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  - Ullmann, Tobias
T1  - Characterization of Arctic Environment by Means of Polarimetric Synthetic Aperture Radar (PolSAR) Data and Digital Elevation Models (DEM)
T1  - Charakterisierung der arktischen Landoberfläche mittels polarimetrischer Radardaten (PolSAR) und digitalen Höhenmodellen (DEM)
N2  - The ecosystem of the high northern latitudes is affected by the recently changing environmental conditions. The Arctic has undergone a significant climatic change over the last decades. The land coverage is changing and a phenological response to the warming is apparent. Remotely sensed data can assist the monitoring and quantification of these changes. The remote sensing of the Arctic was predominantly carried out by the usage of optical sensors but these encounter problems in the Arctic environment, e.g. the frequent cloud cover or the solar geometry. In contrast, the imaging of Synthetic Aperture Radar is not affected by the cloud cover and the acquisition of radar imagery is independent of the solar illumination. The objective of this work was to explore how polarimetric Synthetic Aperture Radar (PolSAR) data of TerraSAR-X, TanDEM-X, Radarsat-2 and ALOS PALSAR and interferometric-derived digital elevation model data of the TanDEM-X Mission can contribute to collect meaningful information on the actual state of the Arctic Environment. The study was conducted for Canadian sites of the Mackenzie Delta Region and Banks Island and in situ reference data were available for the assessment. The up-to-date analysis of the PolSAR data made the application of the Non-Local Means filtering and of the decomposition of co-polarized data necessary. 

The Non-Local Means filter showed a high capability to preserve the image values, to keep the edges and to reduce the speckle. This supported not only the suitability for the interpretation but also for the classification. The classification accuracies of Non-Local Means filtered data were in average +10% higher compared to unfiltered images. The correlation of the co- and quad-polarized decomposition features was high for classes with distinct surface or double bounce scattering and a usage of the co-polarized data is beneficial for regions of natural land coverage and for low vegetation formations with little volume scattering. The evaluation further revealed that the X- and C-Band were most sensitive to the generalized land cover classes. It was found that the X-Band data were sensitive to low vegetation formations with low shrub density, the C-Band data were sensitive to the shrub density and the shrub dominated tundra. In contrast, the L-Band data were less sensitive to the land cover. Among the different dual-polarized data the HH/VV-polarized data were identified to be most meaningful for the characterization and classification, followed by the HH/HV-polarized and the VV/VH-polarized data. The quad-polarized data showed highest sensitivity to the land cover but differences to the co-polarized data were small. The accuracy assessment showed that spectral information was required for accurate land cover classification. The best results were obtained when spectral and radar information was combined. The benefit of including radar data in the classification was up to +15% accuracy and most significant for the classes wetland and sparse vegetated tundra. The best classifications were realized with quad-polarized C-Band and multispectral data and with co-polarized X-Band and multispectral data. The overall accuracy was up to 80% for unsupervised and up to 90% for supervised classifications. The results indicated that the shortwave co-polarized data show promise for the classification of tundra land cover since the polarimetric information is sensitive to low vegetation and the wetlands. Furthermore, co-polarized data provide a higher spatial resolution than the quad-polarized data. 

The analysis of the intermediate digital elevation model data of the TanDEM-X showed a high potential for the characterization of the surface morphology. The basic and relative topographic features were shown to be of high relevance for the quantification of the surface morphology and an area-wide application is feasible. In addition, these data were of value for the classification and delineation of landforms. Such classifications will assist the delineation of geomorphological units and have potential to identify locations of actual and future morphologic activity.
