TY - THES A1 - Kanmegne Tamga, Dan Emmanuel T1 - Modelling Carbon Sequestration of Agroforestry Systems in West Africa using Remote Sensing T1 - Modellierung der Kohlenstoffbindung von agroforstwirtschaftlichen Systemen in Westafrika mittels Fernerkundung N2 - The production of commodities such as cocoa, rubber, oil palm and cashew, is the main driver of deforestation in West Africa (WA). The practiced production systems correspond to a land managment approach referred to as agroforestry systems (AFS), which consist of managing trees and crops on the same unit of land.Because of the ubiquity of trees, AFS reported as viable solution for climate mitigation; the carbon sequestrated by the trees could be estimated with remote sensing (RS) data and methods and reported as emission reduction efforts. However, the diversity in AFS in relation to their composition, structure and spatial distribution makes it challenging for an accurate monitoring of carbon stocks using RS. Therefore, the aim of this research is to propose a RS-based approach for the estimation of carbon sequestration in AFS across the climatic regions of WA. The main objectives were to (i) provide an accurate classification map of AFS by modelling the spatial distribution of the classification error; (ii) estimate the carbon stock of AFS in the main climatic regions of WA using RS data; (iii) evaluate the dynamic of carbon stocks within AFS across WA. Three regions of interest (ROI) were defined in Cote d'Ivoire and Burkina Faso, one in each climatic region of WA namely the Guineo-Congolian, Guinean and Sudanian, and three field campaigns were carried out for data collection. The collected data consisted of reference points for image classification, biometric tree measurements (diameter, height, species) for biomass estimation. A total of 261 samples were collected in 12 AFS across WA. For the RS data, yearly composite images from Sentinel-1 and -2 (S1 and S2), ALOS-PALSAR and GEDI data were used. A supervised classification using random forest (RF) was implemented and the classification error was assessed using the Shannon entropy generated from the class probabilities. For carbon estimation, different RS data, machine learning algorithms and carbon reference sources were compared for the prediction of the aboveground biomass in AFS. The assessment of the carbon dynamic was carried between 2017 and 2021. An average carbon map was genrated and use as reference for the comparison of annual carbon estimations, using the standard deviation as threshold. As far as the results are concerned, the classification accuracy was higher than 0.9 in all the ROIs, and AFS were mainly represented by rubber (38.9%), cocoa (36.4%), palm (10.8%) in the ROI-1, mango (15.2%) and cashew (13.4%) in ROI-2, shea tree (55.7%) and African locust bean (28.1%) in ROI-3. However, evidence of misclassification was found in cocoa, mango, and shea butter. The assessment of the classification error suggested that the error level was higher in the ROI-3 and ROI-1. The error generated from the entropy was able to reduced the level of misclassification by 63% with 11% of loss of information. Moreover, the approach was able to accuretely detect encroachement in protected areas. On carbon estimation, the highest prediction accuracy (R²>0.8) was obtained for a RF model using the combination of S1 and S2 and AGB derived from field measurements. Predictions from GEDI could only be used as reference in the ROI-1 but resulted in a prediction error was higher in cashew, mango, rubber and cocoa plantations, and the carbon stock level was higher in African locust bean (43.9 t/ha), shea butter (15 t/ha), cashew (13.8 t/ha), mango (12.8 t/ha), cocoa (7.51 t/ha) and rubber (7.33 t/ha). The analysis showed that carbon stock is determined mainly by the diameter (R²=0.45) and height (R²=0.13) of trees. It was found that crop plantations had the lowest biodiversity level, and no significant relationship was found between the considered biodiversity indices and carbon stock levels. The assessment of the spatial distribution of carbon sources and sinks showed that cashew plantations are carbon emitters due to firewood collection, while cocoa plantations showed the highest potential for carbon sequestration. The study revealed that Sentinel data could be used to support a RS-based approach for modelling carbon sequestration in AFS. Entropy could be used to map crop plantations and to monitor encroachment in protected areas. Moreover, field measurements with appropriate allometric models could ensure an accurate estimation of carbon stocks in AFS. Even though AFS in the Sudanian region had the highest carbon stocks level, there is a high potential to increase the carbon level in cocoa plantations by integrating and/or maintaining forest trees. N2 - Die Produktion von Rohstoffen wie Kakao, Kautschuk, Ölpalmen und Cashew ist die Hauptursache fur die Entwaldung in Westafrika (WA). Die verwendeten Produktionssyteme entsprechen einem Landbewirtschaftungskonzept, welches als Agroforstsysteme (AFS) bezeichnet wird und darin besteht, Baume und Nutzpflanzen auf der gleichen Landeinheit zu bewirtschaften. Aufgrund der kohlenstoffbindung durch Baumen sind AFS als praktikable Losung fur den Klimaschutz anerkannt, die Vielfalt der AFS in Bezug auf ihre Zusammensetzung, Struktur un raumliche Verteilung erschwert jedoch