Snow is a vital environmental parameter and dynamically responsive to climate change, particularly in mountainous regions. Snow cover can be monitored at variable spatial scales using Earth Observation (EO) data. Long-lasting remote sensing missions enable the generation of multi-decadal time series and thus the detection of long-term trends. However, there have been few attempts to use these to model future snow cover dynamics. In this study, we, therefore, explore the potential of such time series to forecast the Snow Line Elevation (SLE) in the European Alps. We generate monthly SLE time series from the entire Landsat archive (1985–2021) in 43 Alpine catchments. Positive long-term SLE change rates are detected, with the highest rates (5–8 m/y) in the Western and Central Alps. We utilize this SLE dataset to implement and evaluate seven uni-variate time series modeling and forecasting approaches. The best results were achieved by Random Forests, with a Nash–Sutcliffe efficiency (NSE) of 0.79 and a Mean Absolute Error (MAE) of 258 m, Telescope (0.76, 268 m), and seasonal ARIMA (0.75, 270 m). Since the model performance varies strongly with the input data, we developed a combined forecast based on the best-performing methods in each catchment. This approach was then used to forecast the SLE for the years 2022–2029. In the majority of the catchments, the shift of the forecast median SLE level retained the sign of the long-term trend. In cases where a deviating SLE dynamic is forecast, a discussion based on the unique properties of the catchment and past SLE dynamics is required. In the future, we expect major improvements in our SLE forecasting efforts by including external predictor variables in a multi-variate modeling approach.

Accurate crop monitoring in response to climate change at a regional or field scale plays a significant role in developing agricultural policies, improving food security, forecasting, and analysing global trade trends. Climate change is expected to significantly impact agriculture, with shifts in temperature, precipitation patterns, and extreme weather events negatively affecting crop yields, soil fertility, water availability, biodiversity, and crop growing conditions. Remote sensing (RS) can provide valuable information combined with crop growth models (CGMs) for yield assessment by monitoring crop development, detecting crop changes, and assessing the impact of climate change on crop yields. This dissertation aims to investigate the potential of RS data on modelling long-term crop yields of winter wheat (WW) and oil seed rape (OSR) for the Free State of Bavaria (70,550 km2 ), Germany. The first chapter of the dissertation describes the reasons favouring the importance of accurate crop yield predictions for achieving sustainability in agriculture. Chapter second explores the accuracy assessment of the synthetic RS data by fusing NDVIs of two high spatial resolution data (high pair) (Landsat (30 m, 16-days; L) and Sentinel-2 (10 m, 5–6 days; S), with four low spatial resolution data (low pair) (MOD13Q1 (250 m, 16-days), MCD43A4 (500 m, one day), MOD09GQ (250 m, one-day), and MOD09Q1 (250 m, 8-days)) using the spatial and temporal adaptive reflectance fusion model (STARFM), which fills regions' cloud or shadow gaps without losing spatial information. The chapter finds that both L-MOD13Q1 (R2 = 0.62, RMSE = 0.11) and S-MOD13Q1 (R2 = 0.68, RMSE = 0.13) are more suitable for agricultural monitoring than the other synthetic products fused. Chapter third explores the ability of the synthetic spatiotemporal datasets (obtained in chapter 2) to accurately map and monitor crop yields of WW and OSR at a regional scale. The chapter investigates and discusses the optimal spatial (10 m, 30 m, or 250 m), temporal (8 or 16-day) and CGMs (World Food Studies (WOFOST), and the semi-empiric light use efficiency approach (LUE)) for accurate crop yield estimations of both crop types. Chapter third observes that the observations of high temporal resolution (8-day) products of both S-MOD13Q1 and L-MOD13Q1 play a significant role in accurately measuring the yield of WW and OSR. The chapter investigates that the simple light use efficiency (LUE) model (R2 = 0.77 and relative RMSE (RRMSE) = 8.17%) that required fewer input parameters to simulate crop yield is highly accurate, reliable, and more precise than the complex WOFOST model (R2 = 0.66 and RRMSE = 11.35%) with higher input parameters. Chapter four researches the relationship of spatiotemporal fusion modelling using STRAFM on crop yield prediction for WW and OSR using the LUE model for Bavaria from 2001 to 2019. The chapter states the high positive correlation coefficient (R) = 0.81 and R = 0.77 between the yearly R2 of synthetic accuracy and modelled yield accuracy for WW and OSR from 2001 to 2019, respectively. The chapter analyses the impact of climate variables on crop yield predictions by observing an increase in R2 (0.79 (WW)/0.86 (OSR)) and a decrease in RMSE (4.51/2.57 dt/ha) when the climate effect is included in the model. The fifth chapter suggests that the coupling of the LUE model to the random forest (RF) model can further reduce the relative root mean square error (RRMSE) from -8% (WW) and -1.6% (OSR) and increase the R2 by 14.3% (for both WW and OSR), compared to results just relying on LUE. The same chapter concludes that satellite-based crop biomass, solar radiation, and temperature are the most influential variables in the yield prediction of both crop types. Chapter six attempts to discuss both pros and cons of RS technology while analysing the impact of land use diversity on crop-modelled biomass of WW and OSR. The chapter finds that the modelled biomass of both crops is positively impacted by land use diversity to the radius of 450 (Shannon Diversity Index ~0.75) and 1050 m (~0.75), respectively. The chapter also discusses the future implications by stating that including some dependent factors (such as the management practices used, soil health, pest management, and pollinators) could improve the relationship of RS-modelled crop yields with biodiversity. Lastly, chapter seven discusses testing the scope of new sensors such as unmanned aerial vehicles, hyperspectral sensors, or Sentinel-1 SAR in RS for achieving accurate crop yield predictions for precision farming. In addition, the chapter highlights the significance of artificial intelligence (AI) or deep learning (DL) in obtaining higher crop yield accuracies.

