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 - Reinermann, Sophie T1 - Earth Observation Time Series for Grassland Management Analyses – Development and large-scale Application of a Framework to detect Grassland Mowing Events in Germany T1 - Erdbeobachtungszeitserien zur Analyse der Grünlandbewirtschaftung – Entwicklung und großflächige Anwendung einer Prozessierungsarchitektur zur automatisierten Detektion von Grünlandmahden N2 - Grasslands shape many landscapes of the earth as they cover about one-third of its surface. They are home and provide livelihood for billions of people and are mainly used as source of forage for animals. However, grasslands fulfill many additional ecosystem functions next to fodder production, such as storage of carbon, water filtration, provision of habitats and cultural values. They play a role in climate change (mitigation) and in preserving biodiversity and ecosystem functions on a global scale. The degree to what these ecosystem functions are present within grassland ecosystems is largely determined by the management. Individual management practices and the use intensity influence the species composition as well as functions, like carbon storage, while higher use intensities (e.g. high mowing frequencies) usually show a negative impact. Especially in Central European countries, like in Germany, the determining influence of grassland management on its physiognomy and ecosystem functions leads to a large variability and small-scale alternations of grassland parcels. Large-scale information on the management and use intensity of grasslands is not available. Consequently, estimations of grassland ecosystem functions are challenging which, however, would be required for large-scale assessments of the status of grassland ecosystems and optimized management plans for the future. The topic of this thesis tackles this gap by investigating the major grassland management practice in Germany, which is mowing, for multiple years, in high spatial resolution and on a national scale. Earth Observation (EO) has the advantage of providing information of the earth’s surface on multi-temporal time steps. An extensive literature review on the use of EO for grassland management and production analyses, which was part of this thesis, showed that in particular research on grasslands consisting of small parcels with a large variety of management and use intensity, like common in Central Europe, is underrepresented. Especially the launch of the Sentinel satellites in the recent past now enables the analyses of such grasslands due to their high spatial and temporal resolution. The literature review specifically on the investigation of grassland mowing events revealed that most previous studies focused on small study areas, were exploratory, only used one sensor type and/or lacked a reference data set with a complete range of management options. Within this thesis a novel framework to detect grassland mowing events over large areas is presented which was applied and validated for the entire area of Germany for multiple years (2018–2021). The potential of both sensor types, optical (Sentinel-2) and Synthetic Aperture Radar (SAR) (Sentinel-1) was investigated regarding grassland mowing event detection. Eight EO parameters were investigated, namely the Enhanced Vegetation Index (EVI), the backscatter intensity and the interferometric (InSAR) temporal coherence for both available polarization modes (VV and VH), and the polarimetric (PolSAR) decomposition parameters Entropy, K0 and K1. An extensive reference data set was generated based on daily images of webcams distributed in Germany which resulted in mowing information for grasslands with the entire possible range of mowing frequencies – from one to six in Germany – and in 1475 reference mowing events for the four years of interest. For the first time a observation-driven mowing detection approach including data from Sentinel-2 and Sentinel-1 and combining the two was developed, applied and validated on large scale. Based on a subset of the reference data (13 grassland parcels with 44 mowing events) from 2019 the EO parameters were investigated and the detection algorithm developed and parameterized. This analysis showed that a threshold-based change detection approach based on EVI captured grassland mowing events best, which only failed during periods of clouds. All SAR-based parameters showed a less consistent behavior to mowing events, with PolSAR Entropy and InSAR Coherence VH, however, revealing the highest potential among them. A second, combined approach based on EVI and a SARbased parameter was developed and tested for PolSAR Entropy and InSAR VH. To avoid additional false positive detections during periods in which mowing events are anyhow reliably detected using optical data, the SAR-based mowing detection was only initiated during long gaps within the optical time series (< 25 days). Application and validation of these approaches in a focus region revealed that only using EVI leads to the highest accuracies (F1-Score = 0.65) as combining this approach with SAR-based detection led to a strong increase in falsely detected mowing events resulting in a decrease of accuracies (EVI + PolSAR ENT F1-Score = 0.61; EVI + InSAR COH F1-Score = 0.61). The mowing detection algorithm based on EVI was applied for the entire area of Germany for the years 2018-2021. It was revealed that the largest share of grasslands with high mowing frequencies (at least four mowing events) can be found in southern/south-eastern Germany. Extensively used grassland (mown up to two times) is distributed within the entire country with larger shares in the center and north-eastern parts of Germany. These patterns stay constant in general, but small fluctuations between the years are visible. Early mown grasslands can be found in southern/south-eastern Germany – in line with high mowing frequency areas – but also in central-western parts. The years 2019 and 2020 revealed higher accuracies based on the 1475 mowing events of the multi-annual validation data set (F1-Scores of 0.64 and 0.63), 2018 and 2021 lower ones (F1-Score of 0.52 and 0.50). Based on this new, unprecedented data set, potential influencing factors on the mowing dynamics were investigated. Therefore, climate, topography, soil data and information on conservation schemes were related to mowing dynamics for the year 2020, which showed a high number of valid observations and detection accuracy. It was revealed that there are no strong linear relationships between the mowing frequency or the timing of the first mowing event and the investigated variables. However, it was found that for intensive grassland usage certain climatic and topographic conditions have to be fulfilled, while extensive grasslands appear on the entire spectrum of these variables. Further, higher mowing frequencies occur on soils with influence of ground water and lower mowing frequencies in protected areas. These results show the complex interplay between grassland mowing dynamics and external influences and highlight the challenges of policies aiming to protect grassland ecosystem functions and their need to be adapted to regional circumstances. N2 - Grünland prägt viele Landschaften der Erde, da es etwa ein Drittel der Erdoberfläche bedeckt. Es ist Heimat und Lebensgrundlage für Milliarden von Menschen und wird hauptsächlich als Futterquelle für die Viehhaltung genutzt. Neben der Futterproduktion erfüllen Grünlandflächen jedoch viele weitere Ökosystemfunktionen, wie die Speicherung von Kohlenstoff, die Wasserfilterung, die Bereitstellung von Lebensräumen, als auch kulturelle Werte. Sie spielen eine Rolle bei der Abschwächung des Klimawandels und bei der Erhaltung der biologischen Vielfalt und der Ökosystemfunktionen auf globaler Ebene. Das Ausmaß, in dem diese Ökosystemfunktionen in Grünlandökosystemen vorhanden sind, wird weitgehend durch die Bewirtschaftung bestimmt. Einzelne Bewirtschaftungspraktiken und die Nutzungsintensität beeinflussen sowohl die Artenzusammensetzung als auch Funktionen wie die Kohlenstoffspeicherung, wobei höhere Nutzungsintensitäten (z. B. hohe Mähfrequenzen) in der Regel einen negativen Einfluss haben. Insbesondere in mitteleuropäischen Ländern wie Deutschland, führt der bestimmende Einfluss der Grünlandbewirtschaftung auf die Physiognomie und die Ökosystemfunktionen zu einer großen Variabilität und kleinräumigen Differenziertheit einzelner Grünlandflächen. Großräumige Informationen über die Bewirtschaftungs- und Nutzungsintensität von Grünland sind nicht verfügbar. Folglich sind Schätzungen der Ökosystemfunktionen von Grünland eine Herausforderung, die jedoch für großräumige Bewertungen des Zustands von Grünlandökosystemen und optimierte Bewirtschaftungspläne für die Zukunft erforderlich wären. Das Thema dieser Arbeit greift diese Lücke auf, indem es die wichtigste Grünlandbewirtschaftungsmethode in Deutschland, die Mahd, über mehrere Jahre, mit hoher räumlicher Auflösung und auf nationaler Ebene untersucht. Die Erdbeobachtung hat den Vorteil, Informationen über die Erdoberfläche in multitemporalen Zeitschritten zu liefern. Eine umfangreiche Literaturrecherche zur Nutzung von Erdbeobachtung für Grünlandmanagement und Produktion, welche Teil dieser Arbeit war, hat gezeigt, dass insbesondere die Forschung zu kleinparzelligem Grünland mit einer großen Vielfalt an Bewirtschaftungs- und Nutzungsintensitäten, wie in Mitteleuropa gängig, unterrepräsentiert ist. Insbesondere die vor wenigen Jahren erfolgte Start der