Recent studies have shown that permafrost soils in the northern circumpolar region store almost twice as much carbon as the atmosphere. Since soil organic carbon (SOC) pools have large regional and landscape-level variability, detailed SOC inventories from across the northern permafrost region are needed to assess potential remobilization of SOC with permafrost degradation and to quantify the permafrost carbon-climate feedback on global warming. This thesis provides high-resolution data on SOC storage in five study areas located in undersampled regions of the continuous permafrost zone (Zackenberg in NE Greenland; Shalaurovo and Cherskiy in NE Siberia; Ary-Mas and Logata in Taymyr Peninsula). The emphasis throughout the five different study areas is put on SOC partitioning within the landscape and soil horizon levels as well as on soil forming processes under periglacial conditions. Our results indicate large differences in mean SOC 0–100 cm storage among study areas, ranging from 4.8 to 30.0 kg C m-2, highlighting the need to consider numerous factors as topography, geomorphology, land cover, soil texture, soil moisture, etc. in the assessment of landscape-level and regional SOC stock estimates. In the high arctic mountainous area of Zackenberg, the mean SOC storage is low due to the high proportion of bare grounds. The geomorphology based upscaling resulted in a c. 40% lower estimate compared to a land cover based upscaling (4.8 vs 8.3 kg C m-2, respectively). A landform approach provides a better tool for identifying hotspots of SOC burial in the landscape, which in this area corresponds to alluvial fan deposits in the foothills of the mountains. SOC burial by cryoturbation was much more limited and largely restricted to soils in the lower central valley. In the lowland permafrost study areas of Russia the mean SOC 0–100 cm storage ranged from 14.8 to 30.0 kg C m-2. Cryoturbation is the main burial process of SOC, storing on average c. 30% of the total landscape SOC 0–100 cm in deeper C-enriched pockets in all study areas. In Taymyr Peninsula, the mean SOC storage between the Ary-Mas and Logata study areas differed by c. 40% (14.8 vs 20.8 kg C m-2, respectively). We ascribe this mainly to the finer soil texture in the latter study area. Grain size analyses show that cryoturbation is most prominent in silt loam soils with high coarse silt to very fine sand fractions. However, in profiles and samples not affected by C-enrichment, C concentrations and densities were higher in silt loam soils with higher clay to medium silt fractions. / <p>At the time of the doctoral defense, the following papers were unpublished and had a status as follows: Paper 3: Manuscript. Paper 4: Manuscript.</p>

The Island of Tongatapu, Tonga, was struck by a tsunami on January 15, 2022. Internet was cut off from the island, which made remote sensing a valuable tool for the assessment of damages. Through land cover classification, change vector analysis and log-ratio image differencing, damages caused by the tsunami were assessed remotely in this thesis. Damage assessment is a vital part of both assessing the need for humanitarian aid after a tsunami, but also lays the foundation for preventative measurements and reconstruction. The objective of this thesis was to assess damage in terms of square kilometers and create damage maps. It was also vital to assess the different methods and evaluate their accuracy. Results from this study could theoretically be combined with other damage assessments to evaluate different aspects of damage. It was also important to evaluate which methods would be good to use in a similar event. In this study Sentinel-1, Sentinel-2 and high-resolution Planet Imagery were used to conduct a damage assessment. Evaluating both moderate and high-resolution imagery in combination with SAR yielded plausible, but flawed results. Land cover was computed for moderate and high-resolution imagery using three types of classifiers. It was found that the Random Forest classifier outperforms both CART and Support Vector Machine classification for this study area.  Land cover composite image differencing for pre-and-post tsunami Sentinel-2 images achieved an accuracy of around 85%. Damage was estimated to be about 10.5 km^2. Land cover classification with high-resolution images gave higher accuracy. The total estimated damaged area was about 18 km^2. The high-resolution image classification was deemed to be the better method of urban damage assessment, with moderate-resolution imagery working well for regional damage assessment.  Change vector analysis provided plausible results when using Sentinel-2 with NDVI, NDMI, SAVI and BSI. NDVI was found to be the most comprehensive change indicator when compared to the other tested indices. The total estimated damage using all tested indices was roughly 7.6 km^2. Using the same method for Sentinel-1's VV and VH bands, the total damage was estimated to be 0.4 and 2.6 km^2 respectively. Log ratio for Sentinel-1 did not work well compared to change vector analysis. Issues with false positives occurred. Both log-ratios of VV and VH gave a similar total estimated damage of roughly 5.2 km^2.  Problems were caused by cloud cover and ash deposits. The analysis could have been improved by being consistent with the choice of dates for satellite images. Also, balancing classification samples and using high-resolution land cover classification on specific areas of interest indicated by regional methods. This would circumvent problems with ash, as reducing the study area would make more high-resolution imagery available.

