TY  - THES
A1  - Fritsch, Sebastian
T1  - Spatial and temporal patterns of crop yield and marginal land in the Aral Sea Basin: derivation by combining multi-scale and multi-temporal remote sensing data with alight use efficiency model
T1  - Räumliche und zeitliche Muster von Erntemengen und marginalem Land im Aralseebecken: Erfassung durch die Kombination von multiskaligen und multitemporalen Fernerkundungsdaten mit einem Lichtnutzungseffizienzmodell
N2  - Irrigated agriculture in the Khorezm region in the arid inner Aral Sea Basin faces enormous challenges due to a legacy of cotton monoculture and non-sustainable water use. Regional crop growth monitoring and yield estimation continuously gain in importance, especially with regard to climate change and food security issues. Remote sensing is the ideal tool for regional-scale analysis, especially in regions where ground-truth data collection is difficult and data availability is scarce. New satellite systems promise higher spatial and temporal resolutions. So-called light use efficiency (LUE) models are based on the fraction of photosynthetic active radiation absorbed by vegetation (FPAR), a biophysical parameter that can be derived from satellite measurements. The general objective of this thesis was to use satellite data, in conjunction with an adapted LUE model, for inferring crop yield of cotton and rice at field (6.5 m) and regional (250 m) scale for multiple years (2003-2009), in order to assess crop yield variations in the study area. Intensive field measurements of FPAR were conducted in the Khorezm region during the growing season 2009. RapidEye imagery was acquired approximately bi-weekly during this time. The normalized difference vegetation index (NDVI) was calculated for all images. Linear regression between image-based NDVI and field-based FPAR was conducted. The analyses resulted in high correlations, and the resulting regression equations were used to generate time series of FPAR at the RapidEye level. RapidEye-based FPAR was subsequently aggregated to the MODIS scale and used to validate the existing MODIS FPAR product. This step was carried out to evaluate the applicability of MODIS FPAR for regional vegetation monitoring. The validation revealed that the MODIS product generally overestimates RapidEye FPAR by about 6 to 15 %. Mixture of crop types was found to be a problem at the 1 km scale, but less severe at the 250 m scale. Consequently, high resolution FPAR was used to calibrate 8-day, 250 m MODIS NDVI data, this time by linear regression of RapidEye-based FPAR against MODIS-based NDVI. The established FPAR datasets, for both RapidEye and MODIS, were subsequently assimilated into a LUE model as the driving variable. This model operated at both satellite scales, and both required an estimation of further parameters like the photosynthetic active radiation (PAR) or the actual light use efficiency (LUEact). The latter is influenced by crop stress factors like temperature or water stress, which were taken account of in the model. Water stress was especially important, and calculated via the ratio of the actual (ETact) to the potential, crop-specific evapotranspiration (ETc). Results showed that water stress typically occurred between the beginning of May and mid-September and beginning of May and end of July for cotton and rice crops, respectively. The mean water stress showed only minor differences between years. Exceptions occurred in 2008 and 2009, where the mean water stress was higher and lower, respectively. In 2008, this was likely caused by generally reduced water availability in the whole region. Model estimations were evaluated using field-based harvest information (RapidEye) and statistical information at district level (MODIS). The results showed that the model at both the RapidEye and the MODIS scale can estimate regional crop yield with acceptable accuracy. The RMSE for the RapidEye scale amounted to 29.1 % for cotton and 30.4 % for rice, respectively. At the MODIS scale, depending on the year and evaluated at Oblast level, the RMSE ranged from 10.5 % to 23.8 % for cotton and from -0.4 % to -19.4 % for rice. Altogether, the RapidEye scale model slightly underestimated cotton (bias = 0.22) and rice yield (bias = 0.11). The MODIS-scale model, on the other hand, also underestimated official rice yield (bias from 0.01 to 0.87), but overestimated official cotton yield (bias from -0.28 to -0.6). Evaluation of the MODIS scale revealed that predictions were very accurate for some districts, but less for others. The produced crop yield maps indicated that crop yield generally decreases with distance to the river. The lowest yields can be found in the southern districts, close to the desert. From a temporal point of view, there were areas characterized by low crop yields over the span of the seven years investigated. The study at hand showed that light use efficiency-based modeling, based on remote sensing data, is a viable way for regional crop yield prediction. The found accuracies were good within the boundaries of related research. From a methodological viewpoint, the work carried out made several improvements to the existing LUE models reported in the literature, e.g. the calibration of FPAR for the study region using in situ and high resolution RapidEye imagery and the incorporation of crop-specific water stress in the calculation.
