TY  - THES
A1  - Halbleib, Julia
T1  - Bodenerosion und ihre Modellierung auf Grundlage der Allgemeinen Bodenabtragsgleichung (ABAG) - Erosionsabschätzung mittels AVErosion im Untersuchungsgebiet Biosphärenreservat Rhön
T1  - Modelling soil erosion on basis of the Universal Soil Loss Equation (USLE) - Erosion assessment in a study area located in the UNESCO Biosphere Reserve Rhön, Germany
N2  - In dieser Arbeit wird ein Verfahren zur Modellierung der Bodenerosion auf Ackerflächen in einem Untersuchungsgebiet im UNESCO-Biosphärenreservat Rhön vorgestellt. Als Grundlage dienen flächendeckend verfügbare, hochauflösende Datensätzen zu allen relevanten Faktoren. Ziel ist es die Sensitivität des Modells gegenüber verschiedenen Faktoren sowie die Übertragbarkeit des Verfahrens auf größere Untersuchungsgebiete zu testen. Die Modellierung findet dabei in ArcView 3.2 über die Extension AVErosion von SCHÄUBLE (2005) statt, während die Vorprozessierung in ArcMap von ESRI durchgeführt wird. Zunächst werden grundlegende Begriffe zu den Prozessen, Einflussfaktoren und Messmethoden von Bodenerosion erläutert. Die von Bodenerosion verursachten Schäden und mögliche Schutzmaßnahmen werden aufgrund ihrer Relevanz, unter anderem für die betroffenen Landwirte, geschildert. Nach dem Überblick über die wichtigsten Erosionsmodelle werden die hier verwendete Allgemeine Bodenabtragsgleichung (ABAG) und ihre einzelnen Berechnungsschritte vorgestellt. Das Modellierungstool AVErosion verwendet zusätzlich Elemente der Modified Universal Soil Loss Equation (MUSLE87). Zur Bodenerosionsmodellierung stehen hochauflösende Datensätze aus dem Untersuchungsgebiet zur Verfügung, aus denen in der Vorprozessierung die Raster der Faktoren errechnet werden. Insgesamt werden zehn Szenarien mit verschiedenen C-Faktoren und zwei Szenarien mit variierendem R-Faktor modelliert. Daraufhin wird das Untersuchungsgebiet nach physisch-geographischen Gesichtspunkten beschrieben und die landwirtschaftliche Nutzung in der Region charakterisiert. Die Ergebnisse der Modellierung zeigen, dass neben den Reliefeigenschaften die Bodenbewirtschaftung auf den Ackerflächen den größten Einfluss auf den Bodenabtrag hat. Die Variationen der Niederschlagssumme in den R-Faktor-Szenarien hat hingegen vergleichsweise wenig Auswirkungen auf das Modellierungsergebnis. Zwar konnte durch das Fehlen von aktuellen Bewirtschaftungsdaten keine Modellierung der tatsächlichen Bodenerosion erzielt werden, jedoch zeigen die verschiedenen C-Faktor-Szenarien den potentiellen Bodenabtrag bei unterschiedlicher Bewirtschaftung. Es wird deutlich, dass auf erosionsgefährdeten Flächen durch eine angepasste Form der landwirtschaftlichen Nutzung geringere Abtragswerte in der Modellierung erreicht werden können. Die Methode lässt sich gut auf das Untersuchungsgebiet im Biosphärenreservat Rhön anwenden und zeigt Potential zur Übertragung auf größere Untersuchungsgebiete
N2  - Modelling soil erosion on basis of the Universal Soil Loss Equation (USLE) - Erosion assessment in a study area located in the UNESCO Biosphere Reserve Rhön, Germany
KW  - Bodenerosion
KW  - Erosionsmodellierung
KW  - Allgemeine Bodenabtragsgleichung (ABAG)
KW  - Biosphärenreservat Rhön
KW  - AVErosion
Y1  - 2019
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-178811
ER  - 
TY  - THES
A1  - Pätzold, Simon
T1  - Dachbegrünung in Würzburg: GIS-basierte Potentialanalyse als Planungsgrundlage im städtischen Begrünungsinstrumentarium
T1  - Green Roofing in Würzburg: 
GIS-Based Potential Analysis as a Planning Tool for the 
Communal Implementation of Urban Greening
N2  - Nach aktuellem Stand der Forschung ist die Dachbegrünung eine geeignete Klimaanpassungsmaßnahme, mit der die Folgen des rezenten Klimawandels in verdichteten und versiegelten Stadtgebieten abgeschwächt werden können. Vor dem Hintergrund schrumpfender Flächenreserven und wachsender Flächenkonkurrenz können auf Dächern alternative Flächenressourcen zur Expansion urbanen Grüns erschlossen werden. Zudem besitzt diese Begrünungsart vielfältige ökologische und ökonomische Vorteile (Kühlwirkung, Biodiversität, Wasserrückhaltung, Gebäudedämmung und -schutz). Mit Bebauungsplänen und Innenbereichssatzungen sowie Förderprogrammen und indirekter Förderung (gesplittete Abwassergebühren) stehen den Kommunen harte und weiche Instrumente zur Verfügung, um Gebäudeeigentümer für Dachbegrünungsmaßnahmen im Neubau, aber auch im Bestandsbau zu mobilisieren. Für eine Aktivierung bereits bestehender Dachflächen eignet sich besonders die Extensivbegrünung dank ihrer anspruchslosen Vegetation, des minimalen Pflegeaufwands sowie den geringeren statischen und formspezifischen Anforderungen an die Dachkonstruktion gegenüber der Intensivbegrünung. Auf Basis von Untersuchungen mit Fernerkundungsdaten und amtlichen Geodaten konnten für deutsche Groß- und Mittelstädte enorme Flächenpotentiale für die nachträgliche Dachbegrünung festgestellt werden. Zur Stadt Würzburg, in der als Hotspot des Klimawandels eine hohe Dringlichkeit für Klimaanpassungsmaßnahmen besteht, lagen bis dato keine Daten zu diesem Potential vor. Im Rahmen dieser Arbeit wurden Luftbilder, Höhendaten (LiDAR) und amtliche Gebäudeumriss-Daten in einem Geoinformationssystem (GIS) zu einer dreidimensionalen Dachlandschaft verarbeitet, hinsichtlich relevanter Begrünungskriterien (Neigung, Homogenität, Größe, Funktion) analysiert und in Form von Karten, Bildern und Statistiken ausgegeben. Für das konkrete Untersuchungsgebiet der stadtklimatisch besonders kritischen Stadtbezirke Altstadt und Sanderau konnte eine empirische Grundlage zur Quantifizierung der Potentialfläche geschaffen werden. Rund ein Drittel der über 5.000 untersuchten innerstädtischen Dächer kommen mit einer Fläche