TY - THES A1 - Conrad, Christopher T1 - Fernerkundungsbasierte Modellierung und hydrologische Messungen zur Analyse und Bewertung der landwirtschaftlichen Wassernutzung in der Region Khorezm (Usbekistan) T1 - Remote sensing based modeling and hydrological measurements for the assessment of agricultural water use in the Khorezm region (Uzbekistan) N2 - Die Bewässerungslandwirtschaft in Mittelasien ist geprägt von schwerwiegenden ökologischen und ökonomischen Problemen. Zur Verbesserung der Situation auf dem hydrologischen Sektor wird daher seitens der mittelasiatischen Interstate Commission for Water Coordination (ICWC) die Einführung des Integrated Water Resource Management (IWRM) gefordert. Wichtige Herausforderungen zur Optimierung der Wassernutzung im Aralsee-Becken sind dabei die Schaffung von Transparenz sowie von Möglichkeiten zur Überwachung der Landnutzung und der Wasserentnahme in den Bewässerungssystemen. Im Detail fokussierte diese Arbeit auf das Bewässerungssystem der Region Khorezm im Unterlauf des Amu Darya südlich des Aralsees. Die Arbeit zielte darauf ab, (1) objektive und konsistente Datengrundlagen zum Monitoring der Landnutzung und des Wasserverbrauchs innerhalb des Bewässerungslandes zu schaffen und (2) auf Basis dieser Ergebnisse die Funktionsweise des Bewässerungssystems zu verstehen sowie die Land- und Wassernutzung der Region zu bewerten. Um diese Ziele zu erreichen, wurden Methoden der Fernerkundung und der Hydrologie miteinander kombiniert. Fernerkundliche Schlüsselgrößen der Arbeit waren die Kartierung der agrarischen Landnutzung und die Modellierung der saisonalen tatsächlichen Evapotranspiration. Es wurde eine Methode vorgestellt, die eine Unterscheidung verschiedener Landnutzungen und Fruchtfolgen der Region durch die temporale Segmentierung von Zeitserien aus 8-tägigen Kompositen von 250 m-Daten des MODIS-Sensors ermöglicht. Durch die mehrfache Anwendung von Recursive Partitioning And Regression Trees auf deskriptive Statistiken von Zeitseriensegmenten konnte eine hohe Stabilität erzielt werden (overall accuracy: 91 %, Kappa-Koeffizient: 0,9). Täglich von MODIS aufgezeichnete Landoberflächentemperaturen (LST) bildeten die Basis zur fernerkundungsbasierten Modellierung der saisonalen tatsächlichen Evapotranspiration (ETact) für die sommerliche Vegetationsperiode. Aufgrund der hohen zeitlichen und groben räumlichen Auflösung der verwendeten MODIS-Daten von 1 km waren leichte Modifikationen des zur Modellierung eingesetzten Surface Energy Balance Algortihm for Land (SEBAL) erforderlich. Zur Modellierung von ETact wurden MODIS-Produkte (LST, Emissionsgrad, Albedo, NDVI und Blattflächenindex) und meteorologische Stationsdaten aus Khorezm verwendet. Die Modellierung des fühlbaren Wärmeflusses, einer Komponente der Energiebilanzgleichung an der Erdoberfläche, erfolgte mittels METRIC (High Resolution and Internalized Calibration), einer Variante des SEBAL. Die Landnutzungsklassifikation fungierte als zentraler Eingangsparameter, um eine automatisierte Auswahl der Ankerpunkte des Models sicherzustellen. Da innerhalb der MODIS-Auflösung aufgrund der Mischpixelproblematik keine homogen feuchten oder trockenen Bedingungen im Bewässerungsgebiet gefunden werden konnten, wurden die Landnutzungsklassifikation, der NDVI und die ASCE-Referenz-Evapotranspiration zur Abschätzung des tatsächlichen Zustands an den Ankerpunkten herangezogen. Weiterhin wurden umfassende Geländemessungen durchgeführt, um in der Vegetationsperiode 2005 die Zu- und Abflussmengen des Wasser von und nach Khorezm zu bestimmen. Die abschließende Bewertung der Land- und Wassernutzung basierte letztendlich auf der Bildung von Wasserbilanzen und der Berechnung anerkannter Performanceindikatoren wie der Ratio aus Drainage und Wasserentnahme oder der depleted fraction. Für die landwirtschaftliche Nutzung im Rayon Khorezm wurde für die Sommersaison 2005 eine Wasserentnahme von 5,38 km3 ermittelt. Damit übertrafen die Messergebnisse die offiziell verfügbaren Daten der ICWC um durchschnittlich 37 %. Auf die landwirtschaftliche Fläche bezogen ergab sich für Khorezm im Jahr 2005 eine mittlere Wasserentnahme von 22.782 m3/ha. In den Subsystemen schwankten diese Werte zwischen 17.000 m3/ha und 30.000 m3/ha. Allerdings konnte an den Systemgrenzen, an denen die Messungen durchgeführt werden, der aus den fernerkundungsbasierten Modellierungen auf WUA-Level erwartete abnehmende Gradient der Wasserentnahme zwischen Oberlauf und Unterlauf nicht nachvollzogen werden. Als Ursache für diese Diskrepanz sind vor allem die Versickerungsverluste im Kanalsystem zu nennen, die den Grundwasserkörper großräumig auffüllen und auf Feldebene nicht zur oberflächlichen Bewässerung zur Verfügung stehen. Monatliche Bilanzierungen und die Analyse der Performanceindikatoren führten zu denselben Ergebnissen. In dieser Arbeit konnte gezeigt werden, dass sich mit Methoden der Fernerkundung objektive und konsistente Daten der agrarischen Landnutzung und des Wasserverbrauchs für ein regionales Monitoring erstellen lassen. Da in den benachbarten Regionen gleiche atmosphärische Bedingungen und ähnliche Anbausorten anzutreffen sind, ist anzunehmen, dass beide Verfahren auch auf der Planungsebene in einem IWRM für die übrigen Mittel- und Unterläufe von Amu Darya und Syr Darya ein hohes Anwendungspotenzial besitzen. N2 - The recently founded states of Middle Asia face serious economical and ecological problems in irrigated agriculture. Thus, the introduction of the Integrated Water Resource Management (IWRM) is one of the major aims of the Interstate Commission for Water Coordination (ICWC) of Middle Asia. This study focuses on the irrigation and drainage systems of Khorezm, located in the lower Amu Darya Basin. The scientific gaols were (1) to generate objective and consistent data to measure agricultural land use and water consumption in irrigated areas of the Khorezm region and (2) to analyze the functioning of the irrigation system to assess the use of land and water. Remote sensing in combination with hydrological measurements and irrigation performance indicators were found suitable to achieve these aims. A method was developed to classify agricultural land use for the entire Khorezm region by temporal segmentation of 8-day 250 m MODIS time series. The application of Recursive Partitioning And Regression Tree (RPART) on temporal segments of the time series enabled stable results and portability with 91% overall accuracy and a Kappa coefficient of 0.9. Daily MODIS 1 km Land Surface Temperature (LST) data were used for modeling seasonal actual evapotranspiration (ETact) of the summer vegetation period. The Surface Energy Balance Algorithm for Land (SEBAL) was slightly modified to account for the coarse spatial resolution of MODIS data and for semi-operational purposes. MODIS 1 km land products (LST, emissivity, albedo, NDVI, and leaf area index), and meteorological data were combined for modeling ETact. The sensible heat flux was calculated according to the METRIC (Mapping EvapoTranspiration at High Resolution and Internalized Calibration) variant of SEBAL. Aggregated to MODIS 1 km scale, the land use classification was the determining parameter to select hot and cold anchor points needed to model sensible heat fluxes automatically. The probability to find completely dry or wet conditions within a 1 km grid is very low. Thus, classification results, NDVI, and ASCE-EWRI reference evapotranspiration (ETref) were used to adjust the estimations of the vertical temperature gradient at the best fitting anchor points (similar to METRIC). Furthermore, flow measurements were recorded for 2005 to generate a hydrological data set for balancing. The water balance was achieved by integrating the remotely sensed evapotranspiration. Additionally, widely accepted irrigation performance indicators such as relative evapotranspiration, drainage over inflow ratio, and depleted fraction were calculated on a monthly base to investigate the functioning of the canal network in Khorezm on regional