Refine
Has Fulltext
- yes (30)
Is part of the Bibliography
- yes (30)
Year of publication
Document Type
- Doctoral Thesis (27)
- Master Thesis (2)
- Journal article (1)
Keywords
- Fernerkundung (30) (remove)
Institute
Sonstige beteiligte Institutionen
- Deutsches Zentrum für Luft & Raumfahrt (DLR) (1)
- Deutsches Zentrum für Luft- und Raumfahrt (DLR) (1)
- Deutsches Zentrum für Luft- und Raumfahrt (DLR), Deutsches Fernerkundungsdatenzengrum (DFD) (1)
- Deutsches Zentrum für Luft- und Raumfahrt e.V. (1)
- Lehrstuhl für Fernerkundung der Uni Würzburg, in Kooperation mit dem Deutschen Fernerkundungsdatenzentrum (DFD) des Deutschen Zentrums für Luft- und Raumfahrt (DLR) (1)
- South African National Biodiversity Institute (SANBI) (1)
Agriculture is mankind’s primary source of food production and plays the key role for cereal supply to humanity. One of the future challenges will be to feed a constantly growing population, which is expected to reach more than nine billion by 2050. The potential to expand cropland is limited, and enhancing agricultural production efficiency is one important means to meet the future food demand. Hence, there is an increasing demand for dependable, accurate and comprehensive agricultural intelligence on crop production. The value of satellite earth observation (EO) data for agricultural monitoring is well recognized. One fundamental requirement for agricultural monitoring is routinely updated information on crop acreage and the spatial distribution of crops. With the technical advancement of satellite sensor systems, imagery with higher temporal and finer spatial resolution became available. The classification of such multi-temporal data sets is an effective and accurate means to produce crop maps, but methods must be developed that can handle such large and complex data sets. Furthermore, to properly use satellite EO for agricultural production monitoring a high temporal revisit frequency over vast geographic areas is often necessary. However, this often limits the spatial resolution that can be used. The challenge of discriminating pixels that correspond to a particular crop type, a prerequisite for crop specific agricultural monitoring, remains daunting when the signal encoded in pixels stems from several land uses (mixed pixels), e.g. over heterogeneous landscapes where individual fields are often smaller than individual pixels.
The main purposes of the presented study were (i) to assess the influence of input dimensionality and feature selection on classification accuracy and uncertainty in object-based crop classification, (ii) to evaluate if combining classifier algorithms can improve the quality of crop maps (e.g. classification accuracy), (iii) to assess the spatial resolution requirements for crop identification via image classification.
Reporting on the map quality is traditionally done with measures that stem from the confusion matrix based on the hard classification result. Yet, these measures do not consider the spatial variation of errors in maps. Measures of classification uncertainty can be used for this purpose, but they have attained only little attention in remote sensing studies. Classifier algorithms like the support vector machine (SVM) can estimate class memberships (the so called soft output) for each classified pixel or object. Based on these estimations, measures of classification uncertainty can be calculated, but it has not been analysed in detail, yet, if these are reliable in predicting the spatial distribution of errors in maps. In this study, SVM was applied for the classification of agricultural crops in irrigated landscapes in Middle Asia at the object-level. Five different categories of features were calculated from RapidEye time series data as classification input. The reliability of classification uncertainty measures like entropy, derived from the soft output of SVM, with regard to predicting the spatial distribution of error was evaluated. Further, the impact of the type and dimensionality of the input data on classification uncertainty was analysed. The results revealed that SMVs applied to the five feature categories separately performed different in classifying different types of crops. Incorporating all five categories of features by concatenating them into one stacked vector did not lead to an increase in accuracy, and partly reduced the model performance most obviously because of the Hughes phenomena. Yet, applying the random forest (RF) algorithm to select a subset of features led to an increase of classification accuracy of the SVM. The feature group with red edge-based indices was the most important for general crop classification, and the red edge NDVI had an outstanding importance for classifying crops. Two measures of uncertainty were calculated based on the soft output from SVM: maximum a-posteriori probability and alpha quadratic entropy. Irrespective of the measure used, the results indicate a decline in classification uncertainty when a dimensionality reduction was performed. The two uncertainty measures were found to be reliable indicators to predict errors in maps. Correctly classified test cases were associated with low uncertainty, whilst incorrectly test cases tended to be associated with higher uncertainty.
The issue of combining the results of different classifier algorithms in order to increase classification accuracy was addressed. First, the SVM was compared with two other non-parametric classifier algorithms: multilayer perceptron neural network (MLP) and RF. Despite their comparatively high classification performance, each of the tested classifier algorithms tended to make errors in different parts of the input space, e.g. performed different in classifying crops. Hence, a combination of the complementary outputs was envisaged. To this end, a classifier combination scheme was proposed, which is based on existing algebraic operators. It combines the outputs of different classifier algorithms at the per-case (e.g. pixel or object) basis. The per-case class membership estimations of each classifier algorithm were compared, and the reliability of each classifier algorithm with respect to classifying a specific crop class was assessed based on the confusion matrix. In doing so, less reliable classifier algorithms were excluded at the per-class basis before the final combination. Emphasis was put on evaluating the selected classification algorithms under limiting conditions by applying them to small input datasets and to reduced training sample sets, respectively. Further, the applicability to datasets from another year was demonstrated to assess temporal transferability. Although the single classifier algorithms performed well in all test sites, the classifier combination scheme provided consistently higher classification accuracies over all test sites and in different years, respectively. This makes this approach distinct from the single classifier algorithms, which performed different and showed a higher variability in class-wise accuracies. Further, the proposed classifier combination scheme performed better when using small training set sizes or when applied to small input datasets, respectively.
A framework was proposed to quantitatively define pixel size requirements for crop identification via image classification. That framework is based on simulating how agricultural landscapes, and more specifically the fields covered by one crop of interest, are seen by instruments with increasingly coarser resolving power. The concept of crop specific pixel purity, defined as the degree of homogeneity of the signal encoded in a pixel with respect to the target crop type, is used to analyse how mixed the pixels can be (as they become coarser) without undermining their capacity to describe the desired surface properties (e.g. to distinguish crop classes via supervised or unsupervised image classification). This tool can be modulated using different parameterizations to explore trade-offs between pixel size and pixel purity when addressing the question of crop identification. Inputs to the experiments were eight multi-temporal images from the RapidEye sensor. Simulated pixel sizes ranged from 13 m to 747.5 m, in increments of 6.5 m. Constraining parameters for crop identification were defined by setting thresholds for classification accuracy and uncertainty. Results over irrigated agricultural landscapes in Middle Asia demonstrate that the task of finding the optimum pixel size did not have a “one-size-fits-all” solution. The resulting values for pixel size and purity that were suitable for crop identification proved to be specific to a given landscape, and for each crop they differed across different landscapes. Over the same time series, different crops were not identifiable simultaneously in the season and these requirements further changed over the years, reflecting the different agro-ecological conditions the investigated crops were growing in. Results further indicate that map quality (e.g. classification accuracy) was not homogeneously distributed in a landscape, but that it depended on the spatial structures and the pixel size, respectively. The proposed framework is generic and can be applied to any agricultural landscape, thereby potentially serving to guide recommendations for designing dedicated EO missions that can satisfy the requirements in terms of pixel size to identify and discriminate crop types.
Regarding the operationalization of EO-based techniques for agricultural monitoring and its application to a broader range of agricultural landscapes, it can be noted that, despite the high performance of existing methods (e.g. classifier algorithms), transferability and stability of such methods remain one important research issue. This means that methods developed and tested in one place might not necessarily be portable to another place or over several years, respectively. Specifically in Middle Asia, which was selected as study region in this thesis, classifier combination makes sense due to its easy implementation and because it enhanced classification accuracy for classes with insufficient training samples. This observation makes it interesting for operational contexts and when field reference data availability is limited. Similar to the transferability of methods, the application of only one certain kind of EO data (e.g. with one specific pixel size) over different landscapes needs to be revisited and the synergistic use of multi-scale data, e.g. combining remote sensing imagery of both fine and coarse spatial resolution, should be fostered. The necessity to predict and control the effects of spatial and temporal scale on crop classification is recognized here as a major goal to achieve in EO-based agricultural monitoring.
Rapid population growth in West Africa has led to expansion in croplands due to the need to grow more food to meet the rising food demand of the burgeoning population. These expansions negatively impact the sub-region's ecosystem, with implications for water and soil quality, biodiversity and climate. In order to appropriately monitor the changes in croplands and assess its impact on the ecosystem and other environmental processes, accurate and up-to-date information on agricultural land use is required. But agricultural land use mapping (i.e. mapping the spatial distribution of crops and croplands) in West Africa has been challenging due to the unavailability of adequate satellite images (as a result of excessive cloud cover), small agricultural fields and a heterogeneous landscape. This study, therefore, investigated the possibilities of improving agricultural land use mapping by utilizing optical satellite images with higher spatial and temporal resolution as well as images from Synthetic Aperture Radar (SAR) systems which are near-independent of weather conditions. The study was conducted at both watershed and regional scales.
At watershed scale, classification of different crop types in three watersheds in Ghana, Burkina Faso and Benin was conducted using multi-temporal: (1) only optical images (RapidEye) and (2) optical plus dual polarimetric (VV/VH) SAR images (TerraSAR-X). In addition, inter-annual or short term (2-3 years) changes in cropland area in the past ten years were investigated using historical Landsat images. Results obtained indicate that the use of only optical images to map different crop types in West Africa can achieve moderate classification accuracies (57% to 71%). Overlaps between the cropping calendars of most crops types and certain inter-croppings pose a challenge to optical images in achieving an adequate separation between those crop classes. Integration of SAR images, however, can improve classification accuracies by between 8 and 15%, depending on the number of available images and their acquisition dates. The sensitivity of SAR systems to different crop canopy architectures and land surface characteristics improved the separation between certain crop types. The VV polarization of TerraSAR-X was found to better discrimination between crop types than the VH. Images acquired between August and October were found to be very useful for crop mapping in the sub-region due to structural differences in some crop types during this period.
At the regional scale, inter-annual or short term changes in cropland area in the Sudanian Savanna agro-ecological zone in West Africa were assessed by upscaling historical cropland information derived at the watershed scale (using Landsat imagery) unto a coarse spatial resolution, but geographically large, satellite imagery (MODIS) using regression based modeling. The possibility of using such regional scale cropland information to improve government-derived agricultural statistics was investigated by comparing extracted cropland area from the fractional cover maps with district-level agricultural statistics from Ghana The accuracy of the fractional cover maps (MAE between 14.2% and 19.1%) indicate that the heterogeneous agricultural landscape of West Africa can be suitably represented at the regional or continental scales by estimating fractional cropland cover on low resolution Analysis of the results revealed that cropland area in the Sudanian Savanna zone has experienced inter-annual or short term fluctuations in the past ten years due to a variety of factors including climate factors (e.g. floods and droughts), declining soil fertility, population increases and agricultural policies such as fertilizer subsidies. Comparison of extracted cropland area from the fractional cover maps with government's agricultural statistics (MoFA) for seventeen districts (second administrative units) in Ghana revealed high inconsistencies in the government statistics, and highlighted the potential of satellite derived cropland information at regional scales to improve national/sub-national agricultural statistics in West Africa.
