TY - THES A1 - Reinermann, Sophie T1 - Earth Observation Time Series for Grassland Management Analyses – Development and large-scale Application of a Framework to detect Grassland Mowing Events in Germany T1 - Erdbeobachtungszeitserien zur Analyse der Grünlandbewirtschaftung – Entwicklung und großflächige Anwendung einer Prozessierungsarchitektur zur automatisierten Detektion von Grünlandmahden N2 - Grasslands shape many landscapes of the earth as they cover about one-third of its surface. They are home and provide livelihood for billions of people and are mainly used as source of forage for animals. However, grasslands fulfill many additional ecosystem functions next to fodder production, such as storage of carbon, water filtration, provision of habitats and cultural values. They play a role in climate change (mitigation) and in preserving biodiversity and ecosystem functions on a global scale. The degree to what these ecosystem functions are present within grassland ecosystems is largely determined by the management. Individual management practices and the use intensity influence the species composition as well as functions, like carbon storage, while higher use intensities (e.g. high mowing frequencies) usually show a negative impact. Especially in Central European countries, like in Germany, the determining influence of grassland management on its physiognomy and ecosystem functions leads to a large variability and small-scale alternations of grassland parcels. Large-scale information on the management and use intensity of grasslands is not available. Consequently, estimations of grassland ecosystem functions are challenging which, however, would be required for large-scale assessments of the status of grassland ecosystems and optimized management plans for the future. The topic of this thesis tackles this gap by investigating the major grassland management practice in Germany, which is mowing, for multiple years, in high spatial resolution and on a national scale. Earth Observation (EO) has the advantage of providing information of the earth’s surface on multi-temporal time steps. An extensive literature review on the use of EO for grassland management and production analyses, which was part of this thesis, showed that in particular research on grasslands consisting of small parcels with a large variety of management and use intensity, like common in Central Europe, is underrepresented. Especially the launch of the Sentinel satellites in the recent past now enables the analyses of such grasslands due to their high spatial and temporal resolution. The literature review specifically on the investigation of grassland mowing events revealed that most previous studies focused on small study areas, were exploratory, only used one sensor type and/or lacked a reference data set with a complete range of management options. Within this thesis a novel framework to detect grassland mowing events over large areas is presented which was applied and validated for the entire area of Germany for multiple years (2018–2021). The potential of both sensor types, optical (Sentinel-2) and Synthetic Aperture Radar (SAR) (Sentinel-1) was investigated regarding grassland mowing event detection. Eight EO parameters were investigated, namely the Enhanced Vegetation Index (EVI), the backscatter intensity and the interferometric (InSAR) temporal coherence for both available polarization modes (VV and VH), and the polarimetric (PolSAR) decomposition parameters Entropy, K0 and K1. An extensive reference data set was generated based on daily images of webcams distributed in Germany which resulted in mowing information for grasslands with the entire possible range of mowing frequencies – from one to six in Germany – and in 1475 reference mowing events for the four years of interest. For the first time a observation-driven mowing detection approach including data from Sentinel-2 and Sentinel-1 and combining the two was developed, applied and validated on large scale. Based on a subset of the reference data (13 grassland parcels with 44 mowing events) from 2019 the EO parameters were investigated and the detection algorithm developed and parameterized. This analysis showed that a threshold-based change detection approach based on EVI captured grassland mowing events best, which only failed during periods of clouds. All SAR-based parameters showed a less consistent behavior to mowing events, with PolSAR Entropy and InSAR Coherence VH, however, revealing the highest potential among them. A second, combined approach based on EVI and a SARbased parameter was developed and tested for PolSAR Entropy and InSAR VH. To avoid additional false positive detections during periods in which mowing events are anyhow reliably detected using optical data, the SAR-based mowing detection was only initiated during long gaps within the optical time series (< 25 days). Application and validation of these approaches in a focus region revealed that only using EVI leads to the highest accuracies (F1-Score = 0.65) as combining this approach with SAR-based detection led to a strong increase in falsely detected mowing events resulting in a decrease of accuracies (EVI + PolSAR ENT F1-Score = 0.61; EVI + InSAR COH F1-Score = 0.61). The mowing detection algorithm based on EVI was applied for the entire area of Germany for the years 2018-2021. It was revealed that the largest share of grasslands with high mowing frequencies (at least four mowing events) can be found in southern/south-eastern Germany. Extensively used grassland (mown up to two times) is distributed within the entire country with larger shares in the center and north-eastern parts of Germany. These patterns stay constant in general, but small fluctuations between the years are visible. Early mown grasslands can be found in southern/south-eastern Germany – in line with high mowing frequency areas – but also in central-western parts. The years 2019 and 2020 revealed higher accuracies based on the 1475 mowing events of the multi-annual validation data set (F1-Scores of 0.64 and 0.63), 2018 and 2021 lower ones (F1-Score of 0.52 and 0.50). Based on this new, unprecedented data set, potential influencing factors on the mowing dynamics were investigated. Therefore, climate, topography, soil data and information on conservation schemes were related to mowing dynamics for the year 2020, which showed a high number of valid observations and detection accuracy. It was revealed that there are no strong linear relationships between the mowing frequency or the timing of the first mowing event and the investigated variables. However, it was found that for intensive grassland usage certain climatic and topographic conditions have to be fulfilled, while extensive grasslands appear on the entire spectrum of these variables. Further, higher mowing frequencies occur on soils with influence of ground water and lower mowing frequencies in protected areas. These results show the complex interplay between grassland mowing dynamics and external influences and highlight the challenges of policies aiming to protect grassland ecosystem functions and their need to be adapted to regional circumstances. N2 - Grünland prägt viele Landschaften der Erde, da es etwa ein Drittel der Erdoberfläche bedeckt. Es ist Heimat und Lebensgrundlage für Milliarden von Menschen und wird hauptsächlich als Futterquelle für die Viehhaltung genutzt. Neben der Futterproduktion erfüllen Grünlandflächen jedoch viele weitere Ökosystemfunktionen, wie die Speicherung von Kohlenstoff, die Wasserfilterung, die Bereitstellung von Lebensräumen, als auch kulturelle Werte. Sie spielen eine Rolle bei der Abschwächung des Klimawandels und bei der Erhaltung der biologischen Vielfalt und der Ökosystemfunktionen auf globaler Ebene. Das Ausmaß, in dem diese Ökosystemfunktionen in Grünlandökosystemen vorhanden sind, wird weitgehend durch die Bewirtschaftung bestimmt. Einzelne Bewirtschaftungspraktiken und die Nutzungsintensität beeinflussen sowohl die Artenzusammensetzung als auch Funktionen wie die Kohlenstoffspeicherung, wobei höhere Nutzungsintensitäten (z. B. hohe Mähfrequenzen) in der Regel einen negativen Einfluss haben. Insbesondere in mitteleuropäischen Ländern wie Deutschland, führt der bestimmende Einfluss der Grünlandbewirtschaftung auf die Physiognomie und die Ökosystemfunktionen zu einer großen Variabilität und kleinräumigen Differenziertheit einzelner Grünlandflächen. Großräumige Informationen über die Bewirtschaftungs- und Nutzungsintensität von Grünland sind nicht verfügbar. Folglich sind Schätzungen der Ökosystemfunktionen von Grünland eine Herausforderung, die jedoch für großräumige Bewertungen des Zustands von Grünlandökosystemen und optimierte Bewirtschaftungspläne für die Zukunft erforderlich wären. Das Thema dieser Arbeit greift diese Lücke auf, indem es die wichtigste Grünlandbewirtschaftungsmethode in Deutschland, die Mahd, über mehrere Jahre, mit hoher räumlicher Auflösung und auf nationaler Ebene untersucht. Die Erdbeobachtung hat den Vorteil, Informationen über die Erdoberfläche in multitemporalen Zeitschritten zu liefern. Eine umfangreiche Literaturrecherche zur Nutzung von Erdbeobachtung für Grünlandmanagement und Produktion, welche Teil dieser Arbeit war, hat gezeigt, dass insbesondere die Forschung zu kleinparzelligem Grünland mit einer großen Vielfalt an Bewirtschaftungs- und Nutzungsintensitäten, wie in Mitteleuropa gängig, unterrepräsentiert ist. Insbesondere die vor wenigen Jahren erfolgte Start der Sentinel-Satellitenmissionen ermöglicht nun auch die Analyse solcher Grünlandflächen aufgrund der hohen räumlichen und zeitlichen Auflösung ihrer Aufnahmen. Die Literaturrecherche speziell zur Untersuchung von Mähereignissen auf Grünland ergab, dass die meisten bisherigen Studien sich auf kleine Untersuchungsgebiete konzentrierten, explorativ waren, nur einen Sensortyp verwendeten und/oder keinen Referenzdatensatz mit einer vollständigen Palette von Managementoptionen enthielten. Im Rahmen dieser Arbeit wird eine neuartige Methodik zur Erkennung von Grünlandmahdereignissen vorgestellt, welches über mehrere Jahre (2018-2021) flächendeckend in Deutschland angewendet und validiert wurde. Beide Sensortypen – optisch (Sentinel-2) und SAR (Sentinel-1) – wurden hinsichtlich ihres Potentials zur Detektion von Grünlandmahdereignissen ausgewertet. Acht EO-Parameter wurden untersucht, nämlich der Enhanced Vegetation Index (EVI), die Rückstreuintensität und die interferometrische zeitliche Kohärenz (InSAR) für beide verfügbaren Polarimetrien (VV und VH), sowie die polarimetrischen (PolSAR) Zerlegungsparameter Entropie, K0 und K1. Ein umfangreicher Referenzdatensatz wurde auf der Basis täglicher Bilder von Webcams generiert, welche über Deutschland verteilt sind. Dieser enthält Mahdinformationen für Grünland mit dem gesamten möglichen Spektrum an Mähfrequenzen – von eins bis sechs Mahden – und 1475 Referenz-Mähereignisse für die Untersuchungsjahre. Zum ersten Mal wurde ein Ansatz basierend auf tatsächlichen Beobachtungen zur Erkennung der Mahd entwickelt, angewandt und großflächig validiert, der Daten von Sentinel - 2 und Sentinel - 1 verwendet und beide miteinander kombiniert. Anhand eines Subset der Referenzdaten (13 Grünlandparzellen) wurden die EO-Parameter untersucht und der Algorithmus zur Mahddetektion entwickelt und parametrisiert. Die Analyse hat gezeigt, dass ein schwellenwertbasierter Ansatz zur Erkennung von Veränderungen auf der Grundlage des EVI die Ereignisse der Grünlandmahd am besten erfasst, und nur während Bewölkungsperioden Mahden nicht erfolgreich detektiert. Alle SAR-basierten Parameter zeigten ein inkonsistenteres Verhalten gegenüber Mähaktivitäten als EVI, wobei PolSAR Entropie und InSAR Kohärenz VH noch das höchste Potenzial aufwiesen. Ein zweiter, kombinierter Ansatz, der auf EVI und einem SAR Parameter basiert, wurde entwickelt und für PolSAR Entropie und InSAR VH getestet. Aufgrund vieler zusätzlicher Veränderungen, die in den Zeitreihen erkennbar sind, wurde die SAR-basierte Mahddetektion nur während langer Lücken in den optischen Zeitreihen (< 25 Tage) initiiert. Die Anwendung und Validierung dieser Ansätze in einer Fokusregion ergab, dass die Verwendung des EVI-Ansatzes zu den höchsten Genauigkeiten führt (F1-Score = 0.65), da die Kombination dieses Ansatzes mit der SAR-basierten Detektion zu einem starken Anstieg der falsch erkannten Mähereignisse und damit zu einer Abnahme der Genauigkeiten führte (EVI + PolSAR ENT F1-Score=0.61; EVI + InSAR COH F1-Score = 0.61). Der auf EVI basierende Mahddetektionsalgorithmus wurde für die gesamte Fläche Deutschlands für die Jahre 2018–2021 angewendet. Es zeigte sich, dass der größte Anteil an Grünland mit hoher Mähfrequenz (mindestens vier Mähereignisse) im Süden/Südosten Deutschlands zu finden ist. Extensiv genutztes Grünland (bis zu zweimal gemäht) ist über das gesamte Bundesgebiet verteilt, mit größeren Anteilen in der Mitte und im Nordosten Deutschlands. Diese Muster bleiben im Allgemeinen konstant, aber es sind kleine Schwankungen zwischen den Jahren erkennbar. Früh gemähtes Grünland findet sich in Süd-/Südostdeutschland - entsprechend den Gebieten mit hoher Mähfrequenz -, aber auch in Mittel- und Westdeutschland. Die Jahre 2019 und 2020 zeigen höhere Genauigkeiten (F1- Scores von 0.64 und 0.63), 2018 und 2021 niedrigere (F1-Score von 0.52 und 