N2  - Die vorliegende Arbeit beschäftigt sich mit der Modellierung regionaler Erntemengen von Baumwolle und Reis in der usbekischen Region Khorezm, einem Bewässerungsgebiet das geprägt ist von langjähriger Baumwoll-Monokultur und nicht-nachhaltiger Land- und Wassernutzung. Basis für die Methodik waren Satellitendaten, die durch ihre großflächige Abdeckung und Objektivität einen enormen Vorteil in solch datenarmen und schwer zugänglichen Regionen darstellen. Bei dem verwendeten Modell handelt es sich um ein sog. Lichtnutzungseffizienz-Modell (im Englischen Light Use Efficiency [LUE] Model), das auf dem Anteil der photosynthetisch aktiven Strahlung basiert, welcher von Pflanzen für das Wachstum aufgenommen wird (Fraction of Photosynthetic Active Radiation, FPAR). Dieser Parameter kann aus Satellitendaten abgeleitet werden. Das allgemeine Ziel der vorliegenden Arbeit war die Nutzung von Satellitendaten für die Ableitung der Erntemengen von Baumwolle und Reis. Dazu wurde ein Modell entwickelt, das sowohl auf der Feldebene (Auflösung von 6,5 m) als auch auf der regionalen Ebene (Auflösung von 250 m) operieren kann. Während die Ableitung der Erntemengen auf der Feldebene nur für ein Jahr erfolgte (2009), wurden sie auf der regionalen Ebene für den Zeitraum 2003 bis 2009 modelliert. Intensive Feldmessungen von FPAR wurden im Studiengebiet während der Wachstumssaison 2009 durchgeführt. Parallel dazu wurden RapidEye-Daten in ca. zweiwöchentlichem Abstand aufgezeichnet. Aus den RapidEye-Daten wurde der Normalized Difference Vegetation Index (NDVI) berechnet, der anschließend mit den im Feld gemessenen FPAR-Werten korreliert wurde. Die entstandenen Regressionsgleichungen wurden benutzt um Zeitserien von FPAR auf RapidEye-Niveau zu erstellen. Anschließend wurden diese Zeitserien auf die MODIS-Skala aggregiert um damit das MODIS FPAR-Produkt zu validieren (1 km), bzw. eine Kalibrierung des 8-tägigen 250 m NDVI-Datensatzes vorzunehmen. Der erste Schritt zeigte dass das MODIS-Produkt im Allgemeinen die RapidEye-basierten FPAR-Werte um 6 bis 15 % überschätzt. Aufgrund der besseren Auflösung wurde das kalibrierte 250 m FPAR-Produkt für die weitere Modellierung verwendet. Für die eigentliche Modellierung wurden neben den FPAR-Eingangsdaten noch weitere Daten und Parameter benötigt. Dazu gehörte z.B. die tatsächliche Lichtnutzungseffizienz (LUEact), welche von Temperatur- und Wasserstress beeinflusst wird. Wasserstress wurde berechnet aus dem Verhältnis von tatsächlicher (ETact) zu potentieller, feldfruchtspezifischer Evapotranspiration (ETc), die beide aus einer Kombination von Satelliten- und Wetterdaten abgeleitet wurden. Der durchschnittliche Wasserstress schwankte nur geringfügig von Jahr zu Jahr, mit Ausnahmen in den Jahren 2008 und 2009. Die Modellschätzungen wurden durch feldbasierte Ernteinformationen (RapidEye-Ebene) sowie regionale statistische Daten (MODIS-Ebene) evaluiert. Die Ergebnisse zeigten, dass beide Modellskalen regionale Ernteerträge mit guter Genauigkeit nachbilden können. Der Fehler für das RapidEye-basierte Modell betrug 29,1 % für Baumwolle und 30,4 % für Reis. Die Genauigkeiten für das MODIS-basierte Modell variierten, in Abhängigkeit des betrachteten Jahres, zwischen 10,5 % und 23,8 % für Baumwolle und zwischen -0,4 % und -19,4 % für Reis. Insgesamt gab es eine leichte Unterschätzung der Baumwoll- (Bias = 0,22) und Reisernte (Bias = 0,11) seitens des RapidEye-Modells. Das MODIS-Modell hingegen unterschätzte zwar auch die (offizielle) Reisernte (mit einem Bias zwischen 0,01 und 0,87), überschätzte jedoch die offiziellen Erntemengen für die Baumwolle (Bias zwischen -0,28 und -0,6). Die Evaluierung der MODIS-Skala zeigte dass die Genauigkeiten extrem zwischen den verschiedenen Distrikten schwankten. Die erstellten Erntekarten zeigten dass Erntemengen grundsätzlich mit der Distanz zum Fluss abnehmen. Die niedrigsten Erntemengen traten in den südlichsten Distrikten auf, in der Nähe der Wüste. Betrachtet man die Ergebnisse schließlich