The results obtained in this study is promising for West Africa, considering the recent launch of optical (Landsat 8) and SAR sensors (Sentinel-1) that will provide free data for crop mapping in the sub-region. This will improve chances of obtaining adequate satellite images acquired during the cropping season for agricultural land use mapping and bolster opportunities of operationalizing agricultural land use mapping in West Africa. This can benefit a wide range of biophysical and economic models and improve decision making based on their results.
Die städtische Umwelt ist in steter Veränderung, vor allem durch den Bau, aber auch durch die Zerstörung von städtischen Elementen. Die formelle Entwicklung ist ein Prozess mit langen Planungszeiträumen und die bebaute Landschaft wirkt daher statisch. Dagegen unterliegen informelle oder spontane Siedlungen aufgrund ihrer stets unvollendeten städtischen Form einer hohen Dynamik – so wird in der Literatur berichtet. Allerdings sind Dynamik und die morphologischen Merkmale der physischen Transformation in solchen Siedlungen, die städtische Armut morphologisch repräsentieren, auf globaler Ebene bisher kaum mit einer konsistenten Datengrundlage empirisch untersucht worden. Hier setzt die vorliegende Arbeit an. Unter der Annahme, dass die erforschte zeitliche Dynamik in Europa geringer ausfällt, stellt sich die generelle Frage nach einer katalogisierten Erfassung physischer Wohnformen von Armut speziell in Europa. Denn Wohnformen der Armut werden oft ausschließlich mit dem ‚Globalen Süden‘ assoziiert, insbesondere durch die Darstellung von Slums. Tatsächlich ist Europa sogar die Wiege der Begriffe ‚Slum‘ und ‚Ghetto‘, die vor Jahrhunderten zur Beschreibung von Missständen und Unterdrückung auftauchten. Bis heute weist dieser facettenreiche Kontinent eine enorme Vielfalt an physischen Wohnformen der Armut auf, die ihre Wurzeln in unterschiedlichen Politiken, Kulturen, Geschichten und Lebensstilen haben. Um über diese genannten Aspekte Aufschluss zu erlangen, bedarf es u.a. der Bildanalyse durch Satellitenbilder. Diese Arbeit wird daher mittels Fernerkundung bzw. Erdbeobachtung (EO) sowie zusätzlicher Literaturrecherchen und einer empirischen Erhebung erstellt. Um Unsicherheiten konzeptionell und in der Erfassung offenzulegen, ist die Methode der manuellen Bildinterpretation von Armutsgebieten kritisch zu hinterfragen.
Das übergeordnete Ziel dieser Arbeit ist eine bessere Wissensbasis über Armut zu schaffen, um Maßnahmen zur Reduzierung von Armut entwickeln zu können. Die Arbeit dient dabei als eine Antwort auf die Nachhaltigkeitsziele der Vereinten Nationen. Es wird Grundlagenforschung betrieben, indem Wissenslücken in der Erdbeobachtung zu physisch-baulichen bzw. morphologischen Erscheinungen von Armut auf Gebäude-Ebene explorativ analysiert werden. Die Arbeit wird in drei Forschungsthemen bzw. Studienteile untergliedert:
Ziel des ersten Studienteils ist die globale raumzeitliche Erfassung von Dynamiken durch Anknüpfung an bisherige Kategorisierungen von Armutsgebieten. Die bisherige Wissenslücke soll gefüllt werden, indem über einen Zeitraum von etwa sieben Jahren in 16 dokumentierten Manifestationen städtischer Armut anhand von Erdbeobachtungsdaten eine zeitliche Analyse der bebauten Umwelt durchgeführt wird. Neben einer global verteilten Gebietsauswahl wird die visuelle Bildinterpretation (MVII) unter Verwendung von hochauflösenden optischen Satellitendaten genutzt. Dies geschieht in Kombination mit in-situ- und Google Street View-Bildern zur Ableitung von 3D-Stadtmodellen. Es werden physische Raumstrukturen anhand von sechs räumlichen morphologischen Variablen gemessen: Anzahl, Größe, Höhe, Ausrichtung und Dichte der Gebäude sowie Heterogenität der Bebauung. Diese ‚temporale Analyse‘ zeigt zunächst sowohl inter- als auch intra-urbane Unterschiede. Es lassen sich unterschiedliche, aber generell hohe morphologische Dynamiken zwischen den Untersuchungsgebieten finden. Dies drückt sich in vielfältiger Weise aus: von abgerissenen und rekonstruierten Gebieten bis hin zu solchen, wo Veränderungen innerhalb der gegebenen Strukturen auftreten. Geographisch gesehen resultiert in der Stichprobe eine fortgeschrittene Dynamik, insbesondere in Gebieten des Globalen Südens. Gleichzeitig lässt sich eine hohe räumliche Variabilität der morphologischen Transformationen innerhalb der untersuchten Gebiete beobachten. Trotz dieser teilweise hohen morphologischen Dynamik sind die räumlichen Muster von Gebäudefluchten, Straßen und Freiflächen überwiegend konstant. Diese ersten Ergebnisse deuten auf einen geringen Wandel in Europa hin, weshalb diese europäischen Armutsgebiete im folgenden Studienteil von Grund auf erhoben und kategorisiert werden.
Ziel des zweiten Studienteils ist die Erschaffung einer neuen Kategorisierung, speziell für das in der Wissenschaft unterrepräsentierte Europa. Die verschiedenen Formen nicht indizierter Wohnungsmorphologien werden erforscht und kategorisiert, um das bisherige globale wissenschaftliche ontologische Portfolio für Europa zu erweitern. Hinsichtlich dieses zweiten Studienteils bietet eine Literaturrecherche mit mehr als 1.000 gesichteten Artikeln die weitere Grundlage für den folgenden Fokus auf Europa. Auf der Recherche basierend werden mittels der manuellen visuellen Bildinterpretation (engl.: MVII) erneut Satellitendaten zur Erfassung der physischen Morphologien von Wohnformen genutzt. Weiterhin kommen selbst definierte geographische Indikatoren zu Lage, Struktur und formellem Status zum Einsatz. Darüber hinaus werden gesellschaftliche Hintergründe, die durch Begriffe wie ‚Ghetto‘, ‚Wohnwagenpark‘, ‚ethnische Enklave‘ oder ‚Flüchtlingslager‘ beschrieben werden, recherchiert und implementiert. Sie sollen als Erklärungsansatz für Armutsviertel in Europa dienen. Die Stichprobe der europäischen, insgesamt aber unbekannten Grundgesamtheit verdeutlicht eine große Vielfalt an physischen Formen: Es wird für Europa eine neue Kategorisierung von sechs Hauptklassen entwickelt, die von ‚einfachsten Wohnstätten‘ (z. B. Zelten) über ‚behelfsmäßige Unterkünfte ‘ (z. B. Baracken, Container) bis hin zu ‚mehrstöckigen Bauten‘ - als allgemeine Taxonomie der Wohnungsnot in Europa - reicht. Die Untersuchung zeigt verschiedene Wohnformen wie z. B. unterirdische oder mobile Typen, verfallene Wohnungen oder große Wohnsiedlungen, die die Armut im Europa des 21. Jahrhunderts widerspiegeln. Über die Wohnungsmorphologie hinaus werden diese Klassen durch die Struktur und ihren rechtlichen Status beschrieben - entweder als geplante oder als organisch-gewachsene bzw. weiterhin als formelle, informelle oder hybride (halblegale) Formen. Geographisch lassen sich diese ärmlichen Wohnformen sowohl in städtischen als auch in ländlichen Gebieten finden, mit einer Konzentration in Südeuropa. Der Hintergrund bei der Mehrheit der Morphologien betrifft Flüchtlinge, ethnische Minderheiten und sozioökonomisch benachteiligte Menschen - die ‚Unterprivilegierten‘.
Ziel des dritten Studienteils ist eine kritische Analyse der Methode. Zur Erfassung all dieser Siedlungen werden heutzutage Satellitenbilder aufgrund der Fortschritte bei den Bildklassifizierungsmethoden meist automatisch ausgewertet. Dennoch spielt die MVII noch immer eine wichtige Rolle, z.B. um Trainingsdaten für Machine-Learning-Algorithmen zu generieren oder für Validierungszwecke. In bestimmten städtischen Umgebungen jedoch, z.B. solchen mit höchster Dichte und struktureller Komplexität, fordern spektrale und textur-basierte Verflechtungen von überlappenden Dachstrukturen den menschlichen Interpreten immer noch heraus, wenn es darum geht einzelne Gebäudestrukturen zu erfassen. Die kognitive Wahrnehmung und die Erfahrung aus der realen Welt sind nach wie vor unumgänglich. Vor diesem Hintergrund zielt die Arbeit methodisch darauf ab, Unsicherheiten speziell bei der Kartierung zu quantifizieren und zu interpretieren. Kartiert werden Dachflächen als ‚Fußabdrücke‘ solcher Gebiete. Der Fokus liegt dabei auf der Übereinstimmung zwischen mehreren Bildinterpreten und welche Aspekte der Wahrnehmung und Elemente der Bildinterpretation die Kartierung beeinflussen. Um letztlich die Methode der MVII als drittes Ziel selbstkritisch zu reflektieren, werden Experimente als sogenannte ‚Unsicherheitsanalyse‘ geschaffen. Dabei digitalisieren zehn Testpersonen bzw. Probanden/Interpreten sechs komplexe Gebiete. Hierdurch werden quantitative Informationen über räumliche Variablen von Gebäuden erzielt, um systematisch die Konsistenz und Kongruenz der Ergebnisse zu überprüfen. Ein zusätzlicher Fragebogen liefert subjektive qualitative Informationen über weitere Schwierigkeiten. Da die Grundlage der hierfür bisher genutzten Kategorisierungen auf der subjektiven Bildinterpretation durch den Menschen beruht, müssen etwaige Unsicherheiten und damit Fehleranfälligkeiten offengelegt werden. Die Experimente zu dieser Unsicherheitsanalyse erfolgen quantifiziert und qualifiziert. Es lassen sich generell große Unterschiede zwischen den Kartierungsergebnissen der Probanden, aber eine hohe Konsistenz der Ergebnisse bei ein und demselben Probanden feststellen. Steigende Abweichungen korrelieren mit einer steigenden baustrukturellen (morphologischen) Komplexität. Ein hoher Grad an Individualität bei den Probanden äußert sich in Aspekten wie z.B. Zeitaufwand beim Kartieren, in-situ Vorkenntnissen oder Vorkenntnissen beim Umgang mit Geographischen Informationssystemen (GIS). Nennenswert ist hierbei, dass die jeweilige Datenquelle das Kartierungsverfahren meist beeinflusst. Mit dieser Studie soll also auch an der Stelle der angewandten Methodik eine weitere Wissenslücke gefüllt werden. Die bisherige Forschung komplexer urbaner Areale unter Nutzung der manuellen Bildinterpretation implementiert oftmals keine Unsicherheitsanalyse oder Quantifizierung von Kartierungsfehlern. Fernerkundungsstudien sollten künftig zur Validierung nicht nur zweifelsfrei auf MVII zurückgreifen können, sondern vielmehr sind Daten und Methoden notwendig, um Unsicherheiten auszuschließen.
