TY - THES A1 - Baumhoer, Celia Amélie T1 - Glacier Front Dynamics of Antarctica - Analysing Changes in Glacier and Ice Shelf Front Position based on SAR Time Series T1 - Gletscherfrontdynamiken in der Antarktis - Die Analyse von Gletscher- und Eisschelffrontänderungen basierend auf SAR-Zeitreihen N2 - The Antarctic Ice Sheet stores ~91% of the global ice volume which is equivalent to a sea-level rise of 58.3 meters. Recent disintegration events of ice shelves and retreating glaciers along the Antarctic Peninsula and West Antarctica indicate the current vulnerable state of the Antarctic Ice Sheet. Glacier tongues and ice shelves create a safety band around Antarctica with buttressing effects on ice discharge. Current decreases in glacier and ice shelf extent reduce the effective buttressing forces and increase ice discharge of grounded ice. The consequence is a higher contribution to sea-level rise from the Antarctic Ice Sheet. So far, it is unresolved which proportion of Antarctic glacier retreat can be attributed to climate change and which part to the natural cycle of growth and decay in the lifetime of a glacier. The quantitative assessment of the magnitude, spatial extent, distribution, and dynamics of circum-Antarctic glacier and ice shelf retreat is of utmost importance to monitor Antarctica’s weakening safety band. In remote areas like Antarctica, earth observation provides optimal properties for large-scale mapping and monitoring of glaciers and ice shelves. Nowadays, the variety of available satellite sensors, technical advancements regarding spatial resolution and revisit times, as well as open satellite data archives create an ideal basis for monitoring calving front change. A systematic review conducted within this thesis revealed major gaps in the availability of glacier and ice shelf front position measurements despite the improved satellite data availability. The previously limited availability of satellite imagery and the time-consuming manual delineation of calving fronts did neither allow a circum-Antarctic assessment of glacier retreat nor the assessment of intra-annual changes in glacier front position. To advance the understanding of Antarctic glacier front change, this thesis presents a novel automated approach for calving front extraction and explores drivers of glacier retreat. A comprehensive review of existing methods for glacier front extraction ascertained the lack of a fully automatic approach for large-scale monitoring of Antarctic calving fronts using radar imagery. Similar backscatter characteristics of different ice types, seasonally changing backscatter values, multi-year sea ice, and mélange made it challenging to implement an automated approach with traditional image processing techniques. Therefore, the present abundance of satellite data is best exploited by integrating recent developments in big data and artificial intelligence (AI) research to derive circum-Antarctic calving front dynamics. In the context of this thesis, the novel AI-based framework “AntarcticLINES” (Antarctic Glacier and Ice Shelf Front Time Series) was created which provides a fully automated processing chain for calving front extraction from Sentinel-1 imagery. Open access Sentinel-1 radar imagery is an ideal data source for monitoring current and future changes in the Antarctic coastline with revisit times of less than six days and all-weather imaging capabilities. The developed processing chain includes the pre-processing of dual-polarized Sentinel-1 imagery for machine learning applications. 38 Sentinel-1 scenes were used to train the deep learning architecture U-Net for image segmentation. The trained weights of the neural network can be used to segment Sentinel-1 scenes into land ice and ocean. Additional post-processing ensures even more accurate results by including morphological filtering before extracting the final coastline. A comprehensive accuracy assessment has proven the correct extraction of the coastline. On average, the automatically extracted coastline deviates by 2-3 pixels (93 m) from a manual delineation. This accuracy is in range with deviations between manually delineated coastlines from different experts. For the first time, the fully automated framework AntarcticLINES enabled the extraction of intra-annual glacier front fluctuations to assess seasonal variations in calving front change. Thereby, for example, an increased calving frequency of Pine Island Glacier and a beginning disintegration of Glenzer Glacier were revealed. Besides, the extraction of the entire Antarctic coastline for 2018 highlighted the large-scale applicability of the developed approach. Accurate results for entire Antarctica were derived except for the Western Antarctic Peninsula where training imagery was not sufficient and should be included in future studies. Furthermore, this dissertation presents an unprecedented record of circum-Antarctic calving front change over the last two decades. The newly extracted coastline for 2018 was compared to previous coastline products from 2009 and 1997. This revealed that the Antarctic Ice Sheet shrank 29,618±1193 km2 in extent between 1997-2008 and gained an area of 7,108±1029 km2 between 2009-2018. Glacier retreat concentrated along the Antarctic Peninsula and West Antarctica. The only East Antarctic coastal sector primarily experiencing calving front retreat was Wilkes Land in 2009-2018. Finally, potential drivers of circum-Antarctic glacier retreat were identified by combining data on glacier front change with changes in climate variables. It was found that strengthening westerlies, snowmelt, rising sea surface temperatures, and decreasing sea ice cover forced glacier retreat over the last two decades. Relative changes in mean air temperature could not be identified as a driver for glacier retreat and further