N2  - Die polaren Regionen der Erde zeigen eine hohe Sensitivität gegenüber dem aktuell stattfindenden klimatischen Wandel. Für den Raum der Arktis wurde eine signifikante Erwärmung der Landoberfläche beobachtet und zukünftige Prognosen zeigen einen positiven Trend der Temperaturentwicklung. Die Folgen für das System sind tiefgehend, zahlreich und zeigen sich bereits heute - beispielsweise in einer Zunahme der photosynthetischen Aktivität und einer Verstärkung der geomorphologischen Dynamik. Durch satellitengestützte Fernerkundungssysteme steht ein Instrumentarium bereit, welches in der Lage ist, solch großflächigen und aktuellen Änderungen der Landoberfläche nachzuzeichnen und zu quantifizieren. Insbesondere optische Systeme haben in den vergangen Jahren ihre hohe Anwendbarkeit für die kontinuierliche Beobachtung und Quantifizierung von Änderungen bewiesen, bzw. durch sie ist ein Erkennen der Änderungen erst ermöglicht worden. Der Nutzen von optischen Systemen für die Beobachtung der arktischen Landoberfläche wird dabei aber durch die häufige Beschattung durch Wolken und die Beleuchtungsgeometrie erschwert, bzw. unmöglich gemacht. Demgegenüber eröffnen bildgebende Radarsystem durch die aktive Sendung von elektromagnetischen Signalen die Möglichkeit kontinuierlich Daten über den Zustand der Oberfläche aufzuzeichnen, ohne von den atmosphärischen oder orbitalen Bedingungen abhängig zu sein. Das Ziel der vorliegenden Arbeit war es den Nutzen und Mehrwert von polarimetrischen Synthetic Aperture Radar (PolSAR) Daten der Satelliten TerraSAR-X, TanDEM-X, Radarsat-2 und ALOS PALSAR für die Charakterisierung und Klassifikation der arktischen Landoberfläche zu identifizieren. Darüber hinaus war es ein Ziel das vorläufige interferometrische digitale Höhenmodel der TanDEM-X Mission für die Charakterisierung der Landoberflächen-Morphologie zu verwenden. Die Arbeiten erfolgten hauptsächlich an ausgewählten Testgebieten im Bereich des kanadischen Mackenzie Deltas und im Norden von Banks Islanld. Für diese Regionen standen in situ erhobene Referenzdaten zur Landbedeckung zur Verfügung. Mit Blick auf den aktuellen Stand der Forschung wurden die Radardaten mit einem entwickelten Non-Local-Means Verfahren gefiltert. Die co-polarisierten Daten wurde zudem mit einer neu entwickelten zwei Komponenten Dekomposition verarbeitet. 

Das entwickelte Filterverfahren zeigt eine hohe Anwendbarkeit für alle Radardaten. Der Ansatz war in der Lage die Kanten und Grauwerte im Bild zu erhalten, bei einer gleichzeitigen Reduktion der Varianz und des Speckle-Effekts. Dies verbesserte nicht nur die Bildinterpretation, sondern auch die Bildklassifikation und eine Erhöhung der Klassifikationsgüte von ca. +10% konnte durch die Filterung erreicht werden. Die Merkmale der Dekomposition von co-polarisierten Daten zeigten eine hohe Korrelation zu den entsprechenden Merkmalen der Dekomposition von voll-polarisierten Daten. Die Korrelation war besonders hoch für Landbedeckungstypen, welche eine double oder single bounce Rückstreuung hervorrufen. Eine Anwendung von co-polarisierten Daten ist somit besonders sinnvoll und aussagekräftig für Landbedeckungstypen, welche nur einen geringen Teil an Volumenstreuung bedingen. Die vergleichende Auswertung der PolSAR Daten zeigte, dass sowohl X- als auch C-Band Daten besonders sensitiv für die untersuchten Landbedeckungsklassen waren. Die X-Band Daten zeigten die höchste Sensitivität für niedrige Tundrengesellschaften. Die C-Band Daten zeigten eine höhere Sensitivität für mittelhohe Tundrengesellschaften und Gebüsch (shrub). Die L-Band Daten wiesen im Vergleich dazu die geringste Sensitivität für die Oberflächenbedeckung auf. Ein Vergleich von verschiedenen dual-polarisierten Daten zeigte, dass die Kanalkombination HH/VV die beste Differenzierung der Landbedeckungsklassen lieferte. Weniger deutlich war die Differenzierung mit den Kombinationen HH/HV und VV/VH. Insgesamt am besten waren jedoch die voll-polarisierten Daten geeignet, auch wenn die Verbesserung im Vergleich zu den co-polarisierten Daten nur gering war. Die Analyse der Klassifikationsgenauigkeiten bestätigte dieses Bild, machte jedoch deutlich, dass zu einer genauen Landbedeckungsklassifikation die Einbeziehung von multispektraler Information notwendig ist. Eine Nutzung von voll-polarisierten C-Band und multispektralen Daten erbrachte so eine mittlere Güte von ca. 80% für unüberwachte und von ca. 90% für überwachte Klassifikationsverfahren. Ähnlich hohe Werte wurden für die Kombination von co-polarisierten X-Band und multispektralen Daten erreicht. Im Vergleich zu Klassifikation die nur auf Grundlage von multispektralen Daten durchgeführt wurden, erbrachte die Einbeziehung der polarisierten Radardaten eine zusätzliche durchschnittliche Klassifikationsgüte von ca. +15%. Der Zugewinn und die Möglichkeit zur Differenzierung war vor allem für die Bedeckungstypen der Feuchtgebiete (wetlands) und der niedrigen Tundrengesellschaften festzustellen. 