Zusammenfassend trägt diese Arbeit zur bisher wenig erforschten morphologischen Dynamik von Armutsgebieten bei. Es werden inter- wie auch intra-urbane Unterschiede auf globaler Ebene präsentiert. Dabei sind allgemein hohe morphologische Transformationen zwischen den selektierten Gebieten festzustellen. Die Ergebnisse deuten auf einen grundlegenden Kenntnismangel in Europa hin, weshalb an dieser Stelle angeknüpft wird. Eine über Europa verteilte Stichprobe erlaubt eine neue morphologische Kategorisierung der großen Vielfalt an gefundenen physischen Formen. Die Menge an Gebieten erschließt sich in einer unbekannten Grundgesamtheit. Zur Datenaufbereitung bisheriger Analysen müssen Satellitenbilder manuell interpretiert werden. Das Verfahren birgt Unsicherheiten. Als kritische Selbstreflexion zeigt eine Reihe von Experimenten signifikante Unterschiede zwischen den Ergebnissen der Probanden auf, verdeutlicht jedoch bei ein und derselben Person Beständigkeit.
In den letzten Jahrzehnten ist eine verstärkte Veränderung der Landoberfläche beobachtet worden. Diese Prozesse sind direkten und indirekten anthropogenen Einflüssen zuzuschreiben, wie Deforestation oder Klimawandel. Mit dieser Entwicklung geht der Verlust und die Fragmentation von naturnahen Flächen einher. Für das Fortbestehen von Populationen verschiedenster Organismen in einer derartig geformten Landschaft ist entscheidend, inwieweit die Migration zwischen bestehenden Fragmenten gewährleistet ist. Diese wird von der Eignung der umgebenden Landschaft beeinflusst. Im Kontext einer klimatischen Veränderung und verstärkter anthropogener Landnutzung ist die Analyse der räumlichen Anordnung von Habitatfragmenten und der Qualität der umgebenden Landschaft besonders für die globale Aufrechterhaltung der Biodiversität wichtig. Großräumige Muster der Landschaftsveränderung können mit Hilfe von Satellitendaten analysiert werden, da es nur diese ermöglichen die Landbedeckung flächendeckend, reproduzierbar und auf einer adäquaten räumlichen Auflösung zu kartieren. Besonders zeitlich hochaufgelöste Daten liefern wertvolle Informationen bezüglich der Dynamik der Landbedeckung. Diese Arbeit beschäftigt sich mit der Analyse der Fragmentation in Westafrika und der potentiellen Bedeutung von singulären Fragmenten und deren potentiellen Auswirkungen auf die Biodiversität. Dafür wurden zeitlich hoch- und räumlich mittelaufgelöste Daten des Aufnahmesystems MODIS verwendet, mit denen für das Untersuchungsgebiet Westafrika die Landbedeckung klassifziert wurde. Für die darauf folgenden Analysen der räumlichen Konfiguration der Fragmente wurde der Fokus auf Regenwaldgebiete gelegt. Die Analyse von räumlichen Mustern der Regenwaldfragmente liefert weiterführende qualitative Informationen der individuellen Teilbereiche. Die räumliche Anordnung wurde sowohl mit etablierten Maßen als auch mittels in dieser Arbeit erstellter robuster und übertragbarer Indizes quantifiziert. Es konnte gezeigt werden, dass die Verwendung von aussagekräftigen Indizes, besonders, wenn sie alle benachbarten Fragmente und die Qualität der umgebenden Matrix berücksichtigen, die räumliche Differenzierung von Fragmenten verbessert. Jedoch ist die Anwendung dieser Maße abhängig von den Ansprüchen einer Art. Daher muss die artspezifische Perzeptionen der Landschaft auf der Basis der Indizes implementiert werden, da die Übertragung der Ergebnisse einzelner Indizes auf andere räumliche Auflösungen und andere Regionen nur begrenzt möglich war. Des Weiteren wurden potentielle Einflussfaktoren auf die räumlichen Muster mittels Neutraler Landschaftsmodelle untersucht. Hierbei ergaben sich je nach Region und Index unterschiedliche Ergebnisse, allerdings konnte der Einfluss anthropogen induzierter Veränderungen auf die Landbedeckung postuliert werden. Die große Bedeutung der räumlichen Attribution von Landbedeckungsklassen konnte in dieser Arbeit aufgezeigt werden. Der alleinige Fokus auf die Kartierung von z. B. Waldfragmenten ohne deren räumliche Anordnung zu berücksichtigen, kann zu falschen Schlüssen bezüglich deren ökologischen, hydrologischen und klimatologischen Bedeutung führen.
Städtische Agglomerationen zeichnen sich durch eine zunehmende Dynamik ökologischer, ökonomischer und sozialer Veränderungen aus. Um eine nachhaltige Entwicklung urbaner Räume zu gewährleisten, bedarf es verstärkt innovativer Methoden zur Erfassung der raumwirksamen Veränderungen. Diesbezüglich hat sich die satellitengestützte Erdbeobachtung als kostengünstiges Instrumentarium zur Erhebung planungsrelevanter Informationen erwiesen. Dabei wird in naher Zukunft eine neue Generation von Radarsatelliten zur Verfügung stehen, deren Leistungsvermögen erstmals die operationelle Analyse von Siedlungsflächen auf Grundlage von Radardaten ermöglicht. Vor diesem Hintergrund ist es das Ziel der Dissertation, auf der Basis einer nutzerorientierten Methodik das Potential hochauflösender SAR-Daten zur automatisierten Erfassung und Analyse von Siedlungsflächen zu untersuchen. Die Methodik setzt auf dem objektorientierten Bildanalysekonzept der Software eCognition auf. Dabei haben sich der SAR-Speckle sowie Schwächen hinsichtlich der Güte der Bildsegmentierung bzw. der Bestimmung geeigneter Segmentierungseinstellungen als Limitierungen erwiesen. Folglich liegt ein erster Schwerpunkt auf der Optimierung und Stabilisierung einer segmentbasierten Auswertung von Radardaten. Hier hat sich gezeigt, dass mit Blick auf Siedlungsareale weiterhin Optimierungsbedarf hinsichtlich einer strukturerhaltenden Bildglättung besteht. Daher wird zunächst ein neuer Filteransatz entwickelt, der gegenüber den etablierten Techniken eine konsequentere Reduzierung des Speckle in homogenen Bildarealen gewährleistet und dabei gleichsam die hochfrequente Information in stark strukturierten Aufnahmebereichen bewahrt. Die Schwierigkeiten im Zusammenhang mit der Güte und Übertragbarkeit der Bildsegmentierung werden ebenso wie die Schwächen im Hinblick auf die zielgerichtete Definition der optimalen Segmentierungsparameter durch die Entwicklung eines klassenbasierten Ansatzes zur Segmentoptimierung in der Software-Umgebung von eCognition reduziert. Der zweite Schwerpunkt dieser Dissertation widmet sich der Entwicklung von Konzepten zur automatisierten Analyse der regionalen und lokalen Siedlungsstruktur. Im regionalen Kontext liegen die Identifizierung von Siedlungsflächen und die Erfassung einfacher Landnutzungsklassen im Fokus der Arbeiten. Dazu wird ein Regelwerk zur Auswertung einfach-polarisierter SAR-Aufnahmen erstellt, das sich maßgeblich auf räumlich und zeitlich robuste textur-, kontext- und hierarchiebezogene Merkmale stützt. Diese Wissensbasis wird anschließend so erweitert, dass sie die Analyse dual-polarisierter, bifrequenter oder kombinierter optischer und SAR-basierter Bilddaten ermöglicht. Wie die Ergebnisse zeigen, können Siedlungsflächen und Landnutzungsklassen bereits über einfach-polarisierte SAR-Aufnahmen mit Genauigkeiten von rund 90 Prozent erfasst werden. Durch die Einbindung einer weiteren Polarisation, Frequenz oder optischer Daten lässt sich diese Güte auf Werte von bis zu 95 Prozent steigern. Die lokalen Analysen zielen auf die thematisch und räumlich differenzierte Erfassung der Landnutzung innerhalb bebauter Areale ab. Die Untersuchung basiert auf der synergetischen Auswertung einer hochauflösenden Radaraufnahme und eines bedeutend geringer aufgelösten optischen Datensatzes. Die isolierte Analyse von SAR-Aufnahmen reichte hingegen selbst bei der Kombination verschiedener Frequenzen oder Polarisationen nicht zur Charakterisierung der kleinteiligen, heterogenen Stadtlandschaft aus. Im Kontext der synergetischen Auswertung dient die SAR-Aufnahme vornehmlich zur Extraktion der urbanen Topografie, während der optische Datensatz wichtige Merkmale zur Differenzierung der erfassten Struktureinheiten in die Kategorien Gebäude, versiegelte Freifläche, unversiegelte Freifläche und Baumbestand beisteuert. Das Resultat zeigt, dass sich trotz des synergetischen Ansatzes lediglich eine Genauigkeit von 65 Prozent erzielen lässt. Dennoch können Gebäude dabei mit einer Güte von 72 Prozent vergleichsweise akkurat erfasst werden. Im Hinblick auf die Demonstration des siedlungsbezogenen Anwendungspotentials höchstauflösender SAR-Daten lässt sich resümieren, dass eine automatische Ableitung siedlungsstruktureller Merkmale im komplexen städtischen Umfeld aufgrund der eingeschränkten spektralen Aussagekraft und der starken Geometrieabhängigkeit des Signals mit signifikanten Schwierigkeiten verbunden ist. Dennoch hat sich gezeigt, dass diese Limitierungen in gewissem Umfang über den Ansatz der multiskaligen, objektorientierten Klassifizierung kompensiert werden können. Dabei lassen sich die regionalen Siedlungs- und Landnutzungsmuster mit überzeugenden Genauigkeiten erfassen, während die Betrachtung der lokalen Siedlungsstruktur eindeutig die Grenzen der Radartechnik im Hinblick auf die Analyse komplex strukturierter Stadtlandschaften aufzeigt.
