TY  - THES
A1  - Dhillon, Maninder Singh
T1  - Potential of Remote Sensing in Modeling Long-Term Crop Yields
T1  - Potenzial der Fernerkundung für die Modellierung Langfristiger Ernteerträge
N2  - Accurate crop monitoring in response to climate change at a regional or field scale 
plays a significant role in developing agricultural policies, improving food security, 
forecasting, and analysing global trade trends. Climate change is expected to 
significantly impact agriculture, with shifts in temperature, precipitation patterns, and 
extreme weather events negatively affecting crop yields, soil fertility, water availability, 
biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable 
information combined with crop growth models (CGMs) for yield assessment by 
monitoring crop development, detecting crop changes, and assessing the impact of 
climate change on crop yields. This dissertation aims to investigate the potential of RS 
data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR) 
for the Free State of Bavaria (70,550 km2
), Germany. The first chapter of the dissertation 
describes the reasons favouring the importance of accurate crop yield predictions for 
achieving sustainability in agriculture. Chapter second explores the accuracy 
assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data 
(high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low 
spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one 
day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial 
and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud 
or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more 
suitable for agricultural monitoring than the other synthetic products fused. Chapter 
third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter 
2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The 
chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal 
(8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light 
use efficiency approach (LUE)) for accurate crop yield estimations of both crop types. 
Chapter third observes that the observations of high temporal resolution (8-day) 
products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately
measuring the yield of WW and OSR. The chapter investigates that the simple light use 
efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more 
precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher 
input parameters. Chapter four researches the relationship of spatiotemporal fusion 
modelling using STRAFM on crop yield prediction for WW and OSR using the LUE 
model for Bavaria from 2001 to 2019. The chapter states the high positive correlation 
coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and 
modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter 
analyses the impact of climate variables on crop yield predictions by observing an 
increase in R2
(0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when 
the climate effect is included in the model. The fifth chapter suggests that the coupling 
of the LUE model to the random forest (RF) model can further reduce the relative root 
mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by 
14.3% (for both WW and OSR), compared to results just relying on LUE. The same 
chapter concludes that satellite-based crop biomass, solar radiation, and temperature 
are the most influential variables in the yield prediction of both crop types. Chapter six 
attempts to discuss both pros and cons of RS technology while analysing the impact of 
land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that 
the modelled biomass of both crops is positively impacted by land use diversity to the 
radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The 
chapter also discusses the future implications by stating that including some dependent 
factors (such as the management practices used, soil health, pest management, and 
pollinators) could improve the relationship of RS-modelled crop yields with 
biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as 
unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving 
accurate crop yield predictions for precision farming. In addition, the chapter highlights
the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher 
crop yield accuracies.
N2  - Die genaue Überwachung von Nutzpflanzen als Reaktion auf den Klimawandel auf 
regionaler oder feldbezogener Ebene spielt eine wichtige Rolle bei der Entwicklung von 
Agrarpolitiken, der Verbesserung der Ernährungssicherheit, der Erstellung von 
Prognosen und der Analyse von Trends im Welthandel. Es wird erwartet, dass sich der 
Klimawandel erheblich auf die Landwirtschaft auswirken wird, da sich Verschiebungen 