Die Analyse der digitalen Höhenmodelle zeigte ein hohes Potential der TanDEM-X Daten für die Charakterisierung der topographischen Gegebenheiten. Die aus den Daten abgeleiteten absoluten und relativen topographischen Merkmale waren für eine morphometrische Quantifizierung der Landoberflächen-Morphologie geeignet. Zudem konnten diese Merkmale auch für eine initiale Klassifikation der Landformen genutzt werden. Die Daten zeigten somit ein hohes Potential für die Unterstützung der geomorphologischen Kartierung und für die Identifizierung der aktuellen und zukünftigen Dynamik der Landoberfläche.
KW  - Mackenzie-River-Delta
KW  - Banks Islands
KW  - Radarfernerkundung
KW  - Topografie
KW  - Formmessung
KW  - Klassifikation
KW  - Relief <Geografie>
KW  - PolSAR
KW  - Synthetic Aperture Radar
KW  - Land Cover Classification
KW  - Digital Elevation Model
KW  - Arctic
Y1  - 2015
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-115719
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  - Asam, Sarah
T1  - Potential of high resolution remote sensing data for leaf area index derivation using statistical and physical models
T1  - Potenzial hochaufgelöster Fernerkundungsdaten für die Ableitung des Blattflächenindex aus statistischen und physikalischen Modellen
N2  - Information on the state of the terrestrial vegetation cover is important for several ecological, economical, and planning issues. In this regard, vegetation properties such as the type, vitality, or density can be described by means of continuous biophysical parameters. One of these parameters is the leaf area index (LAI), which is defined as half the total leaf area per unit ground surface area. As leaves constitute the interface between the biosphere and the atmosphere, the LAI is used to model exchange processes between plants and their environment.  However, to account for the variability of ecosystems, spatially and temporally explicit information on LAI is needed both for monitoring and modeling applications.
Remote sensing aims at providing such information. LAI is commonly derived from remote sensing data by empirical-statistical or physical models. In the first approach, an empirical relationship between LAI measured in situ and the corresponding canopy spectral signature is established. Although this method achieves accurate LAI estimates, these relationships are only valid for the place and time at which the field data were sampled, which hampers automated LAI derivation. The physical approach uses a radiation transfer model to simulate canopy reflectance as a function of the scene’s geometry and of leaf and canopy parameters, from which LAI is derived through model inversion based on remote sensing data. However, this model inversion is not stable, as it is an under-determined and ill-posed problem.
Until now, LAI research focused either on the use of coarse resolution remote sensing data for global applications, or on LAI modeling over a confined area, mostly in forest and crop ecosystems, using medium to high spatial resolution data. This is why to date no study is available in which high spatial resolution data are used for LAI mapping in a heterogeneous, natural landscape such as alpine grasslands, although a growing amount of high spatial and temporal resolution remote sensing data would allow for an improved environmental monitoring. Therefore, issues related to model parameterization and inversion regularization techniques improving its stability have not yet been investigated for this ecosystem.
This research gap was taken up by this thesis, in which the potential of high spatial resolution remote sensing data for grassland LAI estimation based on statistical and radiation transfer modeling is analyzed, and the achieved accuracy and robustness of the two approaches is compared. The objectives were an ecosystem-adapted radiation transfer model set-up and an optimized LAI derivation in mountainous grassland areas. Multi-temporal LAI in situ measurements as well as time series of RapidEye data from 2011 and 2012 over the catchment of the River Ammer in the Bavarian alpine upland were used. In order to obtain accurate in situ data, a comparison of the LAI derivation algorithms implemented in the LAI-2000 PCA instrument with destructively measured LAI was performed first. For optimizing the empirical-statistical approach, it was then analyzed how the selection of vegetation indices and regression models impacts LAI modeling, and how well these models can be transferred to other dates. It was shown that LAI can be derived
with a mean accuracy of 80 % using contemporaneous field data, but that the accuracy decreases to on average 51 % when using these models on remote sensing data from other dates. The combined use of several data sets to create a regression which is used for LAI derivation at different points in time increased the LAI estimation accuracy to on average 65 %. Thus, reduced field measurement labor comes at the cost of LAI error rates being increased by 10 - 30 % as long as at least two campaigns are conducted. Further, it was shown that the use of RapidEye’s red edge channel improves the LAI derivation by on average 5.4 %.