Worldwide, cold regions are undergoing significant alterations due to climate change. Snow, the most widely distributed cold region component, is highly sensitive to climate change. At the same time, snow itself profoundly impacts the Earth’s energy budget, biodiversity, and natural hazards, as well as hydropower management, freshwater management, and winter tourism/sports. Large parts of the cold regions in Europe are mountain areas, which are densely populated because of the various ecosystem services and socioeconomic well-being in mountains. At present, severe consequences caused by climate change have been observed in European mountains and their surrounding areas. Yet, large knowledge gaps hinder the development of effective regional and local adaptation strategies. Long-term and evidence-based regional studies are urgently needed to enhance the comprehension of regional responses to climate change.
Earth Observation (EO) provides long-term consistent records of the Earth’s surface. It is a great alternative and/or supplement to conventional in-situ measurements which are usually time-consuming, cost-intensive and logistically demanding, particularly for the poor accessibility of cold regions. With the assistance of EO, land surface dynamics in cold regions can be observed in an objective, repeated, synoptic and consistent way. Thanks to free and open data policies, long-term archives such as Landsat Archive and Sentinel Archive can be accessed free-of-charge. The high- to medium-resolution remote sensing imagery from these freely accessible archives gives EO-based time series datasets the capability to depict snow dynamics in European mountains from the 1980s to the present. In order to compile such a dataset, it is necessary to investigate the spatiotemporal availability of EO data, and develop a spatiotemporally transferable framework from which one can investigate snow dynamics.
Among the available EO image archives, the Landsat Archive has the longest uninterrupted records of the Earth’s land surface. Furthermore, its 30 m spatial resolution fulfils the requirements for snow monitoring in complex terrains. Landsat data can yield a time series of snow dynamics in mountainous areas from 1984 to the present. However, severe Landsat data gaps have occurred across certain regions of Europe. Moreover, the Landsat Level 1 Precision and Terrain (L1TP) data is scarcer (up to 50% less) in high-latitude mountainous areas than in low-latitude mountainous areas. Given the abovementioned facts, the Regional Snowline Elevation (RSE) is selected to characterize the snow dynamics in mountainous areas, as it can handle cloud obstructions in the optical images. In this thesis, I present a five-step framework to derive and densify RSE time series in European mountains, i.e. (1) pre-processing, (2) snow detection, (3) RSE retrieval, (4) time series densification, and (5) Regional Snowline Retreat Curve (RSRC) production.
The results of the intra-annual RSE variations show a uniquely high variation in the beginning of the ablation seasons in the Alpine catchment Tagliamento, mainly toward higher elevation. As for inter-annual variations of RSE, median RSE increases in all selected catchments, with an average speed of around 4.66 m ∙ a−1 (median) and 5.87 m ∙ a−1 (at the beginning of the ablation season). The fastest significant retreat is observed in the catchment Drac (10.66 m ∙ a−1, at the beginning of the ablation season), and the slowest significant retreat is observed in the catchment Uzh (1.74 m ∙ a−1, at the beginning of the ablation season). The increase of RSEs at the beginning of the ablation season is faster than the median RSEs, whose average difference is nearly 1.21 m ∙ a−1, particularly in the catchment Drac (3.72 m ∙ a−1). The results of the RSRCs show a significant rise in RSEs at the beginning of the ablation season, except for the Alpine catchment Alpenrhein and Var, and the Pyrenean catchment Ariege. It indicates that 11.8 and 3.97 degrees Celsius less per year are needed for the regional snowlines to reach the middle point of the RSRC in the Tagliamento and Tysa, respectively. The variation of air temperature is regarded as an example of a potential climate driver in this thesis. The retrieved monthly mean RSEs are highly correlated (mean correlation coefficient "R" ̅ = 0.7) with the monthly temperature anomalies, which are more significant in months with extremely low/high temperature. Another case study that investigates the correlation between river discharges and RSEs is carried out to demonstrate the potential consequences of the derived snowline dynamics. The correlation analysis shows a good correlation between river discharges and RSEs (correlation coefficient, R=0.52).
In this thesis, the developed framework signifies a better understanding of the snow dynamics in mountain areas, as well as their potential triggers and consequences. Nonetheless, an urgent need persists for: (1) validation data to assess long-term snow-related observations based on high-resolution EO data; (2) further studies to reveal interactions between snow and its ambient environment; and (3) regional and local adaptation-strategies coping with climate change. Further studies exploring the above-mentioned research gaps are urgently needed in the future.
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.
Der Klimawandel und insbesondere die globale Erwärmung gehören aktuell zu den größten Herausforderungen an Politik und Wissenschaft. Steigende CO2-Emissionen sind hierbei maßgeblich für die Klimaerwärmung verantwortlich. Ein regulierender Faktor beim CO2-Austausch mit der Atmosphäre ist die Vegetation, welche als CO2-Senke aber auch als CO2-Quelle fungieren kann. Diese Funktionen können durch Analysen der Landbedeckungsänderung in Kombination mit Modellierungen der Kohlenstoffbilanz quantifiziert werden, was insbesondere von aktuellen und zukünftigen politischen Instrumenten wie CDM (Clean Development Mechanism) oder REDD (Reducing Emissions from Deforestation and Degradation) gefordert wird. Vor allem in Regionen mit starker Landbedeckungsänderung und hoher Bevölkerungsdichte sowie bei geringem Wissen über die Produktivität und CO2-Speicherpotentiale der Vegetation, bedarf es einer Erforschung und Quantifizierung der terrestrischen Kohlenstoffspeicher. Eine Region, für die dies in besonderem Maße zutrifft, ist Westafrika. Jüngste Studien haben gezeigt, dass sich einerseits die Folgen des Klimawandels und Umweltveränderungen sehr stark in Westafrika auswirken werden und andererseits Bevölkerungswachstum eine starke Änderung der Landbedeckung für die Nutzung als agrarische Fläche bewirkt hat. Folglich sind in dieser Region die terrestrischen Kohlenstoffspeicher durch Ausdehnung der Landwirtschaft und Waldrodung besonders gefährdet. Große Flächen agieren anstelle ihrer ursprünglichen Funktion als CO2-Senke bereits als CO2-Quelle. [...]
Zum Verständnis der komplexen Wechselwirkungen innerhalb des Klimasystems der Erde sind Kenntnisse über den hydrologischen Zyklus und den Energiekreislauf essentiell. Eine besondere Rolle obliegt hierbei der Evapotranspiration (ET), da sie eine wesentliche Teilkomponente beider oben erwähnter Kreisläufe ist. Die exakte Quantifizierung der regionalen, tatsächlichen Evapotranspiration innerhalb der Wasser- und Energiekreisläufe der Erdoberfläche auf unterschiedlichen zeitlichen und räumlichen Skalen ist für hydrologische, klimatologische und agronomische Fragestellungen von großer Bedeutung. Dabei ist eine realistische Abschätzung der regionalen tatsächlichen Evapotranspiration die wichtigste Herausforderung der hydrologischen Modellierung. Besonders die unterschiedlichen räumlichen und zeitlichen Auflösungen von Satelliteninformationen machen die Fernerkundung sowohl für globale als auch regionale hydrologischen Fragestellungen interessant. Zusätzlich zur Notwendigkeit des Prozessverständnisses des Wasserkreislaufs auf globaler Ebene kommt dessen regionale Bedeutung für die Landwirtschaft, insbesondere in Bewässerungssystemen arider Regionen. In ariden Klimazonen übersteigt die Menge der Verdunstung oft bei weitem die Niederschlagsmengen. Aufgrund der geringen Niederschlagsmenge muss in ariden agrarischen Regionen das zum Pflanzenwachstum benötigte Wasser mit Hilfe künstlicher Bewässerung aufgebracht werden. Der jeweilige lokale Bewässerungsbedarf hängt von der Feldfrucht und deren Wachstumsphase, den Klimabedingungen, den Bodeneigenschaften und der Ausdehnung der Wurzelzone ab. Die Evapotranspiration ist als Komponente der regionalen Wasserbilanz eine wichtige Steuerungsgröße und Effizienzindikator für das lokale Bewässerungsmanagement. Die Bewässe-rungslandwirtschaft verbraucht weltweit etwa 70 % der verfügbaren Süßwasservorkom-men. Dies wird als einer der Hauptgründe für die weltweit steigende Wasserknappheit identifiziert. Dabei liegt die Wasserentnahme des landwirtschaftlichen Sektors in den OECD Staaten im Mittel bei etwa 44 %, in den Staaten Mittelasiens bei über 90 %.
Bei der Erstellung der vorliegenden Arbeit kam die Methode der residualen Bestimmung der Energiebilanz zum Einsatz. Eines der weltweit am häufigsten eingesetzten und vali-dierten fernerkundlichen Residualmodelle zur ET Ableitung ist das SEBAL-Modell (Surface Energy Balance Algorithm for Land, mit über 40 veröffentlichten Studien. SEBAL eignet sich zur Quantifizierung der Verdunstung großflächiger Gebiete und wurde bisher über-wiegend in der Bewässerungslandwirtschaft eingesetzt. Aus diesen Gründen wurde es für die Bearbeitung der Fragestellungen in dieser Arbeit ausgewählt. SEBAL verwendet physikalische und empirische Beziehungen zur Berechnung der Energiebilanzkomponenten basierend auf Fernerkundungsdaten, bei gleichzeitig minimalem Einsatz bodengestützter Daten. Als Eingangsdaten werden u.a. Informationen über Strahlung, Bodenoberflächentemperatur, NDVI, LAI und Albedo verwendet. Zusätzlich zu SEBAL wurden einige Komponenten der SEBAL Weiterentwicklung METRIC (Mapping Evapotranspiration with Internalized Calibration) verwendet, um die Modellierung der ET vorzunehmen. METRIC überwindet einige Limitierungen des SEBAL Verfahrens und kann beispielsweise auch in stärker reliefierten Regionen angewendet werden. Außerdem ermöglicht die Integration einer gebietsspezifischen Referenz-ET sowie einer Landnutzungsklassifikation eine bessere regionale Anpassung des Residualverfahrens. Unter der Annahme der Bedingungen zum Zeitpunkt der Fernerkundungsaufnahme ergibt sich die Energiebilanz an der Erdoberfläche
RN = LvE + H + G. Demnach teilt sich die verfügbare Strahlungsenergie RN in die Komponenten latenter Wärme (LVE), fühlbarer Wärme (H) und Bodenwärme (G) auf. Durch Umstellen der Gleichung kann auf die latente Wärme geschlossen werden.