investigations on extreme events in air temperature are necessary to assess the effect of atmospheric forcing on frontal retreat. The strengthening of all identified drivers was closely connected to positive phases of the Southern Annular Mode (SAM). With increasing greenhouse gases and ozone depletion, positive phases of SAM will occur more often and force glacier retreat even further in the future. Within this thesis, a comprehensive review on existing Antarctic glacier and ice shelf front studies was conducted revealing major gaps in Antarctic calving front records. Therefore, a fully automated processing chain for glacier and ice shelf front extraction was implemented to track circum-Antarctic calving front fluctuations on an intra-annual basis. The large-scale applicability was certified by presenting two decades of circum-Antarctic calving front change. In combination with climate variables, drivers of recent glacier retreat were identified. In the future, the presented framework AntarcticLINES will greatly contribute to the constant monitoring of the Antarctic coastline under the pressure of a changing climate. N2 - Der antarktische Eisschild speichert ~91 % des globalen Eisvolumens. Ein gänzliches Abschmelzen des Eisschildes hätte global einen Meeresspiegelanstieg von 58,3 Metern zur Folge. Der aktuelle Zerfall von Eisschelfen und der Gletscherrückgang entlang der Antarktischen Halbinsel und Westantarktis verdeutlichen den vulnerablen Status des antarktischen Eisschildes. Gletscherzungen und Eisschelfe säumen die antarktische Küstenlinie und halten die Eisströme Richtung Ozean zurück. Ein Rückzug der Eisschelfe und Gletscher vermindert den Rückhalteeffekt und führt zu zunehmenden Gletscher-Fließgeschwindigkeiten in Richtung Ozean. Der dadurch verursachte Masseverlust trägt zum globalen Meeresspiegelanstieg bei. Bislang ist ungeklärt, welcher Anteil des antarktischen Gletscherrückgangs auf den Klimawandel und welcher auf den natürlichen Kalbungszyklus der Gletscher und Eisschelfe zurückzuführen ist. Aufgrund des vermehrten Zerfalls von Eisschelfen in den letzten Dekaden ist es von großer Wichtigkeit, den Gletscherrückgang zu quantifizieren und dessen Ausmaß, räumlichen Ausdehnung, Verteilung und Dynamik zirkumantarktisch zu erfassen, um mögliche Auswirkungen auf den Meeresspiegelanstieg frühzeitig zu erkennen. In abgelegenen Regionen wie der Antarktis bietet die Erdbeobachtung optimale Voraussetzungen für das großflächige Kartieren und Beobachten von Gletschern und Eisschelfen. Heute stellt die Fülle an frei-verfügbaren Satellitendaten verschiedener Sensoren, in Kombination mit technischen Neuerungen hinsichtlich der räumlichen und zeitlichen Abdeckung, eine ideale Basis für das Monitoring der Kalbungsfronten dar. Trotz der guten Datenverfügbarkeit hat ein umfassender Literaturüberblick − welcher im Rahmen dieser Dissertation durchgeführt wurde − große Lücken in der Verfügbarkeit von Gletscher- und Eisschelffrontpositionsmessungen festgestellt. Die zuvor limitierte Verfügbarkeit von Satellitendaten und die zeitaufwändige manuelle Ableitung der Küstenlinie machten eine zirkumantarktische Beurteilung des Gletscherrückgangs und die intra-annuelle Analyse von Gletscherfrontpositionen unmöglich. Für ein besseres Verständnis antarktischer Gletscherfrontveränderungen, präsentiert diese Dissertation ein neues, automatisiertes Konzept zur Kalbungsfrontextraktion und untersucht ob klimatische Faktoren für den beobachteten Kalbungsfrontenrückgang verantwortlich sind. Anhand des Literaturüberblicks konnte festgestellt werden, dass bis dato kein komplett automatisiertes Verfahren für die Gletscherfrontextraktion aus großvolumigen Radarsatellitenbildern bestand. Ähnliche Rückstreuwerte von verschiedenen Eistypen, saisonal veränderliche Rückstreuwerte, mehrjähriges Meereis und Eis-Mélange erschwerten die Entwicklung eines automatisierten Ansatzes mit traditionellen Bildverarbeitungsansätzen. Doch die Neuerungen in den Bereichen „Big Data“ und der künstlichen Intelligenz (KI) ermöglichen es, die heutige Fülle an Satellitendaten für die Ableitung von Kalbungsfronten zu nutzen. Im Rahmen dieser Dissertation wurde das neuartige Framework “AntarcticLINES” (Antarctic Glacier and Ice Shelf Front Time Series) kreiert, welches eine komplett automatisierte, KI-basierte Prozessierungskette für die Gletscherfrontenextraktion von Sentinel-1 Daten beinhaltet. Frei verfügbare Sentinel-1 Daten sind ideal, um derzeitige und zukünftige Veränderungen der antarktischen Küstenlinie zu beobachten, da die Orbitwiederholrate weniger als sechs Tage beträgt und die Bildgebung wetterunabhängig ist. Die entwickelte Prozessierungskette beinhaltet die Vorprozessierung, Maskierung und Zerlegung der Satellitenbilder in kleinere Kacheln. Es wurden 38 Sentinel-1 Szenen genutzt, um die Deep Learning Architektur U-Net für eine Bildsegmentierung zu trainieren. Die trainierten Gewichte des Neuronalen Netzes können genutzt werden, um Sentinel-1 Szenen in die Klassen Ozean und Eis zu segmentieren. Eine zusätzliche Nachprozessierung ermöglicht noch genauere Ergebnisse durch morphologisches Filtern, bevor die finale Küstenlinie zwischen den beiden Klassen extrahiert wird. Eine umfangreiche Genauigkeitsauswertung hat ergeben, dass die automatisch abgeleitete Küstenlinie im Mittel 2-3 Pixel (93 m) von einer manuell abgeleiteten Küstenlinie abweicht. Diese Genauigkeit ist im Rahmen der durchschnittlichen Abweichungen von manuell abgeleiteten Küstenlinien verschiedener Experten. Erstmals ermöglicht das Framework AntarcticLINES die automatisierte Extraktion von intra-annuellen Gletscherfrontfluktuationen, um saisonale Variationen in der Kalbungsfrontänderung zu untersuchen. Dadurch konnte beispielsweise eine erhöhte Kalbungsfrequenz des Pine-Island-Gletschers festgestellt werden. Die Extraktion der antarktischen