von über 300.000 m² für eine nachträgliche Begrünung in Betracht. Zudem wurden Aussagen zur städtebaulichen Qualifizierung (Denkmalschutz) dieser Flächen getroffen und die Aktivierbarkeit mit dem einschlägigen stadtplanerischem Begrünungsinstrumentarium (Förderprogramm, Satzung bzw. Bebauungsplan) bewertet. So konnten die für die Umsetzung der geeigneten Dachflächen nötigen Förderkosten auf Basis der geltenden Förderrichtlinie approximiert werden. Zudem wurde unter Verwendung amtlicher Baustatistik und einschlägiger Bebauungspläne ein zeitlicher Horizont geschätzt, bis zu welchem sich Eigentümer an die Vorgaben einer hypothetischen Dachbegrünungssatzung anpassen würden. Die Arbeit bietet Anreize für die Methodik geoinformatischer Analysen sowie für städteplanerische Analyse- und Handlungsmöglichkeiten. Natürlich kann die fernerkundliche Messung keine bautechnische Begutachtung vor Ort ersetzen, sie kann aber im Vorfeld einen Eindruck der teils versteckten Flächenreserven kostengünstig und flächendeckend verschaffen und zudem die Möglichkeit darauf aufbauender Untersuchungen der ökologischen oder städtebaulichen Wirkung eröffnen.
N2  - According to the current state of research, green roofing is an appropriate measure for climat-ic adaptation with which the consequences of recent climate change in condensed and sealed municipal areas can be mitigated. Against the backdrop of shrinking area resources, alterna-tive resources can be developed on rooftops to expand urban green. With legally binding development plans (Bebauungspläne) and communal bylaws (Innenbereichssatzungen) as well as incentive programmes and indirect funding, communes have hard and soft tools at their hands to induce property owners to implement measures of green roofing in new and existing construction. For the activation of already existing rooftop areas, extensive green roofing is suitable thanks to its undemanding vegetation and its – compared to intensive green roofing – minor static constructional requirements. Regarding the city of Würzburg, a hotspot of climate change with an urgent need for taking adaptational climatic measures, up to this date no data was available concerning the potential of subsequent green roofing. In the context of this paper, aerial images, height data (LiDAR) and official building outlines are processed into a three-dimensional rooftop landscape and analysed in terms of pertinent criteria for green roofing. About a third of the more than 5.000 examined rooftops in the municipal areas Altstadt and Sanderau are suitable for subsequent greening, which results in an area of more than 300.000 m2. This paper also examines the compatibility of rooftop greening with monumental protection (Denkmalschutz). Further analysis was carried out concerning the implementation of greening on potential surfaces through the means of fund-ing programmes and binding communal development plans. Through this analysis, an ap-proximation of the required funding costs was calculated. Lastly, an estimation of the timeframe in which the property owners would have to adapt to hypothetical green roofing bylaws was set up by considering municipal building statistics and applicable development plans. The paper offers incentives for analytical geoinformatical methodology as well as for analyses and strategies for taking action in regard to urban planning.
KW  - Dachbegrünung
KW  - Architektur
KW  - Stadtplanung
KW  - Umweltschutz
KW  - Geoinformationssystem
KW  - Gebäudebegrünung
KW  - urban greening
KW  - urban planning
KW  - Geoinformatik
KW  - geodata
Y1  - 2020
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-210674
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  - 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  - Reinermann, Sophie
T1  - Earth Observation Time Series for Grassland Management Analyses – Development and large-scale Application of a Framework to detect Grassland Mowing Events in Germany
T1  - Erdbeobachtungszeitserien zur Analyse der Grünlandbewirtschaftung – Entwicklung und großflächige Anwendung einer Prozessierungsarchitektur zur automatisierten Detektion von Grünlandmahden
N2  - Grasslands shape many landscapes of the earth as they cover about one-third of its surface. They are home and provide livelihood for billions of people and are mainly used as source of forage for animals. However, grasslands fulfill many additional ecosystem functions next to fodder production, such as storage of carbon, water filtration, provision of habitats and cultural values. They play a role in climate change (mitigation) and in preserving biodiversity and ecosystem functions on a global scale. The degree to what these ecosystem functions are present within grassland ecosystems is largely determined by the management. Individual management practices and the use intensity influence the species composition as well as functions, like carbon storage, while higher use intensities (e.g. high mowing frequencies) usually show a negative impact. Especially in Central European countries, like in Germany, the determining influence of grassland management on its physiognomy and ecosystem functions leads to a large variability and small-scale alternations of grassland parcels. Large-scale information on the management and use intensity of grasslands is not available. Consequently, estimations of grassland ecosystem functions are challenging which, however, would be required for large-scale assessments of the status of grassland ecosystems and optimized management plans for the future. The topic of this thesis tackles this gap by investigating the major grassland management practice in Germany, which is mowing, for multiple years, in high spatial resolution
and on a national scale.