Sentinel-Satellitenmissionen ermöglicht nun auch die Analyse solcher Grünlandflächen aufgrund der hohen räumlichen und zeitlichen Auflösung ihrer Aufnahmen. Die Literaturrecherche speziell zur Untersuchung von Mähereignissen auf Grünland ergab, dass die meisten bisherigen Studien sich auf kleine Untersuchungsgebiete konzentrierten, explorativ waren, nur einen Sensortyp verwendeten und/oder keinen Referenzdatensatz mit einer vollständigen Palette von Managementoptionen enthielten. Im Rahmen dieser Arbeit wird eine neuartige Methodik zur Erkennung von Grünlandmahdereignissen vorgestellt, welches über mehrere Jahre (2018-2021) flächendeckend in Deutschland angewendet und validiert wurde. Beide Sensortypen – optisch (Sentinel-2) und SAR (Sentinel-1) – wurden hinsichtlich ihres Potentials zur Detektion von Grünlandmahdereignissen ausgewertet. Acht EO-Parameter wurden untersucht, nämlich der Enhanced Vegetation Index (EVI), die Rückstreuintensität und die interferometrische zeitliche Kohärenz (InSAR) für beide verfügbaren Polarimetrien (VV und VH), sowie die polarimetrischen (PolSAR) Zerlegungsparameter Entropie, K0 und K1. Ein umfangreicher Referenzdatensatz wurde auf der Basis täglicher Bilder von Webcams generiert, welche über Deutschland verteilt sind. Dieser enthält Mahdinformationen für Grünland mit dem gesamten möglichen Spektrum an Mähfrequenzen – von eins bis sechs Mahden – und 1475 Referenz-Mähereignisse für die Untersuchungsjahre. Zum ersten Mal wurde ein Ansatz basierend auf tatsächlichen Beobachtungen zur Erkennung der Mahd entwickelt, angewandt und großflächig validiert, der Daten von Sentinel - 2 und Sentinel - 1 verwendet und beide miteinander kombiniert. Anhand eines Subset der Referenzdaten (13 Grünlandparzellen) wurden die EO-Parameter untersucht und der Algorithmus zur Mahddetektion entwickelt und parametrisiert. Die Analyse hat gezeigt, dass ein schwellenwertbasierter Ansatz zur Erkennung von Veränderungen auf der Grundlage des EVI die Ereignisse der Grünlandmahd am besten erfasst, und nur während Bewölkungsperioden Mahden nicht erfolgreich detektiert. Alle SAR-basierten Parameter zeigten ein inkonsistenteres Verhalten gegenüber Mähaktivitäten als EVI, wobei PolSAR Entropie und InSAR Kohärenz VH noch das höchste Potenzial aufwiesen. Ein zweiter, kombinierter Ansatz, der auf EVI und einem SAR Parameter basiert, wurde entwickelt und für PolSAR Entropie und InSAR VH getestet. Aufgrund vieler zusätzlicher Veränderungen, die in den Zeitreihen erkennbar sind, wurde die SAR-basierte Mahddetektion nur während langer Lücken in den optischen Zeitreihen (< 25 Tage) initiiert. Die Anwendung und Validierung dieser Ansätze in einer Fokusregion ergab, dass die Verwendung des EVI-Ansatzes zu den höchsten Genauigkeiten führt (F1-Score = 0.65), da die Kombination dieses Ansatzes mit der SAR-basierten Detektion zu einem starken Anstieg der falsch erkannten Mähereignisse und damit zu einer Abnahme der Genauigkeiten führte (EVI + PolSAR ENT F1-Score=0.61; EVI + InSAR COH F1-Score = 0.61). Der auf EVI basierende Mahddetektionsalgorithmus wurde für die gesamte Fläche Deutschlands für die Jahre 2018–2021 angewendet. Es zeigte sich, dass der größte Anteil an Grünland mit hoher Mähfrequenz (mindestens vier Mähereignisse) im Süden/Südosten Deutschlands zu finden ist. Extensiv genutztes Grünland (bis zu zweimal gemäht) ist über das gesamte Bundesgebiet verteilt, mit größeren Anteilen in der Mitte und im Nordosten Deutschlands. Diese Muster bleiben im Allgemeinen konstant, aber es sind kleine Schwankungen zwischen den Jahren erkennbar. Früh gemähtes Grünland findet sich in Süd-/Südostdeutschland - entsprechend den Gebieten mit hoher Mähfrequenz -, aber auch in Mittel- und Westdeutschland. Die Jahre 2019 und 2020 zeigen höhere Genauigkeiten (F1- Scores von 0.64 und 0.63), 2018 und 2021 niedrigere (F1-Score von 0.52 und 0.50). Darüber hinaus wurden mögliche Einflussfaktoren auf die Mahddynamik untersucht. So wurden Klima, Topografie, Bodendaten und Informationen über Schutzmaßnahmen mit der Mahddynamik für das Jahr 2020 in Verbindung gebracht, für welches eine hohe Anzahl gültiger Beobachtungen und eine hohe Erfassungsgenauigkeit erzielt werden konnten. Es zeigte sich, dass es keine starken linearen Beziehungen zwischen der Mahdhäufigkeit oder dem Zeitpunkt der ersten Mahd und den untersuchten Variablen gibt. Es wurde jedoch festgestellt, dass für eine intensive Grünlandnutzung bestimmte klimatische und topografische Bedingungen erfüllt sein müssen, wohingegen extensive Grünlandflächen im gesamten Spektrum dieser Variablen auftreten. Außerdem treten auf Böden mit Grundwassereinfluss höhere und in Schutzgebieten niedrigere Mahdhäufigkeiten auf. Diese Ergebnisse zeigen das komplexe Zusammenspiel zwischen der Dynamik der Grünlandmahd und äußeren Einflüssen und verdeutlichen die Herausforderungen in der gezielten Erstellung von Maßnahmen zum Schutz von Grünland-Ökosystemfunktionen und die Notwendigkeit diese regional anzupassen. KW - Grünland KW - Erdbeobachtung KW - Fernerkundung KW - Mähen KW - Grünlandnutzung KW - Zeitreihe KW - Erde KW - Sentinel-1 KW - Sentinel-2 KW - Enhanced Vegetation Index KW - PolSAR KW - InSAR Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-322737 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 - Üreyen, Soner T1 - Multivariate Time Series for the Analysis of Land Surface Dynamics - Evaluating Trends and Drivers of Land Surface Variables for the Indo-Gangetic River Basins T1 - Multivariate Zeitreihen zur Analyse von Landoberflächendynamiken - Auswertung von Trends und Treibern von Landoberflächenvariablen für Flusseinzugsgebiete der Indus-Ganges Ebene N2 - The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument. In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed. To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere. In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area. These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions. N2 - Die Untersuchung von Erdsystemkomponenten und deren Wechselwirkungen ist von großer Relevanz, um das Prozessverständnis sowie die Auswirkungen des globalen Klimawandels auf die Landoberfläche zu verbessern. In diesem Zusammenhang liefert die Erdbeobachtung (EO) wertvolle Langzeitaufnahmen zu einer Vielzahl an Landoberflächenvariablen. Diese können als Indikator für die Erdsystemkomponenten genutzt werden und sind essenziell für großflächige Analysen. Flusseinzugsgebiete sind besonders geeignet um Landoberflächendynamiken mit multivariaten Zeitreihen zu analysieren, da diese verschiedene Sphären des Erdsystems umfassen. Zur Charakterisierung der Landoberfläche stehen zahlreiche EO-Missionen mit unterschiedlichen Eigenschaften zur Verfügung. Nur einige wenige Missionen gewährleisten jedoch die Erstellung von räumlich und zeitlich konsistenten Zeitreihen mit äquidistanten Beobachtungen über großräumige Untersuchungsgebiete, wie z.B. die MODIS Sensoren. Um bisherige EO-Analysen zu Landoberflächendynamiken in großen Flusseinzugsgebieten zu untersuchen, wurde eine Literaturrecherche durchgeführt, wobei mehrere Forschungslücken identifiziert wurden. Studien untersuchten nur selten ein ganzes Einzugsgebiet, sondern konzentrierten sich lediglich auf Teilgebietsgebiete oder regionale Untersuchungsgebiete. Darüber hinaus wurden transnationale Einzugsgebiete nur unzureichend analysiert, wobei sich die Studien größtenteils auf ausgewählte Anrainerstaaten beschränkten. Auch wurde die Analyse von Umweltveränderungen meistens anhand einer einzigen EO-Landoberflächenvariable durchgeführt, während eine synergetische Untersuchung von sphärenübergreifenden Landoberflächenvariablen kaum unternommen wurde. Um diese Forschungslücken zu adressieren, ist ein methodischer Ansatz notwendig, der (1) die Vorverarbeitung und Harmonisierung von Zeitreihen aus mehreren Quellen und (2) die statistische Analyse eines multivariaten Merkmalsraums ermöglicht. Für die Entwicklung und Anwendung eines methodischen Frameworks, das raum-zeitlich übertragbar ist, wurden die transnationalen Einzugsgebiete Indus, Ganges, Brahmaputra und Meghna (IGBM) in Südasien, deren Größe etwa der achtfachen Fläche von Deutschland entspricht, ausgewählt. Diese Einzugsgebiete hängen weitgehend von den Wasserressourcen des Monsunregens und des Hochgebirges Asiens ab. Insgesamt leben über 1,1 Milliarden Menschen in dieser Region und sind zum Teil in hohem Maße von diesen Wasserressourcen abhängig, die auch für die größten zusammenhängenden bewässerten Anbauflächen der Welt und auch für weitere inländische Bedarfe unerlässlich sind. Aufgrund ihrer sehr heterogenen geographischen Gegebenheiten ermöglichen diese Einzugsgebiete eine detaillierte sphärenübergreifende Analyse der Wechselwirkungen, einschließlich der Anthroposphäre, Biosphäre, Kryosphäre, Hydrosphäre, Lithosphäre und Atmosphäre. In dieser Dissertation wurden Landoberflächendynamiken der letzten zwei Jahrzehnte anhand von EO-Zeitreihen zum Vegetationszustand, zu Oberflächengewässern und zur Schneebedeckung analysiert. Diese basieren auf MODIS-Aufnahmen, dem DLR Global WaterPack und dem JRC Global Surface Water Layer sowie dem DLR Global SnowPack. Diese Zeitreihen wurden in Kombination mit weiteren klimatischen, hydrologischen und anthropogenen Variablen ausgewertet. Die Harmonisierung des multivariaten Merkmalsraumes ermöglichte die Analyse von Landoberflächendynamiken unter Nutzung von statistischen Methoden. Diese Methoden umfassen (1) die Berechnung von Trends mittels des Mann-Kendall und des Theil-Sen Tests, (2) die Berechnung von phänologischen Metriken