Universiẗat, Diss., 2005--Bonn.

Universiẗat, Diss., 2004--Bonn.

Zugl.: Rennes, University, Diss., 2008.

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. / Weltweit erleben kalte Regionen signifikante Veränderungen durch den Klimawandel. In kalten Regionen ist der Schnee die am weitesten verbreitete Komponente, welche sehr sensibel auf Klimaänderungen reagiert. Zugleich beeinflusst der Schnee selbst das Energiebudget der Erde, die Biodiversität, Naturgefahren sowie Wasserenergiegewinnung, Süßwassergewinnung, Wintertourismus und Wintersport. Große Teile der kalten Regionen in Europa sind Gebirgsregionen. Diese sind dicht besiedelt, da Gebirgsregionen verschiedenste Ökosystemservices bereitstellen und sozioökonomisches Wohlbefinden ermöglichen. Heute kann man schwerwiegende Konsequenzen in Europäischen Gebirgen und deren angrenzenden Gebieten wahrnehmen. Dennoch verhindern große Wissenslücken die Entwicklung effektiver und regionaler/lokaler Anpassungsstrategien. Um regionaler Auswirkungen durch den Klimawandel besser verstehen zu können, ist es enorm wichtig Langzeitstudien und beweisorientierte regionale Studien durchzuführen. Erdbeobachtung (EO) bietet durchgängige Langzeitaufzeichnungen der Erdoberfläche. Dies ist eine großartige Alternative und/oder Ergänzung zu konventionellen in-situ Messungen, welche meist zeitaufwändig, teuer und logistisch herausfordernd sind – vor allem in kalten Regionen, die schwer zugänglich sind. Mit der Hilfe von Erdbeobachtung können Oberflächendynamiken objektiv, wiederholt, synoptisch und kontinuierlich aufgenommen werden. Dank freier und offener Datenpolitik, Langzeitmissionen wie Landsat und Sentinel sind diese Daten inzwischen ohne zusätzliche Kosten zugänglich. Durch die oben genannten Rahmenbedingungen, besteht die Möglichkeit aus hoch bis mittel aufgelöste Satellitenbilder erdbeobachtungsbasierte Zeitreihen zu erstellen, die die Schneedynamiken in Europäischen Gebirgen abbilden. Um dieses Ziel zu erreichen, muss die räumliche und zeitliche Verfügbarkeit von Erdbeobachtungsdaten überprüft werden und ein Rahmenwerk geschaffen werden (übertragbar in Zeit und Raum), um Schneedynamiken aus Erdbeobachtungsdaten großflächig ableiten zu können. Unter den verfügbaren Erdbeobachtungsarchiven bietet das Landsat Archiv die längsten und kontinuierlichsten Aufzeichnungen der Landoberfläche. Zudem erfüllt die räumliche Auflösung von 30 m die Anforderungen, Schnee in komplexem Terrain zu monitoren. Basierend auf Landsat L1TP Daten (z.B. terrainkorrigiert) ist es möglich, Zeitreihen von Schneedynamiken in Gebirgsregionen zwischen 1984 und 1991/1999 zu erstellen. Des Weiteren ist Landsat L1TP in hohen Breitengraden seltener verfügbar (bis zu 50 % weniger) als in Gebirgsregionen der gemäßigten Breiten. Basierend auf den oben genannten Fakten wurde die Regionale Höhe der Schneefallgrenze (RSE) ausgewählt um Schneedynamiken in Gebirgsregionen zu charakterisieren, da diese Wolken in optischen Szenen bewältigen kann. In dieser Arbeit wurde ein fünf-Stufen Rahmenwerk geschaffen, um RSE-Zeitserien in Europäischen Gebirgen abzuleiten und zu verdichten. Die Prozessierungskette besteht aus (1) Vorprozessierung, (2) Schneedetektion, (3) RSE-Ableitung, (4) Zeitreihenverdichtung und (5) Erstellung einer regionalen Schneegrenzen-Rückgangsfunktion (RSRC). Die Ergebnisse der intra-annuellen RSE Variationen zeigen eine einzigartige hohe Variation im Beginn der Abschmelzsaison im alpinen Einzugsgebiet Tagliamento, meist in höheren Gebieten. Wie für die inter-annuellen Variationen des RSE, steigt auch der Median des RSE in allen ausgewählten Einzugsgebieten mit einer durchschnittlichen Geschwindigkeit von 4.66 m ∙ a−1 (median) und 5.87 m ∙ a−1 (zum Beginn der Schmelze). Der schnellste signifikante Rückgang kann im Einzugsgebiet Drac (10.66 m ∙ a−1, Beginn der Schmelze) beobachtet werden, der langsamste Rückgang im Einzugsgebiet Uzh (1.74 m ∙ a−1, Beginn der Schmelze). Der Anstieg des RSE zu Beginn der Schmelzsaison ist schneller als der Median des RSE, dessen mittlere Differenz 1.21 m ∙ a−1 beträgt. Insbesondere für das Drac Einzugsgebiet (3.72 m ∙ a−1). Die Ergebnisse des RSRC zeigen signifikante Anstiege des RSE zu Beginn des Schmelzsaison, ausgenommen davon sind die alpinen Einzugsgebiete Alpenrhein und Var und das Einzugsgebiet Ariege in den Pyrenäen. Dies lässt darauf zurückschließen, dass 11.8 °C und 3.97 °C Grad weniger pro Jahr nötig sind für Tagliamento und Tysa, damit die regionalen Schneegrenzen den Mittelpunkt des RSRC erreicht. Zudem wird die Variation der Lufttemperatur als beispielhafter Treiber des Klimas in dieser Thesis gesehen. Die monatlich abgeleiteten mittleren RSE korrelieren stark (mittlerer korrelations Coeffizient R ̅ = 0.7) mit monatlichen Temperaturanomalien. In Monaten mit extrem hohen/tiefen Temperaturen ist die Korrelation am stärksten. Ein anderes Fallbeispiel untersucht die Korrelation zwischen Abfluss in Flüssen und RSE, um die potenziellen Konsequenzen der abgeleiteten Schneefallgrenzendynamiken zu ermitteln. Die Korrelationsanalyse weist eine gute Korrelation auf (R=0.52). Das in dieser Arbeit entwickelte Rahmenwerk ist nur ein Beginn, um das Wissen über Schneedynamiken in Gebirgsregionen zu verbessern und potentiell auslösende Faktoren und Konsequenzen zu verstehen. Dennoch wird folgendes dringend benötigt: (1) Validierungsdaten für schneebasierte Langzeitbeobachtungen aus hochaufgelösten Erdbeobachtungsdaten; (2) weitere Studien zu Interaktionen zwischen Schnee und der umgebende Umwelt; und (3) regionale und lokale Anpassungsstrategien, um Auswirkungen des Klimawandels zu meistern. Weitere Studien in den oben genannten Punkten werden in der Zukunft stark frequentiert sein, damit Wissens- und Forschungslücken geschlossen werden können.