über die Zeit hinweg, gab es Gebiete die über den gesamten Zeitraum von sieben Jahren stets von niedrigen Erntemengen gekennzeichnet waren. Die vorliegende Studie zeigt, dass satellitenbasierte Lichtnutzungseffizienzmodelle ein geeignetes Werkzeug für die Ableitung und die Analyse regionaler Erntemengen in zentralasiatischen Bewässerungsregionen darstellen. Verglichen mit verwandten Studien stellten sich die ermittelten Genauigkeiten sowohl auf der RapidEye- als auch auf der MODIS-Skala als gut dar. Vom methodischen Standpunkt aus gesehen ergänzte diese Arbeit vorhanden LUE-Modelle um einige Neuerungen und Verbesserungen, wie z.B. die Validierung und Kalibrierung von FPAR für die Studienregion mittels Feld- und hochaufgelösten RapidEye-Daten und dem Einbezug von feldfrucht-spezifischem Wasserstress in die Modellierung.
KW  - Fernerkundung
KW  - Modellierung
KW  - Ernte
KW  - Baumwollpflanze
KW  - Reis
KW  - Satellit
KW  - Erdbeobachtung
KW  - remote sensing
KW  - crop yield
KW  - modeling
KW  - light use efficiency
KW  - irrigation
Y1  - 2013
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-87939
ER  - 
TY  - THES
A1  - Reinermann, Sophie
T1  - Earth Observation Time Series for Grassland Management Analyses – Development and large-scale Application of a Framework to detect Grassland Mowing Events in Germany
T1  - Erdbeobachtungszeitserien zur Analyse der Grünlandbewirtschaftung – Entwicklung und großflächige Anwendung einer Prozessierungsarchitektur zur automatisierten Detektion von Grünlandmahden
N2  - Grasslands shape many landscapes of the earth as they cover about one-third of its surface. They are home and provide livelihood for billions of people and are mainly used as source of forage for animals. However, grasslands fulfill many additional ecosystem functions next to fodder production, such as storage of carbon, water filtration, provision of habitats and cultural values. They play a role in climate change (mitigation) and in preserving biodiversity and ecosystem functions on a global scale. The degree to what these ecosystem functions are present within grassland ecosystems is largely determined by the management. Individual management practices and the use intensity influence the species composition as well as functions, like carbon storage, while higher use intensities (e.g. high mowing frequencies) usually show a negative impact. Especially in Central European countries, like in Germany, the determining influence of grassland management on its physiognomy and ecosystem functions leads to a large variability and small-scale alternations of grassland parcels. Large-scale information on the management and use intensity of grasslands is not available. Consequently, estimations of grassland ecosystem functions are challenging which, however, would be required for large-scale assessments of the status of grassland ecosystems and optimized management plans for the future. The topic of this thesis tackles this gap by investigating the major grassland management practice in Germany, which is mowing, for multiple years, in high spatial resolution
and on a national scale.
Earth Observation (EO) has the advantage of providing information of the earth’s surface on multi-temporal time steps. An extensive literature review on the use of EO for grassland management and production analyses, which was part of this thesis, showed that in particular research on grasslands consisting of small parcels with a large variety of management and use intensity, like common in Central Europe, is underrepresented. Especially
the launch of the Sentinel satellites in the recent past now enables the analyses of such grasslands due to their high spatial and temporal resolution. The literature review specifically on the investigation of grassland mowing events revealed that most previous studies focused on small study areas, were exploratory, only used one sensor type and/or lacked a reference data set with a complete range of management options.