Küstenlinie für 2018 zeigt die mögliche Anwendung der entwickelten Methodik für großräumige Gebiete. Für den Großteil der Antarktis wurden genaue Ergebnisse erzielt, lediglich entlang der westlichen Antarktischen Halbinsel fehlten Trainingsdaten, welche in zukünftigen Studien inkludiert werden sollten. Darüber hinaus präsentiert diese Dissertation einen bis dato beispiellosen Datensatz zu zirkumantarktischen Veränderungen der Kalbungsfronten über die letzten zwei Jahrzehnte. Die neu extrahierte Küstenlinie für das Jahr 2018 wurde mit früheren Küstenlinienprodukten von 2009 und 1997 verglichen. Dies hat offengelegt, dass der Antarktische Eisschild zwischen 1997 und 2008 eine Fläche von 29,618±1193 km2 verlor und zwischen 2009 und 2018 eine Fläche von 7,108±1029 km2 dazugewann. Der Gletscherrückgang konzentrierte sich entlang der Antarktischen Halbinsel und der Westantarktis. Der einzige ostantarktische Sektor, in dem sich simultaner Gletscherrückgang zeigte, war Wilkes Land in den Jahren 2009 bis 2018. Im Anschluss wurden Ursachen für den Antarktischen Gletscherrückgang durch die Korrelation mit Klimavariablen identifiziert. Zunehmende Westwinde, Schneeschmelze, ansteigende Meeresoberflächentemperaturen und zurückgehendes Meereis begünstigten den Gletscherrückgang in den letzten zwei Dekaden. Relative Veränderungen in der durchschnittlichen Lufttemperatur konnten nicht als Ursache für den Gletscherrückgang identifiziert werden und weiter Analysen zu Extremereignissen in der Lufttemperatur sind nötig um Frontveränderungen verursacht durch atmosphärischen Antrieb besser verstehen zu können. Die Verstärkung aller identifizierten Treiber ist eng mit positiven Phasen des Southern Annular Mode (SAM) verbunden. In Anbetracht ansteigender Konzentrationen von Treibhausgasen und dem Ozonrückgang werden positive Phasen des SAMs in Zukunft öfter auftreten, was in Folge den Gletscherrückgang noch weiter vorantreiben kann. Zusammengefasst wurde im Rahmen dieser Dissertation ein umfassender Literaturüberblick zu existierenden Gletscher- und Eisschelffrontstudien durchgeführt, welcher größere Lücken in Kalbungsfrontstudien aufzeigte. Es wurde eine voll-automatisierte Prozessierungskette entwickelt, um zirkumantarktische Kalbungsfrontpositionen intra-annuell beobachten zu können und die Datenlücken zu schließen. In Kombination mit Klimavariablen wurden treibende Kräfte, die den aktuellen Gletscherrückgang begünstigen, identifiziert. In Zukunft wird das präsentierte Framework AntarcticLINES zur konstanten Beobachtung der Antarktischen Küstenlinie eingesetzt, um Veränderungen in Anbetracht eines sich ändernden Klimas zu analysieren. KW - Antarctica KW - Remote Sensing KW - Glacier KW - SAR Y1 - 2021 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-245814 ER - TY - RPRT A1 - Conrad, Christopher A1 - Morper-Busch, Lucia A1 - Netzband, Maik A1 - Teucher, Mike A1 - Schönbrodt-Stitt, Sarah A1 - Schorcht, Gunther A1 - Dukhovny, Viktor T1 - WUEMoCA Water Use Efficiency Monitor in Central Asia Informed Decision-Making in Land and Water Resources Management N2 - WUEMoCA is an operational scientific webmapping tool for the regional monitoring of land and water use efficiency in the irrigated croplands of the transboundary Aral Sea Basin that is shared by Kazakhstan, Kyrgyzstan, Tajikistan, Turkmenistan, Uzbekistan, and Afghanistan. Satellite data on land use, crop pro-duction and water consumption is integrated with hydrological and economic information to provide of a set indicators. The tool is useful for large-scale decisions on water distribution or land use, and may be seen as demonstrator for numerous applications in practice, that require independent area-wide spatial information. KW - Zentralasien KW - Information system KW - Remote Sensing KW - WebGIS KW - Information System KW - Central Asia Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-191934 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 - Knauer, Kim T1 - Monitoring ecosystem health of Fynbos remnant vegetation in the City of Cape Town using remote sensing T1 - Erfassung der Ökosystemgesundheit von Fynbos-Vegetation im Großraum Kapstadt mit Hilfe der Fernerkundung N2 - Increasing urbanisation is one of the biggest pressures to vegetation in the City of Cape Town. The growth of the city dramatically reduced the area under indigenous Fynbos vegetation, which remains in isolated fragments. These are subject to a number of threats including atmospheric deposition, atypical fire cycles and invasion by exotic plant and animal species. Especially the Port Jackson willow (Acacia saligna) extensively suppresses the indigenous Fynbos vegetation with its rapid growth. The main objective of this study was to investigate indicators for a quick and early prediction of the health of the remaining Fynbos fragments in the City of Cape Town with help of remote sensing. First, the productivity of the vegetation in response to rainfall was determined. For this purpose, the Enhanced Vegetation Index (EVI), derived from Terra MODIS data with a spatial resolution of 250m, and precipitation data of 19 rainfall stations for the period from 2000 till 2008 were used. Within the scope of a flexible regression between the EVI data and the precipitation data, different lags of the vegetation response to rainfall were analysed. Furthermore, residual trends (RESTREND) were calculated, which result from the difference between observed EVI and the one predicted by precipitation. Negative trends may suggest a degradation of the habitats. In addition, the so-called Rain-use Efficiency (RUE) was tested in this context. It is defined as the ratio between net primary production (NPP) – represented by the annual sum of EVI – and the annual rainfall sum. These indicators were analysed for their suitability to determine the health of the indigenous Fynbos