eine genaue Schatzung der Kohlenstoffvorrate. Hier konnen Daten und Methoden der satellitenbasierten Erdbeobachtung ansetzten. Ziel dieser Forschungsarbeit ist es daher, einen fernerkundungs-basierten Ansatz fur die Schatzung der Kohlenstoffbindung in AFS in den Klimaregionen von WA vorzuschlagen. Die Hauptziele waren (i) die Erstellung einer genauen Klassifizierungskarte von AFS durch Modellierung der raumlichen verteilung des Klassifizierungsfehlers; (ii) die Shatzung des Kohlenstoffbestands von AFS in den wichtigsten Klimaregionen von WA unter Verwendung von Fernerkundungs-daten (RS); (iii) die Bewertung der raumlichen Verteilung von Kohlenstoffquellen und -senken innerhalb von AFS in ganz WA. Fur jede Klimaregion in West Afrika wurden drei Regionen von Interesse (ROI) festgelegt, namlich die guineisch-kongolesische (ROI 1), die guineische (ROI 2) und die sudanesische Region (ROI 3) in Côte d'Ivoire und Burkina Faso, und es wurden drei Feldkampagnen zur Datenerhebung durchgefuhrt. Die gesammelten Daten bestanden aus Referenzpunkten fur die Bildklassifizierung und biometrischen Messungen (Durchmesser, Hohe, Artname) zur Schatzung der Biomasse. Insgesamt wurden 261 Proben in 12 AFS in ganz WA gesammelt. Fur die RS-Daten wurden jahrliche Komposite von Sentinel-1 und -2 (s1 und S3), ALOS-PALSAR und GEDI-Daten verwendet. Es wurde eine uberwachte Klassifizierung mit Random Forest (RF) algorithmus durch gefuhrt, und der Klassifizierungsfehler wurde anhand der aus den Klassenwahrscheinlichkeiten generierten Shannon-Entropie bewertet. Fur die Kohlenstoffschatzung wurden verschiedene RS-Daten, Algorithmen fur maschinelles Lernen und Kohlenstoff-Referenzquellen fur die Vorhesage des Kohlenstoffs in AFS verglichen. Die Bewertung der raumlichen Verteilung von Kohlenstoffsenken und -quellen basierte auf der Bewertung von Anomalien in der Kohlenstoffdynamik zwischen 2017 und 2021. Es wurde eine Karte zum durchschnittliche gebundenen Kohkenstoff erstellt, und die jahrliche Differenz wurde verwendet, um Kohlenstoffsenken und -quellen zu identifizieren. Die Klassifizierungsgenauigkeit war in allen ROI hoher als 0.9, in der Region dominierten Kautschuk (38.9%), Kakao (36.4%), Palme (10.8%) in ROI-1, Mango (15.2%) und Cashew (13.4%) in ROI-2, Sheabaum (55.7%) und Johannisbrot (28.1%) in ROI-3. Hinweise auf eine Fehlklassifizierung wurden vor allem bei Kakao, Mango un Sheabutter gefunden. Die Bewertung des Klassifizierungsfehlers ergab, dass das Fehlerniveau in ROI-3 und ROI-1 hoher war. Der aus der Entropie generiete Fehler konnte das Ausmass der Fehlklassifizierung reduzieren, ohne die gut klassifizierten Pixel zu beeintrachtigen. Ausserdem war der Ansatz in der Lage, Eingriffe in Schutzgebiete zuverlassig un akkurat zu erkennen. Was die Kohlenstoffschatzung betrifft, so wrude die hochste Vorhersagegenauigkeit (R²> 0.8)bei der Kombination von S1 und S2 mit Random Forest und AGB aus Feldmessungen erzielt. Vorhersagen von GEDI konnten nur als Referenz in der ROI verwendet werden, fuhrten aber zu einem Vorhersagefehler bei Cashew-, Mango-, Kautschuk- und Kakaoplantagen hoher war und der Kohlenstoffbestand bei Johannisbrot (43.9t/ha), Sheabutter (15 t/ha), Cashew (13.8 t/ha), Mango (12.8t/ha), Kakao (7.51 t/ha) und Kautschuk (7.33 t/ha) hoher war. Die Analyse zeigte, dass der Kohlenstoffbestand hauptsachlich durch den Durchmesser (R²=0.45) und die Hohe (R²=0.13) der Baume beeinflusst wird. Zudem wurde festgestellt, dass Plantagenkulturen die geringste Biodiversitat aufweisen, und es wurde kein signifikanter Zusammenhang zwischen Biodiversitatsindizes und Kohlenstoffvorraten festgestellt. Die Bewertung der raumlichen Verteilung von Kohlenstoffquellen und -senken zeigte, dass Cashew ein Kohlenstoffemittent ist, da in dieser Region Brennholz gesammelt wird, wahrend Kakaoplantagen wichtige Kohlenstoffsenken sind. Die Studie ergab zudem, dass Sentinel-Daten zur Unterstutzung eines RS-basierten Ansatzes fur die Modellierung der Kohlenstoffbindung in AFS verwendet werden konnten. Die Entropie konnte zur Kartierung von Anbauplantagen und zur uberwachen von Schutzgebiete verwendet werden. Daruber hinaus gewahrleisten feldmessungen mit geeigneten allometrischen Modellen eine genaue Schatzung der Kohlenstoffvorrate in AFS. Die AFS in der sudanesischen Region weisen die hochsten Kohlenstoffvorrate auf, aber es besteht die Moglichkeit, den Kohlenstoffgehalt in Kakaoplantagen durch die Integration und/oder Erhaltung von Waldbaumen zu erhoehen. KW - Sequestrierung KW - Fernerkundung KW - Westafrika KW - carbon sequestration KW - agroforestry systems KW - remote sensing KW - West Africa Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-369269 ER - TY - THES A1 - Höser, Thorsten T1 - Global Dynamics of the Offshore Wind Energy Sector Derived from Earth Observation Data - Deep Learning Based Object Detection Optimised with Synthetic Training Data for Offshore Wind Energy Infrastructure Extraction from Sentinel-1 Imagery T1 - Globale Dynamik des Offshore-Windenergiesektors abgeleitet aus Erdbeobachtungsdaten - Deep Learning-basierte Objekterkennung, optimiert mit synthetischen Trainingsdaten für die Extraktion von Offshore-Windenergieinfrastrukturen aus Sentinel-1 Bildern N2 - The expansion of renewable energies is being driven by the gradual phaseout of fossil fuels in order to reduce greenhouse gas emissions, the steadily increasing demand for