Das wesentliche Ziel der vorliegenden Arbeit ist die Optimierung, Erweiterung und Validierung des ausgewählten SEBAL Verfahrens zur regionalen Modellierung der Energiebilanzkomponenten und der daraus abgeleiteten tatsächlichen Evapotranspiration. Die validierten Modellergebnisse der Gebietsverdunstung der Jahre 2009-2011 sollen anschließend als Grundlage dienen, das Gesamtverständnis der regionalen Prozesse des Wasserkreislaufs zu verbessern. Die Arbeit basiert auf der Datengrundlage von MODIS Daten mit 1 km räumlicher Auflösung. Während die Komponenten verfügbare Strahlungsenergie und fühlbarer Wärmestrom physikalisch basiert ermittelt werden, beruht die Berechnung des Bodenwärmestroms ausschließlich auf empirischen Abschätzungen. Ein großer Nachteil des empirischen Ansatzes ist die Vernachlässigung des zeitlichen Versatzes zwischen Strahlungsbilanz und Bodenwärmestrom in Abhängigkeit der aktuellen Bodenfeuchtesituation.
Ein besonderer Schwerpunkt der vorliegenden Arbeit liegt auf der Bewertung und Verbesserung der Modellgüte des Bodenwärmestroms durch Verwendung eines neuen Ansatzes zur Integration von Bodenfeuchteinformationen. Daher wird in der Arbeit ein physikalischer Ansatz entwickelt der auf dem Ansatz der periodischen Temperaturveränderung basiert. Hierbei wurde neben dem ENVISAT ASAR SSM Produkt der TU Wien das operationelle Oberflächenbodenfeuchteprodukt ASCAT SSM als Fernerkundungseingangsdaten ausgewählt. Die mit SEBAL modellierten Energiebilanzkomponenten werden durch eine intensive Validierung mit bodengestützten Messungen bewertet, die Messungen stammen von Bodensensoren und Daten einer Eddy-Kovarianz-Station aus den Jahren 2009 bis 2011.
Die Region Khorezm gilt als charakteristisch für die wasserbezogene Problematik der Bewässerungslandwirtschaft Mittelasiens und wurde als Untersuchungsgebiet für diese Arbeit ausgewählt. Die wesentlichen Probleme dieser Region entstehen durch die nach wie vor nicht nachhaltige Land- und Wassernutzung, das marode Bewässerungsnetz mit einer Verlustrate von bis zu 40 % und der Bodenversalzung aufgrund hoher Grundwasserspiegel. Im Untersuchungsgebiet wurden in den Jahren 2010 und 2011 umfangreiche Feldarbeiten zur Erhebung lokaler bodengestützter Informationen durchgeführt.
Bei der Evaluierung der modellierten Einzelkomponenten ergab sich für die Strahlungsbi-lanz eine hohe Modellgüte (R² > 0,9; rRMSE < 0,2 und NSE > 0,5). Diese Komponente bildet die Grundlage bei der Bezifferung der für die Prozesse an der Erdoberfläche zur Verfügung stehenden Energie. Für die fühlbaren Wärmeströme wurden ebenfalls gute Ergebnisse erzielt, mit NSE von 0,31 und rRMSE von ca. 0,21. Für die residual bestimmte Größe der latenten Wärmeströmung konnte eine insgesamt gute Modellgüte festgestellt werden (R² > 0,6; rRMSE < 0,2 und NSE > 0,5). Dementsprechend gut wurde die tägliche Evapotranspiration modelliert. Hier ergab sich, nach der Interpolation täglicher Werte, eine insgesamt ausreichend gute Modellgüte (R² > 0,5; rRMSE < 0,2 und NSE > 0,4). Dies bestätigt die Ergebnisse vieler Energiebilanzstudien, die lediglich den für die Ableitung der Evapotranspiration maßgebenden Wärmestrom untersuchten. Die Modellergebnisse für den Bodenwärmestrom konnten durch die Entwicklung und Verwendung des neu entwickelten physikalischen Ansatzes von NSE < 0 und rRMSE von ca. 0,57 auf NSE von 0,19 und rRMSE von 0,35 verbessert werden. Dies führt zu einer insgesamt positiven Einschätzung des Verbesserungspotenzials des neu entwickelten Bodenwärmestromansatzes bei der Berechnung der Energiebilanz mit Hilfe von Fernerkundung.
Die Dornbusch-Savannen Zentralnamibias unterliegen großen Veränderungen. Teilweise handelt es sich dabei um Degradationsprozesse, die zu einem Verlust an Artenvielfalt und auch ökonomischem Wert dieser überwiegend als Rinderweide genutzten Systeme führen. Die Degradation drückt sich in der Savannenlandschaft zum einen durch Verkahlung aus (Desertifikation), vor allem aber durch die massive Ausbreitung einzelner Dornbuscharten wie Acacia mellifera, die zur Umwandlung gemischter Savannenvegetation in artenarme Dominanzbestände führt (Verbuschung). Andere Veränderungen erfolgen spontan und stellen eine Reaktion der Vegetation auf aktuelle Niederschlagsereignisse dar. Diese phänologischen Änderungen sind in der Regel reversibel. Als typische Veränderungsmechanismen konnten nutzungsbedingter und natürlicher reversibler oder irreversibler Vegetationsverlust und die Wiederbesiedelung verkahlter Flächen identifiziert werden. Des Weiteren gibt es moderate Schwankungen der Vegetationsdichte, zu denen die Verbuschungsprozesse und die Buschsterbe gehören. Die Buschsterbe ist eine Pilzerkrankung, die zum flächenhaften Absterben von Akazienbüschen, vor allem von Ac. mellifera führt. Auch der Einfluss von Feuer kann eine Ursache für Veränderungen sein. Um insbesondere das Ausmaß der Degradationsprozesse in Zentralnamibia zu erfassen und zu quantifizieren, wurde in dieser Arbeit ein fernerkundliches Change-Detection-Verfahren auf der Basis von Landsat-TM und ETM-Daten entwickelt. Die methodische Basis hierfür stellten das Image-Differencing und die modifizierte selektive Hauptkomponentenanalyse (sPCA) dar. Um auch Formparameter der veränderten Flächen zur Unterscheidung von Veränderungstypen heranziehen zu können, wurden die Ergebnisse des Differencings segmentiert und das Maß der Kompaktheit(Compactness) der Segmente extrahiert. Die Klassifikation der charakteristischen Veränderungen erfolgte über Ratios und Schwellenwerte von Einzelkanälen dieser Change-Datendatensätze und der Compactness, die aus charakteristischen Veränderungssignaturen abgeleitet wurden. Diese wurden anhand von Referenzflächen ermittelt, die auf Felddaten basierten. Als Referenz zur Ableitung der Signaturen diente dabei der Veränderungsdatensatz aus dem Vergleich der Landsat- Szenen von Mai 2000 und April 2003. Diese bitemporale Change-Detection-Methode wurde für das Hauptuntersuchungsgebiet (A) in Zentralnamibia auf insgesamt 8 Kombinationen aus 7 Landsat-Szenen im Zeitraum von 1984 bis 2003 angewendet. Damit wurde die Übertragbarkeit der Methode auf verschiedene Zeitschnitte getestet. Zur Abschätzung der Übertragbarkeit auf andere Naturräume wurde die Methode zudem auch auf jeweils ein Szenenpaar in der ariden zwergstrauchdominierten Nama-Karoo in Südnamibia und in einem feuchteren Dornsavannen-Trockenwaldgebiet in der Kavango-Region Nordnamibias angewendet. Die Klassifikatoren zur Trennung der einzelnen Veränderungsklassen lieferten unterschiedlich gute Ergebnisse. Die Verkahlungs- und Wiederbesiedelungsprozesse wurden sehr zuverlässig detektiert, wobei allerdings die Unterscheidung von natürlicher und nutzungsbedingter Verkahlung anhand der Compactness-Werte den Anteil an anthropogen veränderten Flächen auffällig unterschätzte. Die Validierung anhand von Farmerauskünften bzw. vergleichenden Fotos zum Aufnahmezeitpunkt lieferte dabei in allen drei Untersuchungsgebieten ähnliche Ergebnisse. Moderate Veränderungen der Vegetationsdichte wurden in allen drei Untersuchungsgebieten überwiegend gut erkannt. Eine eindeutige Zuordnung auf Veränderungen des Busch- oder des Grasstratums war allerdings nicht immer möglich. Die Detektion von rezenten Brandflächen in Zentral- und Nordnamibia verlief zufrieden stellend. Mehrere Monate alte Brandflächen ließen sich mit dem dazu entwickelten Klassifikator jedoch nicht von anderen phänologisch und nutzungsbedingten Veränderungen trennen. Zur Analyse der Signifikanz der Change-Detektion-Ergebnisse wurden verschiedene Niederschlagsdaten und NDVI-Zeitreihen für den jeweiligen Beobachtungszeitraum hinzugezogen. Es zeigte sich, dass die Change-Detection-Ergebnisse stark mit den Niederschlagssummen korrelierten, die in der jeweiligen Regenzeit bis zum Aufnahmezeitpunkt der einzelnen Landsat-Szenen gefallen waren. War die Regenzeit zum ersten Vergleichszeitpunkt ergiebiger als zum zweiten, wurde überwiegend Vegetationsrückgang detektiert. War die zweite Regenzeit hingegen feuchter als die erste, wurde überwiegend Vegetationszunahme detektiert. Die Größe der Niederschlagsdifferenz zwischen beiden Zeitpunkten spiegelte sich zudem im Flächenanteil der einzelnen Veränderungsklassen wider. Durch diesen starken phänologischen, d.h. niederschlagsbedingten Veränderungsanteil wurden „echte“ Veränderungen z.T. verschleiert oder verstärkt. Dieses Ergebnis korrespondiert mit den Ergebnissen vieler anderer Change-Detection-Arbeiten im semiariden Raum. Als relevante Veränderungen wurden daher nur solche bewertet, die dem allgemeinen phänologischen Trend im Vergleichszeitraum entgegenstanden. So konnten z.B. Flächen, auf denen Vegetationszuwachs detektiert wurde, obwohl die Regenzeit zum zweiten Aufnahmezeitpunkt schwächer war als die erste, als tatsächlich verbuscht gelten. Unter Berücksichtigung dieser niederschlagsbedingten Einflüsse wurden im Untersuchungsgebiet in