scale. For agricultural use, withdrawals of 5.38 km3 were measured in the vegetation period 2005. The values were on average 37% higher than the official data of the ICWC. Within the system boundaries water amounts of 22,782 m3/ha were available for irrigation. Comparisons between subsystems showed regional disparities of withdrawals ranging from 17,000 m3/ha to 30,000 m3/ha. The upstream-downstream gradient of irrigation water supply expected from the remote sensing modeling results could not be found at the regional water distribution level. In comparison with the remote sensing results it can be summarized that water consumption at the field level (MODIS pixel) or WUA level does not reflect the water intake at the upstream distribution nodes. Monthly water balances and performance indicators highlighted similar results. During the leaching and the main irrigation period in 2005, an increase of soil moisture and groundwater was recorded. The discharge of groundwater followed the irrigation phase in September. However, even in the main irrigation season (July and August), the average drainage over intake ratio is 45% and in the upper part of the irrigation system almost reaches 60%. This concludes a high potential for water saving. Although high discharges in the regional drainage system were found poor drainage systems are reported at the field level. Evidently the main drainage canals of the region work as large scale groundwater collectors rather than fulfill their designated use to collect saline water from the field level. The study proofed the importance to collect reliable and consistent data for hydrological analyses in Middle Asia. For the Khorezm region the presented remote sensing methods indicated their ability to supply data for hydrological monitoring on a regional scale. Remotely sensed crop rotation patterns and water consumption offered the view on field and WUA levels inside the irrigation water distribution administrations. Both methods are portable to regions with similar crops and good climatic conditions, for instance the middle and lower course of the Amu Darya and Syr Darya River. KW - Charism KW - Fernerkundung KW - Wassernutzung KW - Landwirtschaft KW - Fernerkundung KW - Hydrologische Modellierung KW - Geographische Informationssysteme KW - Landnutzungsklassifikation KW - Usbekistan KW - remote sensing KW - hydrological modelling KW - geographical information systems KW - land use classification KW - Uzbekistan Y1 - 2006 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-20790 ER - TY - JOUR A1 - Krauss, Jochen A1 - Gallenberger, Iris A1 - Steffan-Dewenter, Ingolf T1 - Decreased Functional Diversity and Biological Pest Control in Conventional Compared to Organic Crop Fields N2 - Organic farming is one of the most successful agri-environmental schemes, as humans benefit from high quality food, farmers from higher prices for their products and it often successfully protects biodiversity. However there is little knowledge if organic farming also increases ecosystem services like pest control. We assessed 30 triticale fields (15 organic vs. 15 conventional) and recorded vascular plants, pollinators, aphids and their predators. Further, five conventional fields which were treated with insecticides were compared with 10 non-treated conventional fields. Organic fields had five times higher plant species richness and about twenty times higher pollinator species richness compared to conventional fields. Abundance of pollinators was even more than one-hundred times higher on organic fields. In contrast, the abundance of cereal aphids was five times lower in organic fields, while predator abundances were three times higher and predator-prey ratios twenty times higher in organic fields, indicating a significantly higher potential for biological pest control in organic fields. Insecticide treatment in conventional fields had only a short-term effect on aphid densities while later in the season aphid abundances were even higher and predator abundances lower in treated compared to untreated conventional fields. Our data indicate that insecticide treatment kept aphid predators at low abundances throughout the season, thereby significantly reducing top-down control of aphid populations. Plant and pollinator species richness as well as predator abundances and predator-prey ratios were higher at field edges compared to field centres, highlighting the importance of field edges for ecosystem services. In conclusion organic farming increases biodiversity, including important functional groups like plants, pollinators and predators which enhance natural pest control. Preventative insecticide application in conventional fields has only short-term effects on aphid densities but long-term negative effects on biological pest control. Therefore conventional farmers should restrict insecticide applications to situations where thresholds for pest densities are reached. KW - Landwirtschaft Y1 - 2011 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-69005 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 - Awoye, Oyémonbadé Hervé Rodrigue T1 - Implications of future climate change on agricultural production in tropical West Africa: evidence from the Republic of Benin T1 - Auswirkungen des zukünftigen Klimawandels auf die landwirtschaftliche Produktion im tropischen West Afrika: eine Fallstudie für die Republik Benin N2 - Environmental interlinked problems such as human-induced land cover change, water scarcity, loss in soil fertility, and anthropogenic climate change are expected to affect the viability of agriculture and increase food insecurity in many developing countries. Climate change is certainly the most serious of these challenges for the twenty-first century. The poorest regions of the world – tropical West Africa included – are the most vulnerable due to their high dependence on climate and weather sensitive activities such as agriculture, and the widespread poverty that limits the institutional and economic capacities to adapt to the new stresses brought about by climate change. Climate change is already acting negatively on the poor smallholders of tropical West Africa whose livelihoods dependent mainly on rain-fed agriculture that remains the cornerstone of the economy in the region. Adaptation of the agricultural systems to climate change effects is, therefore, crucial to secure the livelihoods of these rural communities. Since information is a key for decision-making, it is important to provide well-founded information on the magnitude of the impacts in order to design appropriate and sustainable adaptation strategies. Considering the case of agricultural production in the Republic of Benin, this study aims at using large-scale climatic predictors to assess the potential impacts of past and future climate change on agricultural productivity at a country scale in West Africa. Climate signals from large-scale circulation were used because state-of-the art regional climate models (RCM) still do not perfectly resolve synoptic and mesoscale convective processes. It was hypothesised that in rain-fed systems with low investments in agricultural inputs, yield variations are widely governed by climatic factors. Starting with pineapple, a perennial fruit crops, the study further considered some annual crops such as cotton in the group of fibre crops, maize, sorghum and rice in the group of cereals, cowpeas and groundnuts belonging to the legume crops, and cassava and yams which are root and tuber crops. Thus the selected crops represented the three known groups of photosynthetic pathways (i.e. CAM, C3, and C4 plants). In the study, use was made of the historical agricultural yield statistics for the Republic of Benin, observed precipitation and mean near-surface air temperature data from the Climatic Research Unit (CRU TS 3.1) and the corresponding variables simulated by the regional climate model (RCM) REMO. REMO RCM was driven at its boundaries by the global climate model ECHAM 5. Simulations with