0.50). Darüber hinaus wurden mögliche Einflussfaktoren auf die Mahddynamik untersucht. So wurden Klima, Topografie, Bodendaten und Informationen über Schutzmaßnahmen mit der Mahddynamik für das Jahr 2020 in Verbindung gebracht, für welches eine hohe Anzahl gültiger Beobachtungen und eine hohe Erfassungsgenauigkeit erzielt werden konnten. Es zeigte sich, dass es keine starken linearen Beziehungen zwischen der Mahdhäufigkeit oder dem Zeitpunkt der ersten Mahd und den untersuchten Variablen gibt. Es wurde jedoch festgestellt, dass für eine intensive Grünlandnutzung bestimmte klimatische und topografische Bedingungen erfüllt sein müssen, wohingegen extensive Grünlandflächen im gesamten Spektrum dieser Variablen auftreten. Außerdem treten auf Böden mit Grundwassereinfluss höhere und in Schutzgebieten niedrigere Mahdhäufigkeiten auf. Diese Ergebnisse zeigen das komplexe Zusammenspiel zwischen der Dynamik der Grünlandmahd und äußeren Einflüssen und verdeutlichen die Herausforderungen in der gezielten Erstellung von Maßnahmen zum Schutz von Grünland-Ökosystemfunktionen und die Notwendigkeit diese regional anzupassen. KW - Grünland KW - Erdbeobachtung KW - Fernerkundung KW - Mähen KW - Grünlandnutzung KW - Zeitreihe KW - Erde KW - Sentinel-1 KW - Sentinel-2 KW - Enhanced Vegetation Index KW - PolSAR KW - InSAR Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-322737 ER - TY - THES A1 - Üreyen, Soner T1 - Multivariate Time Series for the Analysis of Land Surface Dynamics - Evaluating Trends and Drivers of Land Surface Variables for the Indo-Gangetic River Basins T1 - Multivariate Zeitreihen zur Analyse von Landoberflächendynamiken - Auswertung von Trends und Treibern von Landoberflächenvariablen für Flusseinzugsgebiete der Indus-Ganges Ebene N2 - The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument. In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed. To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere. In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area. These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions. N2 - Die Untersuchung von Erdsystemkomponenten und deren Wechselwirkungen ist von großer Relevanz, um das Prozessverständnis sowie die Auswirkungen des globalen Klimawandels auf die Landoberfläche zu verbessern. In diesem Zusammenhang liefert die Erdbeobachtung (EO) wertvolle Langzeitaufnahmen zu einer Vielzahl an Landoberflächenvariablen. Diese können als Indikator für die Erdsystemkomponenten genutzt werden und sind essenziell für großflächige Analysen. Flusseinzugsgebiete sind besonders geeignet um Landoberflächendynamiken mit multivariaten Zeitreihen zu analysieren, da diese verschiedene Sphären des Erdsystems umfassen. Zur Charakterisierung der Landoberfläche stehen zahlreiche EO-Missionen mit unterschiedlichen Eigenschaften zur Verfügung. Nur einige wenige Missionen gewährleisten jedoch die Erstellung von räumlich und zeitlich konsistenten Zeitreihen mit äquidistanten Beobachtungen über großräumige Untersuchungsgebiete, wie z.B. die MODIS Sensoren. Um bisherige EO-Analysen zu Landoberflächendynamiken in großen Flusseinzugsgebieten zu untersuchen, wurde eine Literaturrecherche durchgeführt, wobei mehrere Forschungslücken identifiziert wurden. Studien untersuchten nur selten ein ganzes Einzugsgebiet, sondern konzentrierten sich lediglich auf Teilgebietsgebiete oder regionale Untersuchungsgebiete. Darüber hinaus wurden transnationale Einzugsgebiete nur unzureichend analysiert, wobei sich die Studien größtenteils auf ausgewählte Anrainerstaaten beschränkten. Auch wurde die Analyse von Umweltveränderungen meistens anhand einer einzigen EO-Landoberflächenvariable durchgeführt, während eine synergetische Untersuchung von sphärenübergreifenden Landoberflächenvariablen kaum unternommen wurde. Um diese Forschungslücken zu adressieren, ist ein methodischer Ansatz notwendig, der (1) die Vorverarbeitung und Harmonisierung von Zeitreihen aus mehreren Quellen und (2) die statistische Analyse eines multivariaten Merkmalsraums ermöglicht. Für die Entwicklung und Anwendung eines methodischen Frameworks, das raum-zeitlich übertragbar ist, wurden die transnationalen Einzugsgebiete Indus, Ganges, Brahmaputra und Meghna (IGBM) in Südasien, deren Größe etwa der achtfachen Fläche von Deutschland entspricht, ausgewählt. Diese Einzugsgebiete hängen weitgehend von den Wasserressourcen des Monsunregens und des Hochgebirges Asiens ab. Insgesamt leben über 1,1 Milliarden Menschen in dieser Region und sind zum Teil in hohem Maße von diesen Wasserressourcen abhängig, die auch für die größten zusammenhängenden bewässerten Anbauflächen der Welt und auch für weitere inländische Bedarfe unerlässlich sind. Aufgrund ihrer sehr heterogenen geographischen Gegebenheiten ermöglichen diese Einzugsgebiete eine detaillierte sphärenübergreifende Analyse der Wechselwirkungen, einschließlich der Anthroposphäre, Biosphäre, Kryosphäre, Hydrosphäre, Lithosphäre und Atmosphäre. In dieser Dissertation wurden Landoberflächendynamiken der letzten zwei Jahrzehnte anhand von EO-Zeitreihen zum Vegetationszustand, zu Oberflächengewässern und zur Schneebedeckung analysiert. Diese basieren auf MODIS-Aufnahmen, dem DLR Global WaterPack und dem JRC Global Surface Water Layer sowie dem DLR Global SnowPack. Diese Zeitreihen wurden in Kombination mit weiteren klimatischen, hydrologischen und anthropogenen Variablen ausgewertet. Die Harmonisierung des multivariaten Merkmalsraumes ermöglichte die Analyse von Landoberflächendynamiken unter Nutzung von statistischen Methoden. Diese Methoden umfassen (1) die Berechnung von Trends mittels des Mann-Kendall und des Theil-Sen Tests, (2) die Berechnung von phänologischen Metriken anhand des Timesat-Tools, (3) die Bewertung von treibenden Variablen unter Nutzung des PCMCI Algorithmus und (4) zusätzliche Korrelationstests zur Analyse des menschlichen Einflusses auf den Vegetationszustand und die Wasseroberfläche. Diese Analysen wurden auf jährlichen und saisonalen Zeitskalen und für verschiedene räumliche Einheiten durchgeführt. Für den Vegetationszustand wurden weitgehend signifikant positive Trends ermittelt. Analysen haben gezeigt, dass landwirtschaftliche Nutzflächen am meisten zu diesen Trends beitragen haben. Besonders hoch waren die Trends in ariden Regionen. Bei Oberflächengewässern wurden auf jährlicher Ebene signifikant positive Trends festgestellt. Auf Pixelebene wurden jedoch sowohl regional als auch saisonal Cluster mit signifikant negativen Trends identifiziert. Die Trends für die Schneebedeckung blieben auf jährlicher Ebene weitgehend stabil, jedoch wurden in Teilen der Einzugsgebiete zu bestimmten Jahreszeiten signifikant negative Trends beobachtet. Die negativen Trends wurden auch für höhenabhängige Zonen festgestellt, insbesondere in hohen Lagen. Außerdem wurden in Teilen der Einzugsgebiete Rückgänge bei der saisonalen Dauer der Schneebedeckung ermittelt. Darüber hinaus ergab die Untersuchung des multivariaten Merkmalsraums auf kausale Zusammenhänge auf saisonaler Ebene erstmals Aufschluss über direkte und indirekte Relationen zwischen EO-Landoberflächenvariablen und den entsprechenden Einflussfaktoren. Zusammengefasst wurde die Vegetation durch die Wasserverfügbarkeit, die Oberflächengewässer durch den Abfluss und indirekt durch den Niederschlag sowie die Schneebedeckung durch Niederschlag und Temperatur mit räumlichen und saisonalen Unterschieden kontrolliert. Zusätzliche Analysen wiesen auf einen positiven Zusammenhang zwischen dem menschlichen Einfluss und den zunehmenden Trends in der Vegetationsfläche hin. Diese sphärenübergreifenden Untersuchungen zu Trends und Wechselwirkungen liefern neue und wertvolle Einblicke in den vergangenen Zustand von Landoberflächendynamiken sowie in die relevanten klimatischen und hydrologischen Einflussfaktoren. Neben den untersuchten Einzugsgebieten in Südasien sind diese Erkenntnisse auch für weitere Einzugsgebiete und geographische Regionen von großer Bedeutung. KW - Multivariate Analyse KW - Zeitreihe KW - Fernerkundung KW - Geographie KW - Multivariate Time Series KW - River Basins KW - Earth Observation KW - Remote Sensing Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-291941 ER - TY - THES A1 - Dirscherl, Mariel Christina T1 - Remote Sensing of Supraglacial Lake Dynamics in Antarctica - Exploiting Methods from Artificial Intelligence for Derivation of Antarctic Supraglacial Lake Extents in Multi-Sensor Remote Sensing Data T1 - Fernerkundung der Dynamik supraglazialer Seen in der Antarktis - Analyse von supraglazialen Seen in Multi-Sensor Fernerkundungsdaten mittels Methoden der Künstlichen Intelligenz N2 - With accelerating global climate change, the Antarctic Ice Sheet is exposed to increasing ice dynamic change. During 1992 and 2017, Antarctica contributed ~7.6 mm to global sea-level-rise mainly due to ocean thermal forcing along West Antarctica and atmospheric warming along the Antarctic Peninsula (API). Together, these processes caused the progressive retreat of glaciers and ice shelves and weakened their efficient buttressing force causing widespread ice flow accelerations. Holding ~91% of the global ice mass and 57.3 m of sea-level-equivalent, the Antarctic Ice Sheet is by far the largest potential contributor to future sea-level-rise. Despite the improved understanding of Antarctic ice dynamics, the future of Antarctica remains difficult to predict with its contribution to global sea-level-rise representing the largest uncertainty in current projections. Given that recent studies point towards atmospheric warming and melt intensification to become a dominant driver for future Antarctic ice mass loss, the monitoring of supraglacial lakes and their impacts on ice dynamics is of utmost importance. In this regard, recent progress in Earth Observation provides an abundance of high-resolution optical and Synthetic Aperture Radar (SAR) satellite data at unprecedented spatial and temporal coverage and greatly supports the monitoring of the Antarctic continent where ground-based mapping efforts are difficult to perform. As an automated mapping technique for supraglacial lake extent delineation in optical and SAR satellite imagery as well as a pan-Antarctic inventory of Antarctic supraglacial lakes at high spatial and temporal resolution is entirely missing, this thesis aims to advance the understanding of Antarctic surface hydrology through exploitation of spaceborne remote sensing. In particular, a detailed literature review on spaceborne remote sensing of Antarctic supraglacial lakes identified several research gaps including the lack of (1) an automated mapping technique for optical or SAR satellite data that is transferable in space and time, (2) high-resolution supraglacial lake extent mappings at intra-annual and inter-annual temporal resolution and (3) large-scale mapping efforts across the entire Antarctic continent. In addition, past method developments were found to be restricted to purely visual, manual or semi-automated mapping techniques hindering their application to multi-temporal satellite imagery at large-scale. In this context, the development of automated mapping techniques was mainly limited by sensor-specific characteristics including the similar appearance of supraglacial lakes and other ice sheet surface features in optical or SAR data, the varying temporal signature of supraglacial lakes throughout the year as well as effects such as speckle noise and wind roughening in SAR data or cloud coverage in optical data. To overcome these limitations, this thesis exploits methods from artificial intelligence and big data processing for development of an automated processing chain for supraglacial lake extent delineation in Sentinel-1 SAR and optical Sentinel-2 satellite imagery. The combination of both sensor types enabled to capture both surface and subsurface lakes as well as to acquire data during cloud cover or wind roughening of lakes. For Sentinel-1, a deep convolutional neural network based on residual U-Net was trained on the basis of 21,200 labeled Sentinel-1 SAR image patches covering 13 Antarctic regions. Similarly, optical Sentinel-2 data were collected over 14 Antarctic regions and used for training of a Random Forest classifier. Optical and SAR classification products were combined through decision-level fusion at bi-weekly temporal scale and unprecedented 10 m spatial resolution. Finally, the method was implemented as part of DLR’s High-Performance Computing infrastructure allowing for an automated processing of large amounts of data including all required pre- and postprocessing steps. The results of an accuracy assessment over independent test scenes highlighted the functionality of the classifiers returning accuracies of 93% and 95% for supraglacial lakes in Sentinel-1 and Sentinel-2 satellite imagery, respectively. Exploiting the full archive of Sentinel-1 and Sentinel-2, the developed framework for the first time enabled the monitoring of seasonal characteristics of Antarctic supraglacial lakes over six major ice shelves in 2015-2021. In particular, the results for API ice shelves revealed low lake coverage during 2015-2018 and particularly high lake coverage during the 2019-2020 and 2020-2021 melting seasons. On the contrary, East Antarctic ice shelves were characterized by high lake coverage during 2016-2019 and extremely low lake coverage during