energy and, more recently, by geopolitical events. The offshore wind energy sector is on the verge of a massive expansion in Europe, the United Kingdom, China, but also in the USA, South Korea and Vietnam. Accordingly, the largest marine infrastructure projects to date will be carried out in the upcoming decades, with thousands of offshore wind turbines being installed. In order to accompany this process globally and to provide a database for research, development and monitoring, this dissertation presents a deep learning-based approach for object detection that enables the derivation of spatiotemporal developments of offshore wind energy infrastructures from satellite-based radar data of the Sentinel-1 mission. For training the deep learning models for offshore wind energy infrastructure detection, an approach is presented that makes it possible to synthetically generate remote sensing data and the necessary annotation for the supervised deep learning process. In this synthetic data generation process, expert knowledge about image content and sensor acquisition techniques is made machine-readable. Finally, extensive and highly variable training data sets are generated from this knowledge representation, with which deep learning models can learn to detect objects in real-world satellite data. The method for the synthetic generation of training data based on expert knowledge offers great potential for deep learning in Earth observation. Applications of deep learning based methods can be developed and tested faster with this procedure. Furthermore, the synthetically generated and thus controllable training data offer the possibility to interpret the learning process of the optimised deep learning models. The method developed in this dissertation to create synthetic remote sensing training data was finally used to optimise deep learning models for the global detection of offshore wind energy infrastructure. For this purpose, images of the entire global coastline from ESA's Sentinel-1 radar mission were evaluated. The derived data set includes over 9,941 objects, which distinguish offshore wind turbines, transformer stations and offshore wind energy infrastructures under construction from each other. In addition to this spatial detection, a quarterly time series from July 2016 to June 2021 was derived for all objects. This time series reveals the start of construction, the construction phase and the time of completion with subsequent operation for each object. The derived offshore wind energy infrastructure data set provides the basis for an analysis of the development of the offshore wind energy sector from July 2016 to June 2021. For this analysis, further attributes of the detected offshore wind turbines were derived. The most important of these are the height and installed capacity of a turbine. The turbine height was calculated by a radargrammetric analysis of the previously detected Sentinel-1 signal and then used to statistically model the installed capacity. The results show that in June 2021, 8,885 offshore wind turbines with a total capacity of 40.6 GW were installed worldwide. The largest installed capacities are in the EU (15.2 GW), China (14.1 GW) and the United Kingdom (10.7 GW). From July 2016 to June 2021, China has expanded 13 GW of offshore wind energy infrastructure. The EU has installed 8 GW and the UK 5.8 GW of offshore wind energy infrastructure in the same period. This temporal analysis shows that China was the main driver of the expansion of the offshore wind energy sector in the period under investigation. The derived data set for the description of the offshore wind energy sector was made publicly available. It is thus freely accessible to all decision-makers and stakeholders involved in the development of offshore wind energy projects. Especially in the scientific context, it serves as a database that enables a wide range of investigations. Research questions regarding offshore wind turbines themselves as well as the influence of the expansion in the coming decades can be investigated. This supports the imminent and urgently needed expansion of offshore wind energy in order to promote sustainable expansion in addition to the expansion targets that have been set. N2 - Der Ausbau erneuerbarer Energien wird durch den sukzessiven Verzicht auf fossile Energieträger zur Reduktion der Treibhausgasemissionen, dem stetig steigenden Energiebedarf sowie, in jüngster Zeit, von geopolitischen Ereignissen stark vorangetrieben. Der offshore Windenergiesektor steht in Europa, dem Vereinigten Königreich, China, aber auch den USA, Süd-Korea und Vietnam vor einer massiven Expansion. In den nächsten Dekaden werden die bislang größten marinen Infrastrukturprojekte mit tausenden neu installierten offshore Windturbinen realisiert. Um diesen Prozess global zu begleiten und eine Datengrundlage für die Forschung, für Entscheidungsträger und für ein kontinuierliches Monitoring bereit zu stellen, präsentiert diese Dissertation einen Deep Learning basierten Ansatz zur Detektion von offshore Windkraftanalagen aus satellitengestützten Radardaten der Sentinel-1 Mission. Für das überwachte Training der verwendeten Deep Learning Modelle zur Objektdetektion wird ein Ansatz vorgestellt, der es ermöglicht, Fernerkundungsdaten und die notwendigen Label synthetisch zu generieren. Hierbei wird Expertenwissen über die