bei den Temperaturen, Niederschlagsmustern und extremen Wetterereignissen negativ 
auf die Ernteerträge, die Bodenfruchtbarkeit, die Wasserverfügbarkeit, die Artenvielfalt 
und die Anbaubedingungen auswirken werden. Die Fernerkundung (RS) kann in 
Kombination mit Wachstumsmodellen (CGM) wertvolle Informationen für die 
Ertragsbewertung liefern, indem sie die Entwicklung von Pflanzen überwacht, 
Veränderungen bei den Pflanzen erkennt und die Auswirkungen des Klimawandels auf 
die Ernteerträge bewertet. Ziel dieser Dissertation ist es, das Potenzial von RS-Daten für 
die Modellierung langfristiger Ernteerträge von Winterweizen (WW) und Ölraps (OSR) 
für den Freistaat Bayern (70.550 km2
), Deutschland, zu untersuchen. Das erste Kapitel 
der Dissertation beschreibt die Gründe, die für die Bedeutung genauer 
Ernteertragsvorhersagen für die Nachhaltigkeit in der Landwirtschaft sprechen. Das 
zweite Kapitel befasst sich mit der Bewertung der Genauigkeit der synthetischen RS Daten durch die Fusion der NDVIs von zwei Daten mit hoher räumlicher Auflösung 
(hohes Paar) (Landsat (30 m, 16 Tage; L) und Sentinel-2 (10 m, 5-6 Tage; S) mit vier Daten 
mit geringer räumlicher Auflösung (niedriges Paar) (MOD13Q1 (250 m, 16 Tage), 
MCD43A4 (500 m, ein Tag), MOD09GQ (250 m, ein Tag) und MOD09Q1 (250 m, 8 Tage)) 
unter Verwendung des räumlich und zeitlich adaptiven Reflexionsfusionsmodells 
(STARFM), das Wolken- oder Schattenlücken in Regionen füllt, ohne räumliche 
Informationen zu verlieren. In diesem Kapitel wird festgestellt, dass sowohl L-MOD13Q1 (R2 = 0,62, RMSE = 0,11) als auch S-MOD13Q1 (R2 = 0,68, RMSE = 0,13) für die 
Überwachung der Landwirtschaft besser geeignet sind als die anderen fusionierten 
synthetischen Produkte. Im dritten Kapitel wird untersucht, inwieweit die (in Kapitel 2 
gewonnenen) synthetischen raum-zeitlichen Datensätze geeignet sind, die Ernteerträge 
von WW und OSR auf regionaler Ebene genau zu kartieren und zu überwachen. Das 
Kapitel untersucht und diskutiert die optimalen räumlichen (10 m, 30 m oder 250 m),zeitlichen (8 oder 16 Tage) und CGMs (World Food Studies (WOFOST) und den semi-empirischen Ansatz der Lichtnutzungseffizienz (LUE)) für genaue Ertragsschätzungen 
beider Kulturarten. Im dritten Kapitel wird festgestellt, dass die Beobachtung von 
Produkten mit hoher zeitlicher Auflösung (8 Tage) sowohl des S-MOD13Q1 als auch 
des L-MOD13Q1 eine wichtige Rolle bei der genauen Messung des Ertrags von WW 
und OSR spielt. In diesem Kapitel wird untersucht, dass das einfache Modell der 
Lichtnutzungseffizienz (LUE) (R2 = 0,77 und relativer RMSE (RRMSE) = 8,17 %), das 
weniger Eingabeparameter zur Simulation des Ernteertrags benötigt, sehr genau, 
zuverlässig und präziser ist als das komplexe WOFOST-Modell (R2 = 0,66 und RRMSE 
= 11,35 %) mit höheren Eingabeparametern. In Kapitel vier wird der Zusammenhang 
zwischen der raum-zeitlichen Fusionsmodellierung mit STRAFM und der 
Ertragsvorhersage für WW und OSR mit dem LUE-Modell für Bayern von 2001 bis 2019 
untersucht. Das Kapitel stellt den hohen positiven Korrelationskoeffizienten (R) = 0,81 
und R = 0,77 zwischen dem jährlichen R2 der synthetischen Genauigkeit und der 
modellierten Ertragsgenauigkeit für WW bzw. OSR von 2001 bis 2019 fest. In diesem 
Kapitel werden die Auswirkungen der Klimavariablen auf die Ertragsvorhersagen 
analysiert, wobei ein Anstieg des R2
(0,79 (WW)/0,86 (OSR)) und eine Verringerung des 
RMSE (4,51/2,57 dt/ha) festgestellt werden, wenn der Klimaeffekt in das Modell 
einbezogen wird. Das fünfte Kapitel deutet darauf hin, dass die Kopplung des LUE-Modells mit dem Random-Forest-Modell (RF) den relativen mittleren quadratischen 
Fehler (RRMSE) von -8 % (WW) und -1,6 % (OSR) weiter reduzieren und das R2 um 14,3 
% (sowohl für WW als auch für OSR) erhöhen kann, verglichen mit Ergebnissen, die nur 
auf LUE beruhen. Das gleiche Kapitel kommt zu dem Schluss, dass die 
satellitengestützte Pflanzenbiomasse, die Sonneneinstrahlung und die Temperatur die 
einflussreichsten Variablen bei der Ertragsvorhersage für beide Kulturarten sind. In 
Kapitel sechs wird versucht, sowohl die Vor- als auch die Nachteile der RS-Technologie 
zu erörtern, indem die Auswirkungen der unterschiedlichen Landnutzung auf die 
modellierte Biomasse von WW und OSR analysiert werden. In diesem Kapitel wird 
festgestellt, dass die modellierte Biomasse beider Kulturen durch die 
Landnutzungsvielfalt bis zu einem Radius von 450 (Shannon Diversity Index ~0,75) bzw. 1050 m (~0,75) positiv beeinflusst wird. In diesem Kapitel werden auch künftige 
Auswirkungen erörtert, indem festgestellt wird, dass die Einbeziehung einiger 
abhängiger Faktoren (wie die angewandten Bewirtschaftungsmethoden, die 