In der vorliegenden Dissertation wurde am Beispiel der Biotoptypenklassifikation für ein flächenscharfes Monitoring an der Unterelbe das Potenzial zur Auswertung neuer höchst auflösender digitaler Fernerkundungsdaten untersucht. Es wurde festgestellt, dass die digitale Datenbasis in Kombination mit einer Auswertung mittels integrierter GIS- und Fernerkundungsmethoden eine weitgehend automatisierte und standardisierte Klassifikation von Biotoptypen ermöglicht. Hierbei wurden unterschiedliche Ansätze, sowohl konventionelle als auch objektorientierte Auswerteverfahren, auf verschiedene Daten in drei Untersuchungsgebieten getestet bzw. erweitert.

With accelerating global climate change, the Antarctic Ice Sheet is exposed to increasing ice dynamic change. During 1992 and 2017, Antarctica contributed ~7.6 mm to global sea-level-rise mainly due to ocean thermal forcing along West Antarctica and atmospheric warming along the Antarctic Peninsula (API). Together, these processes caused the progressive retreat of glaciers and ice shelves and weakened their efficient buttressing force causing widespread ice flow accelerations. Holding ~91% of the global ice mass and 57.3 m of sea-level-equivalent, the Antarctic Ice Sheet is by far the largest potential contributor to future sea-level-rise. Despite the improved understanding of Antarctic ice dynamics, the future of Antarctica remains difficult to predict with its contribution to global sea-level-rise representing the largest uncertainty in current projections. Given that recent studies point towards atmospheric warming and melt intensification to become a dominant driver for future Antarctic ice mass loss, the monitoring of supraglacial lakes and their impacts on ice dynamics is of utmost importance. In this regard, recent progress in Earth Observation provides an abundance of high-resolution optical and Synthetic Aperture Radar (SAR) satellite data at unprecedented spatial and temporal coverage and greatly supports the monitoring of the Antarctic continent where ground-based mapping efforts are difficult to perform. As an automated mapping technique for supraglacial lake extent delineation in optical and SAR satellite imagery as well as a pan-Antarctic inventory of Antarctic supraglacial lakes at high spatial and temporal resolution is entirely missing, this thesis aims to advance the understanding of Antarctic surface hydrology through exploitation of spaceborne remote sensing. In particular, a detailed literature review on spaceborne remote sensing of Antarctic supraglacial lakes identified several research gaps including the lack of (1) an automated mapping technique for optical or SAR satellite data that is transferable in space and time, (2) high-resolution supraglacial lake extent mappings at intra-annual and inter-annual temporal resolution and (3) large-scale mapping efforts across the entire Antarctic continent. In addition, past method developments were found to be restricted to purely visual, manual or semi-automated mapping techniques hindering their application to multi-temporal satellite imagery at large-scale. In this context, the development of automated mapping techniques was mainly limited by sensor-specific characteristics including the similar appearance of supraglacial lakes and other ice sheet surface features in optical or SAR data, the varying temporal signature of supraglacial lakes throughout the year as well as effects such as speckle noise and wind roughening in SAR data or cloud coverage in optical data. To overcome these limitations, this thesis exploits methods from artificial intelligence and big data processing for development of an automated processing chain for supraglacial lake extent delineation in Sentinel-1 SAR and optical Sentinel-2 satellite imagery. The combination of both sensor types enabled to capture both surface and subsurface lakes as well as to acquire data during cloud cover or wind roughening of lakes. For Sentinel-1, a deep convolutional neural network based on residual U-Net was trained on the basis of 21,200 labeled Sentinel-1 SAR image patches covering 13 Antarctic regions. Similarly, optical Sentinel-2 data were collected over 14 Antarctic regions and used for training of a Random Forest classifier. Optical and SAR classification products were combined through decision-level fusion at bi-weekly temporal scale and unprecedented 10 m spatial resolution. Finally, the method was implemented as part of DLR’s High-Performance Computing infrastructure allowing for an automated processing of large amounts of data including all required pre- and postprocessing steps. The results of an accuracy assessment over independent test scenes highlighted the functionality of the classifiers returning accuracies of 93% and 95% for supraglacial lakes in Sentinel-1 and Sentinel-2 satellite imagery, respectively. Exploiting the full archive of Sentinel-1 and Sentinel-2, the developed framework for the first time enabled the monitoring of seasonal characteristics of Antarctic supraglacial lakes over six major ice shelves in 2015-2021. In particular, the results for API ice shelves revealed low lake coverage during 2015-2018 and particularly high lake coverage during the 2019-2020 and 2020-2021 melting seasons. On the contrary, East Antarctic ice shelves were characterized by high lake coverage during 2016-2019 and extremely low lake coverage during the 2020-2021 melting season. Over all six investigated ice shelves, the development of drainage systems was revealed highlighting an increased risk for ice shelf instability. Through statistical correlation analysis with climate data at varying time lags as well as annual data on Southern Hemisphere atmospheric modes, environmental drivers for meltwater ponding were revealed. In addition, the influence of the local glaciological setting was investigated through computation of annual recurrence times of lakes. Over both ice sheet regions, the complex interplay between local, regional and large-scale environmental drivers was found to control supraglacial lake formation despite local to regional discrepancies, as revealed through pixel-based correlation analysis. Local control factors included the ice surface topography, the ice shelf geometry, the presence of low-albedo features as well as a reduced firn air content and were found to exert strong control on lake distribution. On the other hand, regional controls on lake evolution were revealed to be the amount of incoming solar radiation, air