vegetation. Furthermore, the degree of dispersal of invasive species especially the Acacia saligna was investigated. With the specific characteristics of the tested indicators and the spectral signature of Acacia saligna, i.e. its unique reflectance over the course of the year, the dispersal was estimated. Since the growth of invasive species dramatically reduces the biodiversity of the fragments, their presence is an important factor for the condition of ecosystem health. This work focused on 11 test sites with an average size of 200ha, distributed over the whole area of the City of Cape Town. Five of these fragments are under conservation and the others shall be protected in the near future, too, which makes them of special interest. In January 2010, fieldwork was undertaken in order to investigate the state and composition of the local vegetation. The results show promising indicators for the assessment of ecosystem health. The coefficients of determination of the EVI-rainfall regression for Fynbos are minor, because the reaction of this vegetation type to rainfall is considerably lower than the one of the invasive species. Thus, a good distinction between indigenous and alien vegetation is possible on the basis of this regression. On the other hand, the RESTREND method, for which the regression forms the basis, is only of limited use, since the significance of these trends is not given for Fynbos vegetation. Furthermore, the RUE has considerable potential for the assessment of ecosystem health in the study area. The Port Jackson willow has an explicitly higher EVI than the Fynbos vegetation and thus its RUE is more efficient for a similar amount of rainfall. However, it has to be used with caution, because local and temporal variability cannot be extinguished in the study area over the rather short MODIS time series. These results display that the interpretation of the indicators has to be conducted differently from the literature, because the element of invasive species was not considered in most of the previous papers. An increase in productivity is not necessarily equivalent with an improvement in health of the fragment, but can indicate a dispersal of Acacia saligna. This shows the general problem of the term ‘degradation’ which in most publications so far is only measured by productivity and other factors like invasive species are disregarded. On the basis of the EVI-rainfall regression and statistical measures of the EVI, the distribution of invasive species could be delineated. Generally, a strong invasion of the Port Jackson willow was discovered on the test sites. The results display that a reasoned and sustainable management of the fragments is essential in order to prevent the suppression of the indigenous Fynbos vegetation by Acacia saligna. For this purpose, remote sensing can give an indication which areas changed so that specific field surveys can be undertaken and subsequent management measures can be determined. N2 - Zunehmende Urbanisierung stellt eine der größten Bedrohungen für die Vegetation im Großraum Kapstadt dar. Durch das schnelle Wachstum der Stadt bleibt immer weniger der ursprünglichen Vegetation in isolierten Fragmenten zurück. Diese sind in ihrer Funktion als Lebensraum für Flora und Fauna unter Anderem durch Luftverschmutzung, untypische Feuerzyklen und das Eindringen fremder Arten gefährdet. Besonders die Weidenblatt-Akazie (Acacia Saligna) verdrängt die einheimische Fynbos-Vegetation großflächig durch ihr schnelles Wachstum. Hauptziel dieser Arbeit war es, mit Hilfe der Fernerkundung Indikatoren zu finden, um eine schnelle und frühzeitige Aussage über die Gesundheit der verbliebenen natürlichen Vegetationsfragmente im Großraum Kapstadt zu ermöglichen. Zunächst wurde die Produktivität der Vegetation und deren Reaktion auf Niederschlag analysiert. Zu diesem Zweck wurden der Enhanced Vegetation Index (EVI) aus Terra-MODIS-Daten mit einer räumlichen Auflösung von 250m und Niederschlagsdaten von 19 Wetterstationen aus dem Zeitraum 2000 bis 2008 verwendet. Im Rahmen einer flexiblen Regression zwischen EVI und Niederschlagsdaten wurden verschiedene Verzögerungen der Reaktion der Vegetation auf den Niederschlag getestet. Des Weiteren wurden residuale Trends (RESTREND) berechnet, die sich aus der Differenz zwischen beobachtetem EVI und dem aus dem Niederschlag vorhergesagten EVI ergeben. Zusätzlich wurde die sogenannte Rain-use Efficiency (RUE) getestet. Diese ist definiert durch das Verhältnis zwischen Nettoprimärproduktion, repräsentiert durch die Jahressumme des EVI, und der Jahressumme des Niederschlags. Die angewandten Indikatoren wurden darauf untersucht, ob sie eine Aussage über die Gesundheit der einheimischen Fynbos-Vegetation ermöglichen. Des Weiteren wurde der Verbreitungsgrad invasiver Arten, besonders der der Weidenblatt-Akazie bestimmt. Auf Basis der spezifischen Charakteristika der getesteten Indikatoren und der spektralen Signatur von Acacia saligna, also ihrer besonderen Reflexion über den Jahresverlauf, wurde die Verbreitung ermittelt. Da das ungehinderte Wachstum invasiver Arten die Biodiversität der Fragmente stark verringert, ist ihre Anwesenheit ein wichtiger Faktor für die Gesundheit von Ökosystemen. Diese Arbeit konzentrierte sich auf 11 Testflächen mit einer durchschnittlichen Größe von 200ha, die über die gesamte Fläche des Großraums Kapstadt verteilt sind. Fünf dieser Fragmente stehen bereits unter Schutz, während die anderen in absehbarer Zeit folgen sollen; dies macht sie von besonderem Interesse. Im Januar 2010 wurden Geländearbeiten durchgeführt um den Zustand und die Zusammensetzung der Vegetation vor Ort festzustellen. Die Ergebnisse weisen aussichtsreiche Indikatoren zur Abschätzung der Ökosystemgesundheit auf. Die Werte des Bestimmtheitsmaßes der EVI-Niederschlags-Regression sind niedrig für