anhand des Timesat-Tools, (3) die Bewertung von treibenden Variablen unter Nutzung des PCMCI Algorithmus und (4) zusätzliche Korrelationstests zur Analyse des menschlichen Einflusses auf den Vegetationszustand und die Wasseroberfläche. Diese Analysen wurden auf jährlichen und saisonalen Zeitskalen und für verschiedene räumliche Einheiten durchgeführt. Für den Vegetationszustand wurden weitgehend signifikant positive Trends ermittelt. Analysen haben gezeigt, dass landwirtschaftliche Nutzflächen am meisten zu diesen Trends beitragen haben. Besonders hoch waren die Trends in ariden Regionen. Bei Oberflächengewässern wurden auf jährlicher Ebene signifikant positive Trends festgestellt. Auf Pixelebene wurden jedoch sowohl regional als auch saisonal Cluster mit signifikant negativen Trends identifiziert. Die Trends für die Schneebedeckung blieben auf jährlicher Ebene weitgehend stabil, jedoch wurden in Teilen der Einzugsgebiete zu bestimmten Jahreszeiten signifikant negative Trends beobachtet. Die negativen Trends wurden auch für höhenabhängige Zonen festgestellt, insbesondere in hohen Lagen. Außerdem wurden in Teilen der Einzugsgebiete Rückgänge bei der saisonalen Dauer der Schneebedeckung ermittelt. Darüber hinaus ergab die Untersuchung des multivariaten Merkmalsraums auf kausale Zusammenhänge auf saisonaler Ebene erstmals Aufschluss über direkte und indirekte Relationen zwischen EO-Landoberflächenvariablen und den entsprechenden Einflussfaktoren. Zusammengefasst wurde die Vegetation durch die Wasserverfügbarkeit, die Oberflächengewässer durch den Abfluss und indirekt durch den Niederschlag sowie die Schneebedeckung durch Niederschlag und Temperatur mit räumlichen und saisonalen Unterschieden kontrolliert. Zusätzliche Analysen wiesen auf einen positiven Zusammenhang zwischen dem menschlichen Einfluss und den zunehmenden Trends in der Vegetationsfläche hin. Diese sphärenübergreifenden Untersuchungen zu Trends und Wechselwirkungen liefern neue und wertvolle Einblicke in den vergangenen Zustand von Landoberflächendynamiken sowie in die relevanten klimatischen und hydrologischen Einflussfaktoren. Neben den untersuchten Einzugsgebieten in Südasien sind diese Erkenntnisse auch für weitere Einzugsgebiete und geographische Regionen von großer Bedeutung. KW - Multivariate Analyse KW - Zeitreihe KW - Fernerkundung KW - Geographie KW - Multivariate Time Series KW - River Basins KW - Earth Observation KW - Remote Sensing Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-291941 ER - TY - THES A1 - Dirscherl, Mariel Christina T1 - Remote Sensing of Supraglacial Lake Dynamics in Antarctica - Exploiting Methods from Artificial Intelligence for Derivation of Antarctic Supraglacial Lake Extents in Multi-Sensor Remote Sensing Data T1 - Fernerkundung der Dynamik supraglazialer Seen in der Antarktis - Analyse von supraglazialen Seen in Multi-Sensor Fernerkundungsdaten mittels Methoden der Künstlichen Intelligenz N2 - With accelerating global climate change, the Antarctic Ice Sheet is exposed to increasing ice dynamic change. During 1992 and 2017, Antarctica contributed ~7.6 mm to global sea-level-rise mainly due to ocean thermal forcing along West Antarctica and atmospheric warming along the Antarctic Peninsula (API). Together, these processes caused the progressive retreat of glaciers and ice shelves and weakened their efficient buttressing force causing widespread ice flow accelerations. Holding ~91% of the global ice mass and 57.3 m of sea-level-equivalent, the Antarctic Ice Sheet is by far the largest potential contributor to future sea-level-rise. Despite the improved understanding of Antarctic ice dynamics, the future of Antarctica remains difficult to predict with its contribution to global sea-level-rise representing the largest uncertainty in current projections. Given that recent studies point towards atmospheric warming and melt intensification to become a dominant driver for future Antarctic ice mass loss, the monitoring of supraglacial lakes and their impacts on ice dynamics is of utmost importance. In this regard, recent progress in Earth Observation provides an abundance of high-resolution optical and Synthetic Aperture Radar (SAR) satellite data at unprecedented spatial and temporal coverage and greatly supports the monitoring of the Antarctic continent where ground-based mapping efforts are difficult to perform. As an automated mapping technique for supraglacial lake extent delineation in optical and SAR satellite imagery as well as a pan-Antarctic inventory of Antarctic supraglacial lakes at high spatial and temporal resolution is entirely missing, this thesis aims to advance the understanding of Antarctic surface hydrology through exploitation of spaceborne remote sensing. In particular, a detailed literature review on spaceborne remote sensing of Antarctic supraglacial lakes identified several research gaps including the lack of (1) an automated mapping technique for optical or SAR satellite data that is transferable in space and time, (2) high-resolution supraglacial lake extent mappings at intra-annual and inter-annual temporal resolution and (3) large-scale mapping efforts across the entire Antarctic continent. In addition, past method developments were found to be restricted to purely visual, manual or semi-automated mapping techniques hindering their application to multi-temporal satellite imagery at large-scale. In this context, the development of automated mapping techniques was mainly limited by sensor-specific characteristics including the similar appearance of supraglacial lakes and other ice sheet surface features in optical or SAR data, the varying temporal signature of supraglacial lakes throughout the year as well as effects such as speckle noise and wind roughening in SAR data or cloud coverage in optical data. To overcome these limitations, this thesis exploits methods from artificial intelligence and big data processing for development of an automated processing chain for supraglacial lake extent delineation in Sentinel-1 SAR and optical Sentinel-2 satellite imagery. The combination of both sensor types enabled to capture both surface and subsurface lakes as well as to acquire data during cloud cover or wind roughening of lakes. For Sentinel-1, a deep convolutional neural network based on residual U-Net was trained on the basis of 21,200 labeled Sentinel-1 SAR image patches covering 13 Antarctic regions. Similarly, optical Sentinel-2 data were collected over 14 Antarctic regions and used for training of a Random Forest classifier. Optical and SAR classification products were combined through decision-level fusion at bi-weekly temporal scale and unprecedented 10 m spatial resolution. Finally, the method was implemented as part of DLR’s High-Performance Computing infrastructure allowing for an automated processing of large amounts of data including all required pre- and postprocessing steps. The results of an accuracy assessment over independent test scenes highlighted the functionality of the classifiers returning accuracies of 93% and 95% for supraglacial lakes in Sentinel-1 and Sentinel-2 satellite imagery, respectively. Exploiting the full archive of Sentinel-1 and Sentinel-2, the developed framework for the first time enabled the monitoring of seasonal characteristics of Antarctic supraglacial lakes over six major ice shelves in 2015-2021. In particular, the results for API ice shelves revealed low lake coverage during 2015-2018 and particularly high lake coverage during the 2019-2020 and 2020-2021 melting seasons. On the contrary, East Antarctic ice shelves were characterized by high lake coverage during 2016-2019 and extremely low lake coverage during the 2020-2021 melting season. Over all six investigated ice shelves, the development of drainage systems was revealed highlighting an increased risk for ice shelf instability. Through statistical correlation analysis with climate data at varying time lags as well as annual data on Southern Hemisphere atmospheric modes, environmental drivers for meltwater ponding were revealed. In addition, the influence of the local glaciological setting was investigated through computation of annual recurrence times of lakes. Over both ice sheet regions, the complex interplay between local, regional and large-scale environmental drivers was found to control supraglacial lake formation despite local to regional discrepancies, as revealed through pixel-based correlation analysis. Local control factors included the ice surface topography, the ice shelf geometry, the presence of low-albedo features as well as a reduced firn air content and were found to exert strong control on lake distribution. On the other hand, regional controls on lake evolution were revealed to be the amount of incoming solar radiation, air temperature and wind occurrence. While foehn winds were found to dictate lake evolution over the API, katabatic winds influenced lake ponding in East Antarctica. Furthermore, the regional near-surface climate was shown to be driven by large-scale atmospheric modes and teleconnections with the tropics. Overall, the results highlight that similar driving factors control supraglacial lake formation on the API and EAIS pointing towards their transferability to other Antarctic regions. N2 - Der antarktische Eisschild erfährt angesichts der globalen Erderwärmung zunehmende eisdynamische Veränderungen. Zwischen 1992 und 2017 trug die Antarktis mit ~7.6 mm zum globalen Meeresspiegelanstieg bei, was vor allem auf die Erwärmung des Ozeans entlang der Westantarktis und die