the 2020-2021 melting season. Over all six investigated ice shelves, the development of drainage systems was revealed highlighting an increased risk for ice shelf instability. Through statistical correlation analysis with climate data at varying time lags as well as annual data on Southern Hemisphere atmospheric modes, environmental drivers for meltwater ponding were revealed. In addition, the influence of the local glaciological setting was investigated through computation of annual recurrence times of lakes. Over both ice sheet regions, the complex interplay between local, regional and large-scale environmental drivers was found to control supraglacial lake formation despite local to regional discrepancies, as revealed through pixel-based correlation analysis. Local control factors included the ice surface topography, the ice shelf geometry, the presence of low-albedo features as well as a reduced firn air content and were found to exert strong control on lake distribution. On the other hand, regional controls on lake evolution were revealed to be the amount of incoming solar radiation, air temperature and wind occurrence. While foehn winds were found to dictate lake evolution over the API, katabatic winds influenced lake ponding in East Antarctica. Furthermore, the regional near-surface climate was shown to be driven by large-scale atmospheric modes and teleconnections with the tropics. Overall, the results highlight that similar driving factors control supraglacial lake formation on the API and EAIS pointing towards their transferability to other Antarctic regions. N2 - Der antarktische Eisschild erfährt angesichts der globalen Erderwärmung zunehmende eisdynamische Veränderungen. Zwischen 1992 und 2017 trug die Antarktis mit ~7.6 mm zum globalen Meeresspiegelanstieg bei, was vor allem auf die Erwärmung des Ozeans entlang der Westantarktis und die Erwärmung der Atmosphäre entlang der Antarktischen Halbinsel zurückzuführen ist. Zusammen verursachten diese Prozesse den fortschreitenden Rückgang von Gletschern und Schelfeis und schwächten ihren Rückhalteeffekt. Mit einem Anteil von ~91% an der globalen Eismasse und einem Meeresspiegeläquivalent von 57.3 m ist der antarktische Eisschild der größte potentielle Verursacher eines zukünftigen Meeresspiegelanstiegs. Trotz des verbesserten Verständnisses der antarktischen Eisdynamik kann die Zukunft der Antarktis nur schwer vorhergesagt werden. In Anbetracht der Tatsache, dass die Erwärmung der Atmosphäre und die damit einhergehende Oberflächenschmelze eine der Hauptursachen für künftige Massenverluste der Antarktis sein werden, ist die Kartierung von supraglazialen Seen von größter Bedeutung und Wichtigkeit. In dieser Hinsicht liefert die Erdbeobachtung eine Vielzahl von räumlich und zeitlich hochaufgelösten Satellitendaten für das Monitoring der Antarktis. Da eine automatisierte Methode zur Kartierung von supraglazialen Seen in Satellitendaten sowie ein großräumiges Inventar gänzlich fehlen, ist das Ziel dieser Arbeit zu einem besseren Verständnis der antarktischen Oberflächenhydrologie beizutragen. Zu diesem Zweck wurde ein neuartiges Prozessierungsverfahren für die automatisierte Kartierung von supraglazialen Seen in Sentinel-1 und Sentinel-2 Satellitenbilddaten entwickelt. Basierend auf einer umfassenden Literaturrecherche in Bezug auf die satellitengestützte Fernerkundung von antarktischen supraglazialen Seen wurden mehrere Forschungslücken identifiziert, darunter das Fehlen von (1) einem automatisierten Klassifikationsalgorithmus für optische und Radar Satellitendaten, der in Raum und Zeit übertragbar ist, (2) hochaufgelösten Kartierungen von supraglazialen Seen mit jährlicher sowie saisonaler zeitlicher Auflösung und (3) großräumigen Kartierungen über der gesamten Antarktis. Darüber hinaus wurde festgestellt, dass sich vergangene Methodenentwicklungen auf eine rein visuelle, manuelle oder halbautomatisierte Kartierungstechnik stützten, was ihre Anwendung auf multitemporale Satellitenbilder über dem gesamten Kontinent verhinderte. Die Entwicklung einer automatisierten Kartierungsmethode wurde hierbei vor allem durch sensorspezifische Merkmale eingeschränkt, darunter das ähnliche Erscheinungsbild von supraglazialen Seen und anderen Landbedeckungsklassen in optischen oder Radar Daten, die variierende zeitliche Signatur von supraglazialen Seen sowie Effekte wie SpeckleRauschen oder die Windaufrauhung von Seen in Radar Daten. Um diese Limitierungen zu überwinden, basiert der entwickelte Algorithmus zur automatisierten Kartierung von supraglazialen Seen in optischen and Radar Satellitendaten auf Methoden der künstlichen Intelligenz und der Big-Data-Analytik. Die Kombination von beiden Sensortypen ermöglicht es, sowohl supraglaziale als auch mit Schnee bedeckte Seen zu erfassen. Für Sentinel-1 wurde ein neuronales Netzwerk basierend auf „residual U-Net“ mittels 21,200 Radaraufnahmen über 13 antarktischen Regionen trainiert. In ähnlicher Weise wurden optische Sentinel-2 Daten über 14 antarktischen Regionen gesammelt und zum Trainieren eines „Random Forest“ Klassifikators verwendet. Die beiden Methoden wurden durch die Fusion von optischen und Radar Klassifikationsergebnissen kombiniert und als Teil der DLR-internen Prozessierungs-Infrastruktur auf Hochleistungsrechnern implementiert, die eine vollautomatische Verarbeitung großer Datenmengen einschließlich aller erforderlichen Vor- und Nachverarbeitungsschritte ermöglichen. Eine Fehleranalyse über unabhängigen Testszenen zeigte die Funktionalität der Algorithmen, die Genauigkeiten von 93% bzw. 95% für supraglaziale Seen in Sentinel-1 und Sentinel-2 Daten erreichten. Unter Nutzung des gesamten Archivs an Sentinel-1 und Sentinel-2 Daten im Zeitraum 2015-2021 ermöglichte die entwickelte Prozessierungs-Kette erstmals die Erfassung von saisonalen Merkmalen supraglazialer Seen über sechs großen SchelfeisRegionen. Die Ergebnisse für die Antarktische Halbinsel zeigten ein geringes Auftreten von supraglazialen Seen im Zeitraum 2015-2018 und ein stark erhöhtes Auftreten von supraglazialen Seen während der Schmelzsaison 2019-2020 und 2020-2021. Im Gegensatz dazu war die Ostantarktis durch ein stark erhöhtes Auftreten von supraglazialen Seen in den Jahren 2016-2019 sowie ein stark reduziertes Auftreten von supraglazialen Seen während der Schmelzsaison 2020-2021 gekennzeichnet. Über beiden Regionen entwickelten sich ausgeprägte Seen-Netzwerke, die ein erhöhtes Risiko für die Stabilität von Schelfeis darstellen. Durch statistische Korrelationsanalysen mit saisonalen Klimadaten sowie jährlichen Daten zu atmosphärischen Modi wurden Umwelteinflüsse auf die Entstehung von Seen analysiert. In beiden antarktischen Regionen wurde festgestellt, dass das komplexe Zusammenspiel von lokalen, regionalen und großräumigen Umweltfaktoren die Entstehung von supraglazialen Seen begünstigt. Zu den lokalen Einflussfaktoren gehören die Topographie, die Schelfeisgeometrie, das Vorhandensein von Oberflächen mit geringer Albedo sowie ein reduzierter Luftgehalt im Firn. Andererseits wurde festgestellt, dass die Sonneneinstrahlung, die Lufttemperatur und Wind die Entstehung von Seen regional beeinflussen. Während Föhnwinde über der Antarktischen Halbinsel auftreten, dominieren katabatische Winde in der Ostantarktis. Darüber hinaus wurde verdeutlicht, dass das regionale Klima von atmosphärischen Modi beeinflusst wird. Insgesamt deuten die Ergebnisse darauf hin, dass ähnliche Umweltfaktoren die Entstehung von supraglazialen Seen über beiden Regionen steuern, was Rückschlüsse auf ihre Übertragbarkeit in andere antarktische Regionen zulässt. KW - Optische Fernerkundung KW - Radarfernerkundung KW - Antarktis KW - Gletscher KW - Fernerkundung KW - Supraglaziale Seen Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-279505 ER - TY - THES A1 - Hu, Zhongyang T1 - Earth Observation for the Assessment of Long-Term Snow Dynamics in European Mountains - Analysing 35-Year Snowline Dynamics in Europe Based on High Resolution Earth Observation Data between 1984 and 2018 T1 - Erdbeobachtung für die Beurteilung von Langzeit Schneedynamiken in Europäischen Gebirgen - Die Analyse von Scheegrenzendynamiken über 35 Jahre in Europa basierend auf hochauflösenden Erdbeobachtungsdaten zwischen 1984 und 2018 N2 - Worldwide, cold regions are undergoing significant alterations due to climate change. Snow, the most widely distributed cold region component, is highly sensitive to climate change. At the same time, snow itself profoundly impacts the Earth’s energy budget, biodiversity, and natural hazards, as well as hydropower management, freshwater management, and winter tourism/sports. Large parts of the cold regions in Europe are mountain areas, which are densely populated because of the various ecosystem services and socioeconomic well-being in mountains. At present, severe consequences caused by climate change have been observed in European mountains and their surrounding areas. Yet, large knowledge gaps hinder the development of effective regional and local adaptation strategies. Long-term and evidence-based regional studies are urgently needed to enhance the comprehension of regional responses to climate change. Earth Observation (EO) provides long-term consistent records of the Earth’s surface. It is a great alternative and/or supplement to conventional in-situ measurements which are usually time-consuming, cost-intensive and logistically demanding, particularly for the poor accessibility of cold regions. With the assistance of EO, land surface dynamics in cold regions can be observed in an objective, repeated, synoptic and consistent way. Thanks to free and open data policies, long-term archives such as Landsat Archive and Sentinel Archive can be accessed free-of-charge. The high- to medium-resolution remote sensing imagery from these freely accessible archives gives EO-based time series datasets the capability to depict snow dynamics in European mountains from the 1980s to the present. In order to compile such a dataset, it is necessary to investigate the spatiotemporal availability of EO data, and develop a spatiotemporally transferable framework from which one can investigate snow dynamics. Among the available EO image archives, the Landsat Archive has the longest uninterrupted records of the Earth’s land surface. Furthermore, its 30 m spatial resolution fulfils the requirements for snow monitoring in complex terrains. Landsat data can yield a time series of snow dynamics in mountainous areas from 1984 to the present. However, severe Landsat data gaps have occurred across certain regions of Europe. Moreover, the Landsat Level 1 Precision and Terrain (L1TP) data is scarcer (up to 50% less) in high-latitude mountainous areas than in low-latitude mountainous areas. Given the abovementioned facts, the Regional Snowline Elevation (RSE) is selected to characterize the snow dynamics in mountainous areas, as it can handle cloud obstructions in the optical images. In this thesis, I present a five-step framework to derive and densify RSE time series in European mountains, i.e. (1) pre-processing, (2) snow detection, (3) RSE retrieval, (4) time series densification, and (5) Regional Snowline Retreat Curve (RSRC) production. The results of the intra-annual RSE variations show a uniquely high variation in the beginning of the ablation seasons in the Alpine catchment Tagliamento, mainly toward higher elevation. As for inter-annual variations of RSE, median RSE increases in all selected catchments, with an average speed of around 4.66 m ∙ a−1 (median) and 5.87 m ∙ a−1 (at the beginning of the ablation season). The fastest significant retreat is observed in the catchment Drac (10.66 m ∙ a−1, at the beginning of the ablation season), and the slowest significant retreat is observed in the catchment Uzh (1.74 m ∙ a−1, at the beginning of the ablation season). The increase of RSEs at the beginning of the ablation season is faster than the median RSEs, whose average difference is nearly 1.21 m ∙ a−1, particularly in the catchment Drac (3.72 m ∙ a−1). The results of the RSRCs show a significant rise in RSEs at the beginning of the ablation season, except for the Alpine catchment Alpenrhein and Var, and the Pyrenean catchment Ariege. It indicates that 11.8 and 3.97 degrees Celsius less per year are needed for the regional snowlines to reach the middle point of the RSRC in the Tagliamento and Tysa, respectively. The variation of air temperature is regarded as an example of a potential climate driver in this thesis. The retrieved monthly mean RSEs are highly correlated (mean correlation coefficient "R" ̅ = 0.7) with the monthly temperature anomalies, which are more significant in months with extremely low/high temperature. Another case study that investigates the correlation between river discharges and RSEs is carried out to demonstrate the potential consequences of the derived snowline dynamics. The correlation analysis shows a good correlation between river discharges and RSEs (correlation coefficient, R=0.52). In this thesis, the developed framework signifies a better understanding of the snow dynamics in mountain areas, as well as their potential triggers and consequences. Nonetheless, an urgent need persists for: (1) validation data to assess long-term snow-related observations based on high-resolution EO data; (2) further studies to reveal