Mapping the Earth’s surface and its rapid changes with remotely sensed data is a crucial tool to un-derstand the impact of an increasingly urban world population on the environment. However, the impressive amount of freely available Copernicus data is only marginally exploited in common clas-sifications. One of the reasons is that measuring the properties of training samples, the so-called ‘fea-tures’, is costly and tedious. Furthermore, handling large feature sets is not easy in most image clas-sification software. This often leads to the manual choice of few, allegedly promising features. In this Master’s thesis degree project, I use the computational power of Google Earth Engine and Google Cloud Platform to generate an oversized feature set in which I explore feature importance and analyse the influence of dimensionality reduction methods. I use Support Vector Machines (SVMs) for object-based classification of satellite images - a commonly used method. A large feature set is evaluated to find the most relevant features to discriminate the classes and thereby contribute most to high clas-sification accuracy. In doing so, one can bypass the sensitive knowledge-based but sometimes arbi-trary selection of input features.Two kinds of dimensionality reduction methods are investigated. The feature extraction methods, Linear Discriminant Analysis (LDA) and Independent Component Analysis (ICA), which transform the original feature space into a projected space of lower dimensionality. And the filter-based feature selection methods, chi-squared test, mutual information and Fisher-criterion, which rank and filter the features according to a chosen statistic. I compare these methods against the default SVM in terms of classification accuracy and computational performance. The classification accuracy is measured in overall accuracy, prediction stability, inter-rater agreement and the sensitivity to training set sizes. The computational performance is measured in the decrease in training and prediction times and the compression factor of the input data. I conclude on the best performing classifier with the most effec-tive feature set based on this analysis.In a case study of mapping urban land cover in Stockholm, Sweden, based on multitemporal stacks of Sentinel-1 and Sentinel-2 imagery, I demonstrate the integration of Google Earth Engine and Google Cloud Platform for an optimised supervised land cover classification. I use dimensionality reduction methods provided in the open source scikit-learn library and show how they can improve classification accuracy and reduce the data load. At the same time, this project gives an indication of how the exploitation of big earth observation data can be approached in a cloud computing environ-ment.The preliminary results highlighted the effectiveness and necessity of dimensionality reduction methods but also strengthened the need for inter-comparable object-based land cover classification benchmarks to fully assess the quality of the derived products. To facilitate this need and encourage further research, I plan to publish the datasets (i.e. imagery, training and test data) and provide access to the developed Google Earth Engine and Python scripts as Free and Open Source Software (FOSS). / Kartläggning av jordens yta och dess snabba förändringar med fjärranalyserad data är ett viktigt verktyg för att förstå effekterna av en alltmer urban världsbefolkning har på miljön. Den imponerande mängden jordobservationsdata som är fritt och öppet tillgänglig idag utnyttjas dock endast marginellt i klassifikationer. Att hantera ett set av många variabler är inte lätt i standardprogram för bildklassificering. Detta leder ofta till manuellt val av få, antagligen lovande variabler. I det här arbetet använde jag Google Earth Engines och Google Cloud Platforms beräkningsstyrkan för att skapa ett överdimensionerat set av variabler i vilket jag undersöker variablernas betydelse