Bodengesundheit, die Schädlingsbekämpfung und die Bestäuber) die Beziehung 
zwischen den mit RS modellierten Ernteerträgen und der biologischen Vielfalt 
verbessern könnte. Im siebten Kapitel schließlich wird die Erprobung neuer Sensoren 
wie unbemannte Luftfahrzeuge, hyperspektrale Sensoren oder Sentinel-1 SAR in der RS 
erörtert, um genaue Ertragsvorhersagen für die Präzisionslandwirtschaft zu erreichen. 
Darüber hinaus wird in diesem Kapitel die Bedeutung der künstlichen Intelligenz (KI) 
oder des Deep Learning (DL) für die Erzielung einer höheren Genauigkeit der 
Ernteerträge hervorgehoben.
KW  - Satellite Remote Sensing
KW  - Crop YIelds
KW  - Ernteertrag
KW  - Datenfusion
KW  - Landwirtschaft / Nachhaltigkeit
KW  - Winterweizen
KW  - Data Fusion
KW  - Sustainable Agriculture
KW  - Crop Growth Models
KW  - Winter wheat
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-322581
N1  - eine "revised edition" der Arbeit finden Sie hier:
https://doi.org/10.25972/OPUS-33052
ER  - 
TY  - THES
A1  - Dhillon, Maninder Singh
T1  - Potential of Remote Sensing in Modeling Long-Term Crop Yields
T1  - Potenzial der Fernerkundung für die Modellierung Langfristiger Ernteerträge
N2  - Accurate crop monitoring in response to climate change at a regional or field scale plays a significant role in developing agricultural policies, improving food security, forecasting, and analysing global trade trends. Climate change is expected to significantly impact agriculture, with shifts in temperature, precipitation patterns, and extreme weather events negatively affecting crop yields, soil fertility, water availability, biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable information combined with crop growth models (CGMs) for yield assessment by monitoring crop development, detecting crop changes, and assessing the impact of climate change on crop yields. This dissertation aims to investigate the potential of RS data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR) for the Free State of Bavaria (70,550 km2), Germany. The first chapter of the dissertation describes the reasons favouring the importance of accurate crop yield predictions for achieving sustainability in agriculture. Chapter second explores the accuracy assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data (high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more suitable for agricultural monitoring than the other synthetic products fused. Chapter third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter 2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal (8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light use efficiency approach (LUE)) for accurate crop yield estimations of both crop types. Chapter third observes that the observations of high temporal resolution (8-day) products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately measuring the yield of WW and OSR. The chapter investigates that the simple light use efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher input parameters. Chapter four researches the relationship of spatiotemporal fusion modelling using STRAFM on crop yield prediction for WW and OSR using the LUE model for Bavaria from 2001 to 2019. The chapter states the high positive correlation coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter analyses the impact of climate variables on crop yield predictions by observing an increase in R2 (0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when the climate effect is included in the model. The fifth chapter suggests that the coupling of the LUE model to the random forest (RF) model can further reduce the relative root mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by 14.3% (for both WW and OSR), compared to results just relying on LUE. The same chapter concludes that satellite-based crop biomass, solar radiation, and temperature are the most influential variables in the yield prediction of both crop types. Chapter six attempts to discuss both pros and cons of RS technology while analysing the impact of land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that the modelled biomass of both crops is positively impacted by land use diversity to the radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The chapter also discusses the future implications by stating that including some dependent factors (such as the management practices used, soil health, pest management, and pollinators) could improve the relationship of RS-modelled crop yields with biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving accurate crop yield predictions for precision farming. In addition, the chapter highlights the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher crop yield accuracies.