different greenhouse gas concentrations (SRES-A1B and B1 emission scenarios) and transient land cover change scenarios for present-day and future conditions were considered. The CRU data were submitted to empirical orthogonal functions analysis over the north hemispheric part of Africa to obtain large-scale observed climate predictors and associated consistent variability modes. REMO RCM data for the same region were projected on the derived climate patterns to get simulated climate predictors. By means of cross-validated Model Output Statistics (MOS) approach combined with Bayesian model averaging (BMA) techniques, the observed climate predictors and the crop predictand were further on used to derive robust statistical relationships. The robust statistical crop models perform well with high goodness-of-fit coefficients (e.g. for all combined crop models: 0.49 ≤ R2 ≤ 0.99; 0.28 ≤ Brier-Skill-Score ≤ 0.90). Provided that REMO RCM captures the main features of the real African climate system and thus is able to reproduce its inter-annual variability, the time-independent statistical transfer functions were then used to translate future climate change signal from the simulated climate predictors into attainable crop yields/crop yield changes. The results confirm that precipitation and air temperature governed agricultural production in Benin in general, and particularly, pineapple yield variations are mainly influenced by temperature. Furthermore, the projected yield changes under future anthropogenic climate change during the first-half of the 21st century amount up to -12.5% for both maize and groundnuts, and -11%, -29%, -33% for pineapple, cassava, and cowpeas respectively. Meanwhile yield gain of up to +10% for sorghum and yams, +24% for cotton, and +39% for rice are expected. Over the time period 2001 – 2050, on average the future yield changes range between -3% and -13% under REMO SRES–B1 (GHG)+LCC, -2% and -11% under REMO SRES–A1B (GHG only),and -3% and -14% under REMO SRES–A1B (GHG)+LCC for pineapple, maize, sorghum, groundnuts, cowpeas and cassava. In the meantime for yams, cotton and rice, the average yield gains lie in interval of about +2% to +7% under REMO SRES–B1 (GHG)+LCC, +0.1% and +12% under REMO SRES–A1B (GHG only), and +3% and +10% under REMO SRES–A1B (GHG)+LCC. For sorghum, although the long-term average future yield depicts a reduction there are tendencies towards increasing yields in the future. The results also reveal that the increases in mean air temperature more than the changes in precipitation patterns are responsible for the projected yield changes. As well the results suggest that the reductions in pineapple yields cannot be attributed to the land cover/land use changes across sub-Saharan Africa. The production of groundnuts and in particular yams and cotton will profit from the on-going land use/land cover changes while the other crops will face detrimental effects. Henceforth, policymakers should take effective measures to limit the on-going land degradation processes and all other anthropogenic actions responsible for temperature increase. Biotechnological improvement of the cultivated crop varieties towards development of set of seed varieties adapted to hotter and dry conditions should be included in the breeding pipeline programs. Amongst other solutions, application of appropriate climate-smart agricultural practices and conservation agriculture are also required to offset the negative impacts of climate change in agriculture. N2 - In vielen Entwicklungsländern gefährden Umweltprobleme wie die tiefgreifende Veränderung der Landoberfläche, Wasserknappheit, Bodendegradation und der anthropogene Klimawandel die Leistung¬sfähigkeit der Landwirtschaft und erhöhen so das Risiko von Nahrungs-mittelknappheit. Von diesen miteinander verwobenen Bedrohungen ist der Klimawandel im 21. Jahrhundert sicherlich die bedeutendste. Die höchste Vulnerabilität weisen die ärmsten Regionen der Welt – unter anderen Westafrika – auf, sowohl wegen der großen Bedeutung von klima- und wettersensitiven Wirtschaftsektoren wie der Landwirtschaft als auch wegen der verbreiteten Armut. Diese schränkt die staatlichen und wirtschaftlichen Anpassungs¬kapazitäten an die neuen Herausforderungen durch den Klimawandel ein. Westafrikanische Kleinbauern, deren Lebensunterhalt wesentlich vom traditionellen Regenfeldbau – dem Eckpfeiler der regionalen Wirtschaft – abhängt, bekommen die negativen Auswirkungen bereits zu spüren. Die Adaption der agroökonomischen Systeme an den Klimawandel ist eine unbedingte Notwendigkeit für die Sicherung der Lebensgrundlage dieser ländlichen Gebiete. Da Wissen die Basis für Entscheidungen darstellt, sind belastbare Informationen über das Ausmaß der Auswirkungen wichtig, um angemessene und nachhaltige Anpassungsstrategien zu entwickeln. Am Beispiel der Republik Benin untersucht diese Studie das Potenzial von makroskaligen klimatischen Prädiktoren zur Erfassung und Quantifizierung des potentiellen Einflusses von beobachteten und künftigen Klimaänderungen auf die landwirtschaftliche Produktion eines westafrikanischen Landes. Die Auswirkungen der großskaligen Zirkulation wurden herangezogen, da auch moderne Regionale Klimamodelle (RCMs) Schwierigkeiten haben, klein- oder mesoskalige synoptische und insbesondere konvektive Prozesse überzeugend zu simulieren. Zugrunde liegt die Annahme, dass Schwankungen des landwirtschaftlichen Ertrags in auf Regenfeldbau basierenden landwirtschaftlichen Systemen mit geringen Kapitaleinsatz zu weiten Teilen auf klimatische Faktoren zurückzuführen sind. Untersucht werden die Ananas als perennierende Pflanze sowie einige einjährige Feldfrüchte wie Baumwolle aus der Gruppe der Faserpflanzen, die Getreidearten Mais, Sorghumhirse und Reis, die Hülsenfrüchte Augenbohne und Erdnuss sowie die Knollen- und Wurzelfrüchte Maniok und Yams. Somit repräsentieren die ausgewählten Feldfrüchte die drei bekannten Photosynthese-Wege, nämlich CAM, C3 und C4. Die vorliegende Studie verwendet historische Ertragsstatistiken der Republik Benin, Beobachtungsdaten der Climate Research Unit für den monatlichen Niederschlag sowie die bodennahe Mitteltemperatur (CRU TS 3.1) und die entsprechenden Variablen simuliert durch das REMO RCM. Dieses Regionalmodell wird an seinen Rändern durch das globale Klimamodell ECHAM 5 angetrieben. Es werden Modellsimulationen mit unterschiedlichen Randbedingungen im Hinblick auf Treibhausgaskonzentrationen (die Szenarien SRES-B1 und SRES-A1B) und Veränderungen der Landbedeckung (LCC) berücksichtigt. Mittels Hauptkomponentenanalyse werden aus den CRU-Daten für den nordhemisphärischen Teil Afrikas Zeitreihen und räumliche Muster für großskalige Prädiktoren gewonnen. Um mit diesen konsistente Prädiktoren für die Simulationen zu erhalten, werden die Datenfelder des REMO RCMs auf die so gewonnenen Raummuster projiziert. Für die beobachteten Zeitreihen der Prädiktoren und die zeitliche Entwicklung der unterschiedlichen Feldfrüchte als Prädiktant werden mittels eines kombinierten Ansatzes aus kreuzvalidierten Model Output Statistics (MOS) und Bayesian Model Averaging (BMA) Techniken robuste statistische Zusammenhänge erfasst. Die resultierenden statistischen Modelle zeigen gute Performance, beispielsweise gilt für alle erzeugten Modelle 0,49 ≤ R² ≤ 0,99 und 0,28 ≤ Brier-Skill-Score ≤ 0,90. Da das REMO RCM die Hauptcharakteristika des beobachteten Klimas in Afrika erzeugt und daher die interannuelle Variabilität realistisch reproduziert, können mithilfe der zeitunabhängigen statistischen Transferfunktionen Klimaänderungssignale, gewonnen aus den simulierten Prädiktoren, in zu erwartende Veränderungen der Ernteerträge übersetzt werden. Die Ergebnisse bestätigen, dass Niederschlag und bodennahe Temperatur allgemein die landwirtschaftliche Produktion bestimmen und insbesondere die Schwankungen in den Ananas¬-erträgen primär thermisch bedingt scheinen. Weiterhin finden sich unter den simulierten künftigen Klimabedingungen projizierte Ertragsänderungen von bis zu -12,5% für