och analyserar påverkan av dimensionsreducering. Jag använde stödvektormaskiner (SVM) för objektbaserad klassificering av segmenterade satellitbilder – en vanlig metod inom fjärranalys. Ett stort antal variabler utvärderas för att hitta de viktigaste och mest relevanta för att diskriminera klasserna och vilka därigenom mest bidrar till klassifikationens exakthet. Genom detta slipper man det känsliga kunskapsbaserade men ibland godtyckliga urvalet av variabler.Två typer av dimensionsreduceringsmetoder tillämpades. Å ena sidan är det extraktionsmetoder, Linjär diskriminantanalys (LDA) och oberoende komponentanalys (ICA), som omvandlar de ursprungliga variablers rum till ett projicerat rum med färre dimensioner. Å andra sidan är det filterbaserade selektionsmetoder, chi-två-test, ömsesidig information och Fisher-kriterium, som rangordnar och filtrerar variablerna enligt deras förmåga att diskriminera klasserna. Jag utvärderade dessa metoder mot standard SVM när det gäller exakthet och beräkningsmässiga prestanda.I en fallstudie av en marktäckeskarta över Stockholm, baserat på Sentinel-1 och Sentinel-2-bilder, demonstrerade jag integrationen av Google Earth Engine och Google Cloud Platform för en optimerad övervakad marktäckesklassifikation. Jag använde dimensionsreduceringsmetoder som tillhandahålls i open source scikit-learn-biblioteket och visade hur de kan förbättra klassificeringsexaktheten och minska databelastningen. Samtidigt gav detta projekt en indikation på hur utnyttjandet av stora jordobservationsdata kan nås i en molntjänstmiljö.Resultaten visar att dimensionsreducering är effektiv och nödvändig. Men resultaten stärker också behovet av ett jämförbart riktmärke för objektbaserad klassificering av marktäcket för att fullständigt och självständigt bedöma kvaliteten på de härledda produkterna. Som ett första steg för att möta detta behov och för att uppmuntra till ytterligare forskning publicerade jag dataseten och ger tillgång till källkoderna i Google Earth Engine och Python-skript som jag utvecklade i denna avhandling.

空載雷射掃描為一可快速獲取地面物體三維空間資訊之技術，而新型發展之全波形（Full-Waveform）系統可完整記錄雷射回波訊號之波形，透過波形偵測與波形擬合等資料前處理，可得到代表地物獨特反射特性的波形參數資料，包括振幅值（Amplitude）、波形寬（Pulse-width）與後續計算之散射截面積係數（Backscatter cross-section coefficient）。 得到各點位之波形資料後，將以波形資料為主進行位於山區之實驗區地物分類，並將使用由實驗區航照影像提供之RGB波段光譜資料計算之綠度指數（Greenness）與計算影像灰階統計值之紋理參數如均質度（Homogeneity）、熵值（Entropy）與R波段平均值（Mean）等參數輔助分類。分類進行之前，透過抽樣實驗區候選地類包括樹林、草地、道路與樹種建物，並以貝氏定理（Bayes Theorem）分析計算不同地物類別在各分類參數區間內的貝氏機率，接著以多項式函數擬合各地類在不同參數之貝氏機率曲線，並以計算反曲點之方式自動化決定該分類參數之門檻值區間。 分類成果顯示，全波形系統提供之波形資料對於受上層植物遮蔽與陰影區之植物點與道路點之分類有顯著之成果，且透過物體對於波形資料之反射特性不同，具備應用於區別不同建築材質類別之潛力。 / Airborne Laser Scanning is a technique capable of acquiring 3D information of land objects. The latest full-waveform system is further improved with the ability of recording complete waveform of reflected laser signal. After the preprocessing procedures such as pulse detection and pulse fitting, the waveform information including amplitude, pulse width and backscatter cross-section were derived. Such information was valuable as they represented unique properties of land objects. In this study, waveform information of all scanned points were utilized to classify land cover in the test area located in mountain area. Additionally, the Greenness value as well as the texture parameters such as Homogeneity, Entropy and Mean of R band calculated from the ortho-image were used for classification. We aimed to classify the point cloud into vegetation, road and building categories. The Bayes Theorem was used to determine the threshold range of each parameters for classification. As a result, the waveform information were useful for classifying road points covered by upper vegetation points and also vegetation and road points located in shadow area. Moreover, through the analysis of reflective properties of different object using waveform parameters, it was of potential to be applied to distinguish material of buildings.