interactions between snow and its ambient environment; and (3) regional and local adaptation-strategies coping with climate change. Further studies exploring the above-mentioned research gaps are urgently needed in the future. N2 - Weltweit erleben kalte Regionen signifikante Veränderungen durch den Klimawandel. In kalten Regionen ist der Schnee die am weitesten verbreitete Komponente, welche sehr sensibel auf Klimaänderungen reagiert. Zugleich beeinflusst der Schnee selbst das Energiebudget der Erde, die Biodiversität, Naturgefahren sowie Wasserenergiegewinnung, Süßwassergewinnung, Wintertourismus und Wintersport. Große Teile der kalten Regionen in Europa sind Gebirgsregionen. Diese sind dicht besiedelt, da Gebirgsregionen verschiedenste Ökosystemservices bereitstellen und sozioökonomisches Wohlbefinden ermöglichen. Heute kann man schwerwiegende Konsequenzen in Europäischen Gebirgen und deren angrenzenden Gebieten wahrnehmen. Dennoch verhindern große Wissenslücken die Entwicklung effektiver und regionaler/lokaler Anpassungsstrategien. Um regionaler Auswirkungen durch den Klimawandel besser verstehen zu können, ist es enorm wichtig Langzeitstudien und beweisorientierte regionale Studien durchzuführen. Erdbeobachtung (EO) bietet durchgängige Langzeitaufzeichnungen der Erdoberfläche. Dies ist eine großartige Alternative und/oder Ergänzung zu konventionellen in-situ Messungen, welche meist zeitaufwändig, teuer und logistisch herausfordernd sind – vor allem in kalten Regionen, die schwer zugänglich sind. Mit der Hilfe von Erdbeobachtung können Oberflächendynamiken objektiv, wiederholt, synoptisch und kontinuierlich aufgenommen werden. Dank freier und offener Datenpolitik, Langzeitmissionen wie Landsat und Sentinel sind diese Daten inzwischen ohne zusätzliche Kosten zugänglich. Durch die oben genannten Rahmenbedingungen, besteht die Möglichkeit aus hoch bis mittel aufgelöste Satellitenbilder erdbeobachtungsbasierte Zeitreihen zu erstellen, die die Schneedynamiken in Europäischen Gebirgen abbilden. Um dieses Ziel zu erreichen, muss die räumliche und zeitliche Verfügbarkeit von Erdbeobachtungsdaten überprüft werden und ein Rahmenwerk geschaffen werden (übertragbar in Zeit und Raum), um Schneedynamiken aus Erdbeobachtungsdaten großflächig ableiten zu können. Unter den verfügbaren Erdbeobachtungsarchiven bietet das Landsat Archiv die längsten und kontinuierlichsten Aufzeichnungen der Landoberfläche. Zudem erfüllt die räumliche Auflösung von 30 m die Anforderungen, Schnee in komplexem Terrain zu monitoren. Basierend auf Landsat L1TP Daten (z.B. terrainkorrigiert) ist es möglich, Zeitreihen von Schneedynamiken in Gebirgsregionen zwischen 1984 und 1991/1999 zu erstellen. Des Weiteren ist Landsat L1TP in hohen Breitengraden seltener verfügbar (bis zu 50 % weniger) als in Gebirgsregionen der gemäßigten Breiten. Basierend auf den oben genannten Fakten wurde die Regionale Höhe der Schneefallgrenze (RSE) ausgewählt um Schneedynamiken in Gebirgsregionen zu charakterisieren, da diese Wolken in optischen Szenen bewältigen kann. In dieser Arbeit wurde ein fünf-Stufen Rahmenwerk geschaffen, um RSE-Zeitserien in Europäischen Gebirgen abzuleiten und zu verdichten. Die Prozessierungskette besteht aus (1) Vorprozessierung, (2) Schneedetektion, (3) RSE-Ableitung, (4) Zeitreihenverdichtung und (5) Erstellung einer regionalen Schneegrenzen-Rückgangsfunktion (RSRC). Die Ergebnisse der intra-annuellen RSE Variationen zeigen eine einzigartige hohe Variation im Beginn der Abschmelzsaison im alpinen Einzugsgebiet Tagliamento, meist in höheren Gebieten. Wie für die inter-annuellen Variationen des RSE, steigt auch der Median des RSE in allen ausgewählten Einzugsgebieten mit einer durchschnittlichen Geschwindigkeit von 4.66 m ∙ a−1 (median) und 5.87 m ∙ a−1 (zum Beginn der Schmelze). Der schnellste signifikante Rückgang kann im Einzugsgebiet Drac (10.66 m ∙ a−1, Beginn der Schmelze) beobachtet werden, der langsamste Rückgang im Einzugsgebiet Uzh (1.74 m ∙ a−1, Beginn der Schmelze). Der Anstieg des RSE zu Beginn der Schmelzsaison ist schneller als der Median des RSE, dessen mittlere Differenz 1.21 m ∙ a−1 beträgt. Insbesondere für das Drac Einzugsgebiet (3.72 m ∙ a−1). Die Ergebnisse des RSRC zeigen signifikante Anstiege des RSE zu Beginn des Schmelzsaison, ausgenommen davon sind die alpinen Einzugsgebiete Alpenrhein und Var und das Einzugsgebiet Ariege in den Pyrenäen. Dies lässt darauf zurückschließen, dass 11.8 °C und 3.97 °C Grad weniger pro Jahr nötig sind für Tagliamento und Tysa, damit die regionalen Schneegrenzen den Mittelpunkt des RSRC erreicht. Zudem wird die Variation der Lufttemperatur als beispielhafter Treiber des Klimas in dieser Thesis gesehen. Die monatlich abgeleiteten mittleren RSE korrelieren stark (mittlerer korrelations Coeffizient R ̅ = 0.7) mit monatlichen Temperaturanomalien. In Monaten mit extrem hohen/tiefen Temperaturen ist die Korrelation am stärksten. Ein anderes Fallbeispiel untersucht die Korrelation zwischen Abfluss in Flüssen und RSE, um die potenziellen Konsequenzen der abgeleiteten Schneefallgrenzendynamiken zu ermitteln. Die Korrelationsanalyse weist eine gute Korrelation auf (R=0.52). Das in dieser Arbeit entwickelte Rahmenwerk ist nur ein Beginn, um das Wissen über Schneedynamiken in Gebirgsregionen zu verbessern und potentiell auslösende Faktoren und Konsequenzen zu verstehen. Dennoch wird folgendes dringend benötigt: (1) Validierungsdaten für schneebasierte Langzeitbeobachtungen aus hochaufgelösten Erdbeobachtungsdaten; (2) weitere Studien zu Interaktionen zwischen Schnee und der umgebende Umwelt; und (3) regionale und lokale Anpassungsstrategien, um Auswirkungen des Klimawandels zu meistern. Weitere Studien in den oben genannten Punkten werden in der Zukunft stark frequentiert sein, damit Wissens- und Forschungslücken geschlossen werden können. KW - Fernerkundung KW - Schnee KW - Europa KW - Remote Sensing KW - Snow KW - Europe Y1 - 2020 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-200441 ER - TY - THES A1 - Knauer, Kim T1 - 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 - THES A1 - Wohlfart, Christian T1 - The Yellow River Basin in Transition - Multi-faceted Land Cover Change Analysis in the Yellow River Basin in the Context of Global Change Using Multi-sensor Remote Sensing Imagery T1 - Der Gelbe Fluss im Wandel - Multisensorale und multitemporale Analyse des Einzugsgebietes des Gelben Flusses in China mittels Fernerkundungsdaten vor dem Hintergrund des Globalen Wandels N2 - As a cradle of ancient Chinese civilization, the Yellow River Basin has a very long human-environment interrelationship, where early anthropogenic activities re- sulted in large scale landscape modifications. Today, the impact of this relationship has intensified further as the basin plays a vital role for China’s continued economic development. It is one of the most densely-populated, fastest growing, and most dynamic regions of China with abundant natural and environmental resources providing a livelihood for almost 190 million people. Triggered by fundamental economic reforms, the basin has witnessed a spectacular economic boom during the last decades and can be considered as an exemplary blueprint region for contemporary dynamic Global Change processes occurring throughout the country, which is currently transitioning from an agrarian-dominated economy into a modern urbanized society. However, this resourcesdemanding growth has led to profound land use changes with adverse effects on the Yellow River social-ecological systems, where complex challenges arise threatening a long-term sustainable development. Consistent and continuous remote sensing-based monitoring of recent and past land cover and land use change is a fundamental requirement to mitigate the adverse impacts of Global Change processes. Nowadays, technical advancement and the multitude of available satellite sensors, in combination with the opening of data archives, allow the creation of new research perspectives in regional land cover applications over heterogeneous landscapes at large spatial scales. Despite the urgent need to better understand the prevailing dynamics and underlying factors influencing the current processes, detailed regional specific land cover data and change information are surprisingly absent for this region. In view of the noted research gaps and contemporary developments, three major objectives are defined in this thesis. First (i), the current and most pressing social-ecological challenges are elaborated and policy and management instruments towards more sustainability are discussed. Second (ii), this thesis provides new and improved insights on the current land cover state and dynamics of the entire Yellow River Basin. Finally (iii), the most dominant processes related to mining, agriculture, forest, and urban dynamics are determined on finer spatial and temporal scales. The complex and manifold problems and challenges that result from long-term abuse of the water and land resources in the basin have been underpinned by policy choices, cultural attitude, and institutions that have evolved over centuries in China. The tremendous economic growth that has been mainly achieved by extracting water and exploiting land resources in a rigorous, but unsustainable manner, might not only offset the economic benefits, but could also foster social unrest. Since the early emergence of the first Chinese dynasties, flooding was considered historically as a primary issue in river management and major achievements have been made to tame the wild nature of the Yellow River. Whereas flooding is therefore largely now under control, new environmental and social problems have evolved, including soil and water pollution, ecological degradation, biodiversity decline, and food security, all being further aggravated by anthropogenic climate change. To resolve the contemporary and complex challenges, many individual environmental laws and regulations have been enacted by various Chinese ministries. However, these policies often pursue different, often contradictory goals, are too general to tackle specific problems and are usually implemented by a strong top-down approach. Recently, more flexible economic and market-based incentives (pricing, tradable permits, investments) have been successfully adopted, which are specifically tailored to the respective needs, shifting now away from the pure command and regulating instruments. One way towards a more holistic and integrated river basin management could be the establishment of a common platform (e.g. a Geographical Information System) for data handling and sharing, possibly operated by the Yellow River Basin Conservancy Commission (YRCC), where available spatial data, statistical information and in-situ measures are coalesced, on which sustainable decision-making could be based. So far, the collected data is hardly accessible, fragmented, inconsistent, or outdated. The first step to address the absence and lack of consistent and spatially up-to-date information for the entire basin capturing the heterogeneous landscape conditions was taken up in this thesis. Land cover characteristics and dynamics were derived from the last decade for the years 2003 and 2013, based on optical medium-resolution hightemporal MODIS Normalized Differenced Vegetation Index (NDVI) time series at 250 m. To minimize the inherent influence of atmospheric and geometric interferences found in raw high temporal data, the applied adaptive Savitzky-Golay filter successfully smoothed the time series and substantially reduced noise. Based on the smoothed time series data, a large variety of intra-annual phenology metrics as well as spectral and multispectral annual statistics were derived, which served as input variables for random forest (RF) classifiers. High quality reference data sets were derived from very high resolution imagery for each year independently of which 70 % trained the RF models. The accuracy assessments for all regionally specific defined thematic classes were based on the remaining 30 % reference data split and yielded overall accuracies of 87 % and 84 % for 2003 and 2013, respectively. The first regional adapted Yellow River Land Cover Products (YRB LC) depict the detail spatial extent and distribution of the current land cover status and dynamics. The novel products overall differentiate overall 18 land cover and use classes, including classes of natural vegetation (terrestrial and aquatic), cultivated classes, mosaic classes, non-vegetated, and artificial classes, which are not presented in previous land cover studies so far. Building on this, an extended multi-faceted land cover analysis on the most prominent land cover change types at finer spatial and temporal scales provides a better and more detailed picture of the Yellow River Basin dynamics. Precise spatio-temporal products about mining, agriculture, forest, and urban areas were examined from long-trem Landsat satellite time series monitored at annual scales to capture the rapid rate of change in four selected focus regions. All archived Landsat images between 2000 and 2015 were used to derive spatially continuous spectral-temporal, multi-spectral, and textural metrics. For each thematic region and year RF models were built, trained and tested based on a stablepixels reference data set. The automated adaptive