Erwärmung der Atmosphäre entlang der Antarktischen Halbinsel zurückzuführen ist. Zusammen verursachten diese Prozesse den fortschreitenden Rückgang von Gletschern und Schelfeis und schwächten ihren Rückhalteeffekt. Mit einem Anteil von ~91% an der globalen Eismasse und einem Meeresspiegeläquivalent von 57.3 m ist der antarktische Eisschild der größte potentielle Verursacher eines zukünftigen Meeresspiegelanstiegs. Trotz des verbesserten Verständnisses der antarktischen Eisdynamik kann die Zukunft der Antarktis nur schwer vorhergesagt werden. In Anbetracht der Tatsache, dass die Erwärmung der Atmosphäre und die damit einhergehende Oberflächenschmelze eine der Hauptursachen für künftige Massenverluste der Antarktis sein werden, ist die Kartierung von supraglazialen Seen von größter Bedeutung und Wichtigkeit. In dieser Hinsicht liefert die Erdbeobachtung eine Vielzahl von räumlich und zeitlich hochaufgelösten Satellitendaten für das Monitoring der Antarktis. Da eine automatisierte Methode zur Kartierung von supraglazialen Seen in Satellitendaten sowie ein großräumiges Inventar gänzlich fehlen, ist das Ziel dieser Arbeit zu einem besseren Verständnis der antarktischen Oberflächenhydrologie beizutragen. Zu diesem Zweck wurde ein neuartiges Prozessierungsverfahren für die automatisierte Kartierung von supraglazialen Seen in Sentinel-1 und Sentinel-2 Satellitenbilddaten entwickelt. Basierend auf einer umfassenden Literaturrecherche in Bezug auf die satellitengestützte Fernerkundung von antarktischen supraglazialen Seen wurden mehrere Forschungslücken identifiziert, darunter das Fehlen von (1) einem automatisierten Klassifikationsalgorithmus für optische und Radar Satellitendaten, der in Raum und Zeit übertragbar ist, (2) hochaufgelösten Kartierungen von supraglazialen Seen mit jährlicher sowie saisonaler zeitlicher Auflösung und (3) großräumigen Kartierungen über der gesamten Antarktis. Darüber hinaus wurde festgestellt, dass sich vergangene Methodenentwicklungen auf eine rein visuelle, manuelle oder halbautomatisierte Kartierungstechnik stützten, was ihre Anwendung auf multitemporale Satellitenbilder über dem gesamten Kontinent verhinderte. Die Entwicklung einer automatisierten Kartierungsmethode wurde hierbei vor allem durch sensorspezifische Merkmale eingeschränkt, darunter das ähnliche Erscheinungsbild von supraglazialen Seen und anderen Landbedeckungsklassen in optischen oder Radar Daten, die variierende zeitliche Signatur von supraglazialen Seen sowie Effekte wie SpeckleRauschen oder die Windaufrauhung von Seen in Radar Daten. Um diese Limitierungen zu überwinden, basiert der entwickelte Algorithmus zur automatisierten Kartierung von supraglazialen Seen in optischen and Radar Satellitendaten auf Methoden der künstlichen Intelligenz und der Big-Data-Analytik. Die Kombination von beiden Sensortypen ermöglicht es, sowohl supraglaziale als auch mit Schnee bedeckte Seen zu erfassen. Für Sentinel-1 wurde ein neuronales Netzwerk basierend auf „residual U-Net“ mittels 21,200 Radaraufnahmen über 13 antarktischen Regionen trainiert. In ähnlicher Weise wurden optische Sentinel-2 Daten über 14 antarktischen Regionen gesammelt und zum Trainieren eines „Random Forest“ Klassifikators verwendet. Die beiden Methoden wurden durch die Fusion von optischen und Radar Klassifikationsergebnissen kombiniert und als Teil der DLR-internen Prozessierungs-Infrastruktur auf Hochleistungsrechnern implementiert, die eine vollautomatische Verarbeitung großer Datenmengen einschließlich aller erforderlichen Vor- und Nachverarbeitungsschritte ermöglichen. Eine Fehleranalyse über unabhängigen Testszenen zeigte die Funktionalität der Algorithmen, die Genauigkeiten von 93% bzw. 95% für supraglaziale Seen in Sentinel-1 und Sentinel-2 Daten erreichten. Unter Nutzung des gesamten Archivs an Sentinel-1 und Sentinel-2 Daten im Zeitraum 2015-2021 ermöglichte die entwickelte Prozessierungs-Kette erstmals die Erfassung von saisonalen Merkmalen supraglazialer Seen über sechs großen SchelfeisRegionen. Die Ergebnisse für die Antarktische Halbinsel zeigten ein geringes Auftreten von supraglazialen Seen im Zeitraum 2015-2018 und ein stark erhöhtes Auftreten von supraglazialen Seen während der Schmelzsaison 2019-2020 und 2020-2021. Im Gegensatz dazu war die Ostantarktis durch ein stark erhöhtes Auftreten von supraglazialen Seen in den Jahren 2016-2019 sowie ein stark reduziertes Auftreten von supraglazialen Seen während der Schmelzsaison 2020-2021 gekennzeichnet. Über beiden Regionen entwickelten sich ausgeprägte Seen-Netzwerke, die ein erhöhtes Risiko für die Stabilität von Schelfeis darstellen. Durch statistische Korrelationsanalysen mit saisonalen Klimadaten sowie jährlichen Daten zu atmosphärischen Modi wurden Umwelteinflüsse auf die Entstehung von Seen analysiert. In beiden antarktischen Regionen wurde festgestellt, dass das komplexe Zusammenspiel von lokalen, regionalen und großräumigen Umweltfaktoren die Entstehung von supraglazialen Seen begünstigt. Zu den lokalen Einflussfaktoren gehören die Topographie, die Schelfeisgeometrie, das Vorhandensein von Oberflächen mit geringer Albedo sowie ein reduzierter Luftgehalt im Firn. Andererseits wurde festgestellt, dass die Sonneneinstrahlung, die Lufttemperatur und Wind die Entstehung von Seen regional beeinflussen. Während Föhnwinde über der Antarktischen Halbinsel auftreten, dominieren katabatische Winde in der Ostantarktis. Darüber hinaus wurde verdeutlicht, dass das regionale Klima von atmosphärischen Modi beeinflusst wird. Insgesamt deuten die Ergebnisse darauf hin, dass ähnliche Umweltfaktoren die Entstehung von supraglazialen Seen über beiden Regionen steuern, was Rückschlüsse auf ihre Übertragbarkeit in andere antarktische Regionen zulässt. KW - Optische Fernerkundung KW - Radarfernerkundung KW - Antarktis KW - Gletscher KW - Fernerkundung KW - Supraglaziale Seen Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-279505 ER - TY - THES A1 - Hu, Zhongyang T1 - Earth Observation for the Assessment of Long-Term Snow Dynamics in European Mountains - Analysing 35-Year Snowline Dynamics in Europe Based on High Resolution Earth Observation Data between 1984 and 2018 T1 - Erdbeobachtung für die Beurteilung von Langzeit Schneedynamiken in Europäischen Gebirgen - Die Analyse von Scheegrenzendynamiken über 35 Jahre in Europa basierend auf hochauflösenden Erdbeobachtungsdaten zwischen 1984 und 2018 N2 - Worldwide, cold regions are undergoing significant alterations due to climate change. Snow, the most widely distributed cold region component, is highly sensitive to climate change. At the same time, snow itself profoundly impacts the Earth’s energy budget, biodiversity, and natural hazards, as well as hydropower management, freshwater management, and winter tourism/sports. Large parts of the cold regions in Europe are mountain areas, which are densely populated because of the various ecosystem services and socioeconomic well-being in mountains. At present, severe consequences caused by climate change have been observed in European mountains and their surrounding areas. Yet, large knowledge gaps hinder the development of effective regional and local adaptation strategies. Long-term and evidence-based regional studies are urgently needed to enhance the comprehension of regional responses to climate change. Earth Observation (EO) provides long-term consistent records of the Earth’s surface. It is a great alternative and/or supplement to conventional in-situ measurements which are usually time-consuming, cost-intensive and logistically demanding, particularly for the poor accessibility of cold regions. With the assistance of EO, land surface dynamics in cold regions can be observed in an objective, repeated, synoptic and consistent way. Thanks to free and open data policies, long-term archives such as Landsat Archive and Sentinel Archive can be accessed free-of-charge. The high- to medium-resolution remote sensing imagery from these freely accessible archives gives EO-based time series datasets the capability to depict snow dynamics in European mountains from the 1980s to the present. In order to compile such a dataset, it is necessary to investigate the spatiotemporal availability of EO data, and develop a spatiotemporally transferable framework from which one can investigate snow dynamics. Among the available EO image archives, the Landsat Archive has the longest uninterrupted records of the Earth’s land surface. Furthermore, its 30 m spatial resolution fulfils the requirements for snow monitoring in complex terrains. Landsat data can yield a time series of snow dynamics in mountainous areas from 1984 to the present. However, severe Landsat data gaps have occurred across certain regions of Europe. Moreover, the Landsat Level 1 Precision and Terrain (L1TP) data is scarcer (up to 50% less) in high-latitude mountainous areas than in low-latitude mountainous areas. Given the abovementioned facts, the Regional Snowline Elevation (RSE) is selected to characterize the snow dynamics in mountainous areas, as it can handle cloud obstructions in the optical images. In this thesis, I present a five-step framework to derive and densify RSE time series in European mountains, i.e. (1) pre-processing, (2) snow detection, (3) RSE retrieval, (4) time series densification, and (5) Regional Snowline Retreat Curve (RSRC) production. The results of the intra-annual RSE variations show a uniquely high variation in the beginning of the ablation seasons in the Alpine catchment Tagliamento, mainly toward higher elevation. As for inter-annual variations of