Fynbos, da die Reaktion dieses Vegetationstyps auf Niederschlag wesentlich geringer ist als die der invasiven Arten. Daher ist auf Basis dieser Regression eine gute Unterscheidung zwischen einheimischer und invasiver Vegetation möglich. Auf der anderen Seite ist die RESTREND-Methode, für die diese Regression die Grundlage bildet, nur begrenzt von Nutzen, da die Signifikanzen dieser Trends für Fynbos-Vegetation nicht gegeben sind. Des Weiteren weist die RUE Potential für die Abschätzung von Ökosystemgesundheit im Testgebiet auf. Die Weidenblatt-Akazie hat einen wesentlichen höheren EVI als die Fynbos-Vegetation und daher ist deren RUE bei vergleichbarer Niederschlagsmenge effizienter. Dennoch muss diese mit Vorsicht angewandt werden, da die hohe lokale und temporale Variabilität der RUE im Testgebiet über die relativ kurze MODIS-Zeitserie nicht eliminiert werden kann. Die Ergebnisse verdeutlichen zudem, dass die Interpretation der Indikatoren anders als in der Literatur durchgeführt werden muss, da das Element der invasiven Vegetation in den meisten der vorangegangenen Arbeiten nicht berücksichtigt wurde. Ein Anstieg der Produktivität ist hier nicht gleichzusetzen mit einer Verbesserung der Gesundheit eines Fragments, sondern deutet viel mehr auf eine Verbreitung der Weidenblatt-Akazie hin. Dies verdeutlicht das generelle Problem des Begriffs ‚Degradation‘, welche in den meisten Veröffentlichungen nur über die Produktivität der Vegetation bestimmt wird während andere Faktoren wie zum Beispiel invasive Arten unberücksichtigt bleiben. Auf Basis der EVI-Niederschlags-Regression und der statistischen Messgrößen des EVI konnte die Verbreitung der invasiven Arten abgegrenzt werden. Generell wurde ein starker Befall der Testflächen durch die Weidenblatt-Akazie festgestellt. Die Ergebnisse machen deutlich, dass ein durchdachtes und nachhaltiges Management der Fragmente notwendig ist um die Verdrängung der einheimischen Fynbos-Vegetation durch Acacia saligna zu verhindern. Die Fernerkundung kann zu diesem Zweck Hinweise liefern, welche Flächen sich verändert haben um anschließend gezielte Begehungen vorzunehmen und Maßnahmen einzuleiten. KW - remote sensing KW - Fynbos KW - ecosystem health KW - degradation KW - greening KW - Remote Sensing KW - Fynbos KW - ecosystem health KW - degradation KW - greening KW - Fernerkundung KW - Ökosystemgesundheit KW - Degradation Y1 - 2011 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-92495 ER - TY - THES A1 - Löw, Fabian T1 - Agricultural crop mapping from multi-scale remote sensing data - Concepts and applications in heterogeneous Middle Asian agricultural landscapes T1 - Kartierung von Agrarflächen mit multiskaligen Fernerkundungsdaten - Konzepte und Anwendung in heterogenen Agrarlandschaften Mittelasiens N2 - Agriculture is mankind’s primary source of food production and plays the key role for cereal supply to humanity. One of the future challenges will be to feed a constantly growing population, which is expected to reach more than nine billion by 2050. The potential to expand cropland is limited, and enhancing agricultural production efficiency is one important means to meet the future food demand. Hence, there is an increasing demand for dependable, accurate and comprehensive agricultural intelligence on crop production. The value of satellite earth observation (EO) data for agricultural monitoring is well recognized. One fundamental requirement for agricultural monitoring is routinely updated information on crop acreage and the spatial distribution of crops. With the technical advancement of satellite sensor systems, imagery with higher temporal and finer spatial resolution became available. The classification of such multi-temporal data sets is an effective and accurate means to produce crop maps, but methods must be developed that can handle such large and complex data sets. Furthermore, to properly use satellite EO for agricultural production monitoring a high temporal revisit frequency over vast geographic areas is often necessary. However, this often limits the spatial resolution that can be used. The challenge of discriminating pixels that correspond to a particular crop type, a prerequisite for crop specific agricultural monitoring, remains daunting when the signal encoded in pixels stems from several land uses (mixed pixels), e.g. over heterogeneous landscapes where individual fields are often smaller than individual pixels. The main purposes of the presented study were (i) to assess the influence of input dimensionality and feature selection on classification accuracy and uncertainty in object-based crop classification, (ii) to evaluate if combining classifier algorithms can improve the quality of crop maps (e.g. classification accuracy), (iii) to assess the spatial resolution requirements for crop identification via image classification. Reporting on the map quality is traditionally done with measures that stem from the confusion matrix based on the hard classification result. Yet, these measures do not consider the spatial variation of errors in maps. Measures of classification uncertainty can be used for this purpose, but they have attained only little attention in remote sensing studies. Classifier algorithms like the support vector machine (SVM) can estimate class memberships (the so called soft output) for each classified pixel or object. Based on these estimations, measures of classification uncertainty can be calculated, but it has not been analysed in detail, yet, if these are reliable in predicting the spatial distribution of errors in maps. In this study, SVM was applied for the classification of agricultural crops in irrigated landscapes in Middle Asia at the object-level. Five different categories of features were calculated from RapidEye time series data as classification input. The reliability of