With regard to physical LAI modeling, special interest lay in assessing the accuracy improvements that can be achieved through model set-up and inversion regularization techniques. First, a global sensitivity analysis was applied to the radiation transfer model in order to identify the most important model parameters and most sensitive spectral features. After model parameterization, several inversion regularizations, namely the use of a multiple sample solution, the additional use of vegetation indices, and the addition of noise, were analyzed. Further, an approach to include the local scene’s geometry in the retrieval process was introduced to account for the mountainous topography. LAI modeling accuracies of in average 70 % were achieved using the best combination of regularization techniques, which is in the upper range of accuracies that were achieved in the few existing other grassland studies based on in situ or air-borne measured hyperspectral data. Finally, further physically derived vegetation parameters and inversion uncertainty measures were evaluated in detail to identify challenging modeling conditions, which was mostly neglected in other studies. An increased modeling uncertainty for extremely high and low LAI values was observed. This indicates an insufficiently wide model parameterization and a canopy deviation from model assumptions on some fields. Further, the LAI modeling accuracies varied strongly between the different scenes. From this observation it can be deduced that the radiometric quality of the remote sensing data, which might be reduced by atmospheric effects or unexpected surface reflectances, exerts a high influence on the LAI modeling accuracy.
The major findings of the comparison between the empirical-statistical and physical LAI modeling approaches are the higher accuracies achieved by the empirical-statistical approach as long as contemporaneous field data are available, and the computationally efficiency of the statistical approach. However, when no or temporally unfitting in situ measurements are available, the physical approach achieves comparable or even higher accuracies. Furthermore, radiation transfer modeling enables the derivation of other leaf and canopy variables useful for ecological monitoring and modeling applications, as well as of pixel-wise uncertainty measures indicating the robustness and reliability of the model inversion and LAI derivation procedure. The established look-up tables can be used for further LAI derivation in Central European grassland also in other years.
The use of high spatial resolution remote sensing data for LAI derivation enables a reliable land cover classification and thus a reduced LAI mapping error due to misclassifications. Furthermore, the RapidEye pixels being smaller than individual fields allow for a radiation transfer model inversion over homogeneous canopies in most cases, as canopy gaps or field parcels can be clearly distinguished. However, in case of unexpected local surface conditions such as blooming, litter, or canopy gaps, high spatial resolution data show corresponding strong deviations in reflectance values and hence LAI estimation, which would be reduced using coarser resolution data through the balancing effect of the surrounding surface reflectances. An optimal pixel size with regard to modeling accuracy hence depends on the canopy and landscape structure. Furthermore, a reduced spatial resolution would enable a considerable acceleration of the LAI map derivation.
This illustration of the potential of RapidEye data and of the challenges associated to LAI derivation in heterogeneous grassland areas contributes to the development of robust LAI estimation procedures based on new and upcoming, spatially and temporally high resolution remote sensing imagery such as Landsat 8 and Sentinel-2.
N2  - Informationen zum Zustand der Vegetation sind relevant für einige ökologische, ökonomische, und planerische Fragestellungen. Vegetationseigenschaften wie der Typ, die Vitalität oder die Dichte einer Pflanzendecke können dabei anhand von kontinuierlichen biophysikalischen Parametern beschrieben werden. Einer dieser Parameter ist der Blattflächenindex (engl. leaf area index, LAI), der als die halbe gesamte Blattoberfläche pro Bodenoberfläche definiert ist. Da die Blattfläche eine wichtige Schnittstelle zwischen der Biosphäre und der Atmosphäre darstellt, wird der LAI dazu verwendet, Austauschprozesse zwischen Pflanzen und ihrer Umwelt zu modellieren. Um die natürliche Variabilität von Ökosystemen berücksichtigen zu können, benötigt man für solche Monitoring- und Modellierungsanwendungen jedoch räumlich und zeitlich explizite LAI Informationen.
Die Fernerkundung stellt solche Informationen zur Verfügung. Fernerkundungsbasierte LAI-Kartierung basiert auf empirisch-statistischen und physikalischen Modellen. Im ersten Ansatz wird ein empirisches Verhältnis zwischen dem aufgezeichneten Reflexionssignal der Vegetationsdecke und in situ gemessenem LAI erstellt. Obwohl dieses Verfahren meist hohe Genauigkeiten erzielt, gilt das erstellte Verhältnis nur für den Ort und Zeitpunkt der Feldmessungen, was ein automatisiertes Verfahren behindert. Der physikalische Ansatz verwendet ein Strahlungstransfermodell um die spektrale Signatur einer Pflanzendecke in Abhängigkeit von der Szenengeometrie und verschiedenen Blatt- und Pflanzenparametern zu simulieren, von der LAI durch die Inversion des Modells basierend auf Fernerkundungsdaten abgeleitet wird. Die Modellinversion ist jedoch nicht stabil, da sie ein unterdeterminiertes und inkorrekt gestelltes Problem ist.