temperature and wind occurrence. While foehn winds were found to dictate lake evolution over the API, katabatic winds influenced lake ponding in East Antarctica. Furthermore, the regional near-surface climate was shown to be driven by large-scale atmospheric modes and teleconnections with the tropics. Overall, the results highlight that similar driving factors control supraglacial lake formation on the API and EAIS pointing towards their transferability to other Antarctic regions. / Der antarktische Eisschild erfährt angesichts der globalen Erderwärmung zunehmende eisdynamische Veränderungen. Zwischen 1992 und 2017 trug die Antarktis mit ~7.6 mm zum globalen Meeresspiegelanstieg bei, was vor allem auf die Erwärmung des Ozeans entlang der Westantarktis und die Erwärmung der Atmosphäre entlang der Antarktischen Halbinsel zurückzuführen ist. Zusammen verursachten diese Prozesse den fortschreitenden Rückgang von Gletschern und Schelfeis und schwächten ihren Rückhalteeffekt. Mit einem Anteil von ~91% an der globalen Eismasse und einem Meeresspiegeläquivalent von 57.3 m ist der antarktische Eisschild der größte potentielle Verursacher eines zukünftigen Meeresspiegelanstiegs. Trotz des verbesserten Verständnisses der antarktischen Eisdynamik kann die Zukunft der Antarktis nur schwer vorhergesagt werden. In Anbetracht der Tatsache, dass die Erwärmung der Atmosphäre und die damit einhergehende Oberflächenschmelze eine der Hauptursachen für künftige Massenverluste der Antarktis sein werden, ist die Kartierung von supraglazialen Seen von größter Bedeutung und Wichtigkeit. In dieser Hinsicht liefert die Erdbeobachtung eine Vielzahl von räumlich und zeitlich hochaufgelösten Satellitendaten für das Monitoring der Antarktis. Da eine automatisierte Methode zur Kartierung von supraglazialen Seen in Satellitendaten sowie ein großräumiges Inventar gänzlich fehlen, ist das Ziel dieser Arbeit zu einem besseren Verständnis der antarktischen Oberflächenhydrologie beizutragen. Zu diesem Zweck wurde ein neuartiges Prozessierungsverfahren für die automatisierte Kartierung von supraglazialen Seen in Sentinel-1 und Sentinel-2 Satellitenbilddaten entwickelt. Basierend auf einer umfassenden Literaturrecherche in Bezug auf die satellitengestützte Fernerkundung von antarktischen supraglazialen Seen wurden mehrere Forschungslücken identifiziert, darunter das Fehlen von (1) einem automatisierten Klassifikationsalgorithmus für optische und Radar Satellitendaten, der in Raum und Zeit übertragbar ist, (2) hochaufgelösten Kartierungen von supraglazialen Seen mit jährlicher sowie saisonaler zeitlicher Auflösung und (3) großräumigen Kartierungen über der gesamten Antarktis. Darüber hinaus wurde festgestellt, dass sich vergangene Methodenentwicklungen auf eine rein visuelle, manuelle oder halbautomatisierte Kartierungstechnik stützten, was ihre Anwendung auf multitemporale Satellitenbilder über dem gesamten Kontinent verhinderte. Die Entwicklung einer automatisierten Kartierungsmethode wurde hierbei vor allem durch sensorspezifische Merkmale eingeschränkt, darunter das ähnliche Erscheinungsbild von supraglazialen Seen und anderen Landbedeckungsklassen in optischen oder Radar Daten, die variierende zeitliche Signatur von supraglazialen Seen sowie Effekte wie SpeckleRauschen oder die Windaufrauhung von Seen in Radar Daten. Um diese Limitierungen zu überwinden, basiert der entwickelte Algorithmus zur automatisierten Kartierung von supraglazialen Seen in optischen and Radar Satellitendaten auf Methoden der künstlichen Intelligenz und der Big-Data-Analytik. Die Kombination von beiden Sensortypen ermöglicht es, sowohl supraglaziale als auch mit Schnee bedeckte Seen zu erfassen. Für Sentinel-1 wurde ein neuronales Netzwerk basierend auf „residual U-Net“ mittels 21,200 Radaraufnahmen über 13 antarktischen Regionen trainiert. In ähnlicher Weise wurden optische Sentinel-2 Daten über 14 antarktischen Regionen gesammelt und zum Trainieren eines „Random Forest“ Klassifikators verwendet. Die beiden Methoden wurden durch die Fusion von optischen und Radar Klassifikationsergebnissen kombiniert und als Teil der DLR-internen Prozessierungs-Infrastruktur auf Hochleistungsrechnern implementiert, die eine vollautomatische Verarbeitung großer Datenmengen einschließlich aller erforderlichen Vor- und Nachverarbeitungsschritte ermöglichen. Eine Fehleranalyse über unabhängigen Testszenen zeigte die Funktionalität der Algorithmen, die Genauigkeiten von 93% bzw. 95% für supraglaziale Seen in Sentinel-1 und Sentinel-2 Daten erreichten. Unter Nutzung des gesamten Archivs an Sentinel-1 und Sentinel-2 Daten im Zeitraum 2015-2021 ermöglichte die entwickelte Prozessierungs-Kette erstmals die Erfassung von saisonalen Merkmalen supraglazialer Seen über sechs großen SchelfeisRegionen. Die Ergebnisse für die Antarktische Halbinsel zeigten ein geringes Auftreten von supraglazialen Seen im Zeitraum 2015-2018 und ein stark erhöhtes Auftreten von supraglazialen Seen während der Schmelzsaison 2019-2020 und 2020-2021. Im Gegensatz dazu war die Ostantarktis durch ein stark erhöhtes Auftreten von supraglazialen Seen in den Jahren 2016-2019 sowie ein stark reduziertes Auftreten von supraglazialen Seen während der Schmelzsaison 2020-2021 gekennzeichnet. Über beiden Regionen entwickelten sich ausgeprägte Seen-Netzwerke, die ein erhöhtes Risiko für die Stabilität von Schelfeis darstellen. Durch statistische Korrelationsanalysen mit saisonalen Klimadaten sowie jährlichen Daten zu atmosphärischen Modi wurden Umwelteinflüsse auf die Entstehung von Seen analysiert. In beiden antarktischen Regionen wurde festgestellt, dass das komplexe Zusammenspiel von lokalen, regionalen und großräumigen Umweltfaktoren die Entstehung von supraglazialen Seen begünstigt. Zu den lokalen Einflussfaktoren gehören die Topographie, die Schelfeisgeometrie, das Vorhandensein von Oberflächen mit geringer Albedo sowie ein reduzierter Luftgehalt im Firn. Andererseits wurde festgestellt, dass die Sonneneinstrahlung, die Lufttemperatur und Wind die Entstehung von Seen regional beeinflussen. Während Föhnwinde über der Antarktischen Halbinsel auftreten, dominieren katabatische Winde in der Ostantarktis. Darüber hinaus wurde verdeutlicht, dass das regionale Klima von atmosphärischen Modi beeinflusst wird. Insgesamt deuten die Ergebnisse darauf hin, dass ähnliche Umweltfaktoren die Entstehung von supraglazialen Seen über beiden Regionen steuern, was Rückschlüsse auf ihre Übertragbarkeit in andere antarktische Regionen zulässt.