Bildinhalte, wie offshore Windkraftanlagen aber auch ihre natürliche Umgebung, wie Küsten oder andere Infrastruktur, gemeinsam mit Informationen über den Sensor strukturiert und maschinenlesbar gemacht. Aus dieser Wissensrepräsentation werden schließlich umfangreiche und höchst variable Trainingsdaten erzeugt, womit Deep Learning Modelle die Detektion von Objekten in Satellitendaten erlernen können. Das Verfahren zur synthetischen Erzeugung von Trainingsdaten basierend auf Expertenwissen bietet großes Potential für Deep Learning in der Erdbeobachtung. Deep Learning Ansätze können hierdurch schneller entwickelt und getestet werden. Darüber hinaus bieten die synthetisch generierten und somit kontrollierbaren Trainingsdaten die Möglichkeit, den Lernprozess der optimierten Deep Learning Modelle zu interpretieren. Das in dieser Dissertation für Fernerkundungsdaten entwickelte Verfahren zur Erstellung synthetischer Trainingsdaten wurde schließlich zur Optimierung von Deep Learning Modellen für die globale Detektion von offshore Windenergieanlagen eingesetzt. Hierfür wurden Aufnahmen der gesamten globalen Küstenlinie der Sentinel-1 Mission der ESA ausgewertet. Der abgeleitete Datensatz, welcher 9.941 Objekte umfasst, unterscheidet offshore Windturbinen, Trafostationen und im Bau befindliche offshore Windenergieinfrastrukturen voneinander. Zusätzlich zu dieser räumlichen Detektion wurde eine vierteljährliche Zeitreihe von Juli 2016 bis Juni 2021 für alle Objekte generiert. Diese Zeitreihe zeigt den Start des Baubeginns, die Bauphase und den Zeitpunkt der Fertigstellung mit anschließendem Betrieb für jedes Objekt. Der gewonnene Datensatz dient weiterhin als Grundlage für eine Analyse der Entwicklung des offshore Windenergiesektors von Juli 2016 bis Juni 2021. Für diese Analyse wurden weitere Attribute der Turbinen abgeleitet. In einem radargrammetrischen Verfahren wurde die Turbinenhöhe berechnet und anschließend verwendet, um die installierte Leistung statistisch zu modellieren. Die Ergebnisse hierzu zeigen, dass im Juni 2021 weltweit 8.885 offshore Windturbinen mit insgesamt 40,6 GW Leistung installiert waren. Die größten installierten Leistungen stellen dabei die EU (15,2 GW), China (14,1 GW) und das Vereinigte Königreich (10,7 GW). Von Juli 2016 bis Juni 2021 hat China 13 GW installierte Leistung ausgebaut. Die EU hat im selben Zeitraum 8 GW und das Vereinigte Königreich 5,8 GW offshore Windenergieinfrastruktur installiert. Diese zeitliche Analyse verdeutlicht, dass China der maßgebliche Treiber in der Expansion des offshore Windenergiesektors im untersuchten Zeitraum war. Der abgeleitete Datensatz zur Beschreibung des offshore Windenergiesektors wurde öffentlich zugänglich gemacht. Somit steht er allen Entscheidungsträgern und Stakeholdern, die am Ausbau von offshore Windenergieanlagen beteiligt sind, frei zur Verfügung. Vor allem im wissenschaftlichen Kontext dient er als Datenbasis, welche unterschiedlichste Untersuchungen ermöglicht. Hierbei können sowohl Forschungsfragen bezüglich der offshore Windenergieanlagen selbst, als auch der Einfluss des Ausbaus der kommenden Dekaden untersucht werden. Somit wird der bevorstehende und dringend notwendige Ausbau der offshore Windenergie unterstützt, um neben den gesteckten Zielen auch einen nachhaltigen Ausbau zu fördern. KW - deep learning KW - offshore wind energy KW - artificial intelligence KW - earth observation KW - remote sensing Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-292857 ER - TY - THES A1 - Walz, Yvonne T1 - Remote sensing for disease risk profiling: a spatial analysis of schistosomiasis in West Africa T1 - Fernerkundung für die Risikoabschätzung von Krankheiten: Eine räumliche Analyse der Krankheit Schistosomiasis in West Afrika N2 - Global environmental change leads to the emergence of new human health risks. As a consequence, transmission opportunities of environment-related diseases are transformed and human infection with new emerging pathogens increase. The main motivation for this study is the considerable demand for disease surveillance and monitoring in relation to dynamic environmental drivers. Remote sensing (RS) data belong to the key data sources for environmental modelling due to their capabilities to deliver spatially continuous information repeatedly for large areas with an ecologically adequate spatial resolution. A major research gap as identified by this study is the disregard of the spatial mismatch inherent in current modelling approaches of profiling disease risk using remote sensing data. Typically, epidemiological data are aggregated at school or village level. However, these point data do neither represent the spatial distribution of habitats, where disease-related species find their suitable environmental conditions, nor the place, where infection has occurred. As a consequence, the prevalence data and remotely sensed environmental variables, which aim to characterise the habitat of disease-related species, are spatially disjunct. The main objective of this study is to improve RS-based disease risk models by incorporating the ecological and spatial context of disease transmission. Exemplified by the analysis of the human schistosomiasis disease in West Africa, this objective includes the quantification of the impact of scales and ecological regions on model performance. In this study, the conditions that modify the transmission