The work presented in this thesis mainly focuses on two subjects related to the application of remote sensing data: (1) for land cover classification combining optical sensor, texture features generated from spectral information and synthetic aperture radar (SAR) features, and (2) to develop a non-destructive approach for above ground biomass (AGB) and forest attributes estimation employing multi-source remote sensing data (i.e. optical data, SAR backscatter) combined with in-situ data. Information provided by reliable land cover map is useful for management of forest resources to support sustainable forest management, whereas the generation of the non-destructive approach to model forest biophysical properties (e.g. AGB and stem volume) is required to assess the forest resources more efficiently and cost-effective, and coupled with remote sensing data the model can be applied over large forest areas. This work considers study sites over tropical rain forest landscape in Indonesia characterized by different successional stages and complex vegetation structure including tropical peatland forests. The thesis begins with a brief introduction and the state of the art explaining recent trends on monitoring and modeling of forest resources using remote sensing data and approach. The research works on the integration of spectral information and texture features for forest cover mapping is presented subsequently, followed by development of a non-destructive approach for AGB and forest parameters predictions and modeling. Ultimately, this work evaluates the potential of mosaic SAR data for AGB modeling and the fusion of optical and SAR data for peatlands discrimination. The results show that the inclusion of geostatistics texture features improved the classification accuracy of optical Landsat ETM data. Moreover, the fusion of SAR and optical data enhanced the peatlands discrimination over tropical peat swamp forest. For forest stand parameters modeling, neural networks method resulted in lower error estimate than standard multi-linear regression technique, and the combination of non-destructive measurement (i.e. stem number) and remote sensing data improved the model accuracy. The up scaling of stem volume and biomass estimates using Kriging method and bi-temporal ETM image also provide favorable estimate results upon comparison with the land cover map. / Die in dieser Dissertation präsentierten Ergebnisse konzentrieren sich hauptsächlich auf zwei Themen mit Bezug zur angewandten Fernerkundung: 1) Der Klassifizierung von Oberflächenbedeckung basierend auf der Verknüpfung von optischen Sensoren, Textureigenschaften erzeugt durch Spektraldaten und Synthetic-Aperture-Radar (SAR) features und 2) die Entwicklung eines nichtdestruktiven Verfahrens zur Bestimmung oberirdischer Biomasse (AGB) und weiterer Waldeigenschaften mittels multi-source Fernerkundungsdaten (optische Daten, SAR Rückstreuung) sowie in-situ Daten. Eine zuverlässige Karte der Landbedeckung dient der Unterstützung von nachhaltigem Waldmanagement, während eine nichtdestruktive Herangehensweise zur Modellierung von biophysikalischen Waldeigenschaften (z.B. AGB und Stammvolumen) für eine effiziente und kostengünstige Beurteilung der Waldressourcen notwendig ist. Durch die Kopplung mit Fernerkundungsdaten kann das Modell auf große Waldflächen übertragen werden. Die vorliegende Arbeit berücksichtigt Untersuchungsgebiete im tropischen Regenwald Indonesiens, welche durch verschiedene Regenerations- und Sukzessionsstadien sowie komplexe Vegetationsstrukturen, inklusive tropischer Torfwälder, gekennzeichnet sind. Am Anfang der Arbeit werden in einer kurzen Einleitung der Stand der Forschung und die neuesten Forschungstrends in der Überwachung und Modellierung von Waldressourcen mithilfe von Fernerkundungsdaten dargestellt. Anschließend werden die Forschungsergebnisse der Kombination von Spektraleigenschaften und Textureigenschaften zur Waldbedeckungskartierung erläutert. Desweiteren folgen Ergebnisse zur Entwicklung eines nichtdestruktiven Ansatzes zur Vorhersage und Modellierung von AGB und Waldeigenschaften, zur Auswertung von Mosaik- SAR Daten für die Modellierung von AGB, sowie zur Fusion optischer mit SAR Daten für die Identifizierung von Torfwäldern. Die Ergebnisse zeigen, dass die Einbeziehung von geostatistischen Textureigenschaften die Genauigkeit der Klassifikation von optischen Landsat ETM Daten gesteigert hat. Desweiteren führte die Fusion von SAR und optischen Daten zu einer Verbesserung der Unterscheidung zwischen Torfwäldern und tropischen Sumpfwäldern. Bei der Modellierung der Waldparameter führte die Neural-Network-Methode zu niedrigeren Fehlerschätzungen als die multiple Regressions. Die Kombination von nichtdestruktiven Messungen (z.B. Stammzahl) und Fernerkundungsdaten führte zu einer Steigerung der Modellgenauigkeit. Die Hochskalierung des Stammvolumens und Schätzungen der Biomasse mithilfe von Kriging und bi-temporalen ETM Daten lieferten positive Schätzergebnisse im Vergleich zur Landbedeckungskarte.