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. / Die Untersuchung von Erdsystemkomponenten und deren Wechselwirkungen ist von großer Relevanz, um das Prozessverständnis sowie die Auswirkungen des globalen Klimawandels auf die Landoberfläche zu verbessern. In diesem Zusammenhang liefert die Erdbeobachtung (EO) wertvolle Langzeitaufnahmen zu einer Vielzahl an Landoberflächenvariablen. Diese können als Indikator für die Erdsystemkomponenten genutzt werden und sind essenziell für großflächige Analysen. Flusseinzugsgebiete sind besonders geeignet um Landoberflächendynamiken mit multivariaten Zeitreihen zu analysieren, da diese verschiedene Sphären des Erdsystems umfassen. Zur Charakterisierung der Landoberfläche stehen zahlreiche EO-Missionen mit unterschiedlichen Eigenschaften zur Verfügung. Nur einige wenige Missionen gewährleisten jedoch die Erstellung von räumlich und zeitlich konsistenten Zeitreihen mit äquidistanten Beobachtungen über großräumige Untersuchungsgebiete, wie z.B. die MODIS Sensoren. Um bisherige EO-Analysen zu Landoberflächendynamiken in großen Flusseinzugsgebieten zu untersuchen, wurde eine Literaturrecherche durchgeführt, wobei mehrere Forschungslücken identifiziert wurden. Studien untersuchten nur selten ein ganzes Einzugsgebiet, sondern konzentrierten sich lediglich auf Teilgebietsgebiete oder regionale Untersuchungsgebiete. Darüber hinaus wurden transnationale Einzugsgebiete nur unzureichend analysiert, wobei sich die Studien größtenteils auf ausgewählte Anrainerstaaten beschränkten. Auch wurde die Analyse von Umweltveränderungen meistens anhand einer einzigen EO-Landoberflächenvariable durchgeführt, während eine synergetische Untersuchung von sphärenübergreifenden Landoberflächenvariablen kaum unternommen wurde. Um diese Forschungslücken zu adressieren, ist ein methodischer Ansatz notwendig, der (1) die Vorverarbeitung und Harmonisierung von Zeitreihen aus mehreren Quellen und (2) die statistische Analyse eines multivariaten Merkmalsraums ermöglicht. Für die Entwicklung und Anwendung eines methodischen Frameworks, das raum-zeitlich übertragbar ist, wurden die transnationalen Einzugsgebiete Indus, Ganges, Brahmaputra und Meghna (IGBM) in Südasien, deren Größe etwa der achtfachen Fläche von Deutschland entspricht, ausgewählt. Diese Einzugsgebiete hängen weitgehend von den Wasserressourcen des Monsunregens und des Hochgebirges Asiens ab. Insgesamt leben über 1,1 Milliarden Menschen in dieser Region und sind zum Teil in hohem Maße von diesen Wasserressourcen abhängig, die auch für die größten zusammenhängenden bewässerten Anbauflächen der Welt und auch für weitere inländische Bedarfe unerlässlich sind. Aufgrund ihrer sehr heterogenen geographischen Gegebenheiten ermöglichen diese Einzugsgebiete eine detaillierte sphärenübergreifende Analyse der Wechselwirkungen, einschließlich der Anthroposphäre, Biosphäre, Kryosphäre, Hydrosphäre, Lithosphäre und Atmosphäre. In dieser Dissertation wurden Landoberflächendynamiken der letzten zwei Jahrzehnte anhand von EO-Zeitreihen zum Vegetationszustand, zu Oberflächengewässern und zur Schneebedeckung analysiert. Diese basieren auf MODIS-Aufnahmen, dem DLR Global WaterPack und dem JRC Global Surface Water Layer sowie dem DLR Global SnowPack. Diese Zeitreihen wurden in Kombination mit weiteren klimatischen, hydrologischen und anthropogenen Variablen ausgewertet. Die Harmonisierung des multivariaten Merkmalsraumes ermöglichte die Analyse von Landoberflächendynamiken unter Nutzung von statistischen Methoden. Diese Methoden umfassen (1) die Berechnung von Trends mittels des Mann-Kendall und des Theil-Sen Tests, (2) die Berechnung von phänologischen Metriken anhand des Timesat-Tools, (3) die Bewertung von treibenden Variablen unter Nutzung des PCMCI Algorithmus und (4) zusätzliche Korrelationstests zur Analyse des menschlichen Einflusses auf den Vegetationszustand und die Wasseroberfläche. Diese Analysen wurden auf jährlichen und saisonalen Zeitskalen und für verschiedene räumliche Einheiten durchgeführt. Für den Vegetationszustand wurden weitgehend signifikant positive Trends ermittelt. Analysen haben gezeigt, dass landwirtschaftliche Nutzflächen am meisten zu diesen Trends beitragen haben. Besonders hoch waren die Trends in ariden Regionen. Bei Oberflächengewässern wurden auf jährlicher Ebene signifikant positive Trends festgestellt. Auf Pixelebene wurden jedoch sowohl regional als auch saisonal Cluster mit signifikant negativen Trends identifiziert. Die Trends für die Schneebedeckung blieben auf jährlicher Ebene weitgehend stabil, jedoch wurden in Teilen der Einzugsgebiete zu bestimmten Jahreszeiten signifikant negative Trends beobachtet. Die negativen Trends wurden auch für höhenabhängige Zonen festgestellt, insbesondere in hohen Lagen. Außerdem wurden in Teilen der Einzugsgebiete Rückgänge bei der saisonalen Dauer der Schneebedeckung ermittelt. Darüber hinaus ergab die Untersuchung des multivariaten Merkmalsraums auf kausale Zusammenhänge auf saisonaler Ebene erstmals Aufschluss über direkte und indirekte Relationen zwischen EO-Landoberflächenvariablen und den entsprechenden Einflussfaktoren. Zusammengefasst wurde die Vegetation durch die Wasserverfügbarkeit, die Oberflächengewässer durch den Abfluss und indirekt durch den Niederschlag sowie die Schneebedeckung durch Niederschlag und Temperatur mit räumlichen und saisonalen Unterschieden kontrolliert. Zusätzliche Analysen wiesen auf einen positiven Zusammenhang zwischen dem menschlichen Einfluss und den zunehmenden Trends in der Vegetationsfläche hin. Diese sphärenübergreifenden Untersuchungen zu Trends und Wechselwirkungen liefern neue und wertvolle Einblicke in den vergangenen Zustand von Landoberflächendynamiken sowie in die relevanten klimatischen und hydrologischen Einflussfaktoren. Neben den untersuchten Einzugsgebieten in Südasien sind diese Erkenntnisse auch für weitere Einzugsgebiete und geographische Regionen von großer Bedeutung.