signature (AASG) algorithm identifies those pixels that did not change between the investigated time periods to generate a mono-temporal reference stable-pixels data set to keep manual sampling requirements to a minimum level. Derived results gained high accuracies ranging from 88 % to 98 %. Throughout the basin, afforestation on the Central Loess Plateau and urban sprawl are identified as most prominent drivers of land cover change, whereas agricultural land remained stable, only showing local small-scale dynamics. Mining operations started in 2004 on the Qinghai-Tibet Plateau, which resulted in a substantial loss of pristine alpine meadows and wetlands. In this thesis, a novel and unique regional specific view of current and past land cover characteristics in a complex and heterogeneous landscape was presented by using a multi-source remote sensing approach. The delineated products hold great potential for various model and management applications. They could serve as valuable components for effective and sustainable land and water management to adapt and mitigate the predicted consequences of Global Change processes. N2 - Der Gelbe Fluss - in der Landessprache Huange He genannt - ist für die Ausprägung und Entwicklung der chinesischen Kultur von großer Bedeutung. Aufgrund der frühen Einflussnahme auf die natürlichen Ökosysteme in dieser Region durch den Menschen, entwickelte sich dort eine ausgeprägte Interaktion zwischen Mensch und Umwelt. Diese Wechselbeziehung hat sich infolge der gegenwärtigen rapiden sozioökonomischen Veränderungen in den letzten Jahrzehnten weiter intensiviert. Das Einzugsgebiet des Gelben Flusses bildet die Lebensgrundlage für fast 190 Millionen Menschen, die zum Großteil von natürlichen Ressourcen abhängig sind. Zudem gehört es zu den wirtschaftlich bedeutendsten und am schnellsten wachsenden Regionen in ganz China. Durch weitreichende Reformen wurde ein wirtschaftlicher Aufstieg forciert, um den Agrarstaat China zu einem modernen Industrie- und Dienstleistungsstaat weiterzuentwickeln. Ein derartiges rasantes wie auch ressourcenintensives Wirtschaftswachstum führte schließlich zu einem enormen Wandel in den Bereichen der Landbedeckung und Landnutzung. Hinzu kamen neue und komplexere wirtschafts-, sozial- und umweltpolitische Herausforderungen, die bis heute eine langfristige und nachhaltige Entwicklung der Region gefährden. Aus diesem Blickwinkel kann das Becken des Gelben Flusses als regionales Spiegelbild der durch den Globalen Wandel bedingten, gegenwärtigen Veränderungsprozesse in ganz China gelten. Eine wichtige Voraussetzung für den adäquaten Umgang mit den Herausforderungen des Globalen Wandels sind kontinuierliche Informationen über aktuelle sowie historische Veränderungen von Landbedeckung und Landnutzung. Infolge der technologischen Entwicklung steht heute eine Vielfalt an Satellitenbildsystemen mit immer höherer zeitlicher und räumlicher Auflösung zur Verfügung. In Verbindung mit kostenfreien und offenen Datenzugriffen ist es möglich, daraus neue Forschungsperspektiven im Bereich der Landoberflächenkartierung - insbesondere für heterogene Landschaften - zu entwickeln. Zur Generierung thematischer Karten werden häufig Klassifikationen entlang verschiedener räumlicher und zeitlicher Skalen vollzogen. Daraus können zusätzlich die nötigen Informationen für lokale wie auch regionale Entscheidungsträger abgeleitet werden. Trotz dieser neuen Möglichkeiten sind regionalspezifische Informationen, die einem besseren Verständnis der Dynamiken von Landoberflächen im Bereich des Gelben-Fluss-Beckens dienen, noch rar. Dieses Forschungsdesiderat wurde im Rahmen dieser Arbeit aufgegriffen, wobei folgende Schwerpunkte gesetzt werden: (i) Zunächst werden die vorherrschenden sozioökologischen Herausforderungen für das gesamte Einzugsgebiet des Gelben Flusses dargestellt sowie verschiedene Management- sowie Politikmodelle für eine nachhaltigere Ressourcennutzung diskutiert. (ii) Darauf aufbauend wird die fernerkundliche Ableitung von Landbedeckungs- und Landnutzungsveränderungen der letzten Dekade im Gebiet des gesamten Gelben Flusses flächendeckend durchgeführt und anschließend interpretiert. (iii) Im letzten Schritt werden basierend auf den zuvor abgeleiteten Informationsprodukten die dominierenden Landoberflächendynamiken in höherer zeitlicher und räumlicher Auflösung detailliert untersucht. Insbesondere die dynamischen Prozesse der Minenausbreitung, Landwirtschaft, Waldgebiete und der urbanen Räume rücken in den Fokus. Aufgrund jahrzehntelanger Übernutzung der natürlichen Ressourcen im Gebiet des Gelben Flusses in Verbindung mit politischen Entscheidungen, der vorherrschenden kulturellen Prägung wie auch der Entwicklung der dort ansässigen Institutionen ist eine vielschichtige Problematik entstanden, die für die gesamte Region eine große Herausforderung darstellt. Durch frühzeitige Maßnahmen der Flutbekämpfung und Flussregulierung konnte den zahlreichen Überflutungen der Vergangenheit entgegengewirkt und das Risiko großflächiger Überschwemmungen minimiert werden. Trotz dieser Erfolge ergeben sich laufend neue, komplexere Herausforderungen mit verheerenden Auswirkungen auf Ökologie und Gesellschaft, wie zum Beispiel Boden- und Wasserdegradation, Entwaldung, Rückgang der Artenvielfalt, Ernährungsunsicherheiten und ein steigendes soziales Ungleichgewicht. Durch den anthropogenen Klimawandel werden diese negativen Probleme noch weiter verstärkt. Zwar wurden sie von der chinesischen Regierung als solche erkannt, dennoch scheiterten die Versuche, mit zahlreichen Gesetzen und Verordnungen die genannten Folgen einzudämmen, an unkonkreten Formulierungen, so dass diese der Komplexität der Herausforderungen nicht gerecht wurden. Die in jüngster Zeit verfolgten modernen und deutlich flexibleren, marktorientierten Ansätze (z.B. Subventionen, Wasserzertifikate), die speziell an die lokalen Gegebenheiten angepasst wurden, zeigen bereits Erfolge. Mit Hilfe einer gemeinsamen Daten- und Informationsplattform, beispielsweise in Form eines Geographischen Informationssystems (GIS), wäre eine integrierte und holistische Flussmanagementstrategie für den Gelben Fluss leichter realisierbar. Auf diese Weise könnten alle verfügbaren statistischen-, räumlichen- und Feldaufnahmen gespeichert, harmonisiert und geteilt und so die bisher noch unvollständigen und veralteten Daten laufend aktualisiert werden. Die Flussbehörde des Gelben Flusses (Yellow River Conservancy Commission) böte sich an, ein solches System zu verwalten. In dieser Arbeit wird die heterogene Landbedeckungsstruktur für das gesamte Einzugsgebiet des Gelben Flusses für die Jahre 2003 und 2013 erfasst und interpretiert. Die fernerkundlichen Eingangsdaten für die einzelnen Klassifikationen bestehen aus optischen MODIS NDVI-Zeitserien, aus denen jährlich phänologische Parameter berechnet werden. Da die Qualität optischer Satellitenbilder häufig durch Wolken und Schatten beeinträchtigt ist, müssen die betroffenen Flächen maskiert und entfernt werden. Die so entstandenen Lücken in der Zeitserie werden durch einen Filteralgorithmus (SavitskyGolay) aufgefüllt und geglättet. Die verwendeten RandomForest-Klassifikationsverfahren ermöglichen die Ableitung von Landbedeckungen und -dynamiken. Diese neuen und räumlich detaillierten Produkte unterscheiden insgesamt 18 verschiedene Landbedeckungsund Landnutzungsklassen. Erstmals liefern diese eine regional spezifische Charakterisierung der vorherrschenden Landbedeckung im Gebiet des Gelben Flusses. Darauf aufbauend erfolgt eine sowohl zeitlich als auch räumlich detailliertere Untersuchung der wichtigsten Veränderungen im Bereich der Landbedeckung, die auf dichten Landsat-Zeitserien basiert. Jährliche Informationen über Dynamiken von Minenabbaugebieten, Landwirtschaft, Waldgebieten und urbanen Räumen zeigen präzise lokale Veränderungen im Einzugsgebiet des Gelben Flusses. Die daraus abgeleiteten Ergebnisse lassen insbesondere auf dem Lössplateau die Auswirkungen ökologischer Restorationsmaßnahmen erkennen, bei denen degradierte Flächen in Waldsysteme umgewandelt wurden. Auf dem Qinghai-Tibet-Plateau zeigt sich eine dramatische Ausbreitung von Kohletagebau zu Lasten der besonders anfälligen alpinen Matten und Feuchtgebiete. Auch der anhaltende Trend zur Urbanisierung spiegelt sich in den hier gewonnenen Ergebnissen deutlich wider. Durch die Kombination von Fernerkundungsdaten unterschiedlicher räumlicher und zeitlicher Auflösungen liefert diese Arbeit neue und bisher einzigartige Einblicke in historische und aktuelle Landbedeckungsdynamiken einer heterogenen Landschaft. Die regionalen Analysen wie auch die thematischen Informationsprodukte besitzen somit großes Potential zur Verbesserung der Informationsgrundlage. Die Ergebnisse dienen außerdem als aussagekräftige Entscheidungsgrundlage mit dem Ziel eines angemessenen und nachhaltigen Land- und Wassermanagements für die natürlichen Ökosysteme im Becken des Gelben Flusses. KW - Fernerkundung KW - Remote Sensing KW - Geografie KW - Globaler Wandel KW - Global Change KW - River Basins KW - China KW - Time Series Analyses KW - Sustainability Y1 - 2018 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-163724 ER - TY - THES A1 - 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 - 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 - 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 - Forkuor, Gerald T1 - Agricultural Land Use Mapping in West Africa Using Multi-sensor Satellite Imagery T1 - Kartierung landwirtschaftlicher Landnutzung unter Verwendung multi-sensoraler Satellitendaten N2 - Rapid population growth in West Africa has led to expansion in croplands due to the need to grow more food to meet the rising food demand of the burgeoning population. These expansions negatively impact the sub-region's ecosystem, with implications for water and soil quality, biodiversity and climate. In order to appropriately monitor the changes in croplands and assess its impact on the ecosystem and other environmental processes, accurate and up-to-date information on agricultural land use is required. But agricultural land use mapping (i.e. mapping the spatial distribution of crops and croplands) in West Africa has been challenging due to the unavailability of adequate satellite images (as a result of excessive cloud cover), small agricultural fields and a heterogeneous landscape. This study, therefore, investigated the possibilities of improving agricultural land use mapping by utilizing optical satellite images with higher spatial and temporal resolution as well as images from Synthetic Aperture Radar (SAR) systems which are near-independent of weather conditions. The study was conducted at both watershed and regional scales. At watershed scale, classification of different crop types in three watersheds in Ghana, Burkina Faso and Benin was conducted using multi-temporal: (1) only optical images (RapidEye) and (2) optical plus dual polarimetric (VV/VH) SAR images (TerraSAR-X). In addition, inter-annual or short term (2-3 years) changes in cropland area in the past ten years were investigated using historical Landsat images. Results obtained indicate that the use of only optical images to map different crop types in West Africa can achieve moderate classification accuracies (57% to 71%). Overlaps between the cropping calendars of most crops types and certain inter-croppings pose a challenge to optical images in achieving an adequate separation between those crop classes. Integration of SAR images, however, can improve classification accuracies by between 8 and 15%, depending on the number of available images and their acquisition dates. The sensitivity of SAR systems to different crop canopy architectures and land surface characteristics improved the separation between certain crop types. The VV polarization of TerraSAR-X was found to better discrimination between crop types than the VH. Images acquired between August and October were found to be very useful for crop mapping in the sub-region due to structural differences in some crop types during this period. At the regional scale, inter-annual or short term changes in cropland area in the Sudanian Savanna agro-ecological zone in West Africa were assessed by upscaling historical cropland information derived at the watershed scale (using Landsat imagery) unto a coarse spatial resolution, but geographically large, satellite imagery (MODIS) using regression based modeling. The possibility of using such regional scale cropland information to improve government-derived agricultural statistics was investigated by comparing extracted cropland area from the fractional cover maps with district-level agricultural statistics from Ghana The accuracy of the fractional cover maps (MAE between 14.2% and 19.1%) indicate that the heterogeneous agricultural landscape of West Africa can be suitably represented at the regional or continental scales by estimating fractional cropland cover on low resolution Analysis of the results revealed that cropland area in the Sudanian Savanna zone has experienced inter-annual or short term fluctuations in the past ten years due to a variety of factors including climate factors (e.g. floods and droughts), declining soil fertility, population increases and agricultural policies such as fertilizer subsidies. Comparison of extracted cropland area from the fractional