of schistosomiasis are reviewed in detail. A conceptual underpinning of the linkages between geographical RS measures, disease transmission ecology, and epidemiological survey data is developed. During a field-based analysis, environmental suitability for schistosomiasis transmission was assessed on the ground, which is then quantified by a habitat suitability index (HSI) and applied to RS data. This conceptual model of environmental suitability is refined by the development of a hierarchical model approach that statistically links school-based disease prevalence with the ecologically relevant measurements of RS data. The statistical models of schistosomiasis risk are derived from two different algorithms; the Random Forest and the partial least squares regression (PLSR). Scale impact is analysed based on different spatial resolutions of RS data. Furthermore, varying buffer extents are analysed around school-based measurements. Three distinctive sites of Burkina Faso and Côte d’Ivoire are specifically modelled to represent a gradient of ecozones from dry savannah to tropical rainforest including flat and mountainous regions. The model results reveal the applicability of RS data to spatially delineate and quantitatively evaluate environmental suitability for the transmission of schistosomiasis. In specific, the multi-temporal derivation of water bodies and the assessment of their riparian vegetation coverage based on high-resolution RapidEye and Landsat data proofed relevant. In contrast, elevation data and water surface temperature are constraint in their ability to characterise habitat conditions for disease-related parasites and freshwater snail species. With increasing buffer extent observed around the school location, the performance of statistical models increases, improving the prediction of transmission risk. The most important RS variables identified to model schistosomiasis risk are the measure of distance to water bodies, topographic variables, and land surface temperature (LST). However, each ecological region requires a different set of RS variables to optimise the modelling of schistosomiasis risk. A key result of the hierarchical model approach is its superior performance to explain the spatial risk of schistosomiasis. Overall, this study stresses the key importance of considering the ecological and spatial context for disease risk profiling and demonstrates the potential of RS data. The methodological approach of this study contributes substantially to provide more accurate and relevant geoinformation, which supports an efficient planning and decision-making within the public health sector. N2 - Globale Umweltveränderungen rufen neue Gesundheitsrisiken hervor. Eine Konsequenz sind veränderte Bedingungen für die Übertragung von umweltbezogenen Krankheiten und ansteigende Infektionen mit neu auftauchenden Erregern. Die Motivation für diese Arbeit basiert auf der steigenden Nachfrage, dynamische Veränderungen der Umwelt und deren Beziehung zu Veränderungen von umweltbedingten Krankheiten zu überwachen. Fernerkundungsdaten gehören zu den wichtigsten Datenquellen für die Umweltmodellierung, da diese es ermöglichen, die Landbedeckung flächendeckend, reproduzierbar und in einer adäquaten räumlichen Auflösung zu kartieren. Ein Forschungsbedarf, der in dieser Studie identifiziert wird, ist die fehlende Berücksichtigung einer räumlichen Diskrepanz innerhalb der bisherigen Vorgehensweise der Modellierung von Krankheitsrisiken mit Fernerkundungsdaten. Typischerweise werden epidemiologische Daten als Prävalenz einer Krankheit aggregiert erhoben, beispielsweise auf Schul- oder Dorfebene. Jedoch repräsentieren diese Punktmessungen weder die räumliche Verteilung von Habitaten, in welchen krankheitsrelevante Arten ihre geeigneten Umweltbedingungen vorfinden, noch den Ort, an dem sich die Menschen infiziert haben. Die Konsequenz ist, dass Messpunkte der Krankheitprävalenz und fernerkundungsbasierte Umweltvariablen, welche das Habitat von krankheitsrelevanten Arten charakterisieren sollen, räumlich nicht übereinstimmen. Das Hauptziel dieser Studie ist, ein Verfahren für die Anwendung von Fernerkundungsdaten bei der Modellierung von Krankheitsrisiken zu entwickeln, welches sowohl den ökologischen als auch den räumlichen Kontext der Krankheitsübertragung widerspiegelt. Am Beispiel der Krankheit Schistosomiasis werden weitere mögliche Einflussgrößen auf die Modellgüte quantitativ bewertet. Dies sind unter anderem die verschiedenen Skalenniveaus und die Heterogenität von Ökozonen. In dieser Arbeit werden die Bedingungen, die auf die Übertragung von Schistosomiasis einen Einfluss haben, aus der bestehenden Literatur im Detail ermittelt. Es wird eine konzeptionelle Grundlage entwickelt, die bestehende Zusammenhänge zwischen satellitengestützten Messungen, der Ökologie der Krankheitsübertragung sowie zu den Ergebnissen der epidemiologischen Studien ermittelt. Während eines Aufenthaltes im Untersuchungsgebiet wurde die Eignung der Umwelt für die Übertragung der Schistosomiasis analysiert. Diese Umwelteignung wird durch die Entwicklung eines Habitat-Eignungs-Index (habitat suitability index, HSI) quantifiziert und mit relevanten Fernerkundungsvariablen verknüpft. Im nächsten Schritt werden Inhalte dieses konzeptionellen Modells gezielt für die Entwicklung eines hierarchischen Modellansatzes verwendet, welcher die gemessene