Processes of the Earth’s surface occur at different scales of time and intensity. Climate in particular determines the activity and seasonal development of vegetation. These dynamics are predominantly driven by temperature in the humid mid-latitudes and by the availability of water in semi-arid regions. Human activities are a modifying parameter for many ecosystems and can become the prime force in well-developed regions with an intensively managed environment. Accounting for these dynamics, i.e. seasonal dynamics of ecosystems and short- to long-term changes in land-cover composition, requires multiple measurements in time. With respect to the characterization of the Earth surface and its transformation due to global warming and human-induced global change, there is a need for appropriate data and methods to determine the activity of vegetation and the change of land cover. Space-borne remote sensing is capable of monitoring the activity and development of vegetation as well as changes of the land surface. In many instances, satellite images are the only means to comprehensively assess the surface characteristics of large areas. A high temporal frequency of image acquisition, forming a time series of satellite data, can be employed for mapping the development of vegetation in space and time. Time series allow for detecting and assessing changes and multi-year transformation processes of high and low intensity, or even abrupt events such as fire and flooding. The operational processing of satellite data and automated information-extraction techniques are the basis for consistent and continuous long-term product generation. This provides the potential for directly using remote-sensing data and products for analyzing the land surface in relation to global warming and global change, including deforestation and land transformation. This study aims at the development of an advanced approach to time-series generation using data-quality indicators. A second goal focuses on the application of time series for automated land-cover classification and update, using fractional cover estimates to accommodate for the comparatively coarse spatial resolution. Requirements of this study are the robustness and high accuracy of the approaches as well as the full transferability to other regions and datasets. In this respect, the developments of this study form a methodological framework, which can be filled with appropriate modules for a specific sensor and application. In order to attain the first goal, time-series compilation, a stand-alone software application called TiSeG (Time Series Generator) has been developed. TiSeG evaluates the pixel-level quality indicators provided with each MODIS land product. It computes two important data-availability indicators, the number of invalid pixels and the maximum gap length. Both indices are visualized in time and space, indicating the feasibility of temporal interpolation. The level of desired data quality can be modified spatially and temporally to account for distinct environments in a larger study area and for seasonal differences. Pixels regarded as invalid are either masked or interpolated with spatial or temporal techniques. / Prozesse an der Erdoberfläche finden auf verschiedenen Intensitätsskalen und in unterschiedlichen Zeiträumen statt. Dabei steuert das Klima die saisonale Aktivität der Vegetation, welche in den humiden Mittelbreiten hauptsächlich durch die Temperatur bestimmt wird. In semi-ariden Gebieten hingegen ist die Verfügbarkeit von Wasser als Haupteinflussfaktor für das Pflanzenwachstum zu betrachten. Andererseits greift auch der Mensch modifizierend in das Ökosystem ein. Dies gilt insbesondere für die stark besiedelten und intensiver genutzten Räume der Erde, in denen die Umwelt nahezu ausschließlich durch den Menschen gesteuert wird. Zur Beurteilung dieser Dynamiken, sowohl der natürlichen saisonalen Muster als auch der kurz- bis langfristigen Änderungen der Landschaft, ist die Aufnahme einer Vielzahl von Messungen über eine längere Periode erforderlich. Insbesondere im Zusammenhang mit der Charakterisierung der Landoberfläche und deren Veränderung im Rahmen der Erderwärmung aber auch des wachsenden Einflusses des Menschen auf die Umwelt besteht somit ein Bedarf an geeigneten Daten und Methoden zur Bestimmung der jährlichen Aktivität von Vegetationseinheiten und der wiederholbaren Kartierung der Landoberfläche. Die Satellitenfernerkundung ist in der Lage, durch Messung von Strahlung die Aktivität der Vegetation zu bestimmen sowie die Klassifikation der Landoberfläche abzuleiten. In vielen Fällen sind Satellitenaufnahmen die einzige Möglichkeit, große Flächen der Erde umfassend und einheitlich zu beurteilen. Dabei kann durch eine Vielzahl aufeinander folgender Aufnahmen, d.h. eine Zeitreihe aus Satellitendaten, die Entwicklung der Vegetation in Raum und Zeit beobachtet werden. Zeitreihen bieten das Potential, Veränderungen der Landoberfläche über mehrere Jahre zu dokumentieren und somit Prozesse sowohl hoher als auch niedriger Intensität abzuleiten. Neben diesen gerichteten Veränderungen können auch plötzliche Ereignisse, wie z.B. Hochwasser oder Brände, mit Zeitreihen erfasst und in Bezug auf normale Bedingungen ausgewertet werden. Insbesondere die operationelle Prozessierung der Satellitendaten und die automatisierte Ableitung von Informationen bilden die Basis für konsistente und kontinuierliche Produkte über längere Zeiträume. Somit besteht das Potential, die Ergebnisse direkt in die Erforschung der Landoberfläche und deren Veränderung, z.B. durch die Erderwärmung, Walddegradation, oder die Nutzung vormals natürlicher Flächen, einzubinden. Diese Dissertation befasst sich mit der Entwicklung von Methoden zur Zeitreihengenerierung unter Verwendung der Qualitätsindikatoren einzelner Aufnahmen. Ein zweites Ziel der Arbeit ist die Anwendung der optimierten Zeitreihen zur automatisierten und reproduzierbaren Kartierung der Landoberfläche, wobei unscharfe Klassifikationsverfahren zur genaueren Charakterisierung der räumlich nur grob aufgelösten Daten eingesetzt werden. Damit erfordert diese Arbeit sowohl Robustheit der eingesetzten Methoden als auch eine hohe Genauigkeit der Ergebnisse. Ebenso maßgeblich ist die Übertragbarkeit der Verfahren, einerseits auf verschiedene Regionen als auch auf verschiedene Datensätze. Daher sind die hier vorgenommenen Entwicklungen als ein Rahmen zu verstehen, der je nach Sensor oder Anwendung mit verschiedenen Modulen besetzt werden kann. Zum Erreichen des ersten Zieles, der Zeitreihengenerierung, wurde das eigenständige Softwareprodukt TiSeG (Time Series Generator) entwickelt. TiSeG dient der Auswertung der Qualitätsindikatoren die mit jedem MODIS-Produkt für terrestrische Applikationen zur Verfügung gestellt werden. Dabei werden in Bezug auf die Generierung von Zeitreihen zwei Indizes der Datenverfügbarkeit ermittelt: erstens die Anzahl der ungültigen Pixel und zweitens die längste zeitliche Datenlücke. Beide Indizes werden räumlich und zeitlich dargestellt und geben so dem Bearbeiter die Information, ob mit den aktuellen Qualitätsangaben die Generierung einer sinnvollen Zeitreihe durch zeitliche Dateninterpolation möglich ist. Die Qualitätseinstellungen können sowohl zeitlich als auch räumlich angepasst werden. Eine zeitliche Änderung kann beispielsweise für bestimmte Jahreszeiten sinnvoll sein. Räumlich unterschiedliche Qualitätseinstellungen eignen sich für größere Untersuchungsgebiete mit differenzierten physisch-geographischen Charakteristika. Als ungültig betrachtete Pixel können durch einen Fehlwert maskiert oder durch zeitliche und räumliche Interpolation neu errechnet werden. Das zweite Ziel dieser Arbeit ist die automatische Klassifikation von Zeitreihen. Hierzu wurde ein modulares Verfahren der überwachten Klassifikation entwickelt. Aufgrund der groben räumlichen Auflösung von MODIS-Daten erschien es besonders wichtig, ein unscharfes