Agricultural production is becoming increasingly important as the world demand increases. On the other hand, there are several factors threatening that production such as the climate change. Therefore, monitoring and management of different parameters affecting the production are important. The current study is dedicated to two key parameters, namely agricultural land cover and soil-moisture mapping using X- and L-Band Synthetic Aperture Radar (SAR) data. Land-cover mapping plays an essential role in various applications like irrigation management, yield estimation and subsidy control. A model of multi-direction/multi-distance texture analysis on SAR data and its use for agricultural land cover classification was developed. The model is built and implemented in ESRI ArcGIS software and integrated with “R Environment”. Sets of texture measures can be calculated on a plot basis and stored in an attribute table for further classification. The classification module provides various classification approaches such as support vector machine and artificial neural network, in addition to different feature-selection methods. The model has been tested for a typical Mid-European agricultural and horticultural land use pattern south to the town of Pirna (Saxony/Germany), where the high-resolution SAR data, TerraSAR-X and ALOS/PALSAR (HH/HV) imagery, were used for land-cover mapping. The results indicate that an integrated classification using textural information of SAR data has a high potential for land-cover mapping. Moreover, the multi-dimensional SAR data approach improved the overall accuracy. Soil moisture (SM) is important for various applications such as crop-water management and hydrological modelling. The above-mentioned TerraSAR-X data were utilised for soil-moisture mapping verified by synchronous field measurements. Different speckle-reduction techniques were applied and the most representative filtered image was determined. Then the soil moisture was calculated for the mapped area using the obtained linear regression equations for each corresponding land-cover type. The results proved the efficiency of SAR data in soil-moisture mapping for bare soils and at the early growing stage of fieldcrops. / Landwirtschaftliche Produktion erlangt mit weltweit steigender Nahrungsmittelnachfrage zunehmende Bedeutung. Zahlreiche Faktoren bedrohen die landwirtschaftliche Produktion wie beispielsweise die globale Klimaveränderung einschließlich ihrer indirekten Nebenwirkungen. Somit ist das Monitoring der Produktion selbst und der wesentlichen Produktionsparameter eine zweifelsfrei wichtige Aufgabe. Die vorliegende Studie widmet sich in diesem Kontext zwei Schlüsselinformationen, der Aufnahme landwirtschaftlicher Kulturen und den Bodenfeuchteverhältnissen, jeweils unter Nutzung von Satellitenbilddaten von Radarsensoren mit Synthetischer Apertur, die im X- und L-Band operieren. Landnutzungskartierung spielt eine essentielle Rolle für zahlreiche agrarische Anwendungen; genannt seien hier nur Bewässerungsmaßnahmen, Ernteschätzung und Fördermittelkontrolle. In der vorliegenden Arbeit wurde ein Modell entwickelt, welches auf Grundlage einer Texturanalyse der genannten SAR-Daten für variable Richtungen und Distanzen eine Klassifikation landwirtschaftlicher Nutzungsformen ermöglicht. Das Modell wurde als zusätzliche Funktionalität für die ArcGIS-Software implementiert. Es bindet dabei Klassifikationsverfahren ein, die aus dem Funktionsschatz der Sprache „R“ entnommen sind. Zum Konzept: Ein Bündel von Texturparametern wird durch das vorliegende Programm auf Schlagbasis berechnet und in einer Polygonattributtabelle der landwirtschaftlichen Schläge abgelegt. Auf diese Attributtabelle greift das nachfolgend einzusetzende Klassifikationsmodul zu. Die Software erlaubt nun die Suche nach „aussagekräftigen“ Teilmengen innerhalb des umfangreichen Texturmerkmalsraumes. Im Klassifikationsprozess kann aus verschiedenen Ansätzen gewählt werden. Genannt seien „Support Vector Machine“ und künstliche neuronale Netze. Das Modell wurde für einen typischen mitteleuropäischen Untersuchungsraum mit landwirtschaftlicher und gartenbaulicher Nutzung getestet. Er liegt südlich von Pirna im Freistaat Sachsen. Zum Test lagen für den Untersuchungsraum Daten von TerraSAR-X und ALOS/PALSAR (HH/HV) aus identischen Aufnahmetagen vor. Die Untersuchungen beweisen ein hohes Potenzial der Texturinformation aus hoch aufgelösten SAR-Daten für die landwirtschaftliche Nutzungserkennung. Auch die erhöhte Dimensionalität durch die Kombination von zwei Sensoren erbrachte eine Verbesserung der Klassifikationsgüte. Kenntnisse der Bodenfeuchteverteilung sind u.a. bedeutsam für Bewässerungsanwendungen und hydrologische Modellierung. Die oben genannten SAR-Datensätze wurden auch zur Bodenfeuchteermittlung genutzt. Eine Verifikation wurde durch synchrone Feldmessungen ermöglicht. Initial musste der Radar-typische „Speckle“ in den Bildern durch Filterung verringert werden. Verschiedene Filtertechniken wurden getestet und das beste Resultat genutzt. Die Bodenfeuchtebestimmung erfolgte in Abhängigkeit vom Nutzungstyp über Regressionsanalyse. Auch die Resultate für die Bodenfeuchtebestimmung bewiesen das Nutzpotenzial der genutzten SAR-Daten für offene Ackerböden und Stadien, in denen die Kulturpflanzen noch einen geringen Bedeckungsgrad aufweisen.