Earth Observation (EO) has the advantage of providing information of the earth’s surface on multi-temporal time steps. An extensive literature review on the use of EO for grassland management and production analyses, which was part of this thesis, showed that in particular research on grasslands consisting of small parcels with a large variety of management and use intensity, like common in Central Europe, is underrepresented. Especially
the launch of the Sentinel satellites in the recent past now enables the analyses of such grasslands due to their high spatial and temporal resolution. The literature review specifically on the investigation of grassland mowing events revealed that most previous studies focused on small study areas, were exploratory, only used one sensor type and/or lacked a reference data set with a complete range of management options.
Within this thesis a novel framework to detect grassland mowing events over large areas is presented which was applied and validated for the entire area of Germany for multiple years (2018–2021). The potential of both sensor types, optical (Sentinel-2) and Synthetic Aperture Radar (SAR) (Sentinel-1) was investigated regarding grassland mowing event detection. Eight EO parameters were investigated, namely the Enhanced Vegetation Index (EVI), the backscatter intensity and the interferometric (InSAR) temporal coherence for both available polarization modes (VV and VH), and the polarimetric (PolSAR) decomposition parameters Entropy, K0 and K1. An extensive reference data set was generated based on daily images of webcams distributed in Germany which resulted in mowing information
for grasslands with the entire possible range of mowing frequencies – from one to six in Germany – and in 1475 reference mowing events for the four years of interest.
For the first time a observation-driven mowing detection approach including data from Sentinel-2 and Sentinel-1 and combining the two was developed, applied and validated on large scale. Based on a subset of the reference data (13 grassland parcels with 44 mowing events) from 2019 the EO parameters were investigated and the detection algorithm
developed and parameterized. This analysis showed that a threshold-based change detection approach based on EVI captured grassland mowing events best, which only failed during periods of clouds. All SAR-based parameters showed a less consistent behavior to mowing events, with PolSAR Entropy and InSAR Coherence VH, however, revealing the
highest potential among them. A second, combined approach based on EVI and a SARbased parameter was developed and tested for PolSAR Entropy and InSAR VH. To avoid additional false positive detections during periods in which mowing events are anyhow reliably detected using optical data, the SAR-based mowing detection was only initiated
during long gaps within the optical time series (< 25 days). Application and validation of
these approaches in a focus region revealed that only using EVI leads to the highest accuracies (F1-Score = 0.65) as combining this approach with SAR-based detection led to a strong increase in falsely detected mowing events resulting in a decrease of accuracies (EVI + PolSAR ENT F1-Score = 0.61; EVI + InSAR COH F1-Score = 0.61).
The mowing detection algorithm based on EVI was applied for the entire area of Germany for the years 2018-2021. It was revealed that the largest share of grasslands with high mowing frequencies (at least four mowing events) can be found in southern/south-eastern Germany. Extensively used grassland (mown up to two times) is distributed within the entire country with larger shares in the center and north-eastern parts of Germany. These patterns stay constant in general, but small fluctuations between the years are visible. Early mown grasslands can be found in southern/south-eastern Germany – in line with high mowing frequency areas – but also in central-western parts. The years 2019 and 2020 revealed higher accuracies based on the 1475 mowing events of the multi-annual validation data set
(F1-Scores of 0.64 and 0.63), 2018 and 2021 lower ones (F1-Score of 0.52 and 0.50).
Based on this new, unprecedented data set, potential influencing factors on the mowing dynamics were investigated. Therefore, climate, topography, soil data and information on conservation schemes were related to mowing dynamics for the year 2020, which showed a high number of valid observations and detection accuracy. It was revealed that there are no strong linear relationships between the mowing frequency or the timing of the first mowing event and the investigated variables. However, it was found that for intensive grassland usage certain climatic and topographic conditions have to be fulfilled, while extensive grasslands appear on the entire spectrum of these variables. Further, higher mowing frequencies occur on soils with influence of ground water and lower mowing frequencies in protected areas. These results show the complex interplay between grassland mowing dynamics and external influences and highlight the challenges of policies aiming to protect grassland ecosystem functions and their need to be adapted to regional circumstances.
N2  - Grünland prägt viele Landschaften der Erde, da es etwa ein Drittel der Erdoberfläche bedeckt. Es ist Heimat und Lebensgrundlage für Milliarden von Menschen und wird hauptsächlich als Futterquelle für die Viehhaltung genutzt. Neben der Futterproduktion erfüllen Grünlandflächen jedoch viele weitere Ökosystemfunktionen, wie die Speicherung von
Kohlenstoff, die Wasserfilterung, die Bereitstellung von Lebensräumen, als auch kulturelle Werte. Sie spielen eine Rolle bei der Abschwächung des Klimawandels und bei der Erhaltung der biologischen Vielfalt und der Ökosystemfunktionen auf globaler Ebene.
Das Ausmaß, in dem diese Ökosystemfunktionen in Grünlandökosystemen vorhanden sind, wird weitgehend durch die Bewirtschaftung bestimmt. Einzelne Bewirtschaftungspraktiken und die Nutzungsintensität beeinflussen sowohl die Artenzusammensetzung als auch Funktionen wie die Kohlenstoffspeicherung, wobei höhere Nutzungsintensitäten (z. B. hohe Mähfrequenzen) in der Regel einen negativen Einfluss haben. Insbesondere in mitteleuropäischen Ländern wie Deutschland, führt der bestimmende Einfluss der Grünlandbewirtschaftung auf die Physiognomie und die Ökosystemfunktionen zu
einer großen Variabilität und kleinräumigen Differenziertheit einzelner Grünlandflächen. Großräumige Informationen über die Bewirtschaftungs- und Nutzungsintensität von Grünland sind nicht verfügbar. Folglich sind Schätzungen der Ökosystemfunktionen von Grünland eine Herausforderung, die jedoch für großräumige Bewertungen des Zustands von Grünlandökosystemen und optimierte Bewirtschaftungspläne für die Zukunft erforderlich wären. Das Thema dieser Arbeit greift diese Lücke auf, indem es die wichtigste Grünlandbewirtschaftungsmethode in Deutschland, die Mahd, über mehrere Jahre, mit hoher räumlicher Auflösung und auf nationaler Ebene untersucht.