Prävalenz in einen statistischen Zusammenhang mit ökologisch relevanten Messungen von Fernerkundungsdaten bringt. Die statistischen Modelle des Risikos, sich mit Schistosomiasis zu infizieren, basieren auf zwei verschiedenen Modellalgorithmen, dem sogenannten Zufalls-Wald Algorithmus (Random Forest) und der Regression der partiellen, kleinsten Quadrate (Partial Least Squares Regression, PLSR). Der Einfluss von räumlichen Skalen auf die Risikomodellierung wird anhand verschiedener räumlicher Auflösungen der Fernerkundungsdaten ermittelt. Darüber hinaus werden unterschiedlich große Einzugsgebiete mit Hilfe eines Pufferverfahrens (Buffer) anhand der Schulen mit Prävalenzmessungen analysiert. Risikomodelle der Schistosomiasis werden für drei ausgewählte Untersuchungsgebiete in Burkina Faso und der Elfenbeinküste erstellt, welche einen ökologischen Gradienten von der Trockensavanne zum tropischen Regenwald sowie von flachen und bergigen Regionen darstellt. Diese Studie zeigt, dass Fernerkundungsdaten für die räumliche Abgrenzung und eine quantitative Bewertung der Umwelteignung für die Übertragung der Schistosomiasis geeignet sind. Besonders relevante Informationen sind zeitlich dynamische Veränderungen der Wasserbedeckung sowie die Erfassung des Grades der Ufervegetationsbedeckung auf Basis von hochaufgelösten RapidEye und Landsat Daten. Hingegen sind topographische Daten und die satellitengestützten Messungen der Temperatur nur eingeschränkt geeignet um Habitate der Parasiten und Frischwasserschnecken als wesentlichen Bestandteil der Krankheitsübertragung zu charakterisieren. Bei zunehmender Größe des Einzugsgebietes der Schulen verbessern sich die statistischen Modelle und können somit das Übertragungsrisiko besser erfassen. Die wichtigsten Fernerkundungsvariablen für die Modellierung des Schistosomiasis Risikos sind die Distanz zum nächstgelegenen Gewässer, topographische Variablen sowie die Landoberflächentemperatur (land surface temperature, LST). Für jede Ökozone muss jedoch eine geeignete Zusammenstellung von Fernerkundungsvariablen getroffen werden. Ein ganz wesentliches Ergebnis der hierarchischen statistischen Modellierung ist eine verbesserte Erklärung des räumlichen Risikos von Schistosomiasis. Insgesamt unterstreicht diese Studie die Bedeutsamkeit des ökologischen und räumlichen Kontexts für die Abschätzung des Krankheitsrisikos und demonstriert das Potential von Fernerkundungsdaten. Der methodische Ansatz dieser Arbeit kann wesentlich dazu beitragen, genaue und relevante Geoinformationen bereitzustellen. Damit wird eine effizientere Planung und Entscheidungsfindung innerhalb des Gesundheitssektors ermöglicht. N2 - Le changement environnemental global conduit à l'émergence de nouveaux risques pour la santé humaine. En conséquence, les voies de transmission des maladies liées à l'environnement, sont modifies de meme que l'infection humaine avec l´accroissement des nouveaux agents pathogènes émergents. La motivation principale de cette étude est la demande considérable pour la surveillance et le suivi des maladie en relation avec la dynamique des facteurs environnementaux. Les données de la télédétection sont les sources principales utilisees pour la modélisation de l'environnement en raison de leurs capacités à fournir une information de maniere spatiale, repetitive et continue pour les grandes surfaces avec une résolution spatiale écologique adéquate. L´importante lacune de la recherche scientifique identifiée par cette étude est la non considération de la disparité spatiale inhérente dans les approches actuelles de modélisation des risques de la maladie en utilisant des données de la télédétection. Généralement, les données épidémiologiques sont regrouper à l'école ou au niveau du village. Toutefois, ces données ne peuvent pas représenter la distribution spatiale des habitats et definir les conditions environnementales favorable a la proliferation des agents pathogenes de la maladie, ni le lieu, où l'infection s´est produite. En conséquence, les données sur la prévalence et les variables environnementales de la télédétection, qui visent à caractériser l'habitat des agents liés à la maladie, sont spatialement disjointes. L'objectif principal de cette étude est d'améliorer en utilisant la télédétection les modèles de risque de maladie en incorporant l´aspect écologique et spatiale de la transmission de la maladie. Illustré par l'étude des personnes infectées de la schistosomiase en Afrique de l'Ouest, cet objectif comprend la quantification du niveau d'impact des régions écologiques sur les performances du modèle. Dans cette étude, les conditions qui modifient la transmission de la schistosomiase sont examinées en détail. Une approche conceptuelle reliant les données mesurées issues de la télédétection, la transmission de la maladie, l'écologie et des données de l'enquête épidémiologique a été développé. A partir d'une étude sur le terrain, les facteurs environnementaux à la transmission de la schistosomiase ont été évalués, ensuite quantifiés par l´indice de qualité de l'habitat (habitat suitability index, HSI) et combiné aux données de la télédétection. Le modèle conceptuel de la pertinence environnemental a été affiné par le développement d'une approche de modèle hiérarchique qui relie statistiquement la prévalence de la maladie en milieu scolaire avec les mesures écologiques pertinentes de données