N2  - Die genaue Überwachung von Nutzpflanzen als Reaktion auf den Klimawandel auf 
regionaler oder feldbezogener Ebene spielt eine wichtige Rolle bei der Entwicklung von 
Agrarpolitiken, der Verbesserung der Ernährungssicherheit, der Erstellung von 
Prognosen und der Analyse von Trends im Welthandel. Es wird erwartet, dass sich der 
Klimawandel erheblich auf die Landwirtschaft auswirken wird, da sich Verschiebungen 
bei den Temperaturen, Niederschlagsmustern und extremen Wetterereignissen negativ 
auf die Ernteerträge, die Bodenfruchtbarkeit, die Wasserverfügbarkeit, die Artenvielfalt 
und die Anbaubedingungen auswirken werden. Die Fernerkundung (RS) kann in 
Kombination mit Wachstumsmodellen (CGM) wertvolle Informationen für die 
Ertragsbewertung liefern, indem sie die Entwicklung von Pflanzen überwacht, 
Veränderungen bei den Pflanzen erkennt und die Auswirkungen des Klimawandels auf 
die Ernteerträge bewertet. Ziel dieser Dissertation ist es, das Potenzial von RS-Daten für 
die Modellierung langfristiger Ernteerträge von Winterweizen (WW) und Ölraps (OSR) 
für den Freistaat Bayern (70.550 km2
), Deutschland, zu untersuchen. Das erste Kapitel 
der Dissertation beschreibt die Gründe, die für die Bedeutung genauer 
Ernteertragsvorhersagen für die Nachhaltigkeit in der Landwirtschaft sprechen. Das 
zweite Kapitel befasst sich mit der Bewertung der Genauigkeit der synthetischen RS Daten durch die Fusion der NDVIs von zwei Daten mit hoher räumlicher Auflösung 
(hohes Paar) (Landsat (30 m, 16 Tage; L) und Sentinel-2 (10 m, 5-6 Tage; S) mit vier Daten 
mit geringer räumlicher Auflösung (niedriges Paar) (MOD13Q1 (250 m, 16 Tage), 
MCD43A4 (500 m, ein Tag), MOD09GQ (250 m, ein Tag) und MOD09Q1 (250 m, 8 Tage)) 
unter Verwendung des räumlich und zeitlich adaptiven Reflexionsfusionsmodells 
(STARFM), das Wolken- oder Schattenlücken in Regionen füllt, ohne räumliche 
Informationen zu verlieren. In diesem Kapitel wird festgestellt, dass sowohl L-MOD13Q1 (R2 = 0,62, RMSE = 0,11) als auch S-MOD13Q1 (R2 = 0,68, RMSE = 0,13) für die 
Überwachung der Landwirtschaft besser geeignet sind als die anderen fusionierten 
synthetischen Produkte. Im dritten Kapitel wird untersucht, inwieweit die (in Kapitel 2 
gewonnenen) synthetischen raum-zeitlichen Datensätze geeignet sind, die Ernteerträge 
von WW und OSR auf regionaler Ebene genau zu kartieren und zu überwachen. Das 
Kapitel untersucht und diskutiert die optimalen räumlichen (10 m, 30 m oder 250 m),zeitlichen (8 oder 16 Tage) und CGMs (World Food Studies (WOFOST) und den semi-empirischen Ansatz der Lichtnutzungseffizienz (LUE)) für genaue Ertragsschätzungen 
beider Kulturarten. Im dritten Kapitel wird festgestellt, dass die Beobachtung von 
Produkten mit hoher zeitlicher Auflösung (8 Tage) sowohl des S-MOD13Q1 als auch 
des L-MOD13Q1 eine wichtige Rolle bei der genauen Messung des Ertrags von WW 
und OSR spielt. In diesem Kapitel wird untersucht, dass das einfache Modell der 
Lichtnutzungseffizienz (LUE) (R2 = 0,77 und relativer RMSE (RRMSE) = 8,17 %), das 
weniger Eingabeparameter zur Simulation des Ernteertrags benötigt, sehr genau, 
zuverlässig und präziser ist als das komplexe WOFOST-Modell (R2 = 0,66 und RRMSE 