RSE, median RSE increases in all selected catchments, with an average speed of around 4.66 m ∙ a−1 (median) and 5.87 m ∙ a−1 (at the beginning of the ablation season). The fastest significant retreat is observed in the catchment Drac (10.66 m ∙ a−1, at the beginning of the ablation season), and the slowest significant retreat is observed in the catchment Uzh (1.74 m ∙ a−1, at the beginning of the ablation season). The increase of RSEs at the beginning of the ablation season is faster than the median RSEs, whose average difference is nearly 1.21 m ∙ a−1, particularly in the catchment Drac (3.72 m ∙ a−1). The results of the RSRCs show a significant rise in RSEs at the beginning of the ablation season, except for the Alpine catchment Alpenrhein and Var, and the Pyrenean catchment Ariege. It indicates that 11.8 and 3.97 degrees Celsius less per year are needed for the regional snowlines to reach the middle point of the RSRC in the Tagliamento and Tysa, respectively. The variation of air temperature is regarded as an example of a potential climate driver in this thesis. The retrieved monthly mean RSEs are highly correlated (mean correlation coefficient "R" ̅ = 0.7) with the monthly temperature anomalies, which are more significant in months with extremely low/high temperature. Another case study that investigates the correlation between river discharges and RSEs is carried out to demonstrate the potential consequences of the derived snowline dynamics. The correlation analysis shows a good correlation between river discharges and RSEs (correlation coefficient, R=0.52). In this thesis, the developed framework signifies a better understanding of the snow dynamics in mountain areas, as well as their potential triggers and consequences. Nonetheless, an urgent need persists for: (1) validation data to assess long-term snow-related observations based on high-resolution EO data; (2) further studies to reveal interactions between snow and its ambient environment; and (3) regional and local adaptation-strategies coping with climate change. Further studies exploring the above-mentioned research gaps are urgently needed in the future. N2 - Weltweit erleben kalte Regionen signifikante Veränderungen durch den Klimawandel. In kalten Regionen ist der Schnee die am weitesten verbreitete Komponente, welche sehr sensibel auf Klimaänderungen reagiert. Zugleich beeinflusst der Schnee selbst das Energiebudget der Erde, die Biodiversität, Naturgefahren sowie Wasserenergiegewinnung, Süßwassergewinnung, Wintertourismus und Wintersport. Große Teile der kalten Regionen in Europa sind Gebirgsregionen. Diese sind dicht besiedelt, da Gebirgsregionen verschiedenste Ökosystemservices bereitstellen und sozioökonomisches Wohlbefinden ermöglichen. Heute kann man schwerwiegende Konsequenzen in Europäischen Gebirgen und deren angrenzenden Gebieten wahrnehmen. Dennoch verhindern große Wissenslücken die Entwicklung effektiver und regionaler/lokaler Anpassungsstrategien. Um regionaler Auswirkungen durch den Klimawandel besser verstehen zu können, ist es enorm wichtig Langzeitstudien und beweisorientierte regionale Studien durchzuführen. Erdbeobachtung (EO) bietet durchgängige Langzeitaufzeichnungen der Erdoberfläche. Dies ist eine großartige Alternative und/oder Ergänzung zu konventionellen in-situ Messungen, welche meist zeitaufwändig, teuer und logistisch herausfordernd sind – vor allem in kalten Regionen, die schwer zugänglich sind. Mit der Hilfe von Erdbeobachtung können Oberflächendynamiken objektiv, wiederholt, synoptisch und kontinuierlich aufgenommen werden. Dank freier und offener Datenpolitik, Langzeitmissionen wie Landsat und Sentinel sind diese Daten inzwischen ohne zusätzliche Kosten zugänglich. Durch die oben genannten Rahmenbedingungen, besteht die Möglichkeit aus hoch bis mittel aufgelöste Satellitenbilder erdbeobachtungsbasierte Zeitreihen zu erstellen, die die Schneedynamiken in Europäischen Gebirgen abbilden. Um dieses Ziel zu erreichen, muss die räumliche und zeitliche Verfügbarkeit von Erdbeobachtungsdaten überprüft werden und ein Rahmenwerk geschaffen werden (übertragbar in Zeit und Raum), um Schneedynamiken aus Erdbeobachtungsdaten großflächig ableiten zu können. Unter den verfügbaren Erdbeobachtungsarchiven bietet das Landsat Archiv die längsten und kontinuierlichsten Aufzeichnungen der Landoberfläche. Zudem erfüllt die räumliche Auflösung von 30 m die Anforderungen, Schnee in komplexem Terrain zu monitoren. Basierend auf Landsat L1TP Daten (z.B. terrainkorrigiert) ist es möglich, Zeitreihen von Schneedynamiken in Gebirgsregionen zwischen 1984 und 1991/1999 zu erstellen. Des Weiteren ist Landsat L1TP in hohen Breitengraden seltener verfügbar (bis zu 50 % weniger) als in Gebirgsregionen der gemäßigten Breiten. Basierend auf den oben genannten Fakten wurde die Regionale Höhe der Schneefallgrenze (RSE) ausgewählt um Schneedynamiken in Gebirgsregionen zu charakterisieren, da diese Wolken in optischen Szenen bewältigen kann. In dieser Arbeit wurde ein fünf-Stufen Rahmenwerk geschaffen, um RSE-Zeitserien in Europäischen Gebirgen abzuleiten und zu verdichten. Die Prozessierungskette besteht aus (1) Vorprozessierung, (2) Schneedetektion, (3) RSE-Ableitung, (4) Zeitreihenverdichtung und (5) Erstellung einer regionalen Schneegrenzen-Rückgangsfunktion (RSRC). Die Ergebnisse der intra-annuellen RSE Variationen zeigen eine einzigartige hohe Variation im Beginn der Abschmelzsaison im alpinen Einzugsgebiet Tagliamento, meist in höheren Gebieten. Wie für die inter-annuellen Variationen des RSE, steigt auch der Median des RSE in allen ausgewählten Einzugsgebieten mit einer durchschnittlichen Geschwindigkeit von 4.66 m ∙ a−1 (median) und 5.87 m ∙ a−1 (zum Beginn der Schmelze). Der schnellste signifikante Rückgang kann im Einzugsgebiet Drac (10.66 m ∙ a−1, Beginn der Schmelze) beobachtet werden, der langsamste Rückgang im Einzugsgebiet Uzh (1.74 m ∙ a−1, Beginn der Schmelze). Der Anstieg des RSE zu Beginn der Schmelzsaison ist schneller als der Median des RSE, dessen mittlere Differenz 1.21 m ∙ a−1 beträgt. Insbesondere für das Drac Einzugsgebiet (3.72 m ∙ a−1). Die Ergebnisse des RSRC zeigen signifikante Anstiege des RSE zu Beginn des Schmelzsaison, ausgenommen davon sind die alpinen Einzugsgebiete Alpenrhein und Var und das Einzugsgebiet Ariege in den Pyrenäen. Dies lässt darauf zurückschließen, dass 11.8 °C und 3.97 °C Grad weniger pro Jahr nötig sind für Tagliamento und Tysa, damit die regionalen Schneegrenzen den Mittelpunkt des RSRC erreicht. Zudem wird die Variation der Lufttemperatur als beispielhafter Treiber des Klimas in dieser Thesis gesehen. Die monatlich abgeleiteten mittleren RSE korrelieren stark (mittlerer korrelations Coeffizient R ̅ = 0.7) mit monatlichen Temperaturanomalien. In Monaten mit extrem hohen/tiefen Temperaturen ist die Korrelation am stärksten. Ein anderes Fallbeispiel untersucht die Korrelation zwischen Abfluss in Flüssen und RSE, um die potenziellen Konsequenzen der abgeleiteten Schneefallgrenzendynamiken zu ermitteln. Die Korrelationsanalyse weist eine gute Korrelation auf (R=0.52). Das in dieser Arbeit entwickelte Rahmenwerk ist nur ein Beginn, um das Wissen über Schneedynamiken in Gebirgsregionen zu verbessern und potentiell auslösende Faktoren und Konsequenzen zu verstehen. Dennoch wird folgendes dringend benötigt: (1) Validierungsdaten für schneebasierte Langzeitbeobachtungen aus hochaufgelösten Erdbeobachtungsdaten; (2) weitere Studien zu Interaktionen zwischen Schnee und der umgebende Umwelt; und (3) regionale und lokale Anpassungsstrategien, um Auswirkungen des Klimawandels zu meistern. Weitere Studien in den oben genannten Punkten werden in der Zukunft stark frequentiert sein, damit Wissens- und Forschungslücken geschlossen werden können. KW - Fernerkundung KW - Schnee KW - Europa KW - Remote Sensing KW - Snow KW - Europe Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-200441 ER - TY - THES A1 - Wohlfart, Christian T1 - The Yellow River Basin in Transition - Multi-faceted Land Cover Change Analysis in the Yellow River Basin in the Context of Global Change Using Multi-sensor Remote Sensing Imagery T1 - Der Gelbe Fluss im Wandel - Multisensorale und multitemporale Analyse des Einzugsgebietes des Gelben Flusses in China mittels Fernerkundungsdaten vor dem Hintergrund des Globalen Wandels N2 - As a cradle of ancient Chinese civilization, the Yellow River Basin has a very long human-environment interrelationship, where early anthropogenic activities re- sulted in large scale landscape modifications. Today, the impact of this relationship has intensified further as the basin plays a vital role for China’s continued economic development. It is one of the most densely-populated, fastest growing, and most dynamic regions of China with abundant natural and environmental resources providing a livelihood for almost 190 million people. Triggered by fundamental economic reforms, the basin has witnessed a spectacular economic boom during the last decades and can be considered as an exemplary blueprint region for contemporary dynamic Global Change processes occurring throughout the country, which is currently transitioning from an agrarian-dominated economy into a modern urbanized society. However, this resourcesdemanding growth has led to profound land use changes with adverse effects on the Yellow River social-ecological systems, where complex challenges arise threatening a long-term sustainable development. Consistent and continuous remote sensing-based monitoring of recent and past land cover and land use change is a fundamental