Bisher fokussierten LAI-Studien entweder auf die Verwendung räumlich grob ausgelöster  Fernerkundungsdaten für globale Anwendungen, oder auf LAI-Modellierung für Wälder und Anbaufrüchte innerhalb eines räumlich eingeschränkten Gebiets basierend auf mittel und hoch aufgelösten Daten. Obwohl die Menge an räumlich und zeitlich hoch aufgelösten Fernerkundungsdaten für ein verbessertes Umweltmonitoring kontinuierlich zunimmt, führte dies dazu, dass es keine Studie gibt die sich mit der Ableitung des LAI in heterogenen Landschaften wie beispielsweise alpinem Grünland, basierend auf räumlich hoch aufgelösten Daten, beschäftigen. Dementsprechend wurden damit verbundene Aspekte wie die Modellparametrisierung und Regularisierungsmöglichkeiten der Inversion für dieses Ökosystem noch nicht untersucht.
Diesem Forschungsbedarf wird mit dieser Arbeit, in der das Potenzial räumlich hoch aufgelöster Fernerkundungsdaten für die Ableitung von Grünland-LAI basierend auf statistischen Modellen und Strahlungstransfermodellierung analysiert wird, und in der die Genauigkeiten und Stabilität beider Verfahren verglichen werden, begegnet. Die Ziele der Arbeit sind eine an das Grünlandökosystem angepasste Einrichtung des Strahlungstransfermodells und die Ableitung des LAI für Grünland im Gebirgsraum. Multitemporale in situ LAI-Messungen sowie RapidEye-Zeitreihen aus den Jahren 2011 und 2012 aus dem Ammereinzugsgebiet im bayrischen Voralpenland wurden dazu verwendet.
Um verlässliche in situ Messwerte zu erhalten, wurde zunächst ein Vergleich der im LAI-2000 PCA Messinstrument implementierten Algorithmen mit destruktiv erhobenen LAI Werten durchgeführt. Zur Optimierung des empirisch-statistischen Ansatzes wurde dann untersucht, in welchem Maße die Verwendung verschiedener Vegetationsindizes und Regressionsmodelle die LAI-Modellierung beeinflussen, und wie gut diese Modelle auf andere Zeitpunkte übertragen werden können. Es wurde gezeigt, dass unter Verwendung von zeitgleich erhobenen Felddaten der LAI mit einer mittleren Genauigkeit von 80 % abgeleitet werden kann, dass sich die Genauigkeit aber auf 51 % verringert, wenn die Modelle auf Fernerkundungsdaten anderer Zeitpunkte angewendet werden. Die gemeinsame Nutzung mehrerer Felddatensätze zur Erstellung einer Regression welche auf andere Zeitpunkte
angewendet wird, erhöhte die Genauigkeit der LAI-Ableitung wiederum auf durchschnittlich 65 %. Ein verringerter Arbeitsaufwand für Feldmessungen wird also durch erhöhte Fehlerraten von 10 - 30 % pro Szene ausgewogen, solange mindestens zwei Messkampagnen durchgeführt werden. Außerdem wurde gezeigt, dass die Verwendung des “red edge” Bandes des RapidEye Sensors die LAI-Ableitung um im Mittel 5.4 % verbessert.
Im Hinblick auf die physikalische LAI-Modellierung waren vor allem die Verbesserung der Genauigkeit, die anhand von Modelleinstellungen und Regularisierungstechniken erzielt werden konnten, von Interesse. Zunächst wurde eine globale Sensitivitätsanalyse des Strahlungstransfermodells durchgeführt, um die wichtigsten Modellparameter und die sensitivsten spektralen Bereiche zu identifizieren. Nach der darauf basierenden Modellparametrisierung wurden in den nächsten Schritten mehrere Verfahren zu Stabilisierung der Inversion, nämlich die Verwendung multipler Lösungen, von Vegetationsindizes als Inputdaten, und von simuliertem Datenrauschen, analysiert. Außerdem wurde ein Ansatz eingeführt, der die Berücksichtigung der lokalen Szenengeometrien, und damit der Topographie des Untersuchungsgebietes, erlaubt.