Die Erdbeobachtung hat den Vorteil, Informationen über die Erdoberfläche in multitemporalen Zeitschritten zu liefern. Eine umfangreiche Literaturrecherche zur Nutzung von Erdbeobachtung für Grünlandmanagement und Produktion, welche Teil dieser Arbeit war, hat gezeigt, dass insbesondere die Forschung zu kleinparzelligem Grünland mit einer großen Vielfalt an Bewirtschaftungs- und Nutzungsintensitäten, wie in Mitteleuropa gängig, unterrepräsentiert ist. Insbesondere die vor wenigen Jahren erfolgte Start der Sentinel-Satellitenmissionen ermöglicht nun auch die Analyse solcher Grünlandflächen
aufgrund der hohen räumlichen und zeitlichen Auflösung ihrer Aufnahmen. Die Literaturrecherche speziell zur Untersuchung von Mähereignissen auf Grünland ergab, dass die meisten bisherigen Studien sich auf kleine Untersuchungsgebiete konzentrierten, explorativ waren, nur einen Sensortyp verwendeten und/oder keinen Referenzdatensatz mit einer vollständigen Palette von Managementoptionen enthielten.
Im Rahmen dieser Arbeit wird eine neuartige Methodik zur Erkennung von Grünlandmahdereignissen vorgestellt, welches über mehrere Jahre (2018-2021) flächendeckend in Deutschland angewendet und validiert wurde. Beide Sensortypen – optisch (Sentinel-2) und SAR (Sentinel-1) – wurden hinsichtlich ihres Potentials zur Detektion von Grünlandmahdereignissen ausgewertet. Acht EO-Parameter wurden untersucht, nämlich der Enhanced Vegetation Index (EVI), die Rückstreuintensität und die interferometrische zeitliche Kohärenz (InSAR) für beide verfügbaren Polarimetrien (VV und VH), sowie die polarimetrischen (PolSAR) Zerlegungsparameter Entropie, K0 und K1. Ein umfangreicher
Referenzdatensatz wurde auf der Basis täglicher Bilder von Webcams generiert, welche über Deutschland verteilt sind. Dieser enthält Mahdinformationen für Grünland mit dem gesamten möglichen Spektrum an Mähfrequenzen – von eins bis sechs Mahden – und 1475 Referenz-Mähereignisse für die Untersuchungsjahre.
Zum ersten Mal wurde ein Ansatz basierend auf tatsächlichen Beobachtungen zur Erkennung der Mahd entwickelt, angewandt und großflächig validiert, der Daten von Sentinel - 2 und Sentinel - 1 verwendet und beide miteinander kombiniert. Anhand eines Subset der Referenzdaten (13 Grünlandparzellen) wurden die EO-Parameter untersucht und der Algorithmus zur Mahddetektion entwickelt und parametrisiert. Die Analyse hat gezeigt, dass ein schwellenwertbasierter Ansatz zur Erkennung von Veränderungen auf der Grundlage des EVI die Ereignisse der Grünlandmahd am besten erfasst, und nur während Bewölkungsperioden Mahden nicht erfolgreich detektiert. Alle SAR-basierten Parameter zeigten ein inkonsistenteres Verhalten gegenüber Mähaktivitäten als EVI, wobei PolSAR Entropie und InSAR Kohärenz VH noch das höchste Potenzial aufwiesen. Ein zweiter, kombinierter Ansatz, der auf EVI und einem SAR Parameter basiert, wurde entwickelt und für PolSAR Entropie und InSAR VH getestet. Aufgrund vieler zusätzlicher Veränderungen, die in den Zeitreihen erkennbar sind, wurde die SAR-basierte Mahddetektion nur während langer Lücken in den optischen Zeitreihen (< 25 Tage) initiiert. Die Anwendung und Validierung dieser Ansätze in einer Fokusregion ergab, dass die Verwendung des EVI-Ansatzes zu den höchsten Genauigkeiten führt (F1-Score = 0.65), da die Kombination dieses Ansatzes mit der SAR-basierten Detektion zu einem starken Anstieg der falsch erkannten Mähereignisse und damit zu einer Abnahme der Genauigkeiten führte (EVI + PolSAR ENT F1-Score=0.61; EVI + InSAR COH F1-Score = 0.61).
Der auf EVI basierende Mahddetektionsalgorithmus wurde für die gesamte Fläche
Deutschlands für die Jahre 2018–2021 angewendet. Es zeigte sich, dass der größte Anteil an Grünland mit hoher Mähfrequenz (mindestens vier Mähereignisse) im Süden/Südosten Deutschlands zu finden ist. Extensiv genutztes Grünland (bis zu zweimal gemäht) ist über das gesamte Bundesgebiet verteilt, mit größeren Anteilen in der Mitte und im Nordosten Deutschlands. Diese Muster bleiben im Allgemeinen konstant, aber es sind kleine Schwankungen zwischen den Jahren erkennbar. Früh gemähtes Grünland findet sich in Süd-/Südostdeutschland - entsprechend den Gebieten mit hoher Mähfrequenz -, aber auch in Mittel- und Westdeutschland. Die Jahre 2019 und 2020 zeigen höhere Genauigkeiten (F1-
Scores von 0.64 und 0.63), 2018 und 2021 niedrigere (F1-Score von 0.52 und 0.50).