cover maps with government's agricultural statistics (MoFA) for seventeen districts (second administrative units) in Ghana revealed high inconsistencies in the government statistics, and highlighted the potential of satellite derived cropland information at regional scales to improve national/sub-national agricultural statistics in West Africa. The results obtained in this study is promising for West Africa, considering the recent launch of optical (Landsat 8) and SAR sensors (Sentinel-1) that will provide free data for crop mapping in the sub-region. This will improve chances of obtaining adequate satellite images acquired during the cropping season for agricultural land use mapping and bolster opportunities of operationalizing agricultural land use mapping in West Africa. This can benefit a wide range of biophysical and economic models and improve decision making based on their results. N2 - Das schnelle Bevölkerungswachstum im Westen Afrikas hat, durch das erhöhte Bedürfnis nach Lebensmittel der expandierenden Bevölkerung, zu einer steigenden Lebensmittelnachfrage und damit zur Ausweitung von Ackerland geführt. Diese Expansionen haben negative Einflüsse auf das Ökosystem der Subregion, die Konsequenzen für Wasser- und Bodenqualität, sowie für Biodiversität und das Klima nach sich ziehen. Um die Veränderungen der Ackerflächen überwachen und die Folgen für das Ökosystem und anderer Umweltprozesse richtig abschätzen zu können, werden genaue und aktuelle Informationen über die landwirtschaftliche Nutzung benötigt. Das kartographieren landwirtschaftlicher Flächennutzung (z.B. das Abbilden der räumlichen Verteilung von Feldfrüchten und Ackerflächen) in Westafrika wurde durch die mangelhafte Verfügbarkeit geeigneter Satellitendaten (durch das Auftreten massiver Wolkenbedeckung), der geringen Größe der landwirtschaftlichen Flächen, sowie der heterogenen Landschaft, erschwert. Aus diesen Gründen untersucht diese Studie das Potential landwirtschaftlich genutzte Flächen, durch die Nutzung von optischen Satellitensystemen mit höherer geometrischer und temporaler Auflösung und Aufnahmen des Synthetic Aperture Radar (SAR) als ein nahezu wetterunabhängiges System, aufzunehmen. Diese Studie wurde sowohl auf der Skala von Wassereinzugsgebieten als auch von Regionen erstellt (Agrarökologische Zone in der sudanesischen Savanne). Auf der Skala der Wassereinzugsgebiete wurden Klassifikationen verschiedener Feldfrüchte in drei Einzugsgebieten in Ghana, Burkina Faso und Benin, mithilfe multitemporaler Abbildungen, bestehend aus entweder (1) nur optischer Abbildungen (Rapideye) oder (2) optischer und dual polarimetric (VV/VH) SAR Aufnahmen (TerraSAR-X), durchgeführt. Zusätzlich wurden interannuelle oder kurzzeitige (2-3 Jahre) Veränderungen in der Ausdehnung von Ackerflächen über die vergangenen zehn Jahre hinweg mittels historischer Landsataufnahmen untersucht. Die Ergebnisse zeigen, dass das Kartographieren verschiedener Feldfrüchte in Westafrika durch nur optische Abbildungen eine moderate Klassifikationsgenauigkeit von 57% bis 71% widergibt. Überlappungen zwischen dem Anbauplan der meisten Feldfrüchte und dem Zwischenfruchtanbau stellen eine Herausforderung für optische Abbildungen dar, um eine angemessene Unterscheidung der Feldfrüchte zu erreichen. Die Hinzunahme von SAR Aufnahmen kann die Klassifikationsgenauigkeit, abhängig von der Anzahl verfügbarer Szenen und deren Aufnahmedatum, jedoch um 8% bis 15% erhöhen. Die Empfindlichkeit der SAR Systeme gegenüber unterschiedlichem Aufbau der Fläche von Feldfrüchten und der Charakteristika der Landoberfläche verbesserten die Trennbarkeit unterschiedlicher Feldfrüchte. Wie sich herausstellte hat die VV Polarisation von TerraSAR-X eine bessere Trennung der Feldfrüchte bewirkt als die VH Polarisation. Außerdem zeigt sich, dass Aufnahmen zwischen August und Oktober sehr nützlich zur Abbildung von Feldfrüchten in der Subregion sind, da in dieser Zeit strukturelle Unterschiede einiger Feldfrüchte beobachtet werden können. Auf regionalem Maßstab wurden interanuelle oder kurzzeitige Veränderungen der Ackerflächen in der agrarökologischen Zone der sudanesischen Savanne in Westafrika durch das hochskalieren historischer Informationen zu den Ackerflächen auf der Skala der Wassereinzugsgebiete (aus Landsat Aufnahmen) auf eine gröbere Auflösung, aber geographisch weite Satellitenszene (MODIS), unter Zuhilfenahme eines auf Regression basierenden Modells, berechnet. Die Möglichkeit regionalskalierte Informationen zu Ackerflächen zu nutzen um staatlich erstellte landwirtschaftliche Statistiken zu verbessern wurde untersucht, indem die extrahierte Fläche der Äcker aus fraktionierten Karten zur Landbedeckung mit landwirtschaftlichen Statistiken auf Distrikt-Level miteinander verglichen werden. Die Genauigkeit der fraktionierten Landbedeckungskarten (Mean Absolute Error zwischen 14,2% und 19,1%) weist darauf hin, dass die heterogene Agrarlandschaft Westafrikas auf einem regionalen oder kontinentalen Maßstab, durch die Abschätzung fraktionierter Ackerflächen aus gering aufgelösten Satellitendaten, angemessen repräsentiert werden kann. Die Analyse der Ergebnisse zeigt, dass die Ackerflächen der Agrarökologischen Zone der sudanesischen Savanne interannuelle oder kurzzeitige Schwankungen in den vergangenen zehn Jahren unterlegen waren. Diese Schwankungen ergeben sich durch bestimmte Faktoren wie: klimatische Faktoren (z.B. Überschwemmungen oder Dürren), sinkende Bodenfruchtbarkeit, Bevölkerungswachstum und landwirtschaftliche Politik wie der Subvention von Düngemitteln. Der Vergleich von fraktionierter Landbedeckungskarten mit staatlich erstellten landwirtschaftlichen Statistiken (MoFA) in 17 Distrikten in Ghana ergaben große Unregelmäßigkeiten in den staatlichen Statistiken und zeigten das Potential von aus Satellitendaten abgeleiteten Informationen zu Ackerflächen auf regionalem Maßstab um nationale oder subnationale landwirtschaftliche Statistiken in Westafrika zu verbessern. Angesichts der baldigen Starts der optischen (Landsat 8) und SAR (Sentinel-1) Sensoren, die frei zugängliche Daten für die Kartierung von Feldfrüchten in der Subregion liefern werden, sind die Ergebnisse, die in dieser Studie gewonnen wurden, vielversprechend für Westafrika. Dadurch steigen die Chancen, dass adäquate Satellitenszenen für das Abbilden landwirtschaftlicher Landnutzung während der Anbauzeitraums bezogen und operationalisiert werden können. Dies hat zur Folge, dass ein breites Spektrum biophysikalischer und ökonomischer Modelle davon profitieren und die Entscheidungsfindung durch die Ergebnisse optimiert wird. KW - Westafrika KW - Fernerkundung KW - Bodennutzung KW - Kartierung KW - Agricultural land use KW - Remote sensing KW - West Africa Y1 - 2014 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108687 ER - TY - THES A1 - Cord, Anna T1 - Potential of multi-temporal remote sensing data for modeling tree species distributions and species richness in Mexico T1 - Eignung multi-temporaler Fernerkundungsdaten für die Modellierung von Artverbreitungsgebieten und Diversität von Baumarten in Mexiko N2 - Current changes of biodiversity result almost exclusively from human activities. This anthropogenic conversion of natural ecosystems during the last decades has led to the so-called ‘biodiversity crisis’, which comprises the loss of species as well as changes in the global distribution patterns of organisms. Species richness is unevenly distributed worldwide. Altogether, 17 so-called ‘megadiverse’ nations cover less than 10% of the earth’s land surface but support nearly 70% of global species richness. Mexico, the study area of this thesis, is one of those countries. However, due to Mexico’s large extent and geographical complexity, it is impossible to conduct reliable and spatially explicit assessments of species distribution ranges based on these collection data and field work alone. In the last two decades, Species distribution models (SDMs) have been established as important tools for extrapolating such in situ observations. SDMs analyze empirical correlations between geo-referenced species occurrence data and environmental variables to obtain spatially explicit surfaces indicating the probability of species occurrence. Remote sensing can provide such variables which describe biophysical land surface characteristics with high effective spatial resolutions. Especially during the last three to five years, the number of studies making use of remote sensing data for modeling species distributions has therefore multiplied. Due to the novelty of this field of research, the published literature consists mostly of selective case studies. A systematic framework for modeling species distributions by means of remote sensing is still missing. This research gap was taken up by this thesis and specific studies were designed which addressed the combination of climate and remote sensing data in SDMs, the suitability of continuous remote sensing variables in comparison with categorical land cover classification data, the criteria for selecting appropriate remote sensing data depending on species characteristics, and the effects of inter-annual variability in remotely sensed time series on the performance of species distribution models. The corresponding novel analyses were conducted with the Maximum Entropy algorithm developed by Phillips et al. (2004). In this thesis, a more comprehensive set of remote sensing predictors than in the existing literature was utilized for species distribution modeling. The products were selected based on their ecological relevance for characterizing species distributions. Two 1 km Terra-MODIS Land 16-day composite standard products including the Enhanced Vegetation Index (EVI), Reflectance Data, and Land Surface Temperature (LST) were assembled into enhanced time series for the time period of 2001 to 2009. These high-dimensional time series data were then transformed into 18 phenological and 35 statistical metrics that were selected based on an extensive literature review. Spatial distributions of twelve tree species were modeled in a hierarchical framework which integrated climate (WorldClim) and MODIS remote sensing data. The species are representative of the major Mexican forest types and cover a variety of ecological traits, such as range size and biotope specificity. Trees were selected because they have a high probability of detection in the field and since mapping vegetation has a long tradition in remote sensing. The result of this thesis showed that the integration of remote sensing data into species distribution models has a significant potential for improving and both spatial detail and accuracy of the model predictions. N2 - Sämtliche aktuell zu beobachtenden Veränderungen in der Biodiversität lassen sich fast ausschließlich auf menschliche Aktivitäten zurückführen. In den letzten Jahrzehnten hat insbesondere die anthropogene Umwandlung bisher unberührter, natürlicher Ökosysteme zur sogenannten ‚Biodiversitätskrise‘ geführt. Diese umfasst nicht nur das Aussterben von Arten, sondern auch räumliche Verschiebungen in deren Verbreitungsgebieten. Global gesehen ist der Artenreichtum ungleich verteilt. Nur insgesamt 17 sogenannte ‚megadiverse‘ Länder, welche 10% der globalen Landoberfläche umfassen, beherbergen fast 70% der weltweiten Artenvielfalt. Mexiko, das Studiengebiet dieser Arbeit, ist eine dieser außerordentlich artenreichen Nationen. Aufgrund seiner großen Ausdehnung und geographischen Komplexität kann eine verlässliche und detaillierte räumliche Erfassung von Artverbreitungsgebieten in Mexiko jedoch nicht nur auf Basis dieser Datenbanken sowie von Feldarbeiten erfolgen. In den letzten beiden Jahrzehnten haben sich Artverbreitungsmodelle (Species distribution models, SDMs) als wichtige Werkzeuge für die räumliche Interpolation solcher in situ Beobachtungen in der Ökologie etabliert. Artverbreitungsmodelle umfassen die Analyse empirischer Zusammenhänge zwischen georeferenzierten Fundpunkten einer Art und Umweltvariablen mit dem Ziel, räumlich kontinuierliche Vorhersagen zur Wahrscheinlichkeit des Vorkommens der jeweiligen Art zu treffen. Mittels Fernerkundung können Umweltvariablen mit Bezug zu den biophysikalischen Eigenschaften der Landoberfläche in hohen effektiven räumlichen Auflösungen bereitgestellt werden. Insbesondere in den letzten drei bis fünf Jahren ist daher die Verwendung von Fernerkundungsdaten in der Artverbreitungsmodellierung sprunghaft angestiegen. Da es sich hierbei jedoch immer noch um ein sehr neues Forschungsfeld handelt, stellen diese meist nur Einzelstudien mit Beispielcharakter dar. Eine systematische Untersuchung zur Modellierung von Artverbreitungsgebieten mit Hilfe von Fernerkundungsdaten fehlt bisher. Diese Forschungslücke wurde in der vorliegenden Arbeit aufgegriffen. Hierzu wurden spezifische Untersuchungen durchgeführt, welche insbesondere folgende Aspekte betrachteten: die sinnvolle Verknüpfung von Klima- und Fernerkundungsdaten im Rahmen von Artverbreitungsmodellen, den quantitativen Vergleich von kontinuierlichen Fernerkundungsdaten und einer bestehenden kategorialen Landbedeckungsklassifikation, die Identifizierung von Kriterien zur Auswahl geeigneter Fernerkundungsprodukte, welche die Eigenschaften der Studienarten berücksichtigen, sowie der Einfluss inter-annueller Variabilität in fernerkundlichen Zeitreihen