Genauigkeiten von im Mittel 70 % konnten für die LAI-Modellierung unter Verwendung der besten Modell- und Inversionseinstellungen erreicht werden. Diese sind mit den Ergebnissen anderer Grünland-Studien, die jedoch auf in situ oder flugzeuggetragen gemessenen hyperspektralen Daten beruhen, vergleichbar. Zuletzt wurden weitere physikalisch modellierte Vegetationsparameter sowie Inversionsunsicherheitsmaße evaluiert, um besonders schwierige Modellierungsbedingungen zu identifizieren, was in anderen Studien bisher meist vernachlässigt wurde. Erhöhte Modellierungsunsicherheiten wurden für die Ableitung besonders niedriger und hoher LAI Werte beobachtet, was auf eine ungenügend weit gefasste Modellparametrisierung und stellenweise Abweichungen der Vegetationsdecke von den Modellannahmen hinweist. Außerdem variieren die Genauigkeiten der LAI Modellierung stark zwischen den einzelnen Szenen woraus abgeleitet werden kann dass die radiometrische Qualität der Fernerkundungsdaten, welche beispielsweise durch
atmosphärische Effekte oder unerwartete Oberflächenreflexionen beeinfluss werten kann, einen großen Einfluss auf die Modellierungsgenauigkeit hat.
Im Vergleich der empirisch-statistischen und physikalischen LAI-Modellierung fiel der empirisch-statistische Ansatz mit höheren Genauigkeiten, solange zeitgleich aufgenommene Felddaten vorliegen, sowie mit einer geringeren Berechnungszeit auf. Wenn jedoch keine zeitlich passenden Felddaten vorhanden sind, erreicht die physikalische Modellierung vergleichbare oder sogar höhere Genauigkeiten. Des Weiteren ermöglicht das Strahlungstransfermodel die Ableitung weiterer Blatt- und Pflanzeneigenschaften, welche für ökologische Monitoring- und Modellierungsanwendungen nützlich sind. Außerdem werden pixelgenaue Unsicherheitsmaße generiert, welche die Stabilität und Verlässlichkeit der Modellinversion und des gewonnenen LAI-Wertes charakterisieren. Die erstellten Datenbanken können darüber hinaus für die LAI-Modellierung in anderen Mitteleuropäischen Grünländern auch in anderen Jahren verwendet werden.
Die Verwendung von hochaufgelösten Fernerkundungsdaten ermöglicht eine verlässliche Landbedeckungsklassifikation und verringert damit Fehler in der LAI-Modellierung die durch Fehlklassifikationen verursacht werden. Da die RapidEye-Pixel außerdem kleiner als einzelnen Felder sind, konnte das Strahlungstransfermodell in den meisten Fällen über homogenen Pflanzendecken invertiert werden. Angesichts unerwarteter lokaler Oberflächenreflexionen, hervorgerufen beispielsweise durch Blüten, Streu, oder Lücken, zeigen die hochaufgelösten Daten jedoch auch entsprechend starke Abweichungen, welche in gröber aufgelösten Daten durch die Reflexion der umgebenden Oberflächen verringert sind. Eine optimale Pixelgröße im Hinblick auf die Modellierungsgenauigkeit hängt also von der Struktur der Vegetationsdecke und der Landschaft ab. Eine verringerte Pixelgröße würde darüber hinaus die Ableitung von LAI-Karten deutlich beschleunigen.
Diese Darstellung des Potenzials von RapidEye Daten für LAI-Modellierung und der speziellen Herausforderungen an die genutzten Verfahren in heterogenen Grünländern kann zur Entwicklung von robusten LAI-Ableitungsverfahren beitragen, anhand welcher neue, räumlich und zeitlich hoch aufgelöste, Fernerkundungsdaten wie die der Landsat 8 oder Sentinel-2 Sensoren in Wert gesetzt werden können.
KW  - Optische Fernerkundung
KW  - Blattflächenindex
KW  - Strahlungstransport
KW  - RapidEye
KW  - grasland
KW  - inversion techniques
Y1  - 2014
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-108399
ER  - 
TY  - THES
A1  - Knauer, Kim
T1  - Monitoring ecosystem health of Fynbos remnant vegetation in the City of Cape Town using remote sensing
T1  - Erfassung der Ökosystemgesundheit von Fynbos-Vegetation im Großraum Kapstadt mit Hilfe der Fernerkundung
N2  - Increasing urbanisation is one of the biggest pressures to vegetation in the City of Cape Town. The growth of the city dramatically reduced the area under indigenous Fynbos vegetation, which remains in isolated fragments. These are subject to a number of threats including atmospheric deposition, atypical fire cycles and invasion by exotic plant and animal species. Especially the Port Jackson willow (Acacia saligna) extensively suppresses the indigenous Fynbos vegetation with its rapid growth. 
The main objective of this study was to investigate indicators for a quick and early prediction of the health of the remaining Fynbos fragments in the City of Cape Town with help of remote sensing.  