classification uncertainty measures like entropy, derived from the soft output of SVM, with regard to predicting the spatial distribution of error was evaluated. Further, the impact of the type and dimensionality of the input data on classification uncertainty was analysed. The results revealed that SMVs applied to the five feature categories separately performed different in classifying different types of crops. Incorporating all five categories of features by concatenating them into one stacked vector did not lead to an increase in accuracy, and partly reduced the model performance most obviously because of the Hughes phenomena. Yet, applying the random forest (RF) algorithm to select a subset of features led to an increase of classification accuracy of the SVM. The feature group with red edge-based indices was the most important for general crop classification, and the red edge NDVI had an outstanding importance for classifying crops. Two measures of uncertainty were calculated based on the soft output from SVM: maximum a-posteriori probability and alpha quadratic entropy. Irrespective of the measure used, the results indicate a decline in classification uncertainty when a dimensionality reduction was performed. The two uncertainty measures were found to be reliable indicators to predict errors in maps. Correctly classified test cases were associated with low uncertainty, whilst incorrectly test cases tended to be associated with higher uncertainty. The issue of combining the results of different classifier algorithms in order to increase classification accuracy was addressed. First, the SVM was compared with two other non-parametric classifier algorithms: multilayer perceptron neural network (MLP) and RF. Despite their comparatively high classification performance, each of the tested classifier algorithms tended to make errors in different parts of the input space, e.g. performed different in classifying crops. Hence, a combination of the complementary outputs was envisaged. To this end, a classifier combination scheme was proposed, which is based on existing algebraic operators. It combines the outputs of different classifier algorithms at the per-case (e.g. pixel or object) basis. The per-case class membership estimations of each classifier algorithm were compared, and the reliability of each classifier algorithm with respect to classifying a specific crop class was assessed based on the confusion matrix. In doing so, less reliable classifier algorithms were excluded at the per-class basis before the final combination. Emphasis was put on evaluating the selected classification algorithms under limiting conditions by applying them to small input datasets and to reduced training sample sets, respectively. Further, the applicability to datasets from another year was demonstrated to assess temporal transferability. Although the single classifier algorithms performed well in all test sites, the classifier combination scheme provided consistently higher classification accuracies over all test sites and in different years, respectively. This makes this approach distinct from the single classifier algorithms, which performed different and showed a higher variability in class-wise accuracies. Further, the proposed classifier combination scheme performed better when using small training set sizes or when applied to small input datasets, respectively. A framework was proposed to quantitatively define pixel size requirements for crop identification via image classification. That framework is based on simulating how agricultural landscapes, and more specifically the fields covered by one crop of interest, are seen by instruments with increasingly coarser resolving power. The concept of crop specific pixel purity, defined as the degree of homogeneity of the signal encoded in a pixel with respect to the target crop type, is used to analyse how mixed the pixels can be (as they become coarser) without undermining their capacity to describe the desired surface properties (e.g. to distinguish crop classes via supervised or unsupervised image classification). This tool can be modulated using different parameterizations to explore trade-offs between pixel size and pixel purity when addressing the question of crop identification. Inputs to the experiments were eight multi-temporal images from the RapidEye sensor. Simulated pixel sizes ranged from 13 m to 747.5 m, in increments of 6.5 m. Constraining parameters for crop identification were defined by setting thresholds for classification accuracy and uncertainty. Results over irrigated agricultural landscapes in Middle Asia demonstrate that the task of finding the optimum pixel size did not have a “one-size-fits-all” solution. The resulting values for pixel size and purity that were suitable for crop identification proved to be specific to a given landscape, and for each crop they differed across different landscapes. Over the same time series, different crops were not identifiable simultaneously in the season and these requirements further changed over the years, reflecting the different agro-ecological conditions the investigated crops were growing in. Results further indicate that map quality (e.g. classification accuracy) was not homogeneously distributed in a landscape, but that it depended on the spatial structures and the pixel size, respectively. The proposed framework is generic and can be applied to any agricultural landscape, thereby potentially serving to guide recommendations for designing dedicated EO missions that can satisfy the requirements in terms of pixel size to identify and discriminate crop types. Regarding the operationalization of EO-based techniques for agricultural monitoring and its application to a broader range of agricultural landscapes, it can be noted that, despite the high performance of existing