Within this thesis a novel framework to detect grassland mowing events over large areas is presented which was applied and validated for the entire area of Germany for multiple years (2018–2021). The potential of both sensor types, optical (Sentinel-2) and Synthetic Aperture Radar (SAR) (Sentinel-1) was investigated regarding grassland mowing event detection. Eight EO parameters were investigated, namely the Enhanced Vegetation Index (EVI), the backscatter intensity and the interferometric (InSAR) temporal coherence for both available polarization modes (VV and VH), and the polarimetric (PolSAR) decomposition parameters Entropy, K0 and K1. An extensive reference data set was generated based on daily images of webcams distributed in Germany which resulted in mowing information
for grasslands with the entire possible range of mowing frequencies – from one to six in Germany – and in 1475 reference mowing events for the four years of interest.
For the first time a observation-driven mowing detection approach including data from Sentinel-2 and Sentinel-1 and combining the two was developed, applied and validated on large scale. Based on a subset of the reference data (13 grassland parcels with 44 mowing events) from 2019 the EO parameters were investigated and the detection algorithm
developed and parameterized. This analysis showed that a threshold-based change detection approach based on EVI captured grassland mowing events best, which only failed during periods of clouds. All SAR-based parameters showed a less consistent behavior to mowing events, with PolSAR Entropy and InSAR Coherence VH, however, revealing the
highest potential among them. A second, combined approach based on EVI and a SARbased parameter was developed and tested for PolSAR Entropy and InSAR VH. To avoid additional false positive detections during periods in which mowing events are anyhow reliably detected using optical data, the SAR-based mowing detection was only initiated
during long gaps within the optical time series (< 25 days). Application and validation of
these approaches in a focus region revealed that only using EVI leads to the highest accuracies (F1-Score = 0.65) as combining this approach with SAR-based detection led to a strong increase in falsely detected mowing events resulting in a decrease of accuracies (EVI + PolSAR ENT F1-Score = 0.61; EVI + InSAR COH F1-Score = 0.61).
The mowing detection algorithm based on EVI was applied for the entire area of Germany for the years 2018-2021. It was revealed that the largest share of grasslands with high mowing frequencies (at least four mowing events) can be found in southern/south-eastern Germany. Extensively used grassland (mown up to two times) is distributed within the entire country with larger shares in the center and north-eastern parts of Germany. These patterns stay constant in general, but small fluctuations between the years are visible. Early mown grasslands can be found in southern/south-eastern Germany – in line with high mowing frequency areas – but also in central-western parts. The years 2019 and 2020 revealed higher accuracies based on the 1475 mowing events of the multi-annual validation data set
(F1-Scores of 0.64 and 0.63), 2018 and 2021 lower ones (F1-Score of 0.52 and 0.50).
Based on this new, unprecedented data set, potential influencing factors on the mowing dynamics were investigated. Therefore, climate, topography, soil data and information on conservation schemes were related to mowing dynamics for the year 2020, which showed a high number of valid observations and detection accuracy. It was revealed that there are no strong linear relationships between the mowing frequency or the timing of the first mowing event and the investigated variables. However, it was found that for intensive grassland usage certain climatic and topographic conditions have to be fulfilled, while extensive grasslands appear on the entire spectrum of these variables. Further, higher mowing frequencies occur on soils with influence of ground water and lower mowing frequencies in protected areas. These results show the complex interplay between grassland mowing dynamics and external influences and highlight the challenges of policies aiming to protect grassland ecosystem functions and their need to be adapted to regional circumstances.
N2  - Grünland prägt viele Landschaften der Erde, da es etwa ein Drittel der Erdoberfläche bedeckt. Es ist Heimat und Lebensgrundlage für Milliarden von Menschen und wird hauptsächlich als Futterquelle für die Viehhaltung genutzt. Neben der Futterproduktion erfüllen Grünlandflächen jedoch viele weitere Ökosystemfunktionen, wie die Speicherung von
Kohlenstoff, die Wasserfilterung, die Bereitstellung von Lebensräumen, als auch kulturelle Werte. Sie spielen eine Rolle bei der Abschwächung des Klimawandels und bei der Erhaltung der biologischen Vielfalt und der Ökosystemfunktionen auf globaler Ebene.