requirement to mitigate the adverse impacts of Global Change processes. Nowadays, technical advancement and the multitude of available satellite sensors, in combination with the opening of data archives, allow the creation of new research perspectives in regional land cover applications over heterogeneous landscapes at large spatial scales. Despite the urgent need to better understand the prevailing dynamics and underlying factors influencing the current processes, detailed regional specific land cover data and change information are surprisingly absent for this region. In view of the noted research gaps and contemporary developments, three major objectives are defined in this thesis. First (i), the current and most pressing social-ecological challenges are elaborated and policy and management instruments towards more sustainability are discussed. Second (ii), this thesis provides new and improved insights on the current land cover state and dynamics of the entire Yellow River Basin. Finally (iii), the most dominant processes related to mining, agriculture, forest, and urban dynamics are determined on finer spatial and temporal scales. The complex and manifold problems and challenges that result from long-term abuse of the water and land resources in the basin have been underpinned by policy choices, cultural attitude, and institutions that have evolved over centuries in China. The tremendous economic growth that has been mainly achieved by extracting water and exploiting land resources in a rigorous, but unsustainable manner, might not only offset the economic benefits, but could also foster social unrest. Since the early emergence of the first Chinese dynasties, flooding was considered historically as a primary issue in river management and major achievements have been made to tame the wild nature of the Yellow River. Whereas flooding is therefore largely now under control, new environmental and social problems have evolved, including soil and water pollution, ecological degradation, biodiversity decline, and food security, all being further aggravated by anthropogenic climate change. To resolve the contemporary and complex challenges, many individual environmental laws and regulations have been enacted by various Chinese ministries. However, these policies often pursue different, often contradictory goals, are too general to tackle specific problems and are usually implemented by a strong top-down approach. Recently, more flexible economic and market-based incentives (pricing, tradable permits, investments) have been successfully adopted, which are specifically tailored to the respective needs, shifting now away from the pure command and regulating instruments. One way towards a more holistic and integrated river basin management could be the establishment of a common platform (e.g. a Geographical Information System) for data handling and sharing, possibly operated by the Yellow River Basin Conservancy Commission (YRCC), where available spatial data, statistical information and in-situ measures are coalesced, on which sustainable decision-making could be based. So far, the collected data is hardly accessible, fragmented, inconsistent, or outdated. The first step to address the absence and lack of consistent and spatially up-to-date information for the entire basin capturing the heterogeneous landscape conditions was taken up in this thesis. Land cover characteristics and dynamics were derived from the last decade for the years 2003 and 2013, based on optical medium-resolution hightemporal MODIS Normalized Differenced Vegetation Index (NDVI) time series at 250 m. To minimize the inherent influence of atmospheric and geometric interferences found in raw high temporal data, the applied adaptive Savitzky-Golay filter successfully smoothed the time series and substantially reduced noise. Based on the smoothed time series data, a large variety of intra-annual phenology metrics as well as spectral and multispectral annual statistics were derived, which served as input variables for random forest (RF) classifiers. High quality reference data sets were derived from very high resolution imagery for each year independently of which 70 % trained the RF models. The accuracy assessments for all regionally specific defined thematic classes were based on the remaining 30 % reference data split and yielded overall accuracies of 87 % and 84 % for 2003 and 2013, respectively. The first regional adapted Yellow River Land Cover Products (YRB LC) depict the detail spatial extent and distribution of the current land cover status and dynamics. The novel products overall differentiate overall 18 land cover and use classes, including classes of natural vegetation (terrestrial and aquatic), cultivated classes, mosaic classes, non-vegetated, and artificial classes, which are not presented in previous land cover studies so far. Building on this, an extended multi-faceted land cover analysis on the most prominent land cover change types at finer spatial and temporal scales provides a better and more detailed picture of the Yellow River Basin dynamics. Precise spatio-temporal products about mining, agriculture, forest, and urban areas were examined from long-trem Landsat satellite time series monitored at annual scales to capture the rapid rate of change in four selected focus regions. All archived Landsat images between 2000 and 2015 were used to derive spatially continuous spectral-temporal, multi-spectral, and textural metrics. For each thematic region and year RF models were built, trained and tested based on a stablepixels reference data set. The automated adaptive signature (AASG) algorithm identifies those pixels that did not change between the investigated time periods to generate a mono-temporal reference stable-pixels data set to keep manual sampling requirements to a minimum level. Derived results gained high accuracies ranging from 88 % to 98 %. Throughout the basin, afforestation on the Central Loess Plateau and urban sprawl are identified as most prominent drivers of land cover change, whereas agricultural land remained stable, only showing local small-scale dynamics. Mining operations started in 2004 on the Qinghai-Tibet Plateau, which resulted in a substantial loss of pristine alpine meadows and wetlands. In this thesis, a novel and unique regional specific view of current and past land cover characteristics in a complex and heterogeneous landscape was presented by using a multi-source remote sensing approach. The delineated products hold great potential for various model and management applications. They could serve as valuable components for effective and sustainable land and water management to adapt and mitigate the predicted consequences of Global Change processes. N2 - Der Gelbe Fluss - in der Landessprache Huange He genannt - ist für die Ausprägung und Entwicklung der chinesischen Kultur von großer Bedeutung. Aufgrund der frühen Einflussnahme auf die natürlichen Ökosysteme in dieser Region durch den Menschen, entwickelte sich dort eine ausgeprägte Interaktion zwischen Mensch und Umwelt. Diese Wechselbeziehung hat sich infolge der gegenwärtigen rapiden sozioökonomischen Veränderungen in den letzten Jahrzehnten weiter intensiviert. Das Einzugsgebiet des Gelben Flusses bildet die Lebensgrundlage für fast 190 Millionen Menschen, die zum Großteil von natürlichen Ressourcen abhängig sind. Zudem gehört es zu den wirtschaftlich bedeutendsten und am schnellsten wachsenden Regionen in ganz China. Durch weitreichende Reformen wurde ein wirtschaftlicher Aufstieg forciert, um den Agrarstaat China zu einem modernen Industrie- und Dienstleistungsstaat weiterzuentwickeln. Ein derartiges rasantes wie auch ressourcenintensives Wirtschaftswachstum führte schließlich zu einem enormen Wandel in den Bereichen der Landbedeckung und Landnutzung. Hinzu kamen neue und komplexere wirtschafts-, sozial- und umweltpolitische Herausforderungen, die bis heute eine langfristige und nachhaltige Entwicklung der Region gefährden. Aus diesem Blickwinkel kann das Becken des Gelben Flusses als regionales Spiegelbild der durch den Globalen Wandel bedingten, gegenwärtigen Veränderungsprozesse in ganz China gelten. Eine wichtige Voraussetzung für den adäquaten Umgang mit den Herausforderungen des Globalen Wandels sind kontinuierliche Informationen über aktuelle sowie historische Veränderungen von Landbedeckung und Landnutzung. Infolge der technologischen Entwicklung steht heute eine Vielfalt an Satellitenbildsystemen mit immer höherer zeitlicher und räumlicher Auflösung zur Verfügung. In Verbindung mit kostenfreien und offenen Datenzugriffen ist es möglich, daraus neue Forschungsperspektiven im Bereich der Landoberflächenkartierung - insbesondere für heterogene Landschaften - zu entwickeln. Zur Generierung thematischer Karten werden häufig Klassifikationen entlang verschiedener räumlicher und zeitlicher Skalen vollzogen. Daraus können zusätzlich die nötigen Informationen für lokale wie auch regionale Entscheidungsträger abgeleitet werden. Trotz dieser neuen Möglichkeiten sind regionalspezifische Informationen, die einem besseren Verständnis der Dynamiken von Landoberflächen im Bereich des Gelben-Fluss-Beckens dienen, noch rar. Dieses Forschungsdesiderat wurde im Rahmen dieser Arbeit aufgegriffen, wobei folgende Schwerpunkte gesetzt werden: (i) Zunächst werden die vorherrschenden sozioökologischen Herausforderungen für das gesamte Einzugsgebiet des Gelben Flusses dargestellt sowie verschiedene Management- sowie Politikmodelle für eine nachhaltigere Ressourcennutzung