Verfahren aufzubauen, das die Heterogenität der Klassen in vielen Räumen besser abbilden kann. Dabei wurde der Klassenanteil eines jeden Pixel ermittelt. Die Schlüsselmodule zur erfolgreichen Durchführung der Klassifikation waren eine Multiskalenanalyse und die geeignete Auswahl von Merkmalen und Stichproben zum Trainieren des Klassifikators. Der eigentliche Klassifikationsschritt wurde durch eine Erweiterung des Entscheidungsbaumklassifikators durchgeführt. Diese Erweiterung kann in den bestehenden Rahmen von „random forest“ und „bagging“ (ein Akronym für „bootstrap aggregation“) eingeordnet werden. Jedoch wurden die dort angewendeten Verfahren in dieser Arbeit zu einem deutlich strategischen Vorgehen modifiziert, d.h. es wurde auf das Prinzip der Zufallsauswahl und der Wiederverwendung von Stichproben (Ziehen mit Zurücklegen) verzichtet. In Bezug auf die anfangs geschilderten Anforderungen, Robustheit, Genauigkeit und Übertragbarkeit, kann an dieser Stelle festgestellt werden, dass sich die in dieser Arbeit entwickelten Methodiken als geeignet erwiesen haben. Insbesondere die Übertragbarkeit auf andere Regionen und Daten war eine große Herausforderung, da hierdurch kein zusätzliches a priori Wissen außer den Trainingsdaten zum überwachten Klassifizieren benutzt werden konnte. Die regionale Übertragbarkeit ist für mehrere Untersuchungsräume mit sehr unterschiedlichen physisch-geographischen Eigenschaften demonstriert worden. Obwohl TiSeG derzeit nicht direkt auf andere Datensätze außer MODIS angewendet wird, bildet die zugrunde liegende Idee der Auswertung von Qualitätsdaten zur Zeitreihengenerierung sowie der entwickelte Rahmen der Software die Möglichkeit der Erweiterung, z.B. auf Daten von MERIS und auf das zukünftige VIIRS-Instrument. Des Weiteren ist das grundlegende Konzept der Qualitätsauswertung in einem separaten Prozessor für AVHRR NDVI Daten zu einem vollautomatischen, schrittweise interpolierenden Verfahren erweitert worden. Das in dieser Arbeit vorgestellte modulare Klassifikationsverfahren erfordert keine besonderen Eingangsdaten, wie z.B. bestimmte MODIS Zeitreihen. Dies wurde durch den Gebrauch unterschiedlicher Eingangsdaten zur Generierung der Maßzahlen bei der Sensitivitätsanalyse bestätigt. Damit ist der Prozess weder auf MODIS-Zeitserien noch auf Zeitreihen generell beschränkt. Der gesamte automatische Klassifikationsprozess ist datengesteuert, sowohl was die zu klassifizierenden Daten als auch die Trainingsdaten angeht. Die Unschärfe in den Ergebnissen ermöglicht die detaillierte Auswertung der Klassenzusammensetzung, was ein besonders wichtiger Aspekt bei grob aufgelösten Datenprodukten und deren Anpassungsfähigkeit auf andere Anwendungen ist.

Weltweit sind Trockengebiete in ständiger Veränderung, verursacht durch natürliche klimatische Schwankungen und oftmals durch Prozesse der Landdegradation. Auch weisen die meisten semi-ariden Naturräume eine große räumliche Heterogenität auf, hervorgerufen durch ein kleinräumiges Mosaik aus Gräsern, kleineren Sträuchern und Bereichen offenliegenden Bodens. Die Dichte der Vegetation wird primär vom pflanzenverfügbaren Wasser bestimmt, aber auch der Entwicklungs- und Degradationszustand der Böden sowie anthropogen bedingte Faktoren spielen hierbei eine Rolle. Zur Charakterisierung und Kartierung der Vegetation sowie zur Bewertung des Bodenerosionsrisikos und des Degradationszustands hat sich die Erhebung der Bedeckungsgrade von vitaler, photosynthetisch aktiver Vegetation (PV), von abgestorbener oder zeitweise vertrockneter und somit nicht photosynthetisch aktiver Vegetation (NPV) sowie von offenliegendem Boden als zweckmäßig herausgestellt. Die Nutzung der Fernerkundung für diese Aufgabe erfolgt zumeist nur für kleinmaßstäbige Kartierungen und – im Falle von Multispektralsensoren – unter Vernachlässigung nicht-photosynthetisch aktiver Vegetation. Die räumliche Variabilität der Vegetation-Boden-Mosaike liegt oftmals in der Größenordnung von wenigen Metern und somit unterhalb des räumlichen Auflösungsvermögens von Fernerkundungssystemen. Um dennoch die verschiedenen Anteile innerhalb eines Pixels identifizieren und quantifizieren zu können, sind Methoden der Subpixel-Klassifikation notwendig. In dieser Arbeit wird eine Methodik zur verbesserten und automatisierbaren Ableitung von Bodenbedeckungsgraden in semi-ariden Naturräumen vorgestellt. Hierzu wurde ein Verfahren zur linearen spektralen Entmischung in Form einer Multiple Endmember Spectral Mixture Analysis (MESMA) entwickelt und umgesetzt. Durch diese Methodik kann explizit die spektrale Variabilität von Vegetation und Boden in das Mischungsmodellmiteinbezogen werden, und quantitative Anteile für die funktionalen Klassen PV, NPV und Boden innerhalb eines Pixels erfasst werden. Durch die räumliche Kartierung der verwendeten EM wird weiterhin eine thematische Klassifikation erreicht. Die hierfür benötigten Informationen können – wie im Falle der Spektren reiner Materialien (EM-Spektren) – aus den Bilddaten selbst abgeleitet werden, oder können – wie ein Geländemodell und die Information über den Scanwinkel – im Zuge der Vorprozessierung aus weiteren Datenquellen erzeugt werden. Hinsichtlich der automatisierten EM-Ableitung wird eine zweistufige Methodik eingesetzt, welche auf einer angepassten Version des Sequential Maximum Angle Convex Cone (SMACC)-Verfahrens sowie der Analyse einer ersten Entmischungsiteration basiert. Die Klassifikation der gefundenen potentiellen EM erfolgt durch ein merkmalsbasiertes Verfahren. Weiterhin weisen nicht-photosynthetisch aktive Vegetation und Boden eine hohe spektrale Ähnlichkeit auf. Zur sicheren Trennung kann die Identifikation schmaler Absorptionsbanden dienen. Zu diesen zählen beispielsweise die Absorptionsbanden von Holozellulose und – je nach Bodentyp – Absorptionsbanden von Bodenmineralen. Auch die spektrale Variabilität der Klassen PV und NPV erfordert zur sicheren Unterscheidung die Verwendung biophysikalisch erklärbarer Merkmale im Spektrum. Hierzu zählen unter anderem die Stärke der Chlorophyll-Absorption, die Form und Lage der ’RedEdge’ und das Auftreten von Holozellulosebanden. Da diese spektrale Information bei herkömmlichen Entmischungsansätzen nicht berücksichtigt wird, erfolgt überwiegend eine Optimierung der Gesamtalbedo, was zu einer schlechten Trennung der Klassen führen kann. Aus diesem Grund wird in der vorliegenden Arbeit der MESMA-Ansatz dahingehend erweitert, dass spektrale Information in Form von identifizierten und parametrisierten Absorptionsbanden in den Entmischungsprozess mit einfließt und hierdurch das Potential hyperspektraler Datensätze besser genutzt werden kann. Auch wird in einer zusätzlichen Entmischungsiteration die räumliche Nachbarschaft betrachtet, um insbesondere die Verwendung des sinnvollsten Boden-EMs zu gewährleisten. Ein zusätzliches Problemfeld stellt die numerische Lösung des überbestimmten und oftmals schlecht konditionierten linearen Mischungsmodells dar. Hierzu kann durch die Verwendung des BVLS-Algorithmus und des Ausschlusses kritischer EM-Kombinationen eine numerisch stabile Lösung gefunden werden. Um die oftmals immense Rechenzeit von MESMA-Verfahren zu verkürzen, besteht die Möglichkeit einer iterativen EM-Auswahl und somit die Vermeidung einer Lösung des Mischungssystems durch Berechnung aller EM-Kombinationen (’Brute-Force’-Ansatz). Ein weiterer wichtiger Punkt ist die explizite pixelweise Angabe zur Zuverlässigkeit der Entmischungsergebnisse. Dies erfolgt auf Basis des Mischungsmodells selbst, durch den Vergleich zu empirischen Regressionsmodellen, durch die Berücksichtigung des lokalen Einfallswinkels sowie durch die Integration von Qualitätsangaben der Ausgangsdaten. Um das Verfahren systematisch und unter kontrollierten Bedingungen zu verifizieren und um den Einfluss verschiedener externer Parameter sowie die typischen Genauigkeiten auf einer breiten Datenbasis zu ermitteln, wird eine Simulationskette