First, the productivity of the vegetation in response to rainfall was determined. For this purpose, the Enhanced Vegetation Index (EVI), derived from Terra MODIS data with a spatial resolution of 250m, and precipitation data of 19 rainfall stations for the period from 2000 till 2008 were used. Within the scope of a flexible regression between the EVI data and the precipitation data, different lags of the vegetation response to rainfall were analysed. Furthermore, residual trends (RESTREND) were calculated, which result from the difference between observed EVI and the one predicted by precipitation. Negative trends may suggest a degradation of the habitats. In addition, the so-called Rain-use Efficiency (RUE) was tested in this context. It is defined as the ratio between net primary production (NPP) – represented by the annual sum of EVI – and the annual rainfall sum. These indicators were analysed for their suitability to determine the health of the indigenous Fynbos vegetation. 
Furthermore, the degree of dispersal of invasive species especially the Acacia saligna was investigated. With the specific characteristics of the tested indicators and the spectral signature of Acacia saligna, i.e. its unique reflectance over the course of the year, the dispersal was estimated. Since the growth of invasive species dramatically reduces the biodiversity of the fragments, their presence is an important factor for the condition of ecosystem health.
This work focused on 11 test sites with an average size of 200ha, distributed over the whole area of the City of Cape Town. Five of these fragments are under conservation and the others shall be protected in the near future, too, which makes them of special interest. In January 2010, fieldwork was undertaken in order to investigate the state and composition of the local vegetation. 
The results show promising indicators for the assessment of ecosystem health. The coefficients of determination of the EVI-rainfall regression for Fynbos are minor, because the reaction of this vegetation type to rainfall is considerably lower than the one of the invasive species. Thus, a good distinction between indigenous and alien vegetation is possible on the basis of this regression. On the other hand, the RESTREND method, for which the regression forms the basis, is only of limited use, since the significance of these trends is not given for Fynbos vegetation.  Furthermore, the RUE has considerable potential for the assessment of ecosystem health in the study area. The Port Jackson willow has an explicitly higher EVI than the Fynbos vegetation and thus its RUE is more efficient for a similar amount of rainfall. However, it has to be used with caution, because local and temporal variability cannot be extinguished in the study area over the rather short MODIS time series. 
These results display that the interpretation of the indicators has to be conducted differently from the literature, because the element of invasive species was not considered in most of the previous papers. An increase in productivity is not necessarily equivalent with an improvement in health of the fragment, but can indicate a dispersal of Acacia saligna. This shows the general problem of the term ‘degradation’ which in most publications so far is only measured by productivity and other factors like invasive species are disregarded.
On the basis of the EVI-rainfall regression and statistical measures of the EVI, the distribution of invasive species could be delineated. Generally, a strong invasion of the Port Jackson willow was discovered on the test sites. The results display that a reasoned and sustainable management of the fragments is essential in order to prevent the suppression of the indigenous Fynbos vegetation by Acacia saligna. For this purpose, remote sensing can give an indication which areas changed so that specific field surveys can be undertaken and subsequent management measures can be determined.
N2  - Zunehmende Urbanisierung stellt eine der größten Bedrohungen für die Vegetation im Großraum Kapstadt dar. Durch das schnelle Wachstum der Stadt bleibt immer weniger der ursprünglichen Vegetation in isolierten Fragmenten zurück.  Diese sind in ihrer Funktion als Lebensraum für Flora und Fauna unter Anderem durch Luftverschmutzung, untypische Feuerzyklen und das Eindringen fremder Arten gefährdet. Besonders die Weidenblatt-Akazie (Acacia Saligna) verdrängt die einheimische Fynbos-Vegetation großflächig durch ihr schnelles Wachstum.
Hauptziel dieser Arbeit war es, mit Hilfe der Fernerkundung Indikatoren zu finden, um eine schnelle und frühzeitige Aussage über die Gesundheit der verbliebenen natürlichen Vegetationsfragmente im Großraum Kapstadt zu ermöglichen. 
Zunächst wurde die Produktivität der Vegetation und deren Reaktion auf Niederschlag analysiert. Zu diesem Zweck wurden der Enhanced Vegetation Index (EVI) aus Terra-MODIS-Daten mit einer räumlichen Auflösung von 250m und Niederschlagsdaten von 19 Wetterstationen aus dem Zeitraum 2000 bis 2008 verwendet. Im Rahmen einer flexiblen Regression zwischen EVI und Niederschlagsdaten wurden verschiedene Verzögerungen der Reaktion der Vegetation auf den Niederschlag getestet. Des Weiteren wurden residuale Trends (RESTREND) berechnet, die sich aus der Differenz zwischen beobachtetem EVI und dem aus dem Niederschlag vorhergesagten EVI ergeben. Zusätzlich wurde die sogenannte Rain-use Efficiency (RUE) getestet.  Diese ist definiert durch das Verhältnis zwischen Nettoprimärproduktion, repräsentiert durch die Jahressumme des EVI, und der Jahressumme des Niederschlags. Die angewandten Indikatoren wurden darauf untersucht, ob sie eine Aussage über die Gesundheit der einheimischen Fynbos-Vegetation ermöglichen.