Zentralnamibia die Flächenanteile bestimmt, für die Degradation detektiert wurde. Demnach hat im Vergleich der Szenen von 1984 und 2003 auf etwa 681 km², entsprechend 2,8 % der Gesamtfläche des Untersuchungsgebietes, eine niederschlagsunabhängige Verdichtung der Vegetation, d.h. eine Verbuschung stattgefunden. Die Lage der betroffenen Gebiete korrespondiert mit der in der Literatur genannten Region (vgl. BESTER 1998/99). Des Weiteren wurde im Untersuchungszeitraum von 1984 bis 2003 auf ca. 0,53 km², entsprechend 0,002 % der Gesamtfläche des Untersuchungsgebietes irreversible Verkahlung, d.h. Desertifikation detektiert. Damit stellt in Zentralnamibia die Veränderung durch Verbuschung die flächenmäßig größte Bedrohung für Artenvielfalt und landwirtschaftliche Tragkraft der Savannen dar. Aufgrund der starken phänologischen Einflüsse konnten von der Buschsterbe betroffene Regionen im Untersuchungsgebiet nicht sicher erkannt und quantifiziert werden. Kleinräumig konnten im Untersuchungsgebiet in Zentralnamibia Farmen identifiziert werden, die in einem oder mehreren Ergebnisbildern durch besondere Veränderungsmuster auffielen. Zumeist handelte es sich um Degradationserscheinungen wie Verbuschung und Verkahlung, für die bei der Besichtigung während der Feldkampagne im Jahr 2004 oft ein Zusammenhang mit ungünstigen Landnutzungspraktiken, d.h. vor allem Überweidung hergestellt werden konnte. Des Weiteren wurden starke Veränderungen durch Entbuschungsmaßnahmen, kurzzeitige Weideeinflüsse und auch einzelne wiederhergestellte Bestände detektiert. Nutzungsbedingte Degradationserscheinungen treten im Untersuchungsgebiet in Zentralnamibia insgesamt nur kleinräumig auf einzelnen Farmen auf. Für das Untersuchungsgebiet in Südnamibia lagen zwei Landsat-Szenen für den kurzen Vergleichszeitraum von 2001 zu 2002 vor. Anhand dieser konnten unter Zuhilfenahme von Niederschlagsdaten stark degradierte Flächen identifiziert werden. Während auf den intakten Flächen aufgrund der besseren Regenzeit zum zweiten Aufnahmezeitpunkt wie erwartet Vegetationszuwachs detektiert wurde, führten ebendiese reichlichen Niederschläge im degradierten Gebiet zu einer großflächigen Erosion der Vegetationsdecke. Dies ist vermutlich auf die größere Geschwindigkeit des oberflächlich abfließenden Regenwassers in der spärlichen Vegetationsdecke der degradierten Fläche zurück zu führen. In den übrigen Gebieten reduzierte hingegen die dichtere Vegetation den Oberflächenabfluss, wodurch mehr Wasser versickerte und verstärktem Pflanzenwachstum zur Verfügung stand. Im Untersuchungsgebiet in Nordnamibia wurden zwei Landsat-Szenen von April 1991 und April 2000 verglichen. Die gravierendste Veränderung in diesem Zeitraum war nutzungsbedingte Verkahlung, die auf rund 4,4 % der Gesamtfläche, entsprechend 81 km² detektiert wurde. Ursache ist hier die Umwandlung von Dornbuschsavanne in Acker- oder Siedlungsraum. Demgegenüber wurde aber nur für 1,17 % der Gesamtfläche, entsprechend 21,76 km², Wiederbesiedelung detektiert. Dies sind zumeist Agrarflächen, die (kurzzeitig) aus der Nutzung genommen wurden. Das Ergebnis dokumentiert den zunehmenden Siedlungsdruck in der Kavango-Region. Die seit den 1970er Jahren verbesserte Infrastruktur ermöglicht hier immer mehr Menschen die Landnahme, Viehhaltung und Siedlung. Die Ergebnisse dieser Arbeit zeigen, dass mit der hier entwickelten Change-Detection-Methode unter Berücksichtigung der Niederschlagshistorie in den semiariden und ariden Testgebieten signifikante Veränderungen der Vegetation in verschiedenen Landschaftsräumen detektiert werden können. Weitere Anwendungen der Methodik auf andere Testgebiete im südlichen und westlichen Afrika am Rande dieser Arbeit zeigten ebenfalls gute Ergebnisse, die allerdings bislang aus Mangel an Referenzdaten nicht validiert werden konnten. Zur zukünftigen Operationalisierung der Methodik sollte vor allem eine verbesserte Trennbarkeit von nutzungsbedingten und natürlichen Verkahlungsprozessen angestrebt werden. Des Weiteren wird eine Anpassung der Klassifikatoren auf andere Sensoren wie z.B. ASTER angedacht, um auch nach dem Ausfall von Landsat 7 im Jahr 2003 aktuelle Daten vergleichen zu können. Um den phänologischen Einfluss von unterschiedlichen Niederschlagshistorien im Vorfeld der Eingangsdaten zu minimieren, wäre zudem die Implementierung eines Kalibrierungsfaktors denkbar, der auf Niederschlags- oder auch MODIS-NDVI-Daten der entsprechenden Zeit- und Untersuchungsräume basiert. Das Ergebnis wäre eine sichere Methode zur Detektion von regionalen Veränderungen im semiariden Raum. Die Identifizierung dieser Veränderungen, speziell von Degradationserscheinungen stellt die Basis dar, dort gezielt nach den Ursachen zu suchen und Handlungsempfehlungen zu entwickeln, um einer fortschreitenden Zerstörung von Lebensraum, Artenvielfalt und ökonomischem Potenzial der betroffenen Flächen entgegen zu wirken.
Grünflächen stellen einen der wichtigsten Umwelteinflüsse in der Wohnumwelt der Menschen dar. Einerseits wirken sie sich positiv auf die physische und mentale Gesundheit der Menschen aus, andererseits können Grünflächen auch negative Wirkungen anderer Faktoren abmildern, wie beispielsweise die im Laufe des Klimawandels zunehmenden Hitzeereignisse. Dennoch sind Grünflächen nicht für die gesamte Bevölkerung gleichermaßen zugänglich. Bestehende Forschung im Kontext der Umweltgerechtigkeit (UG) konnte bereits aufzeigen, dass unterschiedliche sozio-ökonomische und demographische Gruppen der deutschen Bevölkerung unterschiedlichen Zugriff auf Grünflächen haben. An bestehenden Analysen von Umwelteinflüssen im Kontext der UG wird kritisiert, dass die Auswertung geographischer Daten häufig auf zu stark aggregiertem Level geschieht, wodurch lokal spezifische Expositionen nicht mehr genau abgebildet werden. Dies trifft insbesondere für großflächig angelegte Studien zu. So werden wichtige räumliche Informationen verloren. Doch moderne Erdbeobachtungs- und Geodaten sind so detailliert wie nie und Methoden des maschinellen Lernens ermöglichen die effiziente Verarbeitung zur Ableitung höherwertiger Informationen.
Das übergeordnete Ziel dieser Arbeit besteht darin, am Beispiel von Grünflächen in Deutschland methodische Schritte der systematischen Umwandlung umfassender Geodaten in relevante Geoinformationen für die großflächige und hochaufgelöste Analyse von Umwelteigenschaften aufzuzeigen und durchzuführen. An der Schnittstelle der Disziplinen Fernerkundung, Geoinformatik, Sozialgeographie und Umweltgerechtigkeitsforschung sollen Potenziale moderner Methoden für die Verbesserung der räumlichen und semantischen Auflösung von Geoinformationen erforscht werden. Hierfür werden Methoden des maschinellen Lernens eingesetzt, um Landbedeckung und -nutzung auf nationaler Ebene zu erfassen. Diese Entwicklungen sollen dazu beitragen bestehende Datenlücken zu schließen und Aufschluss über die Verteilungsgerechtigkeit von Grünflächen zu bieten.
Diese Dissertation gliedert sich in drei konzeptionelle Teilschritte. Im ersten Studienteil werden Erdbeobachtungsdaten der Sentinel-2 Satelliten zur deutschlandweiten Klassifikation von Landbedeckungsinformationen verwendet. In Kombination mit punktuellen Referenzdaten der europaweiten Erfassung für Landbedeckungs- und Landnutzungsinformationen des Land Use and Coverage Area Frame Survey (LUCAS) wird ein maschinelles Lernverfahren trainiert. In diesem Kontext werden verschiedene Vorverarbeitungsschritte der LUCAS-Daten und deren Einfluss auf die Klassifikationsgenauigkeit beleuchtet. Das Klassifikationsverfahren ist in der Lage Landbedeckungsinformationen auch in komplexen urbanen Gebieten mit hoher Genauigkeit abzuleiten. Ein Ergebnis des Studienteils ist eine deutschlandweite Landbedeckungsklassifikation mit einer Gesamtgenauigkeit von 93,07 %, welche im weiteren Verlauf der Arbeit genutzt wird, um grüne Landbedeckung (GLC) räumlich zu quantifizieren.
Im zweiten konzeptionellen Teil der Arbeit steht die differenzierte Betrachtung von Grünflächen anhand des Beispiels öffentlicher Grünflächen (PGS), die häufig Gegenstand der UG-Forschung ist, im Vordergrund. Doch eine häufig verwendete Quelle für räumliche Daten zu öffentlichen Grünflächen, der European Urban Atlas (EUA), wird bisher nicht flächendeckend für Deutschland erhoben. Dieser Studienteil verfolgt einen datengetriebenen Ansatz, die Verfügbarkeit von öffentlichem Grün auf der räumlichen Ebene von Nachbarschaften für ganz Deutschland zu ermitteln. Hierfür dienen bereits vom EUA erfasste Gebiete als Referenz. Mithilfe einer Kombination von Erdbeobachtungsdaten und Informationen aus dem OpenStreetMap-Projekt wird ein Deep Learning -basiertes Fusionsnetzwerk erstellt, welche die verfügbare Fläche von öffentlichem Grün quantifiziert. Das Ergebnis dieses Schrittes ist ein Modell, welches genutzt wird, um die Menge öffentlicher Grünflächen in der Nachbarschaft zu schätzen (𝑅 2 = 0.952).