zur Erzeugung synthetischer Mischungen erstellt. In diese Simulationen fließen Feldspektren von Böden und Pflanzen verschiedener semi-arider Gebiete mit ein, um möglichst viele Fälle abdecken zu können. Die eigentliche Validierung erfolgt auf HyMap-Datensätzen des Naturparks ’Cabo de Gata’ in der andalusischen Provinz Almería sowie auf Messungen, die begleitend im Feld durchgeführt wurden. Hiermit konnte die Methodik auf ihre Genauigkeit unter den konkreten Anforderungen des Anwendungsbeispiels überprüft werden. Die erzielbare Genauigkeit dieser automatisierten Methodik liegt mit einem mittleren Fehler um rund 10% Abundanz absolut im selben Wertebereich oder nur geringfügig höher als die Ergebnisse publizierter manueller MESMA-Ansätze. Weiterhin konnten die typischen Genauigkeiten der Verifikation im Zuge der Validierung bestätigt werden. Den limitierenden Faktor des Ansatzes stellen in der Praxis fehlerhafte oder unvollständige EM-Modelle dar. Mit der vorgestellten Methodik ist somit die Möglichkeit gegeben, die Bedeckungsgrade quantitativ und automatisiert im Subpixelbereich zu erfassen. / Hyperspectral remote sensing has shown the potential to directly identify and parameterize absorption features and form parameters of spectral signatures. Using this information bio- and geo-physical properties of the sensed surfaces can be retrieved. Conventional spectral unmixing approaches disregard this information since all data values are equally incorporated despite their spectral position. The approach introduced in this thesis for the first time combines an automated spectral unmixing methodology with methods of spectral identification in order to use the full potential of spectroscopic data. An intrinsic property of semi-arid environments all over the world is large spatial heterogeneity caused by a small-scaled mosaic of grasses, small bushes and patches of bare soil. Vegetation cover is primarily limited by water, but also the status of the soil as well as anthropogenetic factors are important. The cover percentage is a standard parameter in vegetation mapping, for soil risk assessment, and for the assessment of land degradation. Therefore, it was found appropriate in a large number of studies to retrieve cover percentage for the functional classes of bare soil, vital photosynthetic active vegetation (PV) as well as dead or senescent non-photosynthetic Vegetation (NPV). For these tasks remote sensing is often applied only for small-scaled applications, and, when using multispectral sensors, commonly neglects non-photosynthetic vegetation. Also, the spatial extent of vegetation and soil patches is in many cases smaller than the spatial resolution of the sensor. Thus subpixel classifiers are required in order to identify and quantify the fractions within a single pixel. The aim of this study is to develop a methodology to provide accurate cover fractions for the mentioned functional classes at the patch scale. Therefore an automated methodology for quantitative subpixel classification based on linear spectral unmixing of hyperspectral data is introduced. This automated thematic processor, denoted muMESMA in the following, can be linked to automated pre-processing chains for hyperspectral data. All parts of muMESMA are verified using a series of spectral simulations in order to systematically test the consistency, general applicability and dependency on input variables of the approach. Also, typical error margins of the approach are estimated based on this large database of test scenarios. Validation of the thematic processor is then carried out for an application example based on multiple HyMap scenes of the ’Cabo de Gata’ natural park, province Almería, southeast Spain. The area is dominated by tussock grasses, small bushes and abandoned agricultural fields, and can be considered typical for semi-arid grasslands. To ensure an automated and widely applicable methodology, all required information should be retrieved from the imagery itself or from standard pre-processing products. In the case of spectral unmixing, the detection of all required spectral signatures of pure scene materials (denoted as Endmembers, EM) from the image itself is critical. For this purpose the Sequential Maximum Angle Convex Cone (SMACC) method is adjusted for automated usage. In order to increase the EM detection rate an additional approach is included in muMESMA. Potential new EM can be identified during a first unmixing iteration based on the assumption that pixels which can not be accurately modelled have a higher chance of being EM themselves. Using this two-step approach for endmember detection, about 70% of all EM spectra could be automatically retrieved in a series of simulated test cases. As for most unsupervised classification methods these two approaches do not include an identification of spectra. Thus muMESMA includes a decision-based spectral classifier for the classes of interest of this study. Based on diagnostic features in the spectra, the use of threshold values can be mostly avoided. The classification accuracy of this approach was 93% when using pure field spectra of the relevant classes. But this chance of ~ 1 in 10 for an inappropriate EM is critical since the accurate unmixing of most scenes requires more than 10 EM. Thus in order to guarantee suitable EM spectra and therefore accurate unmixing results a manual control of retrieved EM is highly recommended. After that the final EM set is selected based on different criteria and data tests, such as Endmember Average RMSE (EAR). To include the spectral variability of all classes in the unmixing process a large number of EM is required. But linear dependencies between spectrally similar classes significantly reduce the mathematical accuracy of the solution when using an increasing number of EMs. To avoid an ’ill-condition’ of the unmixing a Multiple Endmember Spectral Mixture Analysis (MESMA) approach is used. In this approach each image spectrum is linearly unmixed using all combinations of one spectrum for each of the classes PV, NPV and Soil. Afterwards, the model with the smallest modelling RMS-error is selected and the corresponding fractions are assigned to the pixel. For simulation scenarios the mean unmixing error can be reduced from 11.3% when using conventional manual unmixing to 9.6% using an automated MESMA. For the test area of ’Cabo de Gata’ the MESMA approach was able to accurately model the whole image with one comprehensive EM set despite changing spectral characteristics of surfaces (e. g., changes in vegetation status or composition, variation in soil type). In addition, a good condition of the mixing model without linear dependencies was achieved. The mean error over all test plots could be reduced by 0.6% abundance absolute. Using only the modelling RMS error as model selection criterion is not optimal since this measure is dominated by the overall albedo and small but important spectral features are often neglected. This might cause an increased inaccuracy of estimated ground cover fractions for the spectrally similar classes of NPV and bare soil, since the overall shape of the spectra is highly similar. Thus the residual spectrum (i. e., the part of the signal which cannot be modelled with the given EMs) is analysed using a knowledge-based approach in order to identify a meaningful EM model for each pixel. Using a combined model selection criterion based on this residual analysis, on modelling RMS and on physical constraints, the unmixing error can be further reduced to an average of 8.6% abundance absolute in simulation scenarios. The robustness of the approach is also increased, especially when introducing additional sources of error like partial shadowing, lichens, increased sensor noise or inexact EM. This increased stability is highly important for the HyMap imagery of Cabo de Gata since in all real-world applications the whole spectral variability