Des Weiteren wurde der Verbreitungsgrad invasiver Arten, besonders der der Weidenblatt-Akazie bestimmt. Auf Basis der spezifischen Charakteristika der getesteten Indikatoren und der spektralen Signatur von Acacia saligna, also ihrer besonderen Reflexion über den Jahresverlauf,  wurde die Verbreitung ermittelt. Da das ungehinderte Wachstum invasiver Arten die Biodiversität der Fragmente stark verringert, ist ihre Anwesenheit ein wichtiger Faktor für die Gesundheit von Ökosystemen. 
Diese Arbeit konzentrierte sich auf 11 Testflächen mit einer durchschnittlichen Größe von 200ha, die über die gesamte Fläche des Großraums Kapstadt verteilt sind. Fünf dieser Fragmente stehen bereits unter Schutz, während die anderen in absehbarer Zeit folgen sollen; dies macht sie von besonderem Interesse. Im Januar 2010 wurden Geländearbeiten durchgeführt um den Zustand und die Zusammensetzung der Vegetation vor Ort festzustellen. 
Die Ergebnisse weisen aussichtsreiche Indikatoren zur Abschätzung der Ökosystemgesundheit auf. Die Werte des Bestimmtheitsmaßes der EVI-Niederschlags-Regression sind niedrig für Fynbos, da die Reaktion dieses Vegetationstyps auf Niederschlag wesentlich geringer ist als die der invasiven Arten. Daher ist auf Basis dieser Regression eine gute Unterscheidung zwischen einheimischer und invasiver Vegetation möglich. Auf der anderen Seite ist die RESTREND-Methode, für die diese Regression die Grundlage bildet, nur begrenzt von Nutzen, da die Signifikanzen dieser Trends für Fynbos-Vegetation nicht gegeben sind. Des Weiteren weist die RUE Potential für die Abschätzung von Ökosystemgesundheit im Testgebiet auf. Die Weidenblatt-Akazie hat einen wesentlichen höheren EVI als die Fynbos-Vegetation und daher ist deren RUE bei vergleichbarer Niederschlagsmenge effizienter.  Dennoch muss diese mit Vorsicht angewandt werden, da die hohe lokale und temporale Variabilität der RUE im Testgebiet über die relativ kurze MODIS-Zeitserie nicht eliminiert werden kann. 
Die Ergebnisse verdeutlichen zudem, dass die Interpretation der Indikatoren anders als in der Literatur durchgeführt werden muss, da das Element der invasiven Vegetation in den meisten der vorangegangenen Arbeiten nicht berücksichtigt wurde. Ein Anstieg der Produktivität ist hier nicht gleichzusetzen mit einer Verbesserung der Gesundheit eines Fragments, sondern deutet viel mehr auf eine Verbreitung der Weidenblatt-Akazie hin. Dies verdeutlicht das generelle Problem des Begriffs ‚Degradation‘, welche in den meisten Veröffentlichungen nur über die Produktivität der Vegetation bestimmt wird während andere Faktoren wie zum Beispiel invasive Arten unberücksichtigt bleiben.
Auf Basis der EVI-Niederschlags-Regression und der statistischen Messgrößen des EVI konnte die Verbreitung der invasiven Arten abgegrenzt werden. Generell wurde ein starker Befall der Testflächen durch die Weidenblatt-Akazie festgestellt. Die Ergebnisse machen deutlich, dass ein durchdachtes und nachhaltiges Management der Fragmente notwendig ist um die Verdrängung der einheimischen Fynbos-Vegetation durch Acacia saligna zu verhindern. Die Fernerkundung kann zu diesem Zweck Hinweise liefern, welche Flächen sich verändert haben um anschließend gezielte Begehungen vorzunehmen und Maßnahmen einzuleiten.
KW  - remote sensing
KW  - Fynbos
KW  - ecosystem health
KW  - degradation
KW  - greening
KW  - Remote Sensing
KW  - Fynbos
KW  - ecosystem health
KW  - degradation
KW  - greening
KW  - Fernerkundung
KW  - Ökosystemgesundheit
KW  - Degradation
Y1  - 2011
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-92495
ER  -