Das Ausmaß, in dem diese Ökosystemfunktionen in Grünlandökosystemen vorhanden sind, wird weitgehend durch die Bewirtschaftung bestimmt. Einzelne Bewirtschaftungspraktiken und die Nutzungsintensität beeinflussen sowohl die Artenzusammensetzung als auch Funktionen wie die Kohlenstoffspeicherung, wobei höhere Nutzungsintensitäten (z. B. hohe Mähfrequenzen) in der Regel einen negativen Einfluss haben. Insbesondere in mitteleuropäischen Ländern wie Deutschland, führt der bestimmende Einfluss der Grünlandbewirtschaftung auf die Physiognomie und die Ökosystemfunktionen zu
einer großen Variabilität und kleinräumigen Differenziertheit einzelner Grünlandflächen. Großräumige Informationen über die Bewirtschaftungs- und Nutzungsintensität von Grünland sind nicht verfügbar. Folglich sind Schätzungen der Ökosystemfunktionen von Grünland eine Herausforderung, die jedoch für großräumige Bewertungen des Zustands von Grünlandökosystemen und optimierte Bewirtschaftungspläne für die Zukunft erforderlich wären. Das Thema dieser Arbeit greift diese Lücke auf, indem es die wichtigste Grünlandbewirtschaftungsmethode in Deutschland, die Mahd, über mehrere Jahre, mit hoher räumlicher Auflösung und auf nationaler Ebene untersucht.
Die Erdbeobachtung hat den Vorteil, Informationen über die Erdoberfläche in multitemporalen Zeitschritten zu liefern. Eine umfangreiche Literaturrecherche zur Nutzung von Erdbeobachtung für Grünlandmanagement und Produktion, welche Teil dieser Arbeit war, hat gezeigt, dass insbesondere die Forschung zu kleinparzelligem Grünland mit einer großen Vielfalt an Bewirtschaftungs- und Nutzungsintensitäten, wie in Mitteleuropa gängig, unterrepräsentiert ist. Insbesondere die vor wenigen Jahren erfolgte Start der Sentinel-Satellitenmissionen ermöglicht nun auch die Analyse solcher Grünlandflächen
aufgrund der hohen räumlichen und zeitlichen Auflösung ihrer Aufnahmen. Die Literaturrecherche speziell zur Untersuchung von Mähereignissen auf Grünland ergab, dass die meisten bisherigen Studien sich auf kleine Untersuchungsgebiete konzentrierten, explorativ waren, nur einen Sensortyp verwendeten und/oder keinen Referenzdatensatz mit einer vollständigen Palette von Managementoptionen enthielten.
Im Rahmen dieser Arbeit wird eine neuartige Methodik zur Erkennung von Grünlandmahdereignissen vorgestellt, welches über mehrere Jahre (2018-2021) flächendeckend in Deutschland angewendet und validiert wurde. Beide Sensortypen – optisch (Sentinel-2) und SAR (Sentinel-1) – wurden hinsichtlich ihres Potentials zur Detektion von Grünlandmahdereignissen ausgewertet. Acht EO-Parameter wurden untersucht, nämlich der Enhanced Vegetation Index (EVI), die Rückstreuintensität und die interferometrische zeitliche Kohärenz (InSAR) für beide verfügbaren Polarimetrien (VV und VH), sowie die polarimetrischen (PolSAR) Zerlegungsparameter Entropie, K0 und K1. Ein umfangreicher
Referenzdatensatz wurde auf der Basis täglicher Bilder von Webcams generiert, welche über Deutschland verteilt sind. Dieser enthält Mahdinformationen für Grünland mit dem gesamten möglichen Spektrum an Mähfrequenzen – von eins bis sechs Mahden – und 1475 Referenz-Mähereignisse für die Untersuchungsjahre.