= 11,35 %) mit höheren Eingabeparametern. In Kapitel vier wird der Zusammenhang 
zwischen der raum-zeitlichen Fusionsmodellierung mit STRAFM und der 
Ertragsvorhersage für WW und OSR mit dem LUE-Modell für Bayern von 2001 bis 2019 
untersucht. Das Kapitel stellt den hohen positiven Korrelationskoeffizienten (R) = 0,81 
und R = 0,77 zwischen dem jährlichen R2 der synthetischen Genauigkeit und der 
modellierten Ertragsgenauigkeit für WW bzw. OSR von 2001 bis 2019 fest. In diesem 
Kapitel werden die Auswirkungen der Klimavariablen auf die Ertragsvorhersagen 
analysiert, wobei ein Anstieg des R2
(0,79 (WW)/0,86 (OSR)) und eine Verringerung des 
RMSE (4,51/2,57 dt/ha) festgestellt werden, wenn der Klimaeffekt in das Modell 
einbezogen wird. Das fünfte Kapitel deutet darauf hin, dass die Kopplung des LUE-Modells mit dem Random-Forest-Modell (RF) den relativen mittleren quadratischen 
Fehler (RRMSE) von -8 % (WW) und -1,6 % (OSR) weiter reduzieren und das R2 um 14,3 
% (sowohl für WW als auch für OSR) erhöhen kann, verglichen mit Ergebnissen, die nur 
auf LUE beruhen. Das gleiche Kapitel kommt zu dem Schluss, dass die 
satellitengestützte Pflanzenbiomasse, die Sonneneinstrahlung und die Temperatur die 
einflussreichsten Variablen bei der Ertragsvorhersage für beide Kulturarten sind. In 
Kapitel sechs wird versucht, sowohl die Vor- als auch die Nachteile der RS-Technologie 
zu erörtern, indem die Auswirkungen der unterschiedlichen Landnutzung auf die 
modellierte Biomasse von WW und OSR analysiert werden. In diesem Kapitel wird 
festgestellt, dass die modellierte Biomasse beider Kulturen durch die 
Landnutzungsvielfalt bis zu einem Radius von 450 (Shannon Diversity Index ~0,75) bzw. 1050 m (~0,75) positiv beeinflusst wird. In diesem Kapitel werden auch künftige 
Auswirkungen erörtert, indem festgestellt wird, dass die Einbeziehung einiger 
abhängiger Faktoren (wie die angewandten Bewirtschaftungsmethoden, die 
Bodengesundheit, die Schädlingsbekämpfung und die Bestäuber) die Beziehung 
zwischen den mit RS modellierten Ernteerträgen und der biologischen Vielfalt 
verbessern könnte. Im siebten Kapitel schließlich wird die Erprobung neuer Sensoren 
wie unbemannte Luftfahrzeuge, hyperspektrale Sensoren oder Sentinel-1 SAR in der RS 
erörtert, um genaue Ertragsvorhersagen für die Präzisionslandwirtschaft zu erreichen. 
Darüber hinaus wird in diesem Kapitel die Bedeutung der künstlichen Intelligenz (KI) 
oder des Deep Learning (DL) für die Erzielung einer höheren Genauigkeit der 
Ernteerträge hervorgehoben.
KW  - Accurate crop monitoring
KW  - Ernteertrag
KW  - Datenfusion
KW  - Landwirtschaft / Nachhaltigkeit
KW  - Winterweizen
KW  - Climate change
KW  - Remote sensing (RS)
KW  - Crop growth models (CGMs)
KW  - Synthetic RS data
KW  - Spatiotemporal fusion
KW  - Crop yield estimations
KW  - Light use efficiency (LUE) model
KW  - Random forest (RF) model
KW  - Land use diversity
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-330529
N1  - die originale ursprüngliche Dissertation finden Sie hier:
https://doi.org/10.25972/OPUS-32258
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  -