de la télédétection. Les modèles statistiques de risque de schistosomiase proviennent de deux différents algorithmes; la forêt aléatoire (Random Forest) et la régression des moindres carrés partiels (Partial Least Squares Regression, PLSR). Le niveau d'impact a été analysé sur la base de différentes résolutions spatiales de données de la télédétection. En outre, des divers degrés carre des bassin de réception ont été analysés autour de mesures en milieu scolaire. Trois sites distinctifs du Burkina Faso et de la Côte d'Ivoire sont spécifiquement modélisés pour représenter un gradient de écozones de savane sèche a forêt tropicale y compris les régions plates et montagneuses. Les résultats du modèle révèlent l'applicabilité des données de la télédétection pour la délimitation spatiale et l’évaluation quantitative de la pertinence de l'environnement pour la transmission de la schistosomiase. Precisement, la dérivation multi-temporelle des course d'eau et l'évaluation de leur couverture riveraine de végétation a partir des images à haute résolution RapidEye et Landsat jugées adequate. En revanche, les données d'altitude et de température de la surface de l'eau ont montré certaines limites dans leur capacité à caractériser les conditions de l'habitat des parasites et des escargots en tant que composantes essentielles de la transmission de la maladie. Avec l'augmentation des degrés carres des bassins de réception observés autour de l'emplacement de l'école, la performance des modèles statistiques augmente, améliorant ainsi la prédiction du risque de transmission. Les plus importantes variables des données de la télédétection identifiées pour modéliser le risque de schistosomiase sont la mesure de la distance des plans d'eau, les variables topographiques, et la température de surface de la terre (land surface temperature, LST). Cependant, chaque région écologique nécessite une serie différente de variables de données de télédétection afin d´optimiser la modélisation du risque de schistosomiase. Le résultat primordial de l'approche du modèle hiérarchique est sa supérieure performance à expliquer le risque spatiale de la schistosomiase. Dans l'ensemble, cette étude souligne l'importance cruciale de tenir compte du contexte écologique et spatiale pour le profilage du risque de maladie et démontre le potentiel des données de télédétection. L'approche méthodologique de cette étude contribue de manière substantielle à fournir avec plus de précision et de pertinence l'information géographique, prenant en charge une planification efficace et la prise de décision dans le secteur de la santé publique. KW - Westafrika KW - Fernerkundung KW - schistosomiasis KW - risk profiling KW - Umweltveränderung KW - Gesundheitsgefährdung KW - Bilharziose KW - remote sensing KW - diseases Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108845 ER - 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 - Noellie Ahou RUETH, geb. YAO T1 - Mapping Bushfire Distribution and Burn Severity in West Africa Using Remote Sensing Observations T1 - Satellitengestützte Kartierung der Verteilung von Buschfeuern und ihrer Auswirkung auf die Vegetation in Westafrika N2 - Fire has long been considered to be the main ecological factor explaining the origin and maintenance of West African savannas. It has a very high occurrence in these savannas due to high human pressure caused by strong demographic growth and, concomitantly, is used to transform natural savannas into farmland and is also used as a provider of energy. This study was carried out with the support of the BIOTA project funded by the German ministry for Research and Education. The objective of this study is to establish the spatial and temporal distribution of bushfires during a long observation period from 2000 to 2009 as well as to assess fire impact on vegetation through mapping of the burn severity; based on remote sensing and field data collections. Remote sensing was used for this study because of the advantages that it offers in collecting data for long time periods and on different scales. In this case, the Moderate Resolution Imaging Spectroradiometer (MODIS) satellite instrument at 1km resolution is used to assess active fires, and understand the seasonality of fire, its occurrence and its frequency within the vegetation types on a regional scale. Landsat ETM+ imagery at 30 m and field data collections were used to define the characteristics of burn severity related to the biomass loss on a local scale. At a regional scale, the occurrence of fires and rainfall per month correlated very well (R2 = 0.951, r = -0.878, P < 0.01), which shows that the lower the amount of rainfall, the higher the fire occurrence and vice versa. In the dry season, four fire seasons were determined on a regional scale, namely very early fires, which announce the beginning of the fires, early and late fires making up the peak of fire in December/January and very late fires showing the end of the fire season and the beginning of the rainy season. Considerable fire activity was shown to take place in the vegetation zones between the Forest and the Sahel areas. Within these zones, parts of the Sudano-Guinean and the Guinean zones showed a high pixel frequency, i.e. fires occurred in the same place in many years. This high pixel frequency was also found in most protected areas in these zones. As to the kinds of