auf die Ergebnisse und Leistungsfähigkeit von Artverbreitungsmodellen. Die entsprechenden neuen Analysen wurden mit Hilfe des von Phillips et al. (2004) entwickelten Maximum Entropy Algorithmus zur Artverbreitungsmodellierung durchgeführt. Im Rahmen dieser Arbeit wurde ein umfangreicherer Datensatz an Fernerkundungsvariablen als in der bisherigen Literatur verwendet. Die entsprechenden Fernerkundungsprodukte wurden spezifisch aufgrund ihrer Eignung für die Beschreibung ökologisch relevanter Parameter, die sich auf die Verbreitungsgebiete von Arten auswirken, ausgewählt. Für den Zeitraum von 2001 bis 2009 wurden zwei Terra-MODIS Standardprodukte mit 1 km räumlicher und 16-tägiger zeitlicher Auflösung zu geglätteten, kontinuierlichen Zeitreihen zusammengefügt. Diese Produkte beinhalten den verbesserten Vegetationsindex (Enhanced Vegetation Index, EVI), Reflexionsgrade und die Landoberflächentemperatur (Land Surface Temperature, LST). Diese hochdimensionalen Zeitreihendaten wurden in insgesamt 18 phänologische sowie 35 statistische Maßzahlen überführt, welche auf der Basis einer umfassenden Sichtung der vorhandenen Literatur zusammengestellt wurden. Die Verbreitungsgebiete von zwölf Baumarten wurden mit Hilfe eines hierarchisch aufgebauten Ansatzes, welcher sowohl Klimadaten (WorldClim) als auch Fernerkundungsdaten des MODIS-Sensors berücksichtigt, modelliert. Die Studienarten sind repräsentativ für die in Mexiko vorkommenden Waldtypen und decken eine breite Spannweite ökologischer Eigenschaften wie Größe des Verbreitungsgebietes und Breite der ökologischen Nische ab. Als Studienobjekte wurden Bäume ausgewählt, weil sie im Feld mit hoher Wahrscheinlichkeit richtig erfasst werden und außerdem die fernerkundungsbasierte Kartierung von Vegetation bereits auf eine Vielzahl an Studien zurückgreifen kann. Durch die im Rahmen dieser Dissertation durchgeführten Untersuchungen konnte gezeigt werden, dass die Integration von Fernerkundungsdaten in Artverbreitungsmodelle ein signifikantes Potential zur Verbesserung der räumlichen Detailgenauigkeit und der Güte der Modellvorhersagen bietet. KW - Fernerkundung KW - Biodiversität KW - Landnutzung KW - Zeitreihenanalyse KW - Mexiko KW - Artverbreitungsmodellierung KW - Maximum Entropy Algorithmus KW - MODIS KW - Modellierung KW - Remote sensing KW - Species distribution modeling KW - Maximum Entropy algorithm KW - MODIS KW - Mexico Y1 - 2012 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-71021 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 - TY - THES A1 - Heldens, Wieke T1 - Use of airborne hyperspectral data and height information to support urban micro climate characterisation T1 - Anwendung von Hyperspektraldaten und Höheninformationen zur Unterstützung der städtischen Mikroklimacharakterisierung N2 - The urban micro climate has been increasingly recognised as an important aspect for urban planning. Therefore, urban planners need reliable information on the micro climatic characteristics of the urban environment. A suitable spatial scale and large spatial coverage are important requirements for such information. This thesis presents a conceptual framework for the use of airborne hyperspectral data to support urban micro climate characterisation, taking into account the information needs of urban planning. The potential of hyperspectral remote sensing in characterising the micro climate is demonstrated and evaluated by applying HyMap airborne hyperspectral and height data to a case study of the German city of Munich. The developed conceptual framework consists of three parts. The first is concerned with the capabilities of airborne hyperspectral remote sensing to map physical urban characteristics. The high spatial resolution of the sensor allows to separate the relatively small urban objects. The high spectral resolution enables the identification of the large range of surface materials that are used in an urban area at up to sub-pixel level. The surface materials are representative for the urban objects of which the urban landscape is composed. These spatial urban characteristics strongly influence the urban micro climate. The second part of the conceptual framework provides an approach to use the hyperspectral surface information for the characterisation of the urban micro climate. This can be achieved by integrating the remote sensing material map into a micro climate model. Also spatial indicators were found to provide useful information on the micro climate for urban planners. They are commonly used in urban planning to describe building blocks and are related to several micro climatic parameters such as temperature and humidity. The third part of the conceptual framework addresses the combination and presentation of the derived indicators and simulation results under consideration of the planning requirements. Building blocks and urban structural types were found to be an adequate means to group and present the derived information for micro climate related questions to urban planners. The conceptual framework was successfully applied to a case study in Munich. Airborne hyperspectral HyMap data has been used to derive a material map at sub-pixel level by multiple endmember linear spectral unmixing. This technique was developed by the German Research Centre for Geosciences (GFZ) for applications in Dresden and Potsdam. A priori information on building locations was used to support the separation between spectrally similar materials used both on building roofs and non-built surfaces. In addition, surface albedo and leaf area index are derived from the HyMap data. The sub-pixel material map supported by object height data is then used to derive spatial indicators, such as imperviousness or building density. To provide a more detailed micro climate characterisation at building block level, the surface materials, albedo, leaf area index (LAI) and object height are used as input for simulations with the micro climate model ENVI-met. Concluding, this thesis demonstrated the potential of hyperspectral remote sensing to support urban micro climate characterisation. A detailed mapping of surface materials at sub-pixel level could be performed. This provides valuable, detailed information on a large range of spatial characteristics relevant to the assessment of the urban micro climate. The developed conceptual framework has been proven to be applicable to the case study, providing a means to characterise the urban micro climate. The remote sensing products and subsequent micro climatic information are presented at a suitable spatial scale and in understandable maps and graphics. The use of well-known spatial indicators and the framework of urban structural types can simplify the communication with urban planners on the findings on the micro climate. Further research is needed primarily on the sensitivity of the micro climate model towards the remote sensing based input parameters and on the general relation between climate parameters and spatial indicators by comparison with other cities. N2 - Für die Stadtplanung werden klimatische Aspekte zunehmend wichtiger, weil die Klimaveränderung besonders in Städten die Lebensqualität beeinflussen kann. Hierfür benötigen Stadtplaner detaillierte Basis-Informationen über die mikroklimatischen Eigenschaften des urbanen Gebietes. Dabei sind ein ausreichend detaillierter Maß stab sowie eine groß flächige Abdeckung wichtige Voraussetzungen. Das Ziel dieser Dissertation ist die Entwicklung und Anwendung von einem konzeptionellen Rahmenwerk, wie räumlich und spektral höchst aufgelöste Fernerkundungsdaten zur stadtklimatischen Charakterisierung verwendet werden können. Hierbei sollten die Anforderungen der Stadtplaner berücksichtigt werden. Zusätzliches Ziel ist das Potenzial dieser sog. hyperspektralen Fernerkundung zur Charakterisierung des Mikroklimas zu demonstrieren. Dazu wird das konzeptionelle Rahmenwerk an Hand des Fallbeispiels der Stadt München unter Verwendung von HyMap-Daten angewendet und evaluiert. Das entwickelte Rahmenwerk besteht aus drei Teilen: Der erste Teil beschreibt, wie relevante Parameter aus Daten eines flugzeuggetragenen Hyperspektralsensors abgeleitet werden können. Der zweite Teil des Konzepts beschreibt einen Ansatz, wie hyperspektrale Datenprodukte für die Charakterisierung des Mikroklimas angewendet werden können. Im dritten Teil des Rahmenwerkes wird angesprochen wie unter Berücksichtigung der Anforderungen der Stadtplaner die abgeleiteten Indikatoren und Klimasimulationen kombiniert und aufbereitet werden können. Dieses Rahmenwerk wurde für das konkrete Fallbeispiel der Stadt München erfolgreich angewendet. Daten des flugzeuggetragenen HyMap-Hyperspektralsensors wurden verwendet, um die Subpixel-Materialkarten abzuleiten. Mittels einer 'multiple endmember spectral mixture analyis', welche durch das Deutschen GeoForschungszentrum (GFZ) für Anwendungen in Dresden und Potsdam entwickelt wurde, können die Oberflächenmaterialen abgeleitet werden. Zur Verbesserung des Produkts wurden zusätzlich a-priori-Informationen zu den Gebäudestandorten integriert, um die Unterscheidung von Gebäudedächern und Freiflächen mit spektral ähnlichen Materialien zu unterstützen. Die resultierende Subpixel-Materialkarte ist das Schlüsselprodukt für den entwickelten Ansatz. Als ein weiters Produkt wurden Albedo und Blattflächenindex aus den Hyperspektraldaten abgeleitet. Im nächsten Schritt wurde die Subpixel-Materialkarte mit den Höhendaten kombiniert und daraus räumliche Indikatoren wie Versiegelungsgrad oder Bebauungsdichte abgeleitet. Solche Indikatoren werden in der Stadtplanung häufig verwendet, um Baublöcke zu charakterisieren. Zusätzlich besteht ein Zusammenhang zwischen diesen Indikatoren und verschiedenen stadtklimatischen Parametern wie der Temperatur oder der Luftfeuchte. Für eine detaillierte Charakterisierung des Mikroklimas innerhalb eines Baublocks wurden die Fernerkundungsprodukte (Oberflächenmaterial, Albedo, Blattflächenindex und Höhendaten) als Inputdaten für das Mikroklimamodell ENVI-met verwendet. Zusammenfassend demonstriert diese Dissertation das Potenzial der hyperspektralen Fernerkundung zur Unterstützung von Mikroklima-Charakterisierung. Oberflächenmaterialien konnten hierfür thematisch detailliert bis auf sub-Pixel Level identifiziert werden. Mit den erzeugten hyperspektralen Fernerkundungsprodukten konnte eine detaillierte Beschreibung der relevanten räumlichen Merkmale erzielt werden, welche von groß er Relevanz für die Bewertung des städtischen Mikroklimas sind. Das entwickelte konzeptionelle Rahmenwerk hat sich für das Fallbeispiel als sehr geeignet erwiesen. Es ermöglichte die Charakterisierung des städtischen Mikroklima auf Basis des ENVI-met Modells. Die Fernerkundungsprodukte und die darauf basierenden Mikroklima-Informationen wurden mit einem geeigneten räumlichen Maß stab und als intuitiv verständliche Karten und Abbildungen dargestellt. Die Verwendung allgemein bekannter räumlicher Indikatoren und das Klassifikationsschema nach Stadtstrukturtypen vereinfachen die Kommunikation mit Stadtplanern über die stadtklimatischen Erkenntnisse. Weitere Forschungsschritte sind unter anderem notwendig um die Sensitivität des Mikroklimamodells gegenüber den fernerkundungsbasierten Inputparametern genauer zu charakterisieren und um die allgemeine Beziehungen zwischen Klimaparametern und räumlichen Indikatoren durch den Vergleich mit weiteren Städten näher zu untersuchen. KW - Mikroklima KW - Modellierung KW - Stadtklima KW - Fernerkundung KW - hyperspektrale Fernerkundung KW - Höhendaten KW - Mikroklimamodellierung KW - lineare spektrale Entmischung KW - HyMap KW - hyperspectral remote sensing KW - height data KW - micro climate modelling KW - linear spectral unmixing KW - HyMap Y1 - 2010 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-48935 ER - TY - THES A1 - Baumann, Sabine Christine T1 - Mapping, analysis, and interpretation of the glacier inventory data from Jotunheimen, South Norway, since the maximum of the 'Little Ice Age' T1 - Kartierung, Analyse und Interpretation der Gletscherinventardaten von Jotunheimen, Süd-Norwegen, seit dem Maximum der "Kleinen Eiszeit" N2 - Glacier outlines during the ‘Little Ice Age’ maximum in Jotunheimen were mapped by using remote sensing techniques (vertical aerial photos and satellite imagery), glacier outlines from the 1980s and 2003, a digital terrain model (DTM), geomorphological maps of individual glaciers, and field-GPS measurements. The related inventory data (surface area, minimum and maximum altitude) and several other variables (e.g. slope, range) were calculated automatically by using a geographical information system. The length of the glacier flowline was mapped manually based on the glacier outlines at the maximum of the ‘Little Ice Age’ and the DTM. The glacier data during the maximum of the ‘Little Ice Age’ were compared with the Norwegian glacier inventory of 2003. Based on the glacier inventories during the maximum of the ‘Little Ice Age’, the 1980s and 2003, a simple parameterization after HAEBERLI & HOELZLE (1995) was performed to estimate unmeasured glacier variables, as e.g. surface velocity or mean net mass balance. Input data were composed of surface glacier area, minimum and maximum elevation, and glacier length. The results of the parameterization were compared with the results of