physischen Gebäudeparameter, ermöglicht eine Methode des Bauingenieurwesens in Kombination mit der fernerkundlichen Gebäudetypisierung eine Abschätzung der wahrscheinlichen Schadensanfälligkeit von Gebäuden im Falle eines Erdbebens. Exemplarisch wird das Potential der Resultate für Entscheidungsträger anhand eines Erdbebensszenarios aufgezeigt. Risiko und Vulnerabilität lassen sich dadurch räumlich sowohl nach betroffenen Häusern und betroffenen Menschen als auch nach räumlichen Standortfaktoren wie beispielsweise Zugänglichkeit quantifizieren. Dies ermöglicht gezielt präventiv zu agieren oder während und nach einem Desaster gezieltes Krisenmanagement zu betreiben. Im Hinblick auf die zentrale Fragestellung dieser Dissertation lässt sich resümieren, dass die Aktualität sowie die geometrische und thematische Qualität der Resultate aus Fernerkundungsdaten, den Anforderungen des komplexen, kleinräumigen und dynamischen urbanen Raums gerecht werden. Die Resultate führen zu der Erkenntnis, dass das Potential der Fernerkundung zur Abschätzung von Vulnerabilität und Risiko vor allem in der direkten Ableitung physischer Indikatoren sowie der indirekten Ableitung demographischer Parameter liegt. N2 - Urban areas are among the most dynamic regions on the planet. Specifically megacities show trends and dimensions of urbanization with hardly foreseeable regional or global consequences which have so far only been rudimentarily researched. The tremendous spatial concentration of people, financial value and infrastructure is the reason for the high vulnerability of urban areas. Especially in combination with natural hazards, risks emerging from rapid structural, socio-economic and ecological changes in the complex urban landscape increases dramatically. The central goal of the dissertation is therefore the analysis of the capabilities of remote sensing to assess risk and vulnerability in the case of the earthquake prone megacity Istanbul. Systematic analysis of the overall goal involves the development of a thematic, conceptual guideline. The concept leads to the concretization of abstract terms like ‘risk’, ‘vulnerability’ and ‘hazard’, resulting in a system of indicators which are capable of quantitative measurement. The indicators for the system ‘urban area’ enable a quantitative assessment of single aspects, but also add up to a holistic perspective of risks. By means of this concept the capabilities and limitations of remote sensing data and image processing methods to assess risk and vulnerability are identified. On the basis of this guideline the initial focus is on automated extraction of spatial information from remote sensing data. An object-oriented, modular classification approach produces a land-cover classification from high resolution satellite data in complex urban areas. The modular framework enables fast and easy adjustments to apply the algorithm to different high resolution data as well as to different urban structures. The transfer of methodology has been tested on IKONOS data for the megacity Istanbul and for the earthquake prone coastal town of Padang, Indonesia, as well as for Quickbird data for the incipient megacity Hyderabad, India. The results show the highly-detailed and high-precision coverage of small-scale, heterogeneous objects for the manifold urban landscapes with accuracies higher than 80 %. In addition, medium resolution Landsat data sets are classified with high accuracy also using an object-oriented and modular classification approach for a complementary temporal and area-wide analysis. The derived results provide an up-to-date, area-wide and multiscale information basis, usable as a starting point to analyze vulnerability.Based on this information, indicators of the conceptual guideline are extracted. The development of methods for an automated and interpreter-independent derivation of indicators relevant for assessing vulnerability and hazards is the focus. The physical perspective of vulnerability centers on an analysis of the building stock, classified by parameters like density, height, age, size, form and roof type. These parameters are indirectly used to derive the spatial population density distribution. Further location factors result from distances to main infrastructure, an open spaces analysis, or surface slope. Eventually the assessment of vulnerability and risks combines the thematic guideline with the derived indicators. The standardization of the diverse indicators leads to a consistent index. This enables spatial and temporal comparability as well as the combining of the different information layers. This simulates the interaction of the various indicators and enables identification and localization of focal points in the disaster case. Beyond the capabilities of remote sensing an interdisciplinary method elevates the results to a synergistic value-added product. Instead of a quantitative assessment of the physical parameters of structures, civil engineering, using an area-wide classification of buildings, enables a probabilistic assessment of damage grades for various building types in case of an earthquake. An earthquake scenario exemplifies the capabilities of the results to support decisionmakers. Risk and vulnerability are quantified showing with spatial reference affected houses and affected people as well as location factors, such as accessibility. This makes possible specific preventive measures or crisis management during and after a disaster. The résumé of the central goal of this dissertation concludes, that timeliness, high geometric resolution and thematic quality of the results from remote sensing data, fully achieve the requirements posed by the complex, heterogeneous and fast changing urban environment. The performance shows that the potential of remote sensing to assess risk and vulnerability centres on the direct derivation of physical parameters and the indirect derivation of demographic information. KW - Fernerkundung KW - Entscheidung bei Risiko KW - Stadt KW - urbane Räume KW - Vulnerabilität KW - Remote Sensing KW - urban areas KW - risk management KW - vulnerability assessment Y1 - 2008 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-28045 ER -