Der dritte Studienteil greift die Ergebnisse der ersten beiden Studienteile auf und betrachtet die Verteilung von Grünflächen in Deutschland unter Hinzunahme von georeferenzierten Bevölkerungsdaten. Diese exemplarische Analyse unterscheidet dabei Grünflächen nach zwei Typen: GLC und PGS. Zunächst wird mithilfe deskriptiver Statistiken die generelle Grünflächenverteilung in der Bevölkerung Deutschlands beleuchtet. Daraufhin wird die Verteilungsgerechtigkeit anhand gängiger Gerechtigkeitsmetriken bestimmt. Abschließend werden die Zusammenhänge zwischen der demographischen Komposition der Nachbarschaft und der verfügbaren Menge von Grünflächen anhand dreier exemplarischer soziodemographischer Gesellschaftsgruppen untersucht. Die Analyse zeigt starke Unterschiede der Verfügbarkeit von PGS zwischen städtischen und ländlichen Gebieten. Ein höherer Prozentsatz der Stadtbevölkerung hat Zugriff das Mindestmaß von PGS gemessen an der Vorgabe der Weltgesundheitsorganisation. Die Ergebnisse zeigen auch einen deutlichen Unterschied bezüglich der Verteilungsgerechtigkeit zwischen GLC und PGS und verdeutlichen die Relevanz der Unterscheidung von Grünflächentypen für derartige
Untersuchungen. Die abschließende Betrachtung verschiedener Bevölkerungsgruppen arbeitet Unterschiede auf soziodemographischer Ebene auf.
In der Zusammenschau demonstriert diese Arbeit wie moderne Geodaten und Methoden des maschinellen Lernens genutzt werden können bisherige Limitierungen räumlicher Datensätze zu überwinden. Am Beispiel von Grünflächen in der Wohnumgebung der Bevölkerung Deutschlands wird gezeigt, dass landesweite Analysen zur Umweltgerechtigkeit durch hochaufgelöste und lokal feingliedrige geographische Informationen bereichert werden können. Diese Arbeit verdeutlicht, wie die Methoden der Erdbeobachtung und Geoinformatik einen wichtigen Beitrag leisten können, die Ungleichheit der Wohnumwelt der Menschen zu identifizieren und schlussendlich den nachhaltigen Siedlungsbau in Form von objektiven Informationen zu unterstützen und überwachen.
Die Bewässerungslandwirtschaft in Mittelasien ist geprägt von schwerwiegenden ökologischen und ökonomischen Problemen. Zur Verbesserung der Situation auf dem hydrologischen Sektor wird daher seitens der mittelasiatischen Interstate Commission for Water Coordination (ICWC) die Einführung des Integrated Water Resource Management (IWRM) gefordert. Wichtige Herausforderungen zur Optimierung der Wassernutzung im Aralsee-Becken sind dabei die Schaffung von Transparenz sowie von Möglichkeiten zur Überwachung der Landnutzung und der Wasserentnahme in den Bewässerungssystemen. Im Detail fokussierte diese Arbeit auf das Bewässerungssystem der Region Khorezm im Unterlauf des Amu Darya südlich des Aralsees. Die Arbeit zielte darauf ab, (1) objektive und konsistente Datengrundlagen zum Monitoring der Landnutzung und des Wasserverbrauchs innerhalb des Bewässerungslandes zu schaffen und (2) auf Basis dieser Ergebnisse die Funktionsweise des Bewässerungssystems zu verstehen sowie die Land- und Wassernutzung der Region zu bewerten. Um diese Ziele zu erreichen, wurden Methoden der Fernerkundung und der Hydrologie miteinander kombiniert. Fernerkundliche Schlüsselgrößen der Arbeit waren die Kartierung der agrarischen Landnutzung und die Modellierung der saisonalen tatsächlichen Evapotranspiration. Es wurde eine Methode vorgestellt, die eine Unterscheidung verschiedener Landnutzungen und Fruchtfolgen der Region durch die temporale Segmentierung von Zeitserien aus 8-tägigen Kompositen von 250 m-Daten des MODIS-Sensors ermöglicht. Durch die mehrfache Anwendung von Recursive Partitioning And Regression Trees auf deskriptive Statistiken von Zeitseriensegmenten konnte eine hohe Stabilität erzielt werden (overall accuracy: 91 %, Kappa-Koeffizient: 0,9). Täglich von MODIS aufgezeichnete Landoberflächentemperaturen (LST) bildeten die Basis zur fernerkundungsbasierten Modellierung der saisonalen tatsächlichen Evapotranspiration (ETact) für die sommerliche Vegetationsperiode. Aufgrund der hohen zeitlichen und groben räumlichen Auflösung der verwendeten MODIS-Daten von 1 km waren leichte Modifikationen des zur Modellierung eingesetzten Surface Energy Balance Algortihm for Land (SEBAL) erforderlich. Zur Modellierung von ETact wurden MODIS-Produkte (LST, Emissionsgrad, Albedo, NDVI und Blattflächenindex) und meteorologische Stationsdaten aus Khorezm verwendet. Die Modellierung des fühlbaren Wärmeflusses, einer Komponente der Energiebilanzgleichung an der Erdoberfläche, erfolgte mittels METRIC (High Resolution and Internalized Calibration), einer Variante des SEBAL. Die Landnutzungsklassifikation fungierte als zentraler Eingangsparameter, um eine automatisierte Auswahl der Ankerpunkte des Models sicherzustellen. Da innerhalb der MODIS-Auflösung aufgrund der Mischpixelproblematik keine homogen feuchten oder trockenen Bedingungen im Bewässerungsgebiet gefunden werden konnten, wurden die Landnutzungsklassifikation, der NDVI und die ASCE-Referenz-Evapotranspiration zur Abschätzung des tatsächlichen Zustands an den Ankerpunkten herangezogen. Weiterhin wurden umfassende Geländemessungen durchgeführt, um in der Vegetationsperiode 2005 die Zu- und Abflussmengen des Wasser von und nach Khorezm zu bestimmen. Die abschließende Bewertung der Land- und Wassernutzung basierte letztendlich auf der Bildung von Wasserbilanzen und der Berechnung anerkannter Performanceindikatoren wie der Ratio aus Drainage und Wasserentnahme oder der depleted fraction. Für die landwirtschaftliche Nutzung im Rayon Khorezm wurde für die Sommersaison 2005 eine Wasserentnahme von 5,38 km3 ermittelt. Damit übertrafen die Messergebnisse die offiziell verfügbaren Daten der ICWC um durchschnittlich 37 %. Auf die landwirtschaftliche Fläche bezogen ergab sich für Khorezm im Jahr 2005 eine mittlere Wasserentnahme von 22.782 m3/ha. In den Subsystemen schwankten diese Werte zwischen 17.000 m3/ha und 30.000 m3/ha. Allerdings konnte an den Systemgrenzen, an denen die Messungen durchgeführt werden, der aus den fernerkundungsbasierten Modellierungen auf WUA-Level erwartete abnehmende Gradient der Wasserentnahme zwischen Oberlauf und Unterlauf nicht nachvollzogen werden. Als Ursache für diese Diskrepanz sind vor allem die Versickerungsverluste im Kanalsystem zu nennen, die den Grundwasserkörper großräumig auffüllen und auf Feldebene nicht zur oberflächlichen Bewässerung zur Verfügung stehen. Monatliche Bilanzierungen und die Analyse der Performanceindikatoren führten zu denselben Ergebnissen. In dieser Arbeit konnte gezeigt werden, dass sich mit Methoden der Fernerkundung objektive und konsistente Daten der agrarischen Landnutzung und des Wasserverbrauchs für ein regionales Monitoring erstellen lassen. Da in den benachbarten Regionen gleiche atmosphärische Bedingungen und ähnliche Anbausorten anzutreffen sind, ist anzunehmen, dass beide Verfahren auch auf der Planungsebene in einem IWRM für die übrigen Mittel- und Unterläufe von Amu Darya und Syr Darya ein hohes Anwendungspotenzial besitzen.
Interactions between different formative processes are reflected in the internal structure of rock glaciers. Therefore, the detection of subsurface conditions can help to enhance our understanding of landform development. For an assessment of subsurface conditions, we present an analysis of the spatial variability of active layer thickness, ground ice content and frost table topography for two different rock glaciers in the Eastern Swiss Alps by means of quasi-3-D electrical resistivity imaging (ERI). This approach enables an extensive mapping of subsurface structures and a spatial overlay between site-specific surface and subsurface characteristics. At Nair rock glacier, we discovered a gradual descent of the frost table in a downslope direction and a constant decrease of ice content which follows the observed surface topography. This is attributed to ice formation by refreezing meltwater from an embedded snow bank or from a subsurface ice patch which reshapes the permafrost layer. The heterogeneous ground ice distribution at Uertsch rock glacier indicates that multiple processes on different time domains were involved in the development. Resistivity values which represent frozen conditions vary within a wide range and indicate a successive formation which includes several advances, past glacial overrides and creep processes on the rock glacier surface. In combination with the observed topography, quasi-3-D ERI enables us to delimit areas of extensive and compressive flow in close proximity. Excellent data quality was provided by a good coupling of electrodes to the ground in the pebbly material of the investigated rock glaciers. Results show the value of the quasi-3-D ERI approach but advise the application of complementary geophysical methods for interpreting the results.
Mapping Bushfire Distribution and Burn Severity in West Africa Using Remote Sensing Observations
(2010)
Fire has long been considered to be the main ecological factor explaining the origin and maintenance of West African savannas. It has a very high occurrence in these savannas due to high human pressure caused by strong demographic growth and, concomitantly, is used to transform natural savannas into farmland and is also used as a provider of energy. This study was carried out with the support of the BIOTA project funded by the German ministry for Research and Education. The objective of this study is to establish the spatial and temporal distribution of bushfires during a long observation period from 2000 to 2009 as well as to assess fire impact on vegetation through mapping of the burn severity; based on remote sensing and field data collections. Remote sensing was used for this study because of the advantages that it offers in collecting data for long time periods and on different scales. In this case, the Moderate Resolution Imaging Spectroradiometer (MODIS) satellite instrument at 1km resolution is used to assess active fires, and understand the seasonality of fire, its occurrence and its frequency within the vegetation types on a regional scale. Landsat ETM+ imagery at 30 m and field data collections were used to define the characteristics of burn severity related to the biomass loss on a local scale. At a regional scale, the occurrence of fires and rainfall per month correlated very well (R2 = 0.951, r = -0.878, P < 0.01), which shows that the lower the amount of rainfall, the higher the fire occurrence and vice versa. In the dry season, four fire seasons were determined on a regional scale, namely very early fires, which announce the beginning of the fires, early and late fires making up the peak of fire in December/January and very late fires showing the end of the fire season and the beginning of the rainy season. Considerable fire activity was shown to take place in the vegetation zones between the Forest and the Sahel areas. Within these zones, parts of the Sudano-Guinean and the Guinean zones showed a high pixel frequency, i.e. fires occurred in the same place in many years. This high pixel frequency was also found in most protected areas in these zones. As to the kinds of land cover affected by fire, the highest fire occurrence is observed within the Deciduous woodlands and Deciduous shrublands. Concerning the burn severity, which was observed at a local scale, field data correlated closely with the ΔNBR derived from Landsat scenes of Pendjari National Park (R2 = 0.76). The correlation coefficient according to Pearson is r = 0.84 and according to Spearman-Rho, the correlation coefficient is r = 0.86. Very low and low burn severity (with ΔNBR value from 0 to 0.40) affected the vegetation weakly (0-35 percent of biomass loss) whereas moderate and high burn severity greatly affected the vegetation, leading to up to 100 percent of biomass loss, with the ΔNBR value ranging from 0.41 to 0.99. It can be seen from these results that remotely sensed images offer a tool to determine the fire distribution over large regions in savannas and that the Normalised Burn Ratio index can be applied to West Africa savannas. The outcomes of this thesis will hopefully contribute to understanding and, eventually, improving fire regimes in West Africa and their response to climate change and changes in vegetation diversity.