methods (e.g. classifier algorithms), transferability and stability of such methods remain one important research issue. This means that methods developed and tested in one place might not necessarily be portable to another place or over several years, respectively. Specifically in Middle Asia, which was selected as study region in this thesis, classifier combination makes sense due to its easy implementation and because it enhanced classification accuracy for classes with insufficient training samples. This observation makes it interesting for operational contexts and when field reference data availability is limited. Similar to the transferability of methods, the application of only one certain kind of EO data (e.g. with one specific pixel size) over different landscapes needs to be revisited and the synergistic use of multi-scale data, e.g. combining remote sensing imagery of both fine and coarse spatial resolution, should be fostered. The necessity to predict and control the effects of spatial and temporal scale on crop classification is recognized here as a major goal to achieve in EO-based agricultural monitoring. N2 - Landwirtschaftlicher Ackerbau spielt heute eine Schlüsselrolle bei der Nahrungsmittelversorgung der Menschheit. Eine der zukünftigen Herausforderungen wird die Ernährung der stetig wachsenden Erdbevölkerung sein, welche bis zum Jahr 2050 auf neun Milliarden Menschen anwachsen wird. Das Potential zur Ausdehnung von Ackerland ist jedoch begrenzt, so dass die Steigerung der landwirtschaftlichen Produktionseffizienz ein wichtiges Mittel ist, um den künftigen Nahrungsmittelbedarf zu decken. Daher gibt es einen zunehmenden Bedarf an belastbaren, genauen und umfassenden Informationen über die Agrarproduktion. Der Nutzen der Satellitenbild-Fernerkundung ist in diesem Kontext mittlerweile anerkannt. Eine wichtige Voraussetzung für das Agrarmonitoring sind aktuelle Informationen über die Fläche sowie die räumliche Verteilung von Anbaukulturen. Durch die technologische Entwicklung steht heute eine Vielfalt an Satellitenbildsystemen mit immer höherer räumlicher und zeitlicher Auflösung zur Verfügung. Die Klassifikation solcher hochaufgelösten, multi-temporalen Datensätze stellt eine bewährte Methode dar, um Karten der agrarischen Landnutzung zu erstellen und die benötigten Informationen zu erhalten. Jedoch müssen die dabei verwendeten Methoden auf die sehr komplexen Eingangsdaten anwendbar sein. Zudem benötigt man zur Modellierung der Agrarproduktion oft eine hohe Aufnahmefrequenz bei gleichzeitig großer räumlicher Abdeckung. Diese Voraussetzungen schränken jedoch aus technischen Gründen oftmals die zur Verfügung stehenden Pixelgrößen ein, da Sensoren, welche diese Voraussetzungen erfüllen, in der Regel eine gröbere räumliche Auflösung haben. Die Unterscheidung von Pixeln unterschiedlicher Landnutzung als eine Voraussetzung für feldfrucht-spezifisches Agrarmonitoring kann dann erschwert sein, wenn Satellitenbilder über heterogenen Landschaften aufgezeichnet werden. In solchen Fällen kann das im Pixel kodierte Signal von mehreren Nutzungstypen stammen (Mischpixel), was zur Zunahme von Klassifikationsfehlern führen kann. Hauptgegenstände dieser Studie sind: (i) die Untersuchung des Einflusses der Größe sowie der Art der Eingangsdaten auf die Klassifikationsgenauigkeit und die Klassifikationsunsicherheit in der objekt-basierten Landnutzungsklassifikation; (ii) die Kombination von Klassifikationsalgorithmen zur Steigerung der Klassifikationsgenauigkeit; (iii) die Untersuchung des Einflusses der Pixelgröße auf die agrarische Landnutzungsklassifikation. Die Genauigkeit einer Klassifikation wird im Allgemeinen mit Hilfe von Gütemaßen ermittelt, welche auf der Konfusionsmatrix basieren. Jedoch berücksichtigen diese Maße nicht die räumliche Variabilität von Klassifikationsfehlern in einer Karte. Maße der Klassifikationsunsicherheit können für diesen Zweck verwendet werden, allerdings ist deren Anwendung in der Fernerkundung bislang nur selten untersucht worden. Klassifikationsalgorithmen wie das Stützvektorverfahren können für jedes Pixel oder Objekt klassenweise Abschätzungen der Klassenzugehörigkeit berechnen, aus welchen dann Maße der Klassifikationsunsicherheit (z.B. Entropie) berechnet werden können. Jedoch wurde noch nicht hinreichend untersucht, ob die damit gewonnenen Informationen zur Abschätzung der räumlichen Verteilung von Klassifikationsfehlern in Karten zuverlässig sind. In dieser Studie wurde das Stützvektorverfahren verwendet, um die agrarische Landnutzung in bewässerten Agrarlandschaften Zentralasiens zu klassifizieren. Fünf Kategorien von Eingangsdaten wurden aus Aufnahmen des RapidEye Systems berechnet und als Grundlage für die agrarische Landnutzungsklassifikation verwendet. Es wurde untersucht, ob Maße der Klassifikationsunsicherheit, welche auf den pixel- bzw. objektweisen Abschätzungen der Klassenzugehörigkeit durch das Stützvektorverfahren basieren, die räumliche Verteilung von Klassifikationsfehlern in Landnutzungskarten zuverlässig schätzen können. Weiterhin wurde der Einfluss sowohl der Art als auch der Größe der Eingangsdaten auf die Klassifikationsunsicherheit untersucht. Die Ergebnisse der Untersuchung weisen darauf hin, dass sich sowohl die getrennte als auch die kombinierte Verwendung der fünf Eingangsdatenkategorien unterschiedlich zur Klassifikation verschiedener Landnutzungsklassen eignen. Die kombinierte Verwendung aller fünf Kategorien führte zum Teil zu einer Reduktion der Klassifikationsgenauigkeit, was wahrscheinlich auf das Hughes-Phänomen zurückzuführen ist. Durch die Verwendung des „Random Forest“ Verfahrens zur Selektion geeigneter Eingangsdaten konnte die Klassifikationsgenauigkeit des Stützvektorverfahrens gesteigert werden. Eingangsdaten basierend auf dem sogenannten „Red Edge“ Kanal des RapidEye Systems waren zur