diskutiert. (ii) Darauf aufbauend wird die fernerkundliche Ableitung von Landbedeckungs- und Landnutzungsveränderungen der letzten Dekade im Gebiet des gesamten Gelben Flusses flächendeckend durchgeführt und anschließend interpretiert. (iii) Im letzten Schritt werden basierend auf den zuvor abgeleiteten Informationsprodukten die dominierenden Landoberflächendynamiken in höherer zeitlicher und räumlicher Auflösung detailliert untersucht. Insbesondere die dynamischen Prozesse der Minenausbreitung, Landwirtschaft, Waldgebiete und der urbanen Räume rücken in den Fokus. Aufgrund jahrzehntelanger Übernutzung der natürlichen Ressourcen im Gebiet des Gelben Flusses in Verbindung mit politischen Entscheidungen, der vorherrschenden kulturellen Prägung wie auch der Entwicklung der dort ansässigen Institutionen ist eine vielschichtige Problematik entstanden, die für die gesamte Region eine große Herausforderung darstellt. Durch frühzeitige Maßnahmen der Flutbekämpfung und Flussregulierung konnte den zahlreichen Überflutungen der Vergangenheit entgegengewirkt und das Risiko großflächiger Überschwemmungen minimiert werden. Trotz dieser Erfolge ergeben sich laufend neue, komplexere Herausforderungen mit verheerenden Auswirkungen auf Ökologie und Gesellschaft, wie zum Beispiel Boden- und Wasserdegradation, Entwaldung, Rückgang der Artenvielfalt, Ernährungsunsicherheiten und ein steigendes soziales Ungleichgewicht. Durch den anthropogenen Klimawandel werden diese negativen Probleme noch weiter verstärkt. Zwar wurden sie von der chinesischen Regierung als solche erkannt, dennoch scheiterten die Versuche, mit zahlreichen Gesetzen und Verordnungen die genannten Folgen einzudämmen, an unkonkreten Formulierungen, so dass diese der Komplexität der Herausforderungen nicht gerecht wurden. Die in jüngster Zeit verfolgten modernen und deutlich flexibleren, marktorientierten Ansätze (z.B. Subventionen, Wasserzertifikate), die speziell an die lokalen Gegebenheiten angepasst wurden, zeigen bereits Erfolge. Mit Hilfe einer gemeinsamen Daten- und Informationsplattform, beispielsweise in Form eines Geographischen Informationssystems (GIS), wäre eine integrierte und holistische Flussmanagementstrategie für den Gelben Fluss leichter realisierbar. Auf diese Weise könnten alle verfügbaren statistischen-, räumlichen- und Feldaufnahmen gespeichert, harmonisiert und geteilt und so die bisher noch unvollständigen und veralteten Daten laufend aktualisiert werden. Die Flussbehörde des Gelben Flusses (Yellow River Conservancy Commission) böte sich an, ein solches System zu verwalten. In dieser Arbeit wird die heterogene Landbedeckungsstruktur für das gesamte Einzugsgebiet des Gelben Flusses für die Jahre 2003 und 2013 erfasst und interpretiert. Die fernerkundlichen Eingangsdaten für die einzelnen Klassifikationen bestehen aus optischen MODIS NDVI-Zeitserien, aus denen jährlich phänologische Parameter berechnet werden. Da die Qualität optischer Satellitenbilder häufig durch Wolken und Schatten beeinträchtigt ist, müssen die betroffenen Flächen maskiert und entfernt werden. Die so entstandenen Lücken in der Zeitserie werden durch einen Filteralgorithmus (SavitskyGolay) aufgefüllt und geglättet. Die verwendeten RandomForest-Klassifikationsverfahren ermöglichen die Ableitung von Landbedeckungen und -dynamiken. Diese neuen und räumlich detaillierten Produkte unterscheiden insgesamt 18 verschiedene Landbedeckungsund Landnutzungsklassen. Erstmals liefern diese eine regional spezifische Charakterisierung der vorherrschenden Landbedeckung im Gebiet des Gelben Flusses. Darauf aufbauend erfolgt eine sowohl zeitlich als auch räumlich detailliertere Untersuchung der wichtigsten Veränderungen im Bereich der Landbedeckung, die auf dichten Landsat-Zeitserien basiert. Jährliche Informationen über Dynamiken von Minenabbaugebieten, Landwirtschaft, Waldgebieten und urbanen Räumen zeigen präzise lokale Veränderungen im Einzugsgebiet des Gelben Flusses. Die daraus abgeleiteten Ergebnisse lassen insbesondere auf dem Lössplateau die Auswirkungen ökologischer Restorationsmaßnahmen erkennen, bei denen degradierte Flächen in Waldsysteme umgewandelt wurden. Auf dem Qinghai-Tibet-Plateau zeigt sich eine dramatische Ausbreitung von Kohletagebau zu Lasten der besonders anfälligen alpinen Matten und Feuchtgebiete. Auch der anhaltende Trend zur Urbanisierung spiegelt sich in den hier gewonnenen Ergebnissen deutlich wider. Durch die Kombination von Fernerkundungsdaten unterschiedlicher räumlicher und zeitlicher Auflösungen liefert diese Arbeit neue und bisher einzigartige Einblicke in historische und aktuelle Landbedeckungsdynamiken einer heterogenen Landschaft. Die regionalen Analysen wie auch die thematischen Informationsprodukte besitzen somit großes Potential zur Verbesserung der Informationsgrundlage. Die Ergebnisse dienen außerdem als aussagekräftige Entscheidungsgrundlage mit dem Ziel eines angemessenen und nachhaltigen Land- und Wassermanagements für die natürlichen Ökosysteme im Becken des Gelben Flusses. KW - Fernerkundung KW - Remote Sensing KW - Geografie KW - Globaler Wandel KW - Global Change KW - River Basins KW - China KW - Time Series Analyses KW - Sustainability Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-163724 ER - TY - THES A1 - Knauer, Kim T1 - Vegetation Dynamics in West Africa - Spatio-temporal Data Fusion for the Monitoring of Agricultural Expansion T1 - Vegetationsdynamik in Westafrika - Raumzeitliche Datenfusion zur Kartierung landwirtschaftlicher Expansion N2 - West Africa is one of the fastest growing regions in the world with annual population growth rates of more than three percent for several countries. Since the 1950s, West Africa experienced a fivefold increase of inhabitants, from 71 to 353 million people in 2015 and it is expected that the region’s population will continue to grow to almost 800 million people by the year 2050. This strong trend has and will have serious consequences for food security since agricultural productivity is still on a comparatively low level in most countries of West Africa. In order to compensate for this low productivity, an expansion of agricultural areas is rapidly progressing. The mapping and monitoring of agricultural areas in West Africa is a difficult task even on the basis of remote sensing. The small scale extensive farming practices with a low level of agricultural inputs and mechanization make the delineation of cultivated land from other land cover and land use (LULC) types highly challenging. In addition, the frequent cloud coverage in the region considerably decreases the availability of earth observation datasets. For the accurate mapping of agricultural area in West Africa, high temporal as well as spatial resolution is necessary to delineate the small-sized fields and to obtain data from periods where different LULC types are distinguishable. However, such consistent time series are currently not available for West Africa. Thus, a spatio-temporal data fusion framework was developed in this thesis for the generation of high spatial and temporal resolution time series. Data fusion algorithms such as the Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) enjoyed increasing popularity during recent years but they have hardly been used for the application on larger scales. In order to make it applicable for this purpose and to increase the input data availability, especially in cloud-prone areas such as West Africa, the ESTARFM framework was developed in this thesis introducing several enhancements. An automatic filling of cloud gaps was included in the framework in order to use even partly cloud-covered Landsat images for the fusion without producing gaps on the output images. In addition, the ESTARFM algorithm was improved to automatically account for regional differences in the heterogeneity of the study region. Further improvements comprise the automation of the time series generation as well as the significant acceleration of the processing speed through parallelization. The performance of the developed ESTARFM framework was tested by fusing an 8-day NDVI time series from Landsat and MODIS data for a focus area of 98,000 km² in the border region between Burkina Faso and Ghana. The results of this test show the capability of the ESTARFM framework to accurately produce high temporal resolution time series while maintaining the spatial detail, even in such a heterogeneous and cloud-prone region. The successfully tested framework was subsequently applied to generate consistent time series as the basis for the mapping of agricultural area in Burkina Faso for the years 2001, 2007, and 2014. In a first step, high temporal (8-day) and high spatial (30 m) resolution NDVI time series for the entire country and the three years were derived with the ESTARFM framework. More than 500 Landsat scenes and 3000 MODIS scenes were automatically processed for this purpose. From the fused ESTARFM NDVI time series, phenological metrics were extracted and together with the single time steps of NDVI served as input for the delineation of rainfed agricultural areas, irrigated agricultural areas and plantations. The classification was conducted with the random forest algorithm at a 30 m spatial resolution for entire Burkina Faso and the three years 2001, 2007, and 2014. For the training and validation of the classifier, a randomly sampled reference dataset was generated from Google Earth images based on expert knowledge of the region. The overall classification accuracies of 92% (2001), 91% (2007), and 91% (2014) indicate the