Glacier outlines during the ‘Little Ice Age’ maximum in Jotunheimen were mapped by using remote sensing techniques (vertical aerial photos and satellite imagery), glacier outlines from the 1980s and 2003, a digital terrain model (DTM), geomorphological maps of individual glaciers, and field-GPS measurements. The related inventory data (surface area, minimum and maximum altitude) and several other variables (e.g. slope, range) were calculated automatically by using a geographical information system. The length of the glacier flowline was mapped manually based on the glacier outlines at the maximum of the ‘Little Ice Age’ and the DTM. The glacier data during the maximum of the ‘Little Ice Age’ were compared with the Norwegian glacier inventory of 2003. Based on the glacier inventories during the maximum of the ‘Little Ice Age’, the 1980s and 2003, a simple parameterization after HAEBERLI & HOELZLE (1995) was performed to estimate unmeasured glacier variables, as e.g. surface velocity or mean net mass balance. Input data were composed of surface glacier area, minimum and maximum elevation, and glacier length. The results of the parameterization were compared with the results of previous parameterizations in the European Alps and the Southern Alps of New Zealand (HAEBERLI & HOELZLE 1995; HOELZLE et al. 2007). A relationship between these results of the inventories and of the parameterization and climate and climate changes was made.
Burn severity was measured within the Mediterranean sclerophyll forests of south-west Western Australia (WA) using remote sensing data from the Moderate Resolution Imaging Spectroradiometer (MODIS). The region of south-west WA is considered as a high fire prone landscape and is managed by the state government’s Department of Conservation and Land Management (CALM). Prescribed fuel reduction burning is used as a management tool in this region. The measurement of burn severity with remote sensing data focused on monitoring the success and impact of prescribed burning and wildfire in this environment. The high temporal resolution of MODIS with twice daily overpasses in this area was considered highly favourable, as opportunities for prescribed burning are temporally limited by climatic conditions. The Normalised Burn Ratio (NBR) was investigated to measure burn severity in the forested area of south-west WA. This index has its heritage based on data from the Landsat TM/ETM+ sensors (Key and Benson, 1999 [1],[2]) and was transferred from Landsat to MODIS data. The measurement principally addresses the biomass consumption due to fire, whereas the change detected between the pre-fire image and the post-fire image is quantified by the ÄNBR. The NBR and the Normalised Difference Vegetation Index (NDVI) have been applied to MODIS and Landsat TM/ETM+ data. The spectral properties and the index values of the remote sensing data have been analysed within different burnt areas. The influence of atmospheric and BRDF effects on MODIS data has been investigated by comparing uncorrected top of atmosphere reflectance and atmospheric and BRDF corrected reflectance. The definition of burn severity classes has been established in a field trip to the study area. However, heterogeneous fire behaviour and patchy distribution of different vegetation structure made field classification difficult. Ground truth data has been collected in two different types of vegetation structure present in the burnt area. The burn severity measurement of high resolution Landsat data was assessed based on ground truth data. However, field data was not sufficient for rigorous validation of remote sensing data. The NBR index images of both sensors have been calibrated based on training areas in the high resolution Landsat image. The burn severity classifications of both sensors are comparable, which demonstrates the feasibility of a burn severity measurement using moderate spatial resolution 250m MODIS data. The normalisation through index calculation reduced atmospheric and BRDF effects, and thus MODIS top of at-mosphere data has been considered suitable for the burn severity measurement. The NBR could not be uniformly applied, as different structures of vegetation influenced the range of index values. Furthermore, the index was sensitive to variability in moisture content. However, the study concluded that the NBR on MODIS data is a useful measure of burn severity in the forested area of south-west WA.
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.
Increasing urbanisation is one of the biggest pressures to vegetation in the City of Cape Town. The growth of the city dramatically reduced the area under indigenous Fynbos vegetation, which remains in isolated fragments. These are subject to a number of threats including atmospheric deposition, atypical fire cycles and invasion by exotic plant and animal species. Especially the Port Jackson willow (Acacia saligna) extensively suppresses the indigenous Fynbos vegetation with its rapid growth.
The main objective of this study was to investigate indicators for a quick and early prediction of the health of the remaining Fynbos fragments in the City of Cape Town with help of remote sensing.
First, the productivity of the vegetation in response to rainfall was determined. For this purpose, the Enhanced Vegetation Index (EVI), derived from Terra MODIS data with a spatial resolution of 250m, and precipitation data of 19 rainfall stations for the period from 2000 till 2008 were used. Within the scope of a flexible regression between the EVI data and the precipitation data, different lags of the vegetation response to rainfall were analysed. Furthermore, residual trends (RESTREND) were calculated, which result from the difference between observed EVI and the one predicted by precipitation. Negative trends may suggest a degradation of the habitats. In addition, the so-called Rain-use Efficiency (RUE) was tested in this context. It is defined as the ratio between net primary production (NPP) – represented by the annual sum of EVI – and the annual rainfall sum. These indicators were analysed for their suitability to determine the health of the indigenous Fynbos vegetation.
Furthermore, the degree of dispersal of invasive species especially the Acacia saligna was investigated. With the specific characteristics of the tested indicators and the spectral signature of Acacia saligna, i.e. its unique reflectance over the course of the year, the dispersal was estimated. Since the growth of invasive species dramatically reduces the biodiversity of the fragments, their presence is an important factor for the condition of ecosystem health.
This work focused on 11 test sites with an average size of 200ha, distributed over the whole area of the City of Cape Town. Five of these fragments are under conservation and the others shall be protected in the near future, too, which makes them of special interest. In January 2010, fieldwork was undertaken in order to investigate the state and composition of the local vegetation.
The results show promising indicators for the assessment of ecosystem health. The coefficients of determination of the EVI-rainfall regression for Fynbos are minor, because the reaction of this vegetation type to rainfall is considerably lower than the one of the invasive species. Thus, a good distinction between indigenous and alien vegetation is possible on the basis of this regression. On the other hand, the RESTREND method, for which the regression forms the basis, is only of limited use, since the significance of these trends is not given for Fynbos vegetation. Furthermore, the RUE has considerable potential for the assessment of ecosystem health in the study area. The Port Jackson willow has an explicitly higher EVI than the Fynbos vegetation and thus its RUE is more efficient for a similar amount of rainfall. However, it has to be used with caution, because local and temporal variability cannot be extinguished in the study area over the rather short MODIS time series.
These results display that the interpretation of the indicators has to be conducted differently from the literature, because the element of invasive species was not considered in most of the previous papers. An increase in productivity is not necessarily equivalent with an improvement in health of the fragment, but can indicate a dispersal of Acacia saligna. This shows the general problem of the term ‘degradation’ which in most publications so far is only measured by productivity and other factors like invasive species are disregarded.
On the basis of the EVI-rainfall regression and statistical measures of the EVI, the distribution of invasive species could be delineated. Generally, a strong invasion of the Port Jackson willow was discovered on the test sites. The results display that a reasoned and sustainable management of the fragments is essential in order to prevent the suppression of the indigenous Fynbos vegetation by Acacia saligna. For this purpose, remote sensing can give an indication which areas changed so that specific field surveys can be undertaken and subsequent management measures can be determined.
The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument.
In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed.
To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere.
In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area.
These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions.
Current changes of biodiversity result almost exclusively from human activities. This anthropogenic conversion of natural ecosystems during the last decades has led to the so-called ‘biodiversity crisis’, which comprises the loss of species as well as changes in the global distribution patterns of organisms. Species richness is unevenly distributed worldwide. Altogether, 17 so-called ‘megadiverse’ nations cover less than 10% of the earth’s land surface but support nearly 70% of global species richness. Mexico, the study area of this thesis, is one of those countries. However, due to Mexico’s large extent and geographical complexity, it is impossible to conduct reliable and spatially explicit assessments of species distribution ranges based on these collection data and field work alone. In the last two decades, Species distribution models (SDMs) have been established as important tools for extrapolating such in situ observations. SDMs analyze empirical correlations between geo-referenced species occurrence data and environmental variables to obtain spatially explicit surfaces indicating the probability of species occurrence. Remote sensing can provide such variables which describe biophysical land surface characteristics with high effective spatial resolutions. Especially during the last three to five years, the number of studies making use of remote sensing data for modeling species distributions has therefore multiplied. Due to the novelty of this field of research, the published literature consists mostly of selective case studies. A systematic framework for modeling species distributions by means of remote sensing is still missing. This research gap was taken up by this thesis and specific studies were designed which addressed the combination of climate and remote sensing data in SDMs, the suitability of continuous remote sensing variables in comparison with categorical land cover classification data, the criteria for selecting appropriate remote sensing data depending on species characteristics, and the effects of inter-annual variability in remotely sensed time series on the performance of species distribution models. The corresponding novel analyses were conducted with the Maximum Entropy algorithm developed by Phillips et al. (2004). In this thesis, a more comprehensive set of remote sensing predictors than in the existing literature was utilized for species distribution modeling. The products were selected based on their ecological relevance for characterizing species distributions. Two 1 km Terra-MODIS Land 16-day composite standard products including the Enhanced Vegetation Index (EVI), Reflectance Data, and Land Surface Temperature (LST) were assembled into enhanced time series for the time period of 2001 to 2009. These high-dimensional time series data were then transformed into 18 phenological and 35 statistical metrics that were selected based on an extensive literature review. Spatial distributions of twelve tree species were modeled in a hierarchical framework which integrated climate (WorldClim) and MODIS remote sensing data. The species are representative of the major Mexican forest types and cover a variety of ecological traits, such as range size and biotope specificity. Trees were selected because they have a high probability of detection in the field and since mapping vegetation has a long tradition in remote sensing. The result of this thesis showed that the integration of remote sensing data into species distribution models has a significant potential for improving and both spatial detail and accuracy of the model predictions.