Darüber hinaus wurden mögliche Einflussfaktoren auf die Mahddynamik untersucht. So wurden Klima, Topografie, Bodendaten und Informationen über Schutzmaßnahmen mit der Mahddynamik für das Jahr 2020 in Verbindung gebracht, für welches eine hohe Anzahl gültiger Beobachtungen und eine hohe Erfassungsgenauigkeit erzielt werden konnten. Es zeigte sich, dass es keine starken linearen Beziehungen zwischen der Mahdhäufigkeit oder dem Zeitpunkt der ersten Mahd und den untersuchten Variablen gibt. Es wurde jedoch festgestellt, dass für eine intensive Grünlandnutzung bestimmte klimatische und topografische Bedingungen erfüllt sein müssen, wohingegen extensive Grünlandflächen im gesamten Spektrum dieser Variablen auftreten. Außerdem treten auf Böden mit Grundwassereinfluss höhere und in Schutzgebieten niedrigere Mahdhäufigkeiten auf. Diese Ergebnisse zeigen das komplexe Zusammenspiel zwischen der Dynamik der Grünlandmahd und äußeren Einflüssen und verdeutlichen die Herausforderungen in der gezielten Erstellung von Maßnahmen zum Schutz von Grünland-Ökosystemfunktionen und die Notwendigkeit diese regional anzupassen.
KW  - Grünland
KW  - Erdbeobachtung
KW  - Fernerkundung
KW  - Mähen
KW  - Grünlandnutzung
KW  - Zeitreihe
KW  - Erde
KW  - Sentinel-1
KW  - Sentinel-2
KW  - Enhanced Vegetation Index
KW  - PolSAR
KW  - InSAR
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-322737
ER  - 
TY  - THES
A1  - Philipp, Marius Balthasar
T1  - Quantifying the Effects of Permafrost Degradation in Arctic Coastal Environments via Satellite Earth Observation
T1  - Quantifizierung der Effekte von Permafrost Degradation in Arktischen Küstenregionen mittels Satelliten-gestützter Erdbeobachtung
N2  - Permafrost degradation is observed all over the world as a consequence of climate change and the associated Arctic amplification, which has severe implications for the environment. Landslides, increased rates of surface deformation, rising likelihood of infrastructure damage, amplified coastal erosion rates, and the potential turnover of permafrost from a carbon sink to a carbon source are thereby exemplary implications linked to the thawing of frozen ground material. In this context, satellite earth observation is a potent tool for the identification and continuous monitoring of relevant processes and features on a cheap, long-term, spatially explicit, and operational basis as well as up to a circumpolar scale. 
A total of 325 articles published in 30 different international journals during the past two decades were investigated on the basis of studied environmental foci, remote sensing platforms, sensor combinations, applied spatio-temporal resolutions, and study locations in an extensive review on past achievements, current trends, as well as future potentials and challenges of satellite earth observation for permafrost related analyses. The development of analysed environmental subjects, utilized sensors and platforms, and the number of annually published articles over time are addressed in detail. Studies linked to atmospheric features and processes, such as the release of greenhouse gas emissions, appear to be strongly under-represented. Investigations on the spatial distribution of study locations revealed distinct study clusters across the Arctic. At the same time, large sections of the continuous permafrost domain are only poorly covered and remain to be investigated in detail. A general trend towards increasing attention in satellite earth observation of permafrost and related processes and features was observed. The overall amount of published articles hereby more than doubled since the year 2015. New sources of satellite data, such as the Sentinel satellites and the Methane Remote Sensing LiDAR Mission (Merlin), as well as novel methodological approaches, such as data fusion and deep learning, will thereby likely improve our understanding of the thermal state and distribution of permafrost, and the effects of its degradation. Furthermore, cloud-based big data processing platforms (e.g. Google Earth Engine (GEE)) will further enable sophisticated and long-term analyses on increasingly larger scales and at high spatial resolutions. 
In this thesis, a specific focus was put on Arctic permafrost coasts, which feature increasing vulnerability to environmental parameters, such as the thawing of frozen ground, and are therefore associated with amplified erosion rates. In particular, a novel monitoring framework for quantifying Arctic coastal erosion rates within the permafrost domain at high spatial resolution and on a circum-Arctic scale is presented within this thesis. Challenging illumination conditions and frequent cloud cover restrict the applicability of optical satellite imagery in Arctic regions. In order to overcome these limitations, Synthetic Aperture RADAR (SAR) data derived from Sentinel-1 (S1), which is largely independent from sun illumination and weather conditions, was utilized. Annual SAR composites covering the months June–September were combined with a Deep Learning (DL) framework and a Change Vector Analysis (CVA) approach to generate both a high-quality and circum-Arctic coastline product as well as a coastal change product that highlights areas of erosion and build-up. Annual composites in the form of standard deviation (sd) and median backscatter were computed and used as inputs for both the DL framework and the CVA coastal change quantification. The final DL-based coastline product covered a total of 161,600 km of Arctic coastline and featured a median accuracy of ±6.3 m to the manually digitized reference data. Annual coastal change quantification between 2017–2021 indicated erosion rates of up to 67 m per year for some areas based on 400 m coastal segments. In total, 12.24% of the investigated coastline featured an average erosion rate of 3.8 m per year, which corresponds to 17.83 km2 of annually eroded land area. Multiple quality layers associated to both products, the generated DL-coastline and the coastal change rates, are provided on a pixel basis to further assess the accuracy and applicability of the proposed data, methods, and products. 
Lastly, the extracted circum-Arctic erosion rates were utilized as a basis in an experimental framework for estimating the amount of permafrost and carbon loss as a result of eroding permafrost coastlines. Information on permafrost fraction, Active Layer Thickness (ALT), soil carbon content, and surface elevation were thereby combined with the aforementioned erosion rates. While the proposed experimental framework provides a valuable outline for quantifying the volume loss of frozen ground and carbon release, extensive validation of the utilized environmental products and resulting volume loss numbers based on 200 m segments are necessary. Furthermore, data of higher spatial resolution and information of carbon content for deeper soil depths are required for more accurate estimates.