well-functioning of the developed methodology. The resulting maps show an expansion of agricultural area of 91% from about 61,000 km² in 2001 to 116,900 km² in 2014. While rainfed agricultural areas account for the major part of this increase, irrigated areas and plantations also spread considerably. Especially the expansion of irrigation systems and plantation area can be explained by the promotion through various national and international development projects. The increase of agricultural areas goes in line with the rapid population growth in most of Burkina Faso’s provinces which still had available land resources for an expansion of agricultural area. An analysis of the development of agricultural areas in the vicinity of protected areas highlighted the increased human pressure on these reserves. The protection of the remnant habitats for flora and fauna while at the same time improving food security for a rapidly growing population, are the major challenges for the region in the future. The developed ESTARFM framework showed great potential beyond its utilization for the mapping of agricultural area. Other large-scale research that requires a sufficiently high temporal and spatial resolution such as the monitoring of land degradation or the investigation of land surface phenology could greatly benefit from the application of this framework. N2 - Westafrika ist eine der am schnellsten wachsenden Regionen der Welt. Das jährliche Bevölkerungswachstum liegt in mehreren Ländern der Region über drei Prozent. Seit den 1950er Jahren erlebte Westafrika eine fünffache Zunahme der Einwohner, von 71 auf 353 Millionen Menschen im Jahr 2015 und es wird erwartet, dass die Bevölkerung der Region bis zum Jahr 2050 auf fast 800 Millionen Menschen steigen wird. Dieser Trend hat ernsthafte Konsequenzen für die Nahrungsmittelsicherheit, da die landwirtschaftliche Produktivität in den meisten Ländern Westafrikas immer noch auf einem vergleichsweise niedrigen Niveau liegt. Um diese geringe Produktivität zu kompensieren, schreitet die Ausweitung der landwirtschaftlichen Flächen rasch voran. Die Kartierung und Überwachung der landwirtschaftlichen Gebiete in Westafrika ist eine schwierige Aufgabe, auch auf der Basis der Fernerkundung. Die kleinräumigen, extensiven Anbaumethoden mit geringem landwirtschaftlichen Input und mangelnder Mechanisierung stellen für die Abgrenzung der Anbauflächen von anderen Landbedeckungs- und Landnutzungstypen (LULC) eine große Herausforderung dar. Darüber hinaus wird die Verfügbarkeit von Erdbeobachtungsdaten durch häufige Wolkenbedeckung in der Region erheblich reduziert. Für die genaue Kartierung der landwirtschaftlichen Fläche in Westafrika ist eine hohe zeitliche sowie räumliche Auflösung notwendig, um die meist kleinen Felder abgrenzen zu können und Daten aus Zeiträumen zu erhalten, in denen unterschiedliche LULC-Typen unterscheidbar sind. Allerdings sind solch konsistente Zeitreihen für Westafrika derzeit nicht verfügbar. Daher wurde in dieser Arbeit ein raum-zeitliches Datenfusions-Framework entwickelt, um räumlich und zeitlich hoch aufgelöste Zeitreihen zu erzeugen. Daten-Fusions-Algorithmen wie das Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) erfreuten sich in den letzten Jahren zunehmender Beliebtheit, wurden aber kaum auf größeren Skalen verwendet. Um die Nutzbarkeit für diesen Zweck zu verbessern und die Verfügbarkeit der Eingangsdaten vor allem in wolkenreichen Gebieten wie Westafrika zu erhöhen, wurde das ESTARFM-Framework in dieser Arbeit entwickelt. In diesem Framework wurden mehrere Verbesserungen eingebaut. Ein automatisches Füllen von Wolkenlücken wurde eingefügt, um auch teilweise wolkenbedeckte Landsat-Bilder für die Fusion zu verwenden, ohne Lücken auf den Ausgabebildern zu erzeugen. Darüber hinaus wurde der ESTARFM-Algorithmus verbessert, um regionale Unterschiede in der Heterogenität der Studienregion automatisch zu berücksichtigen. Weitere Verbesserungen umfassen die Automatisierung der Zeitreihenerzeugung sowie die signifikante Beschleunigung der Prozessierungsgeschwindigkeit mittels Parallelisierung. Die Leistungsfähigkeit des entwickelten ESTARFM-Frameworks wurde durch die Fusion einer 8-tägigen NDVI-Zeitreihe aus Landsat- und MODIS-Daten für ein Fokusgebiet von 98.000 km² im Grenzgebiet zwischen Burkina Faso und Ghana getestet. Die Ergebnisse dieses Tests demonstrieren die Fähigkeit des ESTARFM-Frameworks, genaue, zeitlich hoch aufgelöste Zeitreihen zu erzeugen, die die räumlichen Details auch in einer solch heterogenen und wolkenreichen Region bewahren können. Das erfolgreich getestete Framework wurde anschließend angewendet um konsistente Zeitreihen zu erzeugen, die als Grundlage für die Kartierung der landwirtschaftlichen Fläche in Burkina Faso für die Jahre 2001, 2007 und 2014 dienten. In einem ersten Schritt wurden mittels des ESTARFM-Frameworks zeitlich (8 Tage) und räumlich (30 m) hoch aufgelöste NDVI-Zeitreihen für das ganze Land und die drei Jahre abgeleitet. Mehr als 500 Landsat- und 3000 MODIS-Szenen wurden zu diesem Zweck automatisch verarbeitet. Aus den fusionierten ESTARFM NDVI-Zeitreihen wurden phänologische Metriken extrahiert und zusammen mit den einzelnen NDVI-Zeitschnitten als Basis für die Abgrenzung von Regenfeldbau, bewässerten landwirtschaftlichen Flächen und Plantagen genutzt. Die Klassifikation wurde mit dem Random-Forest-Algorithmus in einer räumlichen Auflösung von 30 m für ganz Burkina Faso und die drei Jahre 2001, 2007 und 2014 durchgeführt. Basierend auf Expertenkenntnissen der Region wurde ein zufällig beprobter Referenzdatensatz aus Google-Earth-Bildern generiert, der für die Kalibrierung und Validierung des Klassifikators diente. Die Klassifikationsgenauigkeiten von 92% (2001), 91% (2007) und 91% (2014) demonstrieren die Leistungsfähigkeit der entwickelten Methodik. Die daraus erzeugten Karten zeigen eine Ausweitung der landwirtschaftlichen Fläche um 91%, von etwa 61.000 km² im Jahr 2001 auf 116.900 km² im Jahr 2014. Während der Regenfeldbau den größten Teil dieser Zunahme ausmacht, haben sich auch bewässerte Flächen und Plantagen erheblich ausgebreitet. Insbesondere die Ausweitung der Bewässerungssysteme und der Plantagenfläche lässt sich mit der Förderung durch verschiedene nationale und internationale Entwicklungsprojekte erklären. Die Zunahme der landwirtschaftlichen Gebiete geht einher mit dem raschen Bevölkerungswachstum in den meisten Provinzen Burkina Fasos, welche noch über ungenutzte Landressourcen verfügen. Eine Analyse der Entwicklung der landwirtschaftlichen Fläche im Umland von Schutzgebieten verdeutlicht den erhöhten anthropogenen Druck auf diese Reservate. Der Schutz der verbliebenen Habitate für Flora und Fauna bei gleichzeitiger Verbesserung der Nahrungsmittelsicherheit für eine schnell wachsende Bevölkerung stellen die großen Herausforderungen für die Zukunft der Region dar. Das entwickelte ESTARFM-Framework zeigt großes Potenzial für weitere Anwendungen, die über die Kartierung landwirtschaftlicher Fläche hinausgehen. Großflächige Forschung, die eine hinreichend hohe zeitliche und räumliche Auflösung erfordern, wie die Überwachung von Bodendegradation oder die Untersuchung von Phänologie der Landoberfläche, könnten von der Anwendung des ESTARFM-Framework erheblich profitieren. KW - Fernerkundung KW - Landwirtschaft KW - Westafrika Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-164776 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 - JOUR A1 - Emmert, Adrian A1 - Kneisel, Christof T1 - Internal structure of two alpine rock glaciers investigated by quasi-3-D electrical resistivity imaging JF - The Cryosphere N2 - Interactions between different formative processes are reflected in the internal structure of rock glaciers. Therefore, the detection of subsurface conditions can help to enhance our understanding of landform development. For an assessment of subsurface conditions, we present an analysis of the spatial variability of active layer thickness, ground ice content and frost table topography for two different rock glaciers in the Eastern Swiss Alps by means of quasi-3-D electrical resistivity imaging (ERI). This approach enables an extensive mapping of subsurface structures and a spatial overlay between site-specific surface and subsurface characteristics. At Nair rock glacier, we discovered a gradual descent of the frost table in a downslope direction and a constant decrease of ice content which follows the observed surface topography. This is attributed to ice formation by refreezing meltwater from an embedded snow bank or from a subsurface ice patch which reshapes the permafrost layer. The heterogeneous ground ice distribution at Uertsch rock glacier indicates that multiple processes on different time domains were involved in the development. Resistivity values which represent frozen conditions vary within a wide range and indicate a successive formation which includes several advances, past glacial overrides and creep processes on the rock glacier surface. In combination with the observed topography, quasi-3-D ERI enables us to delimit areas of extensive and compressive flow in close proximity. Excellent data quality was provided by a good coupling of electrodes to the ground in the pebbly material of the investigated rock glaciers. Results show the value of the quasi-3-D ERI approach but advise the application of complementary geophysical methods for interpreting the results. KW - Fernerkundung KW - Gletscher KW - Alpen KW - Struktur Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-157569 VL - 11 ER -