land cover affected by fire, the highest fire occurrence is observed within the Deciduous woodlands and Deciduous shrublands. Concerning the burn severity, which was observed at a local scale, field data correlated closely with the ΔNBR derived from Landsat scenes of Pendjari National Park (R2 = 0.76). The correlation coefficient according to Pearson is r = 0.84 and according to Spearman-Rho, the correlation coefficient is r = 0.86. Very low and low burn severity (with ΔNBR value from 0 to 0.40) affected the vegetation weakly (0-35 percent of biomass loss) whereas moderate and high burn severity greatly affected the vegetation, leading to up to 100 percent of biomass loss, with the ΔNBR value ranging from 0.41 to 0.99. It can be seen from these results that remotely sensed images offer a tool to determine the fire distribution over large regions in savannas and that the Normalised Burn Ratio index can be applied to West Africa savannas. The outcomes of this thesis will hopefully contribute to understanding and, eventually, improving fire regimes in West Africa and their response to climate change and changes in vegetation diversity. N2 - Feuer ist ein wichtiger ökologischer Faktor für die Biokomplexität und den Fortbestand der westafrikanischen Savannen. Feuer kommt in westafrikanischen Savannen - insbesondere wegen des hohen Bevölkerungsdrucks infolge des starken Bevölkerungswachstums – immer häufiger vor. Es wird sowohl zur Umwandlung natürlicher Savannen in landwirtschaftliche Flächen als auch als Energielieferant verwendet. Diese Studie wurde mit der Unterstützung des BIOTA-Projekts durchgeführt, das vom Bundesministerium für Bildung und Forschung, BMBF, gefördert wird. Ziel dieser Dissertation ist die Bestimmung der räumlichen und zeitlichen Verteilung von Buschfeuern während eines langen Beobachtungszeitraumes (2000-2009) sowie die Kartierung von Brandschäden zum Verständnis der Auswirkung von Feuer auf die lokale Vegetationsstruktur. Fernerkundungs- sowie Felddaten werden in dieser Arbeit verwertet. Fernerkundungsdaten wurden für diese Studie verwendet, da sie größere Flächen abdecken und die Daten über längere Zeiträume in verschiedenen Maßstäben zur Verfügung stehen. Daten des Moderate Resolution Imaging Spectroradiometer (MODIS)-Satelliten mit einer Auflösung von 1 km wurden verwendet, um in regelmäßigen Abständen aktive Feuer zu kartieren und die saisonale Verteilung von Feuern, ihr Vorkommen und ihre Häufigkeit nach Vegetationstyp zu bestimmen. Mit Landsat ETM+ Satellitendaten (Auflösung von 30 Metern) und Felddaten wurden auf einem lokalen Maßstab Brandschadensklassen definiert. Mittels der Biomasse-Felddaten wurde dann der Biomasse-Verlust abgeschätzt. Die Feuerhäufigkeit, mittels Satellitendaten ermittelt, und der Niederschlag pro Monat zeigen eine sehr gute Korrelation (R2 = 0.951, r = -0.878, P < 0.01). Daraus lässt sich schließen, dass Feuer bevorzugt in den Monaten vorkommen, in denen es wenig Niederschlag gibt und umgekehrt. Auf regionaler Ebene wurden innerhalb der Trockenzeit vier Feuer-Perioden identifiziert; ‚sehr frühe Feuer’, die am Anfang der Feuersaison entstehen, ‚frühe bis späte Feuer’, die den Höhepunkt der Feueraktivität im Dezember/Januar bilden, und ‚sehr späte Feuer’ am Ende der Feuersaison bis zum Beginn der Regenzeit. Es zeigte sich, dass eine beträchtliche Feueraktivität in den Vegetationszonen zwischen dem Regenwald und der Sahelzone vorherrscht. Besonders wiesen Teile der ‚Sudan-Guinea’- und der ‚Guinea’-Savanne eine hohe Feuerpixel-Frequenz auf, d.h. hier traten Feuer in vielen Jahren am selben Ort auf. Diese hohe Pixelfrequenz wurde auch in den meisten Schutzgebieten in diesen Savannen-Gebieten gefunden. Was die Landbedeckung betrifft, so ergaben die Ergebnisse, dass das höchste Feueraufkommen in den laubabwerfenden Waldgebieten und im laubabwerfenden Buschland vorkam. Die Brandschäden, bzw. der Einwirkungsgrad, wurden im lokalen Maßstab untersucht. Hier korrelierten die Felddaten zur Brandeinwirkung signifikant mit den sogenannten ΔNBR-Index-Werten, die von Landsat-Aufnahmen des Pendjari-Nationalparks hergeleitet wurden (R2 = 0,76). Der Korrelationskoeffizient nach Pearson ist r = 0,84, und nach Spearman-Rho ist der Koeffizient r = 0,86. Bei sehr niedrigen Brandschäden (mit ΔNBR-Werten zwischen 0 und 0,40) war die Vegetation schwach beeinträchtigt (0-35 % Biomasseverlust), während die Vegetation bei mäßigen und hohen Brandschäden sehr beeinträchtigt war und bis zu 100 % der Biomasse verbrannt war; hier lag der ΔNBR zwischen 0,41 und 0,99. Diese Ergebnisse zeigen, dass durch Satellitenbilder die Verteilung von Feuern über größere Flächen in der afrikanischen Savanne effektiv bestimmt werden kann, und dass der Normalized Burn Ratio-Index auf Westafrika zur Berechnung von Brandschadens-Klassen anwendbar ist. Die Ergebnisse liefern einen entscheidenden Beitrag zum Verständnis von Feuer-Ausprägungen in Westafrika, um letztlich den Einsatz von Feuer, auch im Hinblick auf den Klimawandel und die Veränderungen in der Vegetationsdiversität, verbessern zu können. KW - Westafrika KW - Fernerkundung KW - Feuerökologie KW - Vegetation KW - Kartierung KW - Nationalparks KW - Landsat ETM+ KW - burn severity KW - MODIS KW - remote sensing KW - fire ecology KW - fire mapping KW - national parks KW - vegetation Y1 - 2010 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-54244 ER -