Mais und Erdnuss und -11% , -29% und -33% für Ananas, Maniok und Augenbohne. Zugleich werden Ertragssteigerungen von +10% für Sorghumhirse und Yams, +24% für Baumwolle und +39% für Reis projiziert. Diese Änderungen sind abhängig von den Randbedingungen. Im Mittel betragen die simulierten Änderungen der Erträge während der Periode von 2001 bis 2050 zwischen -13% und -3% für SRES-B1 + LCC, -11% und -2% für SRES-A1B sowie -14% bis -3% für SRES-A1B + LCC für Ananas, Mais, Sorghumhirse, Erdnuss, Augenbohne und Maniok. Daneben finden sich für Yams, Baumwolle und Reis Zuwächse im Ernteertrag, die in Intervallen zwischen +2% bis +7% für SRES-B1 + LCC, +0.1% bis +12% für SRES-A1B und +3% bis +10% für SRES-A1B + LCC liegen. Obwohl die durchschnittliche Veränderung im Ertrag der Sorghumhirse negativ ist, lassen sich auch Tendenzen hin zu positiven Veränderungen feststellen. Die Ergebnisse zeigen zudem, dass die projizierte Zunahme der mittleren Lufttemperatur die simulierten Ernteerträge stärker beeinflusst als Veränderungen in den Niederschlagsmustern. Weiterhin scheint im Fall der Ananas der simulierte Rückgang im Ertrag nicht auf Veränderungen bei Landnutzung oder Landoberflächenbedeckung im subsaharischen Afrika zurückführbar. Die Erdnuss- und insbesondere Yams- und Baumwollerzeugung werden von den Veränderungen in der Landoberflächenbedeckung, die für die übrigen Feldfrüchte nachteilige Effekte bedeuten, profitieren. Zukünftig sollten politische Entscheidungsträger wirksame Maßnahmen einleiten, um die fortschreitende Landdegradation sowie alle anderen anthropogenen Prozesse, die zur globalen Erwärmung beitragen, einzuschränken. Biotechnologische Verbesserungen der verwendeten Nutzpflanzen, um an heißere und trockenere Bedingungen angepasste Varianten zu erzeugen, sollten in die bestehenden Aufzuchtprogramme integriert werden. Weiterhin sind unter anderem die Anwendung von geeigneten, klimaintelligenten landwirtschaftlichen Verfahren sowie eine nachhaltige Agrarwirtschaft notwendig, um die Schäden des Klimawandels auf die Landwirtschaft auszugleichen. KW - Benin KW - Klimaänderung KW - climate change impact KW - large-scale climate circulation KW - West Africa KW - food security KW - agriculture KW - Agrarproduktion KW - Klimawandel KW - Landwirtschaft Y1 - 2015 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-122887 ER - TY - THES A1 - Knauer, Kim T1 - Vegetation Dynamics in West Africa - Spatio-temporal Data Fusion for the Monitoring of Agricultural Expansion T1 - Vegetationsdynamik in Westafrika - Raumzeitliche Datenfusion zur Kartierung landwirtschaftlicher Expansion N2 - West Africa is one of the fastest growing regions in the world with annual population growth rates of more than three percent for several countries. Since the 1950s, West Africa experienced a fivefold increase of inhabitants, from 71 to 353 million people in 2015 and it is expected that the region’s population will continue to grow to almost 800 million people by the year 2050. This strong trend has and will have serious consequences for food security since agricultural productivity is still on a comparatively low level in most countries of West Africa. In order to compensate for this low productivity, an expansion of agricultural areas is rapidly progressing. The mapping and monitoring of agricultural areas in West Africa is a difficult task even on the basis of remote sensing. The small scale extensive farming practices with a low level of agricultural inputs and mechanization make the delineation of cultivated land from other land cover and land use (LULC) types highly challenging. In addition, the frequent cloud coverage in the region considerably decreases the availability of earth observation datasets. For the accurate mapping of agricultural area in West Africa, high temporal as well as spatial resolution is necessary to delineate the small-sized fields and to obtain data from periods where different LULC types are distinguishable. However, such consistent time series are currently not available for West Africa. Thus, a spatio-temporal data fusion framework was developed in this thesis for the generation of high spatial and temporal resolution time series. Data fusion algorithms such as the Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) enjoyed increasing popularity during recent years but they have hardly been used for the application on larger scales. In order to make it applicable for this purpose and to increase the input data availability, especially in cloud-prone areas such as West Africa, the ESTARFM framework was developed in this thesis introducing several enhancements. An automatic filling of cloud gaps was included in the framework in order to use even partly cloud-covered Landsat images for the fusion without producing gaps on the output images. In addition, the ESTARFM algorithm was improved to automatically account for regional differences in the heterogeneity of the study region. Further improvements comprise the automation of the time series generation as well as the significant acceleration of the processing speed through parallelization. The performance of the developed ESTARFM framework was tested by fusing an 8-day NDVI time series from Landsat and MODIS data for a focus area of 98,000 km² in the border region between Burkina Faso and Ghana. The results of this test show the capability of the ESTARFM framework to accurately produce high temporal resolution time series while maintaining the spatial detail, even in such a heterogeneous and cloud-prone region. The successfully tested framework was subsequently applied to generate consistent time series as the basis for the mapping of agricultural area in Burkina Faso for the years 2001, 2007, and 2014. In a first step, high temporal (8-day) and high spatial (30 m) resolution NDVI time series for the entire country and the three years were derived with the ESTARFM framework. More than 500 Landsat scenes and 3000 MODIS scenes were automatically processed for this purpose. From the fused ESTARFM NDVI time series, phenological metrics were extracted and together with the single time steps of NDVI served as input for the delineation of rainfed agricultural areas, irrigated agricultural areas and plantations. The classification was conducted with the random forest algorithm at a 30 m spatial resolution for entire Burkina Faso and the three years 2001, 2007, and 2014. For the training and validation of the classifier, a randomly sampled reference dataset was generated from Google Earth images based on expert knowledge of the region. The overall classification accuracies of 92% (2001), 91% (2007), and 91% (2014) indicate the well-functioning of the developed methodology. The resulting maps show an expansion of agricultural area of 91% from about 61,000 km² in 2001 to 116,900 km² in 2014. While rainfed agricultural areas account for the major part of this increase, irrigated areas and plantations also spread considerably. Especially the expansion of irrigation systems and plantation area can be explained by the promotion through various national and international development projects. The increase of agricultural areas goes in line with the rapid population growth in most of Burkina Faso’s provinces which still had available land resources for an expansion of agricultural area. An analysis of the development of agricultural areas in the vicinity of protected areas highlighted the increased human pressure on these reserves. The protection of the remnant habitats for flora and fauna while at the same time improving food security for a rapidly growing population, are the major challenges for the region in the future. The developed ESTARFM framework showed great potential beyond its utilization for the mapping of agricultural area. Other large-scale research that requires a sufficiently high temporal and spatial resolution such as the monitoring of land degradation or the investigation of land surface phenology could greatly benefit from the application of this framework. N2 - Westafrika ist eine der am schnellsten wachsenden Regionen der Welt. Das jährliche Bevölkerungswachstum liegt in mehreren Ländern der Region über drei Prozent. Seit den 1950er Jahren erlebte Westafrika eine fünffache Zunahme der Einwohner, von 71 auf 353 Millionen Menschen im Jahr 2015 und es wird erwartet, dass die Bevölkerung der Region bis zum Jahr 2050 auf fast 800 Millionen Menschen steigen wird. Dieser Trend hat ernsthafte Konsequenzen für die Nahrungsmittelsicherheit, da die landwirtschaftliche Produktivität in den meisten Ländern Westafrikas immer noch auf einem vergleichsweise niedrigen Niveau liegt. Um diese geringe Produktivität zu kompensieren, schreitet die Ausweitung der landwirtschaftlichen Flächen rasch voran. Die Kartierung und Überwachung der landwirtschaftlichen Gebiete in Westafrika ist eine schwierige Aufgabe, auch auf der Basis der Fernerkundung. Die kleinräumigen, extensiven Anbaumethoden mit geringem landwirtschaftlichen Input und mangelnder Mechanisierung stellen für die Abgrenzung der Anbauflächen von anderen Landbedeckungs- und Landnutzungstypen (LULC) eine große Herausforderung dar. Darüber hinaus wird die Verfügbarkeit von Erdbeobachtungsdaten durch häufige Wolkenbedeckung in der Region erheblich reduziert. Für die genaue Kartierung der landwirtschaftlichen Fläche in Westafrika ist eine hohe zeitliche sowie räumliche Auflösung notwendig, um die meist kleinen Felder abgrenzen zu können und Daten aus Zeiträumen zu erhalten, in denen unterschiedliche LULC-Typen unterscheidbar sind. Allerdings sind solch konsistente Zeitreihen für Westafrika derzeit nicht verfügbar. Daher wurde in dieser Arbeit ein raum-zeitliches Datenfusions-Framework entwickelt, um räumlich und zeitlich hoch aufgelöste Zeitreihen zu erzeugen. Daten-Fusions-Algorithmen wie das Enhanced Spatial and Temporal Adaptive Reflectance Fusion Model (ESTARFM) erfreuten sich in den letzten Jahren zunehmender Beliebtheit, wurden aber kaum auf größeren Skalen verwendet. Um die Nutzbarkeit für diesen Zweck zu verbessern und die Verfügbarkeit der Eingangsdaten vor allem in wolkenreichen Gebieten wie Westafrika zu erhöhen, wurde das ESTARFM-Framework in dieser Arbeit entwickelt. In diesem Framework wurden mehrere Verbesserungen eingebaut. Ein automatisches Füllen von Wolkenlücken wurde eingefügt, um auch teilweise wolkenbedeckte Landsat-Bilder für die Fusion zu verwenden, ohne Lücken auf den Ausgabebildern zu erzeugen. Darüber hinaus wurde der ESTARFM-Algorithmus verbessert, um regionale Unterschiede in der Heterogenität der Studienregion automatisch zu berücksichtigen. Weitere Verbesserungen umfassen die Automatisierung der Zeitreihenerzeugung sowie die signifikante Beschleunigung der Prozessierungsgeschwindigkeit mittels Parallelisierung. Die Leistungsfähigkeit des entwickelten ESTARFM-Frameworks wurde durch die Fusion einer 8-tägigen NDVI-Zeitreihe aus Landsat- und MODIS-Daten für ein Fokusgebiet von 98.000 km² im Grenzgebiet zwischen Burkina Faso und Ghana getestet. Die Ergebnisse dieses Tests demonstrieren die Fähigkeit des ESTARFM-Frameworks, genaue, zeitlich hoch aufgelöste Zeitreihen zu erzeugen, die die räumlichen Details auch in einer solch heterogenen und wolkenreichen Region bewahren können. Das erfolgreich getestete Framework wurde anschließend angewendet um konsistente Zeitreihen zu erzeugen, die als Grundlage für die Kartierung der landwirtschaftlichen Fläche in Burkina Faso für die Jahre 2001, 2007 und 2014 dienten. In einem ersten Schritt wurden mittels des ESTARFM-Frameworks zeitlich (8 Tage) und räumlich (30 m) hoch aufgelöste NDVI-Zeitreihen für das ganze Land und die drei Jahre abgeleitet. Mehr als 500 Landsat- und 3000 MODIS-Szenen wurden zu diesem Zweck automatisch verarbeitet. Aus den fusionierten ESTARFM NDVI-Zeitreihen wurden phänologische Metriken extrahiert und zusammen mit den einzelnen NDVI-Zeitschnitten als Basis für die Abgrenzung von Regenfeldbau, bewässerten landwirtschaftlichen Flächen und Plantagen genutzt. Die Klassifikation wurde mit dem Random-Forest-Algorithmus in einer räumlichen Auflösung von 30 m für ganz Burkina Faso und die drei Jahre 2001, 2007 und 2014 durchgeführt. Basierend auf Expertenkenntnissen der Region wurde ein zufällig beprobter Referenzdatensatz aus Google-Earth-Bildern generiert, der für die Kalibrierung und Validierung des Klassifikators diente. Die Klassifikationsgenauigkeiten von 92% (2001), 91% (2007) und 91% (2014) demonstrieren die Leistungsfähigkeit der entwickelten Methodik. Die daraus erzeugten Karten zeigen eine Ausweitung der landwirtschaftlichen Fläche um 91%, von etwa 61.000 km² im Jahr 2001 auf 116.900 km² im Jahr 2014. Während der Regenfeldbau den größten Teil dieser Zunahme ausmacht, haben sich auch bewässerte Flächen und Plantagen erheblich ausgebreitet. Insbesondere die Ausweitung der Bewässerungssysteme und der Plantagenfläche lässt sich mit der Förderung durch verschiedene nationale und internationale Entwicklungsprojekte erklären. Die Zunahme der landwirtschaftlichen Gebiete geht einher mit dem raschen Bevölkerungswachstum in den meisten Provinzen Burkina Fasos, welche noch über ungenutzte Landressourcen verfügen. Eine Analyse der Entwicklung der landwirtschaftlichen Fläche im Umland von Schutzgebieten verdeutlicht den erhöhten anthropogenen Druck auf diese Reservate. Der Schutz der verbliebenen Habitate für Flora und Fauna bei gleichzeitiger Verbesserung der Nahrungsmittelsicherheit für eine schnell wachsende Bevölkerung stellen die großen Herausforderungen für die Zukunft der Region dar. Das entwickelte ESTARFM-Framework zeigt großes Potenzial für weitere Anwendungen, die über die Kartierung landwirtschaftlicher Fläche hinausgehen. Großflächige Forschung, die eine hinreichend hohe zeitliche und räumliche Auflösung erfordern, wie die Überwachung von Bodendegradation oder die Untersuchung von Phänologie der Landoberfläche, könnten von der Anwendung des ESTARFM-Framework erheblich profitieren. KW - Fernerkundung KW - Landwirtschaft KW - Westafrika Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-164776 ER - TY - BOOK A1 - Wagner, Horst-Günter T1 - Bodenerosion in der Agrarlandschaft des Taubertales N2 - Die hier vorgelegte geographisch-historische Abhandlung basiert auf dem Vergleich von zwei im zeitlichen Abstand von ca 60 Jahren (1958/59 = Dissertation und 2016/17 = wiederholendes Geländeprojekt) erfolgten Untersuchungen zum Verlauf und zum morphologischen Ergebnis von Bodenerosion nach akuten Starkregen sowie infolge schleichend-langfristiger Abspülung von Feinboden in verschiedenen Relieftypen des Taubertalgebietes. Alle Vorgänge der Bodenabtragung erfuhren erhebliche Differenzierung durch die unterschiedlichen Verfahren der landwirtschaftlichen Nutzung (z.B. Weinbau, Ackerbau,Viehhaltung). In zeitlichem Vergleich der einzelnen Lokalitäten und Fallstudien (Kartierung, Fotografie, Datenerfassung)konnte einerseits Abschwächung, andererseits Verstärkung der Bodenabspülung festgesetllt werden. Um längerfristig rückblickend die Wirkungsweise der flächen- u. linienhaften Bodenabtragung einzubeziehen, wurden historisch-archivalische Berichte über Folgen von Witterungsereignissen einbezogen und als Auswahl entsprechend der verschiedenen Bodennutzungsarten zusammengestellt. Diese Belege geben Aufschluss über historische Methoden und Techniken zur Verminderung erosionsbedingter Bodenverluste und damit zur Vermeidung existenzmindernder Ernteschäden. Mit diesem Rückblick ergaben sich auch Hinweise auf Phasen historisch-klimatisch veränderter Niederschlagsregime. Im Hinblick auf die durch den Klimawandel zu erwartende Zunahme der Starkregenanteile ergibt sich die Notwendigkeit, den Oberflächenabfluss von Regenmengen und damit deren Erosionskraft durch bodenschonende Nutzungsweisen zu verlangsamen. KW - Taubertal KW - soil erosion KW - Landwirtschaft KW - Weinbau KW - Geschichte KW - Bodenerosion KW - Klimawandel KW - denudation Y1 - 2019 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-192464 SN - 0931-8623 PB - Institut für Geographie und Geologie ER - TY - THES A1 - Redlich, Sarah T1 - Opportunities and obstacles of ecological intensification: Biological pest control in arable cropping systems T1 - Chancen und Hürden Ökologischer Intensivierung: Biologische Schädlingsbekämpfung im Ackerbau N2 - Modern agriculture is the basis of human existence, a blessing, but also a curse. It provides nourishment and well-being to the ever-growing human population, yet destroys biodiversity-mediated processes that underpin productivity: ecosystem services such as water filtration, pollination and biological pest control. Ecological intensification is a promising alternative to conventional farming, and aims to sustain yield and ecosystem health by actively managing biodiversity and essential ecosystem services. Here, I investigate opportunities and obstacles for ecological intensification. My research focuses on 1) the relative importance of soil, management and landscape variables for biodiversity and wheat yield (Chapter II); 2) the influence of multi-scale landscape-level crop diversity on biological pest control in wheat (Chapter III) and 3) on overall and functional bird diversity (Chapter IV). I conclude 4) by introducing a guide that helps scientists to increase research impact by acknowledging the role of stakeholder engagement for the successful implementation of ecological intensification (Chapter V). Ecological intensification relies on the identification of natural pathways that are able to sustain current yields. Here, we crossed an observational field study of arthropod pests and natural enemies in 28 real-life wheat systems with an orthogonal on-field insecticide-fertilizer experiment. Using path analysis, we quantified the effect of 34 factors (soil characteristics, recent and historic crop management, landscape heterogeneity) that directly or indirectly (via predator-prey interactions) contribute to winter wheat yield. Reduced soil preparation and high crop rotation diversity enhanced crop productivity independent of external agrochemical inputs. Concurrently, biological control by arthropod natural enemies could be restored by decreasing average field sizes on the landscape scale, extending crop rotations and reducing soil disturbance. Furthermore, reductions in agrochemical inputs decreased pest abundances, thereby facilitating yield quality. Landscape-level crop diversity is a promising tool for ecological intensification. However, biodiversity enhancement via diversification measures does not always translate into agricultural benefits due to antagonistic species interactions (intraguild predation). Additionally, positive effects of crop diversity on biological control may be masked by inappropriate study scales or correlations with other landscape variables (e.g. seminatural habitat). Therefore, the multiscale and context-dependent impact of crop diversity on biodiversity and ecosystem services is ambiguous. In 18 winter wheat fields along a crop diversity gradient, insect- and bird-mediated pest control was assessed using a natural enemy exclusion experiment with cereal grain aphids. Although birds did not influence the strength of insect-mediated pest control, crop diversity (rather than seminatural habitat cover) enhanced aphid regulation by up to 33%, particularly on small spatial scales. Crop diversification, an important Greening measure in the European Common Agricultural Policy, can improve biological control, and could lower dependence on insecticides, if the functional identity of crops is taken into account. Simple measures such as ‘effective number of crop types’ help in science communication. Although avian pest control did not respond to landscape-level crop diversity, birds may still benefit from increased crop resources in the landscape, depending on their functional grouping (feeding guild, conservation status, habitat preference, nesting behaviour). Observational studies of bird functional diversity on 14 wheat study fields showed that non-crop landscape heterogeneity rather than crop diversity played a key role in determining the richness of all birds. Insect-feeding, non-farmland and non-threatened birds increased across multiple spatial scales (up to 3000 m). Only crop-nesting farmland birds declined in heterogeneous landscapes. Thus, crop diversification may be less suitable for conserving avian diversity, but abundant species benefit from overall habitat heterogeneity. Specialist farmland birds may require more targeted management approaches. Identifying ecological pathways that favour biodiversity and ecosystem services provides opportunities for ecological intensification that increase the likelihood of balancing conservation and productivity goals. However, change towards a more sustainable agriculture will be slow to come if research findings are not implemented on a global scale. During dissemination activities within the EU project Liberation, I gathered information on the advantages and shortcomings of ecological intensification and its implementation. Here, I introduce a guide (‘TREE’) aimed at scientists that want to increase the impact of their research. TREE emphasizes the need to engage with stakeholders throughout the planning and research process, and actively seek and promote science dissemination and knowledge implementation. This idea requires scientists to leave their comfort zone and consider socioeconomic, practical and legal aspects often ignored in classical research. Ecological intensification is a valuable instrument for sustainable agriculture. Here, I identified new pathways that facilitate ecological intensification. Soil quality, disturbance levels and spatial or temporal crop diversification showed strong positive correlations with natural enemies, biological pest control and yield, thereby lowering the dependence on agrochemical inputs. Differences between functional groups caused opposing, scale-specific responses to landscape variables. Opposed to our predictions, birds did not disturb insect-mediated pest control in our study system, nor did avian richness relate to landscape-level crop diversity. However, dominant functional bird groups increased with non-crop landscape heterogeneity. These findings highlight the value of combining different on-field and landscape approaches to ecological intensification. Concurrently, the success of ecological intensification can be increased by involving stakeholders throughout the research process. This increases the quality of science and reduces the chance of experiencing unscalable obstacles to implementation. N2 - Die moderne Landwirtschaft ist die Grundlage menschlichen Lebens, ein Segen, aber auch ein Fluch. Sie stellt Nahrung und Wohlstand für die immerfort wachsende menschliche Bevölkerung bereit, und zerstört gleichzeitig Biodiversitäts-geförderte Prozesse, welche die Produktivität unterstützen: Ökosystemdienstleistungen wie Wasseraufbereitung, Bestäubung und biologische Schädlingsbekämpfung. Ökologische Intensivierung ist eine vielversprechende Alternative zur konventionellen Landwirtschaft, und zielt darauf aus, Erträge und die Gesundheit von Ökosystemen zu erhalten indem Biodiversität und essentielle Ökosystemdienstleistungen aktiv gemanagt werden. In meiner Doktorarbeit untersuche ich die Chancen und Hürden Ökologischer Intensivierung. Das Hauptinteresse meiner Forschung liegt bei 1) der relativen Bedeutung von Boden, Bewirtschaftung und Landschaftsaspekten für Biodiversität und Weizenerträge (Kapitel II); 2) dem Einfluss regionaler Anbauvielfalt auf verschiedenen räumlichen Skalen auf die biologische Schädlingsbekämpfung in Weizen (Kapitel III) und 3) auf die gesamte und funktionelle Artenvielfalt von Vögeln (Kapitel IV). Zum Schluss 4) stelle ich einen Leitfaden vor, der Wissenschaftlern hilft die Wirkung ihrer Forschung zu erhöhen, indem die fundamentale Rolle von Stakeholdern für die Umsetzung Ökologischer Intensivierung besser genutzt wird (Kapitel V). Ökologische Intensivierung bedarf der Identifizierung von natürlichen Prozessen, die zum Erhalt