Thesis (MSc)--Stellenbosch University, 2012. / ENGLISH ABSTRACT: A land cover classification showing the landscape structure of a given area is necessary to make appropriate measures for environmental planning. The environmental impacts from insensitive human activities have led to a severe loss of biodiversity in the Cape Floristic Region over time. The natural biodiversity of the North-West Sandveld in particular, has suffered severe loss and a high level of fragmentation. The rapid growth of certain agricultural practices in the Sandveld has led not only to loss of biodiversity, but the secondary effects of excessive water extraction, invasive alien fauna and flora species and harmful run-off from toxic herbicides and pesticides. To plan effectively, an accurate map of a suitable resolution needs to be created to effectively display spatial information. The primary aim was to demonstrate that a semi-automated fine-scale, land cover classification using object-oriented image analysis is possible for a large local area to examine the environmental issues pertaining to the Sandveld. Towards this aim, a model to classify land cover of the study area was developed and its effectiveness analysed and interpreted. To meet these requirements, pre-processed SPOT 5 satellite imagery was used to digitize certain classes and to generate frame, border and Normalized Differentiation Vegetation Index (NDVI) layers for the object-oriented classification in eCognition. The accuracy of the results was determined using the Kappa coefficient which gave an accuracy level of 70%. The environmental impacts were determined after area calculations were done on each class. The results showed that the natural areas still made up the greatest percentage of the Sandveld but that it is highly fragmented, especially along the coast and many areas, although left in a natural state, were being overgrazed by livestock. The temporary irrigated, temporary non-irrigated strip agriculture and permanent agriculture classes made up the most of the remainder of the areas and had the largest impact on the Sandveld‟s biodiversity. For the biodiversity of the Sandveld to remain intact, a balance between enforcing the law and encouraging inhabitants of the Sandveld to encourage more environmentally balanced practices needs to be created. Stewardship programmes and education will greatly enhance the effectiveness of any conservation efforts. / AFRIKAANSE OPSOMMING:'n Landbedekkingsklassifikasie wat die landskapstruktuur van 'n gegewe gebied aandui, is noodsaaklik om gepaste omgewingsbeplanning toe te pas. Die effek van intensiewe menslike aktiwiteite op die omgewing oor 'n lang tydperk, het gelei tot die verlies van biodiversiteit in die Kaapse Blommestreek. Die natuurlike biodiversiteit van veral die Noordwes Sandveld is deur ernstige verliese, asook 'n vlak van fragmentasie beïnvloed. Behalwe dat die vinnige toename van sekere landboupraktyke in die Sandveld gelei het tot die verlies van biodiversiteit. Sekondêre faktore soos die oormatige water-ontrekking, indringerspesies van fauna en flora en die afloop van skadelike onkruiddoder en pes-weerende middels in rivierstelsels is ook verantwoordelik vir verlies van biodiversiteit. Om effektiewe beplanning moontlik te maak, is die skepping van 'n akkurate kaart met 'n geskikte resolusie wat die ruimtelike inligting effektief voorstel, nodig. Die hoof doel van hierdie studie was om 'n semi-geoutomatiseerde