N2  - Als Folge des Klimawandels und der damit verbundenen „Arctic Amplification“ wird weltweit eine Degradation des Dauerfrostbodens (Permafrost) beobachtet, welche schwerwiegende Auswirkungen auf die Umwelt hat. Erdrutsche, erhöhte Oberflächen- verformungsraten, eine zunehmende Wahrscheinlichkeit von Infrastrukturschäden, verstärkte Küstenerosionsraten und die potenzielle Umwandlung von Permafrost von einer Kohlenstoffsenke in eine Kohlenstoffquelle sind dabei beispielhafte Auswirkun- gen im Zusammenhang mit dem Auftauen von gefrorenem Bodenmaterial. In diesem Kontext ist die Satelliten-gestützte Erdbeobachtung ein wirkmächtiges Werkzeug zur Identifizierung und kontinuierlichen Überwachung relevanter Prozesse und Merkmale auf einer kostengünstigen, langfristigen, räumlich expliziten und operativen Basis und auf einem zirkumpolaren Maßstab. 
Insgesamt 325 Artikel, die in den letzten zwei Jahrzehnten in 30 verschiedenen internationalen Zeitschriften veröffentlicht wurden, wurden auf Basis der adressierten Umweltschwerpunkte, Fernerkundungsplattformen, Sensorkombinationen, angewand- ten raum-zeitlichen Auflösungen und den Studienorten in einem umfassenden Überblick über vergangene Errungenschaften und aktuelle Trends untersucht. Zusätzlich wur- den zukünftige Potenziale und Herausforderungen der Satelliten-Erdbeobachtung für Permafrost-bezogene Analysen diskutiert. Auf die zeitliche Entwicklung der un- tersuchten Umweltthemen, eingesetzten Sensoren und Satelliten-Plattformen sowie die Zahl der jährlich erscheinenden Artikel wurde detailliert eingegangen. Studien zu atmosphärischen Eigenschaften und Prozessen, wie etwa der Freisetzung von Treibhaus- gasemissionen, waren stark unterrepräsentiert. Deutliche geografische Schlüssel-Gebiete, auf welche sich der Großteil der Studien konzentrierte, konnten in Untersuchungen zur räumlichen Verteilung der Studienorte identifiziert werden. Gleichzeitig sind große Teile des kontinuierlichen Permafrost-Gebiets nur spärlich abgedeckt und müssen noch im Detail untersucht werden. Es wurde ein allgemeiner Trend zu einer zunehmenden Aufmerksamkeit bezüglich der Satelliten-gestützten Erdbeobachtung von Permafrost und verwandten Prozessen und Merkmalen beobachtet. Die Gesamtzahl der veröf- fentlichten Artikel hat sich dabei seit dem Jahr 2015 mehr als verdoppelt. Neue Quellen für Satellitendaten, wie beispielweise die Sentinel-Satelliten und die Methane Remote Sensing LiDAR Mission (Merlin), sowie neuartige methodische Ansätze, wie Datenfusion und Deep Learning, werden dabei voraussichtlich unser Verständnis bzgl. des thermischen Zustands und der Verteilung von Permafrost-Vorkommen sowie die Auswirkungen seines Auftauens verbessern. Darüber hinaus werden Cloud-basierte Big-Data-Verarbeitungsplattformen (z.B. Google Earth Engine (GEE)) anspruchsvolle und langfristige Analysen in immer größeren Maßstäben und mit hoher räumlicher Auflösung erleichtern. 
In dieser Arbeit wurde ein besonderer Fokus auf arktische Permafrost-Küsten gelegt, die eine zunehmende Vulnerabilität gegenüber Umweltparametern wie dem Auftauen von gefrorenem Boden aufweisen und daher von verstärkten Erosionsraten betroffen sind. Ein neuartiger Ansatz zur Quantifizierung der arktischen Küstene- rosion innerhalb des Permafrost-Gebiets mit hoher räumlicher Auflösung und auf zirkum-arktischem Maßstab wird in dieser Dissertation präsentiert. Schwierige Be- leuchtungsbedingungen und häufige Bewölkung schränken die Anwendbarkeit optischer Satellitenbilder in arktischen Regionen ein. Um diese Einschränkungen zu überwinden, wurden Synthetic Aperture RADAR (SAR) Daten von Sentinel-1 (S1) verwendet, die weitgehend unabhängig von Sonneneinstrahlung und Wetterbedingungen sind. Jährli- che SAR-Komposite, welche die Monate Juni bis September abdecken, wurden mit einem Deep Learning (DL)-Ansatz und einer Change Vector Analysis (CVA)-Methode kombiniert, um sowohl ein qualitativ hochwertiges und zirkum-arktisches Küstenli- nienprodukt als auch ein Produkt für die Änderungsraten (Erosion und küstennahe Aggregation von Sedimenten) der Küste zu generieren. Jährliche Satelliten-Komposite in Form von der Standardabweichung (sd) und des Medians der SAR Rückstreuung wurden hierbei berechnet und als Eingabedaten sowohl für den DL-Ansatz als auch für die Quantifizierung der CVA-basierten Küstenänderung verwendet. Das endgül- tige DL-basierte Küstenlinienprodukt deckt insgesamt 161.600 km der arktischen Küstenlinie ab und wies eine Median-Abweichung von ±6,3 m gegenüber den ma- nuell digitalisierten Referenzdaten auf. Im Zuge der Quantifizierung von jährlichen Küstenveränderungen zwischen 2017 und 2021 konnten Erosionsraten von bis zu 67 m pro Jahr und basierend auf 400 m Küstenabschnitten identifiziert werden. Insgesamt wiesen 12,24% der untersuchten Küstenlinie eine durchschnittliche Erosionsrate von 3,8 m pro Jahr auf, was einer jährlichen erodierten Landfläche von 17,83 km2 entspricht. Mehrere Qualitäts-Datensätze, die beiden Produkten zugeordnet sind, wurden auf Pixelbasis bereitgestellt, um die Genauigkeit und Anwendbarkeit der präsentierten Daten, Methoden und Produkte weiter einordnen zu können. 