previous parameterizations in the European Alps and the Southern Alps of New Zealand (HAEBERLI & HOELZLE 1995; HOELZLE et al. 2007). A relationship between these results of the inventories and of the parameterization and climate and climate changes was made. N2 - Die Gletscherumrisse während des Maximalstandes der „Kleinen Eiszeit“ in Jotunheimen wurden unter der Verwendung von Fernerkundungstechniken (vertikale Luftbilder und Satellitenbilder), von Gletscherumrissen aus den 1980er Jahren und von 2003, von einem digitalen Geländemodel (DTM), von geomorphologischen Karten einzelner Gletscher und von GPS-Messungen im Gelände kartiert. Die daraus erzielten Inventardaten (Gletscherfläche, minimale und maximale Höhe) und einige andere Variablen (z.B. Hangneigung, Höhendifferenz) wurden automatisch mit einem geographischen Informationssystem berechnet. Die Länge der Gletscherfließlinie wurde basierend auf den Gletscherumrissen zum Maximum der „Kleinen Eiszeit“ und dem DTM manuell kartiert. Die Gletscherdaten zum Maximalstand der „Kleinen Eiszeit“ wurden mit dem Gletscherinventar von 2003 verglichen. Basierend auf den letscherinventaren zum Maximum der „Kleinen Eiszeit“, von den 1980er Jahren und von 2003 wurde eine einfache Parametrisierung nach HAEBERLI & HOELZLE (1995) durchgeführt, um ungemessene Gletschervariablen, wie z.B. Oberflächengeschwindigkeit oder mittlere Netto-Massenbilanz, abzuschätzen. Eingabedaten bestanden aus Gletscherfläche, minimaler und maximale Höhe und der Gletscherlänge. Die Resultate der Parametrisierung wurden mit den Ergebnissen früherer Parametrisierungen aus den Europäischen Alpen und den Southern Alps auf Neuseeland verglichen (HAEBERLI & HOELZLE 1995; HOELZLE et al. 2007). Eine Verbindung zwischen diesen Ergebnissen aus den Inventaren und der Parametrisierung und dem Klima und der Klimaänderung wurde hergestellt. KW - Gletscher KW - Gletscherrückzug KW - Norwegen KW - Kleine Eiszeit KW - Inventar KW - Parametrisierung KW - Klimaänderung KW - Klima KW - Fernerkundung KW - Satellitenfernerkundung KW - Geoinformationssystem KW - glacier KW - Little Ice Age KW - Norway (South) KW - inventory KW - parameterization Y1 - 2009 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-46320 ER - TY - THES A1 - Colditz, Rene Roland T1 - Time Series Generation and Classification of MODIS Data for Land Cover Mapping T1 - Zeitreihengenerierung und Klassifikation von MODIS Daten zur Landbedeckungsklassifikation N2 - Processes of the Earth’s surface occur at different scales of time and intensity. Climate in particular determines the activity and seasonal development of vegetation. These dynamics are predominantly driven by temperature in the humid mid-latitudes and by the availability of water in semi-arid regions. Human activities are a modifying parameter for many ecosystems and can become the prime force in well-developed regions with an intensively managed environment. Accounting for these dynamics, i.e. seasonal dynamics of ecosystems and short- to long-term changes in land-cover composition, requires multiple measurements in time. With respect to the characterization of the Earth surface and its transformation due to global warming and human-induced global change, there is a need for appropriate data and methods to determine the activity of vegetation and the change of land cover. Space-borne remote sensing is capable of monitoring the activity and development of vegetation as well as changes of the land surface. In many instances, satellite images are the only means to comprehensively assess the surface characteristics of large areas. A high temporal frequency of image acquisition, forming a time series of satellite data, can be employed for mapping the development of vegetation in space and time. Time series allow for detecting and assessing changes and multi-year transformation processes of high and low intensity, or even abrupt events such as fire and flooding. The operational processing of satellite data and automated information-extraction techniques are the basis for consistent and continuous long-term product generation. This provides the potential for directly using remote-sensing data and products for analyzing the land surface in relation to global warming and global change, including deforestation and land transformation. This study aims at the development of an advanced approach to time-series generation using data-quality indicators. A second goal focuses on the application of time series for automated land-cover classification and update, using fractional cover estimates to accommodate for the comparatively coarse spatial resolution. Requirements of this study are the robustness and high accuracy of the approaches as well as the full transferability to other regions and datasets. In this respect, the developments of this study form a methodological framework, which can be filled with appropriate modules for a specific sensor and application. In order to attain the first goal, time-series compilation, a stand-alone software application called TiSeG (Time Series Generator) has been developed. TiSeG evaluates the pixel-level quality indicators provided with each MODIS land product. It computes two important data-availability indicators, the number of invalid pixels and the maximum gap length. Both indices are visualized in time and space, indicating the feasibility of temporal interpolation. The level of desired data quality can be modified spatially and temporally to account for distinct environments in a larger study area and for seasonal differences. Pixels regarded as invalid are either masked or interpolated with spatial or temporal techniques. N2 - Prozesse an der Erdoberfläche finden auf verschiedenen Intensitätsskalen und in unterschiedlichen Zeiträumen statt. Dabei steuert das Klima die saisonale Aktivität der Vegetation, welche in den humiden Mittelbreiten hauptsächlich durch die Temperatur bestimmt wird. In semi-ariden Gebieten hingegen ist die Verfügbarkeit von Wasser als Haupteinflussfaktor für das Pflanzenwachstum zu betrachten. Andererseits greift auch der Mensch modifizierend in das Ökosystem ein. Dies gilt insbesondere für die stark besiedelten und intensiver genutzten Räume der Erde, in denen die Umwelt nahezu ausschließlich durch den Menschen gesteuert wird. Zur Beurteilung dieser Dynamiken, sowohl der natürlichen saisonalen Muster als auch der kurz- bis langfristigen Änderungen der Landschaft, ist die Aufnahme einer Vielzahl von Messungen über eine längere Periode erforderlich. Insbesondere im Zusammenhang mit der Charakterisierung der Landoberfläche und deren Veränderung im Rahmen der Erderwärmung aber auch des wachsenden Einflusses des Menschen auf die Umwelt besteht somit ein Bedarf an geeigneten Daten und Methoden zur Bestimmung der jährlichen Aktivität von Vegetationseinheiten und der wiederholbaren Kartierung der Landoberfläche. Die Satellitenfernerkundung ist in der Lage, durch Messung von Strahlung die Aktivität der Vegetation zu bestimmen sowie die Klassifikation der Landoberfläche abzuleiten. In vielen Fällen sind Satellitenaufnahmen die einzige Möglichkeit, große Flächen der Erde umfassend und einheitlich zu beurteilen. Dabei kann durch eine Vielzahl aufeinander folgender Aufnahmen, d.h. eine Zeitreihe aus Satellitendaten, die Entwicklung der Vegetation in Raum und Zeit beobachtet werden. Zeitreihen bieten das Potential, Veränderungen der Landoberfläche über mehrere Jahre zu dokumentieren und somit Prozesse sowohl hoher als auch niedriger Intensität abzuleiten. Neben diesen gerichteten Veränderungen können auch plötzliche Ereignisse, wie z.B. Hochwasser oder Brände, mit Zeitreihen erfasst und in Bezug auf normale Bedingungen ausgewertet werden. Insbesondere die operationelle Prozessierung der Satellitendaten und die automatisierte Ableitung von Informationen bilden die Basis für konsistente und kontinuierliche Produkte über längere Zeiträume. Somit besteht das Potential, die Ergebnisse direkt in die Erforschung der Landoberfläche und deren Veränderung, z.B. durch die Erderwärmung, Walddegradation, oder die Nutzung vormals natürlicher Flächen, einzubinden. Diese Dissertation befasst sich mit der Entwicklung von Methoden zur Zeitreihengenerierung unter Verwendung der Qualitätsindikatoren einzelner Aufnahmen. Ein zweites Ziel der Arbeit ist die Anwendung der optimierten Zeitreihen zur automatisierten und reproduzierbaren Kartierung der Landoberfläche, wobei unscharfe Klassifikationsverfahren zur genaueren Charakterisierung der räumlich nur grob aufgelösten Daten eingesetzt werden. Damit erfordert diese Arbeit sowohl Robustheit der eingesetzten Methoden als auch eine hohe Genauigkeit der Ergebnisse. Ebenso maßgeblich ist die Übertragbarkeit der Verfahren, einerseits auf verschiedene Regionen als auch auf verschiedene Datensätze. Daher sind die hier vorgenommenen Entwicklungen als ein Rahmen zu verstehen, der je nach Sensor oder Anwendung mit verschiedenen Modulen besetzt werden kann. Zum Erreichen des ersten Zieles, der Zeitreihengenerierung, wurde das eigenständige Softwareprodukt TiSeG (Time Series Generator) entwickelt. TiSeG dient der Auswertung der Qualitätsindikatoren die mit jedem MODIS-Produkt für terrestrische Applikationen zur Verfügung gestellt werden. Dabei werden in Bezug auf die Generierung von Zeitreihen zwei Indizes der Datenverfügbarkeit ermittelt: erstens die Anzahl der ungültigen Pixel und zweitens die längste zeitliche Datenlücke. Beide Indizes werden räumlich und zeitlich dargestellt und geben so dem Bearbeiter die Information, ob mit den aktuellen Qualitätsangaben die Generierung einer sinnvollen Zeitreihe durch zeitliche Dateninterpolation möglich ist. Die Qualitätseinstellungen können sowohl zeitlich als auch räumlich angepasst werden. Eine zeitliche Änderung kann beispielsweise für bestimmte Jahreszeiten sinnvoll sein. Räumlich unterschiedliche Qualitätseinstellungen eignen sich für größere Untersuchungsgebiete mit differenzierten physisch-geographischen Charakteristika. Als ungültig betrachtete Pixel können durch einen Fehlwert maskiert oder durch zeitliche und räumliche Interpolation neu errechnet werden. Das zweite Ziel dieser Arbeit ist die automatische Klassifikation von Zeitreihen. Hierzu wurde ein modulares Verfahren der überwachten Klassifikation entwickelt. Aufgrund der groben räumlichen Auflösung von MODIS-Daten erschien es besonders wichtig, ein unscharfes Verfahren aufzubauen, das die Heterogenität der Klassen in vielen Räumen besser abbilden kann. Dabei wurde der Klassenanteil eines jeden Pixel ermittelt. Die Schlüsselmodule zur erfolgreichen Durchführung der Klassifikation waren eine Multiskalenanalyse und die geeignete Auswahl von Merkmalen und Stichproben zum Trainieren des Klassifikators. Der eigentliche Klassifikationsschritt wurde durch eine Erweiterung des Entscheidungsbaumklassifikators durchgeführt. Diese Erweiterung kann in den bestehenden Rahmen von „random forest“ und „bagging“ (ein Akronym für „bootstrap aggregation“) eingeordnet werden. Jedoch wurden die dort angewendeten Verfahren in dieser Arbeit zu einem deutlich strategischen Vorgehen modifiziert, d.h. es wurde auf das Prinzip der Zufallsauswahl und der Wiederverwendung von Stichproben (Ziehen mit Zurücklegen) verzichtet. In Bezug auf die anfangs geschilderten Anforderungen, Robustheit, Genauigkeit und Übertragbarkeit, kann an dieser Stelle festgestellt werden, dass sich die in dieser Arbeit entwickelten Methodiken als geeignet erwiesen haben. Insbesondere die Übertragbarkeit auf andere Regionen und Daten war eine große Herausforderung, da hierdurch kein zusätzliches a priori Wissen außer den Trainingsdaten zum überwachten Klassifizieren benutzt werden konnte. Die regionale Übertragbarkeit ist für mehrere Untersuchungsräume mit sehr unterschiedlichen physisch-geographischen Eigenschaften demonstriert worden. Obwohl TiSeG derzeit nicht direkt auf andere Datensätze außer MODIS angewendet wird, bildet die zugrunde liegende Idee der Auswertung von Qualitätsdaten zur Zeitreihengenerierung sowie der entwickelte Rahmen der Software die Möglichkeit der Erweiterung, z.B. auf Daten von MERIS und auf das zukünftige VIIRS-Instrument. Des Weiteren ist das grundlegende Konzept der Qualitätsauswertung in einem separaten Prozessor für AVHRR NDVI Daten zu einem vollautomatischen, schrittweise interpolierenden Verfahren erweitert worden. Das in dieser Arbeit vorgestellte modulare Klassifikationsverfahren erfordert keine besonderen Eingangsdaten, wie z.B. bestimmte MODIS Zeitreihen. Dies wurde durch den Gebrauch unterschiedlicher Eingangsdaten zur Generierung der Maßzahlen bei der Sensitivitätsanalyse bestätigt. Damit ist der Prozess weder auf MODIS-Zeitserien noch auf Zeitreihen generell beschränkt. Der gesamte automatische Klassifikationsprozess ist datengesteuert, sowohl was die zu klassifizierenden Daten als auch die Trainingsdaten angeht. Die Unschärfe in den Ergebnissen ermöglicht die detaillierte Auswertung der Klassenzusammensetzung, was ein besonders wichtiger Aspekt bei grob aufgelösten Datenprodukten und deren Anpassungsfähigkeit auf andere Anwendungen ist. KW - Zeitreihe KW - Automatische Klassifikation KW - Klassifikations- und Regressionsbaum KW - Fernerkundung KW - Time Series KW - Automated Classification KW - Land Cover Mapping KW - MODIS Y1 - 2007 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-25908 ER -