landwirtschaftlicher Erträge beitragen. Zu diesem Zweck verknüpften wir eine Beobachtungsstudie, in der Schädlinge und natürliche Gegenspieler in 28 realen Weizen Anbausystem aufgenommen wurden, mit einem orthogonalen Feldexperiment (Insektizid und mineralische Düngung). Anhand einer Pfadanalyse quantifizierten wir den Einfluss von 34 Faktoren (Bodencharakteristiken, gegenwärtige und vergangene Bewirtschaftung, Landschaftsheterogenität), die direkt oder indirekt (über Räuber-Beute-Interaktionen) Einfluss auf den Winterweizenertrag ausüben. Reduzierte Bodenbearbeitung und vielfältige Fruchtfolgen erhöhten die Erträge unabhängig von der Ausbringung von Agrochemikalien. Gleichzeitig könnte die biologische Schädlingsbekämpfung durch räuberische Insekten wiederhergestellt werden, indem durchschnittliche Schlaggrößen auf der Landschaftsebene verringert, Fruchtfolgen erweitert und die Bodenbearbeitung reduziert wird. Des Weiteren senkte der Verzicht auf Agrochemikalien das Schädlingsaufkommen einiger Arten, und trug zu einer höheren Ertragsqualität bei. Regionale Anbauvielfalt ist ein vielversprechendes Mittel zur Ökologischen Intensivierung. Doch die Erhöhung der Artenvielfalt durch Diversifizierungsmaßnahmen führt nicht immer zu Vorteilen in der Landwirtschaft, vor allem auf Grund antagonistischer Wechselwirkungen zwischen verschiedenen Arten (intraguild predation). Weiterhin können positive Effekte der Anbauvielfalt durch die Wahl der falschen räumlichen Skala oder durch Korrelationen mit anderen Landschaftsvariablen (z.B. halbnatürliche Habitate) überdeckt werden. Aus diesem Grund bestehen Unklarheiten über die Wirkung von Anbauvielfalt auf Biodiversität und Ökosystemdienstleistungen in unterschiedlichen räumlichen Skalen und Kontexten. Durch Ausschlussexperimente mit Getreideblattläusen untersuchten wir die biologische Schädlingsbekämpfung durch räuberische Insekten und Vögel in 18 Winterweizenfeldern innerhalb eines Landschaftsgradienten der Anbauvielfalt. Vögel hatten keinen Einfluss auf die biologische Schädlingsbekämpfung durch Insekten. Anbauvielfalt (nicht das Vorkommen halbnatürlicher Habitate) erhöhte die Schädlingsbekämpfung um bis zu 33%, vor allem auf kleinen räumlichen Skalen. Somit kann die Steigerung der Anbauvielfalt, eine wichtige Säule der Europäischen Gemeinsamen Agrarpolitik, die biologische Schädlingsbekämpfung verbessern und den Einsatz von Agrochemikalien verringern, solange die funktionelle Gruppe der Anbaupflanzen berücksichtigt wird. Einfache Maßeinheiten wie die ‘effektive Anzahl an Kulturpflanzengruppen‘ helfen in der Kommunikation wissenschaftlicher Ergebnisse. Obwohl die Schädlingsbekämpfung durch Vögel nicht durch regionale Anbauvielfalt beeinflusst wurde, könnten Vögel, abhängig von der Zugehörigkeit zu bestimmten funktionellen Gruppen (Ernährung, Gefährdungsstatus, Lebensraum, Nistplatzwahl), dennoch von erhöhten Ressourcen auf landwirtschaftlichen Flächen profitieren. In einer Beobachtungsstudie wurde die funktionelle Vielfalt von Vögeln auf 14 Winterweizenfeldern aufgenommen. Die Studie zeigte, dass die nicht agrarisch genutzte Landschaftsheterogenität im Vergleich zur regionalen Anbauvielfalt eine übergeordnete Rolle für die Artenvielfalt spielte, vor allem für Insektenfresser, Vögel die außerhalb landwirtschaftlicher Flächen siedeln oder nicht in ihrem Bestand gefährdet sind. Effekte waren auf allen Skalen sichtbar (bis zu 3000m). Nur Acker-nistende Agrarvögel zeigten negative Beziehungen zu Landschaftsheterogenität. Der Nutzen der Anbaudiversifizierung scheint weniger Bedeutung für den Vogelschutz zu haben als die übergeordnete Vielfalt der Landschaft, welche den Artenreichtum häufiger Vogelarten erhöhte. Spezialisierte Vogelarten dagegen bedürfen eines gezielten, angepassten Managements. Um Ökologische Intensivierung voranzutreiben und ein Gleichgewicht zwischen Naturschutz- und Produktivitätszielen zu erreichen, bedarf es der Identifikation ökologischer Prozesse, die zur Steigerung von Biodiversität und Ökosystemdienstleistungen beitragen. Doch der die Wende zu einer nachhaltigeren Landwirtschaft wird nur langsam voran schreiten, wenn Forschungsergebnisse nicht global umgesetzt werden. Während der Öffentlichkeitsarbeit im EU Projekt Liberation konnte ich Informationen über die Vor- und Nachteile Ökologischer Intensivierung und deren Umsetzung sammeln. Hier stelle ich einen Leitfaden (‘TREE’) vor, der Wissenschaftlern helfen soll die Wirkung ihrer Forschung zu erhöhen. TREE verdeutlicht wie wichtig es ist, Stakeholder in den Planungs- und Forschungsprozess eines Projektes mit einzubeziehen, und aktiv die Verbreitung von Wissen und die Umsetzung wissenschaftlicher Ergebnisse voranzutreiben. TREE fordert Wissenschaftler dazu auf, die eigene Komfortzone zu verlassen und sozioökonomische, praktische und rechtliche Aspekte zu berücksichtigen, welche oft in der klassischen Forschung unbeachtet bleiben. Ökologische Intensivierung ist ein bedeutender Schritt in Richtung nachhaltige Landwirtschaft. In dieser Arbeit identifiziere ich neue Wege zur ökologischen Intensivierung. Bodenqualität, Störungsgrad des Bodens und die räumliche oder zeitliche Anbauvielfalt zeigten starke positive Korrelationen mit natürlichen Gegenspielern, biologischer Schädlingsbekämpfung und Erträgen auf, wodurch die Abhängigkeit von Agrochemikalien verringert wird. Unterschiede zwischen funktionellen Gruppen verursachten gegensätzliche Beziehungen zu Landschaftsvariablen auf verschiedenen räumlichen Skalen. Entgegen unserer Erwartungen nahmen Vögel in unserem System keinen Einfluss auf die biologische Schädlingsbekämpfung durch Insekten. Die Vogelvielfalt war außerdem unbeeinflusst von der regionalen Anbauvielfalt. Doch dominante funktionelle Vogelgruppen profitieren von der Vielfalt nicht agrarisch genutzter Landschaftsaspekte. Diese Ergebnisse betonen den Wert einer Mischung aus unterschiedlichen lokalen und landschaftsbezogenen Ansätzen zur Ökologischen Intensivierung. Gleichzeitig kann der Erfolg Ökologischer Intensivierung vor allem dadurch erhöht werden, dass Stakeholder in den Forschungsprozess eingebunden werden. Dies steigert die Qualität der Forschung und reduziert die Wahrscheinlichkeit, während der Umsetzung auf unüberwindbare Hürden zu stoßen. KW - Ökologische Intensivierung KW - Biologische Schädlingsbekämpfung KW - Landwirtschaft KW - Artensterben KW - Ökosystemdienstleistungen KW - Öffentlichkeitsarbeit KW - ecological intensification KW - biological pest control KW - agriculture KW - public outreach KW - ecosystem services KW - sustainable farming Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-171228 ER - TY - THES A1 - Keupp, Luzia Esther T1 - Hochaufgelöste Erfassung zukünftiger Klimarisiken für Land- und Forstwirtschaft in Unterfranken T1 - High resolution assessment of future climate risks for agriculture and forestry in Lower Franconia N2 - Das Klima und seine Veränderungen wirken sich direkt auf die Land- und Forstwirtschaft aus. Daher ist die Untersuchung der zukünftigen Klimarisiken für diese Sektoren von hoher Relevanz. Dies ist auch und vor allem für den schon heute weiträumig trockheitsgeprägten und vom Klimawandel besonders betroffenen nordwestbayerischen Regierungsbezirk Unterfranken der Fall, dessen Gebiet zu über 80 % land- oder forstwirtschaftlich genutzt wird. Zur Untersuchung der Zukunft in hoher räumlicher Auflösung werden Projektionen von regionalen Klimamodellen genutzt. Da diese jedoch Defizite in der Repräsentation des beobachteten Klimas der Vergangenheit aufweisen, sollte vor der weiteren Verwendung eine Anpassung der Daten erfolgen. Dies geschieht in der vorliegenden Arbeit am Beispiel des regionalen Klimamodells REMO im Bezug auf klimatische Kennwerte für Trockenheit, Starkniederschlag, Hitze sowie (Spät-)Frost, die alle eine hohe land- und forstwirtschaftliche Bedeutung besitzen. Die Datenanpassung erfolgt durch zwei verschiedene Ansätze. Zum Einen wird eine Biaskorrektur der aus Globalmodell-angetriebenen REMO-Daten berechneten Indizes durch additive und multiplikative