Darüber hinaus wurden die extrahierten zirkum-arktischen Erosionsraten als Grund- lage in einem experimentellen Ansatz verwendet, um die Menge an Permafrost-Verlust und Kohlenstofffreistzung als Konsequenz der erodierten Permafrost-Küsten abzu- schätzen. Dabei wurden Informationen zu Permafrost-Anteil, Active Layer Thickness (ALT), Höhenmodellen und der Menge an im Boden gespeichertem Kohlenstoff mit den oben genannten Erosionsraten kombiniert. Während der präsentierte experimentelle Ansatz einen wertvollen Ausgangspunkt für die Quantifizierung des Volumenverlusts von gefrorenem Boden und der Kohlenstofffreisetzung darstellt, ist eine umfassende Validierung der verwendeten Umweltprodukte und der resultierenden Volumenzah- len erforderlich. Zusätzlich werden für genauere Abschätzungen Daten mit höherer räumlicher Auflösung und Informationen zum Kohlenstoffgehalt für tiefere Bodentiefen benötigt.
KW  - Dauerfrostboden
KW  - Synthetische Apertur
KW  - Deep learning
KW  - Erosion
KW  - Satellit
KW  - Synthetic Aperture RADAR
KW  - Circumpolar
KW  - Arctic
KW  - Permafrost
KW  - Satellite Earth Observation
KW  - Change Vector Analysis
Y1  - 2023
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-345634
ER  - 
TY  - THES
A1  - Kanmegne Tamga, Dan Emmanuel
T1  - Modelling Carbon Sequestration of Agroforestry Systems in West Africa using Remote Sensing
T1  - Modellierung der Kohlenstoffbindung von agroforstwirtschaftlichen Systemen in Westafrika mittels Fernerkundung
N2  - The production of commodities such as cocoa, rubber, oil palm and cashew, is the main driver of deforestation in West Africa (WA). The practiced production systems correspond to a land managment approach referred to as agroforestry systems (AFS), which consist of managing trees and crops on the same unit of land.Because of the ubiquity of trees, AFS reported as viable solution for climate mitigation; the carbon sequestrated by the trees could be estimated with remote sensing (RS) data and methods and reported as emission reduction efforts. However, the diversity in AFS in relation to their composition, structure and spatial distribution makes it challenging for an accurate monitoring of carbon stocks using RS. Therefore, the aim of this research is to propose a RS-based approach for the estimation of carbon sequestration in AFS across the climatic regions of WA. The main objectives were to (i) provide an accurate classification map of AFS by modelling the spatial distribution of the classification error; (ii) estimate the carbon  stock of AFS in the main climatic regions of WA using RS data; (iii) evaluate the dynamic of carbon stocks within AFS across WA. Three regions of interest (ROI) were defined in Cote d'Ivoire and Burkina Faso, one in each climatic region of WA namely the Guineo-Congolian, Guinean and Sudanian, and three field campaigns were carried out for data collection. The collected data consisted of reference points for image classification, biometric tree measurements (diameter, height, species) for biomass estimation. A total of 261 samples were collected in 12 AFS across WA. For the RS data, yearly composite images from Sentinel-1 and -2 (S1 and S2), ALOS-PALSAR and GEDI data were used. A supervised classification using random forest (RF) was implemented and the classification error was assessed using the Shannon entropy generated from the class probabilities. For carbon estimation, different RS data, machine learning algorithms and carbon reference sources were compared for the prediction of the aboveground biomass in AFS. The assessment of the carbon dynamic was carried between 2017 and 2021. An average carbon map was genrated and use as reference for the comparison of annual carbon estimations, using the standard deviation as threshold. As far as the results are concerned, the classification accuracy was higher than 0.9 in all the ROIs, and AFS were mainly represented by rubber (38.9%), cocoa (36.4%), palm (10.8%) in the ROI-1, mango (15.2%) and cashew (13.4%) in ROI-2, shea tree (55.7%) and African locust bean (28.1%) in ROI-3. However, evidence of misclassification was found in cocoa, mango, and shea butter. The assessment of the classification error suggested that the error level was higher in the ROI-3 and ROI-1. The error generated from the entropy was able to reduced the level of misclassification by 63% with 11% of loss of information. Moreover, the approach was able to accuretely detect encroachement in protected areas. On carbon estimation, the highest prediction accuracy (R²>0.8) was obtained for a RF model using the combination of S1 and S2 and AGB derived from field measurements. Predictions from GEDI could only be used as reference in the ROI-1 but resulted in a prediction error was higher in cashew, mango, rubber and cocoa plantations, and the carbon stock level was higher in African locust bean (43.9 t/ha), shea butter (15 t/ha), cashew (13.8 t/ha), mango (12.8 t/ha), cocoa (7.51 t/ha) and rubber (7.33 t/ha). The analysis showed that carbon stock is determined mainly by the diameter (R²=0.45) and height (R²=0.13) of trees. It was found that crop plantations had the lowest biodiversity level, and no significant relationship was found between the considered biodiversity indices and carbon stock levels. The assessment of the spatial distribution of carbon sources and sinks showed that cashew plantations are carbon emitters due to firewood collection, while cocoa plantations showed the highest potential for carbon sequestration. The study revealed that Sentinel data could be used to support a RS-based approach for modelling carbon sequestration in AFS. Entropy could be used to map crop plantations and to monitor encroachment in protected areas. Moreover, field measurements with appropriate allometric models could ensure an accurate estimation of carbon stocks in AFS. Even though AFS in the Sudanian region had the highest carbon stocks level, there is a high potential to increase the carbon level in cocoa plantations by integrating and/or maintaining forest trees.
