TY  - JOUR
A1  - Dech, Stefan
A1  - Holzwarth, Stefanie
A1  - Asam, Sarah
A1  - Andresen, Thorsten
A1  - Bachmann, Martin
A1  - Boettcher, Martin
A1  - Dietz, Andreas
A1  - Eisfelder, Christina
A1  - Frey, Corinne
A1  - Gesell, Gerhard
A1  - Gessner, Ursula
A1  - Hirner, Andreas
A1  - Hofmann, Matthias
A1  - Kirches, Grit
A1  - Klein, Doris
A1  - Klein, Igor
A1  - Kraus, Tanja
A1  - Krause, Detmar
A1  - Plank, Simon
A1  - Popp, Thomas
A1  - Reinermann, Sophie
A1  - Reiners, Philipp
A1  - Roessler, Sebastian
A1  - Ruppert, Thomas
A1  - Scherbachenko, Alexander
A1  - Vignesh, Ranjitha
A1  - Wolfmueller, Meinhard
A1  - Zwenzner, Hendrik
A1  - Kuenzer, Claudia
T1  - Potential and challenges of harmonizing 40 years of AVHRR data: the TIMELINE experience
JF  - Remote Sensing
N2  - Earth Observation satellite data allows for the monitoring of the surface of our planet at predefined intervals covering large areas. However, there is only one medium resolution sensor family in orbit that enables an observation time span of 40 and more years at a daily repeat interval. This is the AVHRR sensor family. If we want to investigate the long-term impacts of climate change on our environment, we can only do so based on data that remains available for several decades. If we then want to investigate processes with respect to climate change, we need very high temporal resolution enabling the generation of long-term time series and the derivation of related statistical parameters such as mean, variability, anomalies, and trends. The challenges to generating a well calibrated and harmonized 40-year-long time series based on AVHRR sensor data flown on 14 different platforms are enormous. However, only extremely thorough pre-processing and harmonization ensures that trends found in the data are real trends and not sensor-related (or other) artefacts. The generation of European-wide time series as a basis for the derivation of a multitude of parameters is therefore an extremely challenging task, the details of which are presented in this paper.
KW  - AVHRR
KW  - Earth Observation
KW  - harmonization
KW  - time series analysis
KW  - climate related trends
KW  - automatic processing
KW  - Europe
KW  - TIMELINE
Y1  - 2021
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-246134
SN  - 2072-4292
VL  - 13
IS  - 18
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  - JOUR
A1  - Reiners, Philipp
A1  - Asam, Sarah
A1  - Frey, Corinne
A1  - Holzwarth, Stefanie
A1  - Bachmann, Martin
A1  - Sobrino, Jose
A1  - Göttsche, Frank-M.
A1  - Bendix, Jörg
A1  - Kuenzer, Claudia
T1  - Validation of AVHRR Land Surface Temperature with MODIS and in situ LST — a TIMELINE thematic processor
JF  - Remote Sensing
N2  - Land Surface Temperature (LST) is an important parameter for tracing the impact of changing climatic conditions on our environment. Describing the interface between long- and shortwave radiation fluxes, as well as between turbulent heat fluxes and the ground heat flux, LST plays a crucial role in the global heat balance. Satellite-derived LST is an indispensable tool for monitoring these changes consistently over large areas and for long time periods. Data from the AVHRR (Advanced Very High-Resolution Radiometer) sensors have been available since the early 1980s. In the TIMELINE project, LST is derived for the entire operating period of AVHRR sensors over Europe at a 1 km spatial resolution. In this study, we present the validation results for the TIMELINE AVHRR daytime LST. The validation approach consists of an assessment of the temporal consistency of the AVHRR LST time series, an inter-comparison between AVHRR LST and in situ LST, and a comparison of the AVHRR LST product with concurrent MODIS (Moderate Resolution Imaging Spectroradiometer) LST. The results indicate the successful derivation of stable LST time series from multi-decadal AVHRR data. The validation results were investigated regarding different LST, TCWV and VA, as well as land cover classes. The comparisons between the TIMELINE LST product and the reference datasets show seasonal and land cover-related patterns. The LST level was found to be the most determinative factor of the error. On average, an absolute deviation of the AVHRR LST by 1.83 K from in situ LST, as well as a difference of 2.34 K from the MODIS product, was observed.
KW  - Land Surface Temperature
KW  - AVHRR
KW  - MODIS
KW  - time series
KW  - Europe
KW  - validation
KW  - TIMELINE
Y1  - 2021
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-246051
SN  - 2072-4292
VL  - 13
IS  - 17
ER  -