Zum ersten Mal wurde ein Ansatz basierend auf tatsächlichen Beobachtungen zur Erkennung der Mahd entwickelt, angewandt und großflächig validiert, der Daten von Sentinel - 2 und Sentinel - 1 verwendet und beide miteinander kombiniert. Anhand eines Subset der Referenzdaten (13 Grünlandparzellen) wurden die EO-Parameter untersucht und der Algorithmus zur Mahddetektion entwickelt und parametrisiert. Die Analyse hat gezeigt, dass ein schwellenwertbasierter Ansatz zur Erkennung von Veränderungen auf der Grundlage des EVI die Ereignisse der Grünlandmahd am besten erfasst, und nur während Bewölkungsperioden Mahden nicht erfolgreich detektiert. Alle SAR-basierten Parameter zeigten ein inkonsistenteres Verhalten gegenüber Mähaktivitäten als EVI, wobei PolSAR Entropie und InSAR Kohärenz VH noch das höchste Potenzial aufwiesen. Ein zweiter, kombinierter Ansatz, der auf EVI und einem SAR Parameter basiert, wurde entwickelt und für PolSAR Entropie und InSAR VH getestet. Aufgrund vieler zusätzlicher Veränderungen, die in den Zeitreihen erkennbar sind, wurde die SAR-basierte Mahddetektion nur während langer Lücken in den optischen Zeitreihen (< 25 Tage) initiiert. Die Anwendung und Validierung dieser Ansätze in einer Fokusregion ergab, dass die Verwendung des EVI-Ansatzes zu den höchsten Genauigkeiten führt (F1-Score = 0.65), da die Kombination dieses Ansatzes mit der SAR-basierten Detektion zu einem starken Anstieg der falsch erkannten Mähereignisse und damit zu einer Abnahme der Genauigkeiten führte (EVI + PolSAR ENT F1-Score=0.61; EVI + InSAR COH F1-Score = 0.61).
Der auf EVI basierende Mahddetektionsalgorithmus wurde für die gesamte Fläche
Deutschlands für die Jahre 2018–2021 angewendet. Es zeigte sich, dass der größte Anteil an Grünland mit hoher Mähfrequenz (mindestens vier Mähereignisse) im Süden/Südosten Deutschlands zu finden ist. Extensiv genutztes Grünland (bis zu zweimal gemäht) ist über das gesamte Bundesgebiet verteilt, mit größeren Anteilen in der Mitte und im Nordosten Deutschlands. Diese Muster bleiben im Allgemeinen konstant, aber es sind kleine Schwankungen zwischen den Jahren erkennbar. Früh gemähtes Grünland findet sich in Süd-/Südostdeutschland - entsprechend den Gebieten mit hoher Mähfrequenz -, aber auch in Mittel- und Westdeutschland. Die Jahre 2019 und 2020 zeigen höhere Genauigkeiten (F1-
Scores von 0.64 und 0.63), 2018 und 2021 niedrigere (F1-Score von 0.52 und 0.50).
Darüber hinaus wurden mögliche Einflussfaktoren auf die Mahddynamik untersucht. So wurden Klima, Topografie, Bodendaten und Informationen über Schutzmaßnahmen mit der Mahddynamik für das Jahr 2020 in Verbindung gebracht, für welches eine hohe Anzahl gültiger Beobachtungen und eine hohe Erfassungsgenauigkeit erzielt werden konnten. Es zeigte sich, dass es keine starken linearen Beziehungen zwischen der Mahdhäufigkeit oder dem Zeitpunkt der ersten Mahd und den untersuchten Variablen gibt. Es wurde jedoch festgestellt, dass für eine intensive Grünlandnutzung bestimmte klimatische und topografische Bedingungen erfüllt sein müssen, wohingegen extensive Grünlandflächen im gesamten Spektrum dieser Variablen auftreten. Außerdem treten auf Böden mit Grundwassereinfluss höhere und in Schutzgebieten niedrigere Mahdhäufigkeiten auf. Diese Ergebnisse zeigen das komplexe Zusammenspiel zwischen der Dynamik der Grünlandmahd und äußeren Einflüssen und verdeutlichen die Herausforderungen in der gezielten Erstellung von Maßnahmen zum Schutz von Grünland-Ökosystemfunktionen und die Notwendigkeit diese regional anzupassen.
KW  - Grünland
KW  - Erdbeobachtung
KW  - Fernerkundung
KW  - Mähen
KW  - Grünlandnutzung
KW  - Zeitreihe
KW  - Erde
KW  - Sentinel-1
KW  - Sentinel-2
KW  - Enhanced Vegetation Index
KW  - PolSAR
KW  - InSAR
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-322737
ER  -