cannot be completely represented by EMs. Thus the mean unmixing error can be significantly lowered from 15.1% abundance absolute when only optimizing the model RMS error to 11.6% abundance absolute when using the combined optimization criterion including residual analysis. The correlation between field measurements and unmixing results was significant (p < 0.005) with correlation coefficients between 0.76 and 0.86 (R2 values). This average accuracy of the automated muMESMA approach is in the same range as published values of manual field cover measurements, and is equal or only slightly higher than published results using manual MESMA approaches with similar thematic. Also, an additional unmixing iteration incorporating spatial neighbourhood information is included to ensure that a reasonable EM model is selected for each pixel. To reduce the calculation time of the three MESMA unmixing iterations muMESMA can iteratively propose EM models to avoid a ’brute force’ calculation. This methodology based on the residual analysis can significantly reduce calculation time by a factor of 7, but also reduces unmixing accuracy. Another important part of this automated thematic processor is a reliability measure of unmixing quality for every pixel. Based on the residual analysis, modelling error, comparison with empirical regression models and local incidence angle, pixels which are likely error-prone can be identified with the muMESMA approach. For areas with rough terrain the unmixing accuracy can further be increased. Local incidence angle effects significantly affect the accuracy of ground cover estimates for all measurements off-nadir where terrain is rough and vegetation patchy. When the line of sight from bare soil patches to the sensor is (partially) blocked by vegetation, the cover percentage of bare soil is underestimated, while fractional cover by vegetation is overestimated. Using the local incidence angle and empirical vegetation parameters (average height and basal area) a pixel-based empirical correction can be carried out. For the ’Cabo de Gata’ test site the average accuracy of ground increased by an additional 2% abundance absolute. Within this thesis it could be shown that the estimation of ground cover fractions for the functional classes PV, NPV and bare soil can be carried out with increased accuracy using hyperspectral data. With the exception of a recommended manual check the muMESMA approach is fully automated and can retrieve all required information from standardized input data generated by most preprocessing chains. The results of the verification carried out on a large database of field spectra from different semi-arid natural environments and different phenological conditions could be confirmed in the validation for the specific application case ’Cabo de Gata’ based on three multitemporal HyMap data sets. Thus the wide applicability of the approach can be assumed.

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. [...] / Global warming associated with climate change is one of the greatest challenges of today's world. One regulating factor of CO2 exchange with the atmosphere is the vegetation cover. Measurements of land cover changes in combination with modeling of the carbon balance can therefore contribute to determining temporal variations of CO2 sources and sinks, which is an essential necessity of existing and prospective political instruments like CDM (Clean Development Mechanism) or REDD (Reducing Emissions from Deforestation and Degradation). The need for quantifiable terrestrial carbon stocks is especially high for regions, where rates of land cover transformation and population density are high and knowledge on vegetation productivity is low. One region which is characterized by these criteria is West Africa. Therefore, carbon stocks in this region are seriously endangered by land cover change like the expansion of agriculture and forest logging. Large areas already act as carbon sources on a yearly basis instead of their previous function as carbon sink. Since only a few studies have analyzed the terrestrial carbon stocks in Africa and especially regional analysis in West Africa are missing, the following study focuses on regional scale modeling of the actual terrestrial carbon stocks. Additionally, the potential carbon stocks of unmanaged land cover and the potential for CO2 payments have been analyzed in this work. To quantify and assess carbon fluxes as well as the loss of carbon, net primary productivity of vegetation has been modeled, based on the plants characteristics to fix carbon from the atmosphere during photosynthesis. Modeling vegetation dynamics and net primary productivity has been realized by using MODIS 250m time series for semi-humid and semi-arid savanna ecosystems in West Africa. This study aimed to quantify CO2 exchanges of the Savanna regions in the Volta basin by applying and adapting the Regional Biomass Model (RBM). The RBM was developed by Jochen Richters (2005) at a resolution of 1000m for the Namibian Kaokoveld. In this study the model was optimized to the scale of 232m to consider the heterogeneous landscape in West Africa (RBM+). New input parameters with higher accuracies and resolution were generated instead of using the global standard products. The most important parameters for the modeling are FPAR and the fractional cover of herbaceous and woody vegetation. To enhance the MODIS FPAR product, linear interpolation and downscaling algorithms were applied. The main objective of the downscaling is a better representation of the finely scattered vegetation by the 232m resolution FPAR. The second optimized parameter, the fractional cover of herbaceous and woody vegetation was represented by the Vegetation Continuous Fields product (VCF) from MODIS in the originally version of the RBM. This global product reflects the vegetation structure of West Africa poorly, since few high resolution training data is available for this region, and the dynamic savanna vegetation can hardly be classified by not regionally adapted methods. Additionally, the data is only available with 500m resolution. Therefore, in this study a new product with 232m resolution was developed which represents the spatial heterogeneity well and, due to the regional adaptation, shows higher accuracies. The percentage cover of woody and herbaceous vegetation and bare soil on 232m MODIS data was calculated in a multi scale approach. Based on very high resolution data, represented by Quickbird and Ikonos with 0.6-4m resolution, and high resolution data from Landsat with 30m resolution, the percentage coverage was estimated for representative focus regions. These classifications were used as a training data set to determine the percentage coverage on the 232m scale with MODIS time series for the whole study region. Based on these optimized and adapted input parameters, the net primary productivity was modeled. Data from a meteorological station and an Eddy-Covariance-Flux allowed a detailed validation of the input parameters and of the model results. The model led to good results as it only overestimated the net primary productivity for the two analyzed years 2005 and 2006 by 8.8 and 2.0 %, respectively. The second aim of the study was an analysis of the potential for long term terrestrial carbon sinks. Classifications of the actual and of the potential land cover were calculated for this analysis. Considering the overall long time CO2 fixation behavior of trees, which depends on their age, longterm carbon stocks for 100 years were simulated. As carbon fixing could be paid by emission trading, which is in future depending on the political Post-Kyoto programs, potential alternative income was calculated with different price scenarios for the three countries. A comparison with the gross domestic products of these countries and with developing aid, showed the significance of CO2 trading in this region.