Das Monitoring von Landwirtschaftsflächen ist eines der Kernthemen der zukünftigen EnMAP Mission, einem deutschen, hyperspektralen Fernerkundungssensor, dessen Start für 2015 geplant ist. In Vorbereitung dieser Mission gehören die Erweiterung und Entwicklung objektiver, robuster sowie zuverlässiger Methoden zur Ableitung biophysikalischer Parameter zu den Hauptaufgaben. Die für das Monitoring von Vegetation notwendige hohe zeitliche Auflösung wird durch ein stufenloses Schwenken von bis zu +/-30° quer zur Flugrichtung erreicht. Daraus resultiert, dass die Daten durch variierende Ein- und Ausstrahlungsgeometrien stark beeinflusst werden. Daher ist eine detaillierte Kenntnis der bidirektionalen Reflexionsfunktion (engl. bidirectional reflectance distribution function, BRDF) der beobachteten Oberflächen notwendig, um diese Einflüsse auf das Reflexionssignal zu identifizieren und anschließend zu korrigieren. Zu diesem Zweck wurde in dieser Arbeit eine Methodik entwickelt, die es ermöglicht, auf der Basis von simulierten Spektren realistische BRDF Szenarien zu modellieren und oberflächenspezifische Korrekturfunktionen abzuleiten. Die Methodik besteht aus drei aufeinander aufbauenden Komponenten. Im ersten Schritt erfolgt die Modellierung der BRDF von landwirtschaftlichen Vegetationsbeständen. Im zweiten Schritt wird der Einfluss der Bestandsarchitektur auf die BRDF analysiert. Darüber hinaus wird untersucht, inwiefern sich Variationen in der BRDF auf die quantitative Ausprägung von Vegetationsindizes auswirken. Solche Indizes sind eine häufig genutzte Möglichkeit zur Quantifizierung biophysikalische Parameter im Rahmen empirischer Verfahren. Aufbauend auf den gewonnenen Erkenntnissen wurden im dritten Schritt Korrekturfunktionen für ausgewählte Vegetationsindizes entwickelt, um Schrägblickbeobachtungen in Nadirbeobachtungen zu transformieren. Abschließend wurde die entwickelte Methodik auf simulierte, sensorspezifische Spektren übertragen. / Monitoring of arable crops is one of the core applications of the upcoming spaceborne EnMAP mission, a German hyperspectral imaging spectrometer scheduled for launch in 2015. During the present preparatory phase one of the primary tasks is the development of accurate, robust and reliable retrieval methods for biophysical canopy parameters. Monitoring of crop canopies requires a frequent temporal coverage. In case of EnMAP, this will be realised by an off-nadir pointing of the sensor up to +/-30° across to the flight direction. The off-nadir pointing leads to data strongly influenced by varying acquisition geometry. Therefore, detailed knowledge of bidirectional reflectance distribution functions (BRDF) of the observed surfaces is necessary to identify and to correct BRDF influenced reflectance signals. For this purpose, a methodology was developed that allows modelling of realistic BRDF scenarios and of surface-specific correction functions. This methodology consists of three consecutive parts. In the first part, modelling of the BRDF of crop canopies was performed. In the second part, the influence of canopy architecture on the BRDF was analysed. Additionally, the BRDF related dependencies of vegetation indices were investigated. Such indices are widely used to quantify biophysical canopy parameters based on empirical methods. In the third part, correction functions were developed for selected vegetation indices to enable a transformation from off-nadir into nadir observations. These correction functions incorporate results obtained in the second part of the methodology. Finally, the developed methodology was applied on sensor-specific simulated spectra.

Das weltweite Ausmaß der Urbanisierung zählt zu den großen ökologischen Herausforderungen des 21. Jahrhunderts. Die Fernerkundung bietet die Möglichkeit das Verständnis dieses Prozesses und seiner Auswirkungen zu erweitern. Der Fokus dieser Arbeit lag in der Quantifizierung der städtischen Landbedeckung mittels Maschinellen Lernens und räumlich unterschiedlich aufgelöster Hyperspektraldaten. Untersuchungen berücksichtigten innovative methodische Entwicklungen und neue Möglichkeiten, die durch die bevorstehende Satellitenmission EnMAP geschaffen werden. Auf Basis von Bilder des flugzeugestützten HyMap Sensors mit Auflösungen von 3,6 m und 9 m sowie simulierten EnMAP-Daten mit einer Auflösung von 30 m wurde eine Kartierung entlang des Stadt-Umland-Gradienten Berlins durchgeführt. Im ersten Teil der Arbeit wurde die Kombination von Support Vektor Regression mit synthetischen Trainingsdaten für die Subpixelkartierung eingeführt. Ergebnisse zeigen, dass sich der Ansatz gut zur Quantifizierung thematisch relevanter und spektral komplexer Oberflächenarten eignet, dass er verbesserte Ergebnisse gegenüber weiteren Subpixelverfahren erzielt, und sich als universell einsetzbar hinsichtlich der räumlichen Auflösung erweist. Im zweiten Teil der Arbeit wurde der Wert zukünftiger EnMAP-Daten für die städtische Fernerkundung abgeschätzt. Detaillierte Untersuchungen unterstreichen deren Eignung für eine verbesserte und erweiterte Beschreibung der Stadt nach dem bewährten Vegetation-Impervious-Soil-Schema. Analysen der Möglichkeiten und Grenzen zeigen sowohl Nachteile durch die höhere Anzahl von Mischpixel im Vergleich zu hyperspektralen Flugzeugdaten als auch Vorteile aufgrund der verbesserten Differenzierung städtischer Materialien im Vergleich zu multispektralen Daten. Insgesamt veranschaulicht diese Arbeit, dass die Kombination von hyperspektraler Satellitenbildfernerkundung mit Methoden des Maschinellen Lernens eine neue Qualität in die städtische Fernerkundung bringen kann. / The global dimension of urbanization constitutes a great environmental challenge for the 21st century. Remote sensing is a valuable Earth observation tool, which helps to better understand this process and its ecological implications. The focus of this work was to quantify urban land cover by means of machine learning and imaging spectrometer data at multiple spatial scales. Experiments considered innovative methodological developments and novel opportunities in urban research that will be created by the upcoming hyperspectral satellite mission EnMAP. Airborne HyMap data at 3.6 m and 9 m resolution and simulated EnMAP data at 30 m resolution were used to map land cover along an urban-rural gradient of Berlin. In the first part of this work, the combination of support vector regression with synthetically mixed training data was introduced as sub-pixel mapping technique. Results demonstrate that the approach performs well in quantifying thematically meaningful yet spectrally challenging surface types. The method proves to be both superior to other sub-pixel mapping approaches and universally applicable with respect to changes in spatial scales. In the second part of this work, the value of future EnMAP data for urban remote sensing was evaluated. Detailed explorations on simulated data demonstrate their suitability for improving and extending the approved vegetation-impervious-soil mapping scheme. Comprehensive analyses of benefits and limitations of EnMAP data reveal both challenges caused by the high numbers of mixed pixels, when compared to hyperspectral airborne imagery, and improvements due to the greater material discrimination capability when compared to multispectral spaceborne imagery. In summary, findings demonstrate how combining spaceborne imaging spectrometry and machine learning techniques could introduce a new quality to the field of urban remote sensing.