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.

Atmospheric circulation is a key driver of climate variability, and the representation of atmospheric circulation modes in regional climate models (RCMs) can enhance the credibility of regional climate projections. This study examines the representation of large‐scale atmospheric circulation modes in Coupled Model Inter‐comparison Project phase 5 RCMs once driven by ERA‐Interim, and by two general circulation models (GCMs). The study region is Western Europe and the circulation modes are classified using the Promax rotated T‐mode principal component analysis. The results indicate that the RCMs can replicate the classified atmospheric modes as obtained from ERA5 reanalysis, though with biases dependent on the data providing the lateral boundary condition and the choice of RCM. When the boundary condition is provided by ERA‐Interim that is more consistent with observations, the simulated map types and the associating time series match well with their counterparts from ERA5. Further, on average, the multi‐model ensemble mean of the analysed RCMs, driven by ERA‐Interim, indicated a slight improvement in the representation of the modes obtained from ERA5. Conversely, when the RCMs are driven by the GCMs that are models without assimilation of observational data, the representation of the atmospheric modes, as obtained from ERA5, is relatively less accurate compared to when the RCMs are driven by ERA‐Interim. This suggests that the biases stem from the GCMs. On average, the representation of the modes was not improved in the multi‐model ensemble mean of the five analysed RCMs driven by either of the GCMs. However, when the best‐performed RCMs were selected on average the ensemble mean indicated a slight improvement. Moreover, the presence of the North Atlantic Oscillation (NAO) in the simulated modes depends also on the lateral boundary conditions. The relationship between the modes and the NAO was replicated only when the RCMs were driven by reanalysis. The results indicate that the forcing model is the main factor in reproducing the atmospheric circulation.

The analysis of the Earth system and interactions among its spheres is increasingly important to improve the understanding of global environmental change. In this regard, Earth observation (EO) is a valuable tool for monitoring of long term changes over the land surface and its features. Although investigations commonly study environmental change by means of a single EO-based land surface variable, a joint exploitation of multivariate land surface variables covering several spheres is still rarely performed. In this regard, we present a novel methodological framework for both, the automated processing of multisource time series to generate a unified multivariate feature space, as well as the application of statistical time series analysis techniques to quantify land surface change and driving variables. In particular, we unify multivariate time series over the last two decades including vegetation greenness, surface water area, snow cover area, and climatic, as well as hydrological variables. Furthermore, the statistical time series analyses include quantification of trends, changes in seasonality, and evaluation of drivers using the recently proposed causal discovery algorithm Peter and Clark Momentary Conditional Independence (PCMCI). We demonstrate the functionality of our methodological framework using Indo-Gangetic river basins in South Asia as a case study. The time series analyses reveal increasing trends in vegetation greenness being largely dependent on water availability, decreasing trends in snow cover area being mostly negatively coupled to temperature, and trends of surface water area to be spatially heterogeneous and linked to various driving variables. Overall, the obtained results highlight the value and suitability of this methodological framework with respect to global climate change research, enabling multivariate time series preparation, derivation of detailed information on significant trends and seasonality, as well as detection of causal links with minimal user intervention. This study is the first to use multivariate time series including several EO-based variables to analyze land surface dynamics over the last two decades using the causal discovery algorithm PCMCI.