Linearskalierung sowie empirische und parametrische Verteilungsanpassung durchgeführt. Zum Anderen wird ein exploratives Verfahren auf Basis von Model Output Statistics angewandt: Lokale und großräumige atmosphärische Variablen von REMO mit Reanalyseantrieb, die eine zeitliche Korrespondenz zu den Beobachtungen aufweisen, dienen als Prädiktoren für die Aufstellung von Transferfunktionen zur Simulation der Indizes. Diese Transferfunktionen werden sowohl mithilfe Multipler Linearer Regression als auch mit verschiedenen Generalisierten Linearen Modellen konstruiert. Sie werden anschließend genutzt, um Analysen auf Basis von biaskorrigierten Globalmodell-angetriebenen REMO-Prädiktoren durchzuführen. Sowohl für die Biaskorrektur als auch die Model Output Statistics wird eine Kreuzvalidierung durchgeführt, um die Ergebnisse unabhängig vom jeweiligen Trainingszeitraum zu untersuchen und die jeweils besten Varianten zu finden. Werden beide Verfahren mit ihren Unterkategorien für den gesamten historischen Modellzeitraum verglichen, so weist für alle Monat-Kennwert-Kombinationen eine der beiden Verteilungskorrekturen die besten Ergebnisse auf. Die Zukunftsprojektionen unter Verwendung der jeweils erfolgreichsten Methode zeigen im regionalen Durchschnitt für das 21. Jahrhundert negative Trends der (Spät-)Frost- und Eis- sowie positive Trends der Hitzetagehäufigkeit. Winterliche Starkregenereignisse nehmen hinsichtlich ihrer Anzahl zu, im Sommer verstärkt sich die Trockenheit. Die Hinzunahme zwei weiterer regionaler Klimamodelle bestätigt die allgemeinen Zukunftstrends, jedoch ergeben sich beim Spätfrost Widersprüche, wenn dieser hinsichtlich der thermisch abgegrenzten Vegetationsperiode definiert wird. Zusätzlich werden die Model Output Statistics auf gleiche Weise mit bodennahen Prädiktoren zur Simulation von Erträgen aus Acker- und Weinbau wiederholt. Die Güte kann aufgrund mangelnder Beobachtungsdatenlänge nur anhand der Reanalyse-angetriebenen REMO-Daten abgeschätzt werden, ist hierbei jedoch deutlich besser als im Bezug auf die Kennwertsimulation. Die Zukunftsprojektionen von REMO sowie drei weiterer Regionalmodelle zeigen im Mittel über alle Landkreise Unterfrankens steigende Winter- sowie sinkende Sommerfeldfruchterträge. Hinsichtlich der Frankenweinerträge widersprechen sich die Ergebnisse der drei Klassen Weiß-, Rot- und Gesamtwein insofern, als dass REMO und ein weiteres Modell negative Weiß- und Rotweinertragstrends, jedoch positive Gesamtweinertragstrends simulieren. Die zwei anderen verwendeten Modelle führen durch positive Trendvorzeichen für den Weißwein zu insgesamt kohärenten Ergebnissen. Die Resultate im Bezug auf die land- und forstwirtschaftlich relevanten klimatischen Kennwerte bedeuten, dass Anpassungsmaßnahmen gegenüber Hitze sowie im Speziellen gegenüber Trockenheit in Zukunft im ohnehin trockenheitsgeprägten Unterfranken an Bedeutung gewinnen werden. Auch die unsicheren Projektionen im Bezug auf die Spätfrostgefahr müssen im Blick behalten werden. Die Trends der Feldfruchterträge deuten in die gleiche Richtung, da Sommergetreide eine höhere Trockenheitsanfälligkeit besitzen. Die unklaren Ergebnisse der Weinerträge hingegen lassen keine eindeutigen Schlüsse zu. Der starke anthropogene Einfluss auf die Erntemengen sowie die großen Unterschiede der Rebsorten hinsichtlich der klimatischen Eignung könnten ein Grund hierfür sein. N2 - There is a direct impact of climate and its modifications on agriculture and forestry. For this reason, analyzing future climate risks concerning these sectors is highly important. This is also and particularly the case for the northwestern Bavarian administrative district of Lower Franconia, which is characterized by dry conditions even today and which is especially affected by climate change. Additionally, more than 80 % of its area is used for agriculture or forestry. To study future conditions in high spatial resolutions, projections of regional climate models are used. As these show deficits in the representation of the observed climate of the past, an adaption of the data should happen before application. In the study at hand, this is done using the example of the regional climate model REMO regarding climatic indices for dryness, heavy precipitation, and heat as well as (late) frost, all of which are of high agricultural and silvicultural relevance. Adaption of the data is handled via two different approaches. On the one hand, a bias correction of the indices calculated from REMO data based on global climate model output is done using additive and multiplicative linear scaling as well as empirical and parametric distribution adaption. On the other hand, an explorative technique based on model output statistics is applied: Local and large-scale atmospheric variables of REMO run with reanalysis data, possessing a temporal correspondence with observations, are used as predictors for the derivation of transfer functions for simulating the indices. The transfer functions are constructed by means of Multiple Linear Regression as well as different Generalized Linear Models. Subsequently, they are used for analyses based on bias corrected REMO predictors run with global climate model data. Both bias correction and model output statstics are performed in a cross-validated manner for examining the results independently from the training period and finding the best alternative for each situation. When comparing both methods with their subcategories for the entire historical model period, for all month-index-combinations one of the distribution correction techniques exhibits the best results. Future projections using the most successful method for each situation show negative trends of (late) frost and ice as well as positive trends of heat day occurence for the 21st century. The number of heavy precipitation days increases in winter, dryness amplifies in summer. When taking into consideration two additional regional climate models, the general future trends are confirmed. Nevertheless, discrepancies result regarding late frost when the respective vegetation period is demarcated based on temperature in contrast to monthly delineation. Additionally, model output statistics are repeated in the same manner using near-surface predictors for simulating yield of agriculture and viticulture. Estimation of quality can only be performed on the basis of reanalysis-run REMO data as the duration of the observational data is too short. However, the respective results show a much better performance than for the index simulations. Averaging all rural districs of Lower Franconia, future projections of REMO as well as three additional regional models show rising yields for winter as well as falling yields for summer crops. With respect to the yield of Franconian wine, the results of the three analyzed classes of white, red and total wine disagree as REMO and one additional model simulate negative white and red wine, but positive total wine yields. More consistent results are achieved using the other models, which project positive trend signs for white wine. The outcomes concerning climatic indices of agricultural and silvicultural relevance imply a future gain of importance of adaption measures towards heat and particularly dryness in Lower Franconia which is already drought-affected today. Furthermore, uncertainty in the projections of late frost has to be kept in mind. The resulting trends of agricultural yield point along the same lines as summer crops are more drought-sensitive. However, the ambiguity of the wine yield results impede precise conclusions. A reason for this could be the strong anthropogenic influence on yields as well as the great differences between grape varieties regarding their climatic suitability. KW - Klima KW - Landwirtschaft KW - Forstwirtschaft KW - Unterfranken KW - Klima / Modell KW - regionale Klimamodelle KW - CORDEX KW - Biaskorrektur KW - Model Output Statistics KW - Klimarisiken KW - Klimamodell Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-347350 ER -