Klassifikation von Feldfrüchten am wichtigsten, insbesondere der „Red Edge NDVI“. Zwei Maße der Klassifikationsunsicherheit wurden berechnet: die maximale a-posteriori Klassifikationswahrscheinlichkeit und die Alpha-Quadrat Entropie. Die Ergebnisse weisen darauf hin, dass diese beiden Maße verlässliche Prädiktoren für die räumliche Verteilung von Klassifikationsfehlern sind. Korrekt klassifizierte Testfelder waren durch geringe Klassifikationsunsicherheit und inkorrekt klassifizierte Testfelder in der Regel durch hohe Klassifikationsunsicherheit charakterisiert. Es wurde untersucht, ob die Kombination mehrerer Klassifikationsalgorithmen zu einer Steigerung der Klassifikationsgenauigkeit führt. Zunächst wurde das Stützvektorverfahren mit anderen nicht-parametrischen Verfahren (neuronalen Netzwerken und Random Forest) verglichen. Obwohl die getesteten Klassifikationsalgorithmen gute Gesamt-Klassifikationsgenauigkeiten erzielten, bestanden große Unterschiede in den klassenweisen Genauigkeiten. Daher wurde ein Verfahren entwickelt, um die teilweise komplementären Ergebnisse unterschiedlicher Klassifikationsalgorithmen zu kombinieren. Dieses Verfahren basiert auf der Erweiterung algebraischer Kombinationsoperatoren und kombiniert die Ergebnisse verschiedener Klassifikationsalgorithmen basierend auf den pixel- bzw. objektweisen Abschätzungen der Klassenzugehörigkeit. Zudem wurde jeder Klassifikationsalgorithmus klassenweise bewertet, basierend auf Maßen der Konfusionsmatrix. So konnten Klassifikationsalgorithmen für diejenigen Klassen von der Kombination ausgeschlossen werden, für deren klassenweisen Genauigkeiten bestimmte Kriterien nicht erfüllt wurden. Das vorgestellte Verfahren wurde mit den Ergebnissen der einzelnen Klassifikationsalgorithmen verglichen. Zudem wurde auf räumliche und zeitliche Übertragbarkeit hin getestet und der Einfluss der Auswahl von Trainingsdaten wurde untersucht. Obwohl die einzelnen Klassifikationsalgorithmen genaue Ergebnisse erzielten, konnte das vorgestellte Kombinationsverfahren in allen Gebieten und über mehrere Jahre bessere Ergebnisse mit geringerer Variabilität erzielen. Zudem konnte das Verfahren auch dann genauere Ergebnisse liefern, wenn nur wenige Trainingsdaten oder Eingangsdaten zur Verfügung standen. In dieser Studie wurde eine Methodik entwickelt, um quantitativ die maximal tolerierbaren Pixelgrößen für die agrarische Landnutzungsklassifikation zu bestimmen. Diese Methodik kann verwendet werden, um den kombinierten Effekt von Pixelgröße und Pixelreinheit im Kontext der Feldfruchtidentifikation mittels überwachter Klassifikation zu untersuchen. Die feldfruchtspezifische Pixelreinheit (definiert als der Grad der Homogenität des in Pixeln kodierten Signals) wurde verwendet um zu untersuchen, wie inhomogen die in gröberen Bildpixeln gespeicherte Information sein darf, um unterschiedliche Anbaukulturen mittels überwachter und unüberwachter Klassifikation unterscheiden zu können. Als Eingangsdaten für die Untersuchung wurden Bilder des RapidEye Systems verwendet. Es wurden Bildgrößen zwischen 13 m und 747.5 m in Schritten von 6.5 m simuliert. Als limitierende Faktoren für die Klassifikation wurden unterschiedliche Schwellenwerte für Maße der Klassifikationsgenauigkeit und Klassifikationsunsicherheit berücksichtigt. Die Ergebnisse zeigen, dass die Werte für tolerierbare Pixelgrößen und Pixelreinheiten sowohl landschafts- als auch feldfruchtspezifisch waren. Zudem konnten Feldfrüchte nicht simultan innerhalb der Wachstumsperiode identifiziert werden und die Voraussetzungen änderten sich in verschiedenen Jahren, was wahrscheinlich auf die unterschiedlichen agro-ökologischen Bedingungen in den untersuchten Landschaften zurückgeführt werden kann. Die Ergebnisse zeigen, dass Klassifikationsgüte in Karten räumlich ungleich verteilt war und von den räumlichen Strukturen bzw. von der Wahl der räumlichen Auflösung abhing. Die vorgestellte Methodik kann auch in anderen Agrarlandschaften getestet werden. Des Weiteren kann die Eignung bestehender bzw. die Entwicklung künftiger Satellitenbildmissionen unterstützt werden. In Hinblick auf die Nutzung von Satellitenbild-Fernerkundung für Agrarmonitoring und deren Anwendung in einer Vielfalt von Agrarlandschaften kann festgestellt werden, dass die räumliche Übertragbarkeit von Methoden und die Stabilität der Ergebnisse (z.B. gleichbleibend hohe Klassifikationsgenauigkeiten) weiterhin einen wichtigen Forschungsgegenstand darstellen. So konnte in dieser Studie gezeigt werden, dass herkömmliche Methoden zur Landnutzungsklassifikation bzw. Aussagen zu optimalen Pixelgrößen nicht in allen Fällen auf andere Regionen oder über mehrere Jahre übertragbar sind. In Zentralasien, welches die Fokusregion dieser Studie ist, zeigte sich, dass die Kombination verschiedener Klassifikationsalgorithmen sinnvoll ist, da die Klassifikationsgenauigkeit bei Klassen mit nur einer geringen Anzahl von Trainingsgebieten gesteigert werden konnte. Dies macht die Anwendung dieses Verfahrens im operationellen Kontext interessant. Die Eignung eines einzigen Satellitenbildsystems (mit einer bestimmten Pixelgröße) für die agrarische Landnutzungsklassifikation in mehreren Agrarlandschaften muss in Frage gestellt werden und die synergistische Nutzung von Daten unterschiedlicher räumlicher Auflösung sollte vorangetrieben werden. Dabei ist die Untersuchung des kombinierten Einflusses der räumlichen und zeitlichen Auflösung auf die agrarische Landnutzungsklassifikation von großer Bedeutung für das erdbeobachtungsgestützte Agrarmonitoring. KW - Fernerkundung KW - Remote Sensing KW - Agriculture KW - Landwirtschaft KW - Zentralasien KW - Agrarlandschaft KW - Landnutzung Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-102093 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 - 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 -