N2  - Die Produktion von Rohstoffen wie Kakao, Kautschuk, Ölpalmen und Cashew ist die Hauptursache fur die Entwaldung in Westafrika (WA). Die verwendeten Produktionssyteme entsprechen einem Landbewirtschaftungskonzept, welches als Agroforstsysteme (AFS) bezeichnet wird und darin besteht, Baume und Nutzpflanzen auf der gleichen Landeinheit zu bewirtschaften. Aufgrund der kohlenstoffbindung durch Baumen sind AFS als praktikable Losung fur den Klimaschutz anerkannt, die Vielfalt der AFS in Bezug auf ihre Zusammensetzung, Struktur un raumliche Verteilung erschwert jedoch eine genaue Schatzung der Kohlenstoffvorrate. Hier konnen Daten und Methoden der satellitenbasierten Erdbeobachtung ansetzten. Ziel dieser Forschungsarbeit ist es daher, einen fernerkundungs-basierten Ansatz fur die Schatzung der Kohlenstoffbindung in AFS in den Klimaregionen von WA vorzuschlagen. Die Hauptziele waren (i) die Erstellung einer genauen Klassifizierungskarte von AFS durch Modellierung der raumlichen verteilung des Klassifizierungsfehlers; (ii) die Shatzung des Kohlenstoffbestands von AFS in den wichtigsten Klimaregionen von WA unter Verwendung von Fernerkundungs-daten (RS); (iii) die Bewertung der raumlichen Verteilung von Kohlenstoffquellen und -senken innerhalb von AFS  in ganz WA.  Fur jede Klimaregion in West Afrika wurden drei Regionen von Interesse (ROI) festgelegt, namlich die guineisch-kongolesische (ROI 1), die guineische (ROI 2) und die sudanesische Region (ROI 3) in Côte d'Ivoire und Burkina Faso, und es wurden drei Feldkampagnen zur Datenerhebung durchgefuhrt. Die gesammelten Daten bestanden  aus Referenzpunkten fur die Bildklassifizierung und biometrischen Messungen (Durchmesser, Hohe, Artname) zur Schatzung der Biomasse. Insgesamt wurden 261 Proben in 12 AFS in ganz WA gesammelt. Fur die RS-Daten wurden jahrliche Komposite von Sentinel-1 und -2 (s1 und S3), ALOS-PALSAR und GEDI-Daten verwendet. Es wurde eine uberwachte Klassifizierung mit Random Forest (RF) algorithmus durch gefuhrt, und der Klassifizierungsfehler wurde anhand der aus den Klassenwahrscheinlichkeiten generierten Shannon-Entropie bewertet. Fur die Kohlenstoffschatzung wurden verschiedene RS-Daten, Algorithmen fur maschinelles Lernen und Kohlenstoff-Referenzquellen fur die Vorhesage des Kohlenstoffs in AFS verglichen. Die Bewertung der raumlichen Verteilung von Kohlenstoffsenken und -quellen basierte auf der Bewertung von Anomalien in der Kohlenstoffdynamik zwischen 2017 und 2021. Es wurde eine Karte zum durchschnittliche gebundenen Kohkenstoff erstellt, und die jahrliche Differenz wurde verwendet, um Kohlenstoffsenken und -quellen zu identifizieren. Die Klassifizierungsgenauigkeit war in allen ROI hoher als 0.9, in der Region dominierten  Kautschuk (38.9%), Kakao (36.4%), Palme (10.8%) in ROI-1, Mango (15.2%) und Cashew (13.4%) in ROI-2, Sheabaum (55.7%) und Johannisbrot (28.1%) in ROI-3. Hinweise auf eine Fehlklassifizierung wurden vor allem bei Kakao, Mango un Sheabutter gefunden. Die Bewertung des Klassifizierungsfehlers ergab, dass das Fehlerniveau in ROI-3 und ROI-1 hoher war. Der aus der Entropie generiete Fehler konnte das Ausmass der Fehlklassifizierung reduzieren, ohne die gut klassifizierten Pixel zu beeintrachtigen. Ausserdem war der Ansatz in der Lage, Eingriffe in Schutzgebiete zuverlassig un akkurat zu erkennen. Was die Kohlenstoffschatzung betrifft, so wrude die hochste Vorhersagegenauigkeit (R²> 0.8)bei der Kombination von S1 und S2 mit Random Forest und AGB aus Feldmessungen erzielt. Vorhersagen von GEDI konnten nur als Referenz in der ROI verwendet werden, fuhrten aber zu einem Vorhersagefehler bei Cashew-, Mango-, Kautschuk- und Kakaoplantagen hoher war und der Kohlenstoffbestand bei Johannisbrot (43.9t/ha), Sheabutter (15 t/ha), Cashew (13.8 t/ha), Mango (12.8t/ha), Kakao (7.51 t/ha) und Kautschuk (7.33 t/ha) hoher war. Die Analyse zeigte, dass der Kohlenstoffbestand hauptsachlich durch den Durchmesser (R²=0.45) und die Hohe (R²=0.13) der Baume beeinflusst wird. Zudem wurde festgestellt, dass Plantagenkulturen die geringste Biodiversitat aufweisen, und es wurde kein signifikanter Zusammenhang zwischen Biodiversitatsindizes und Kohlenstoffvorraten festgestellt. Die Bewertung der raumlichen Verteilung von Kohlenstoffquellen und -senken zeigte, dass Cashew ein Kohlenstoffemittent ist, da in dieser Region Brennholz gesammelt wird, wahrend Kakaoplantagen wichtige Kohlenstoffsenken sind. Die Studie ergab zudem, dass Sentinel-Daten zur Unterstutzung eines RS-basierten Ansatzes fur die Modellierung der Kohlenstoffbindung in AFS verwendet werden konnten. Die Entropie konnte zur Kartierung von Anbauplantagen und zur uberwachen von Schutzgebiete verwendet werden. Daruber hinaus gewahrleisten feldmessungen mit geeigneten allometrischen Modellen eine genaue Schatzung der Kohlenstoffvorrate in AFS. Die AFS in der sudanesischen Region weisen die hochsten Kohlenstoffvorrate auf, aber es besteht die Moglichkeit, den Kohlenstoffgehalt in Kakaoplantagen durch die Integration und/oder Erhaltung  von Waldbaumen zu erhoehen.
KW  - Sequestrierung
KW  - Fernerkundung
KW  - Westafrika
KW  - carbon sequestration
KW  - agroforestry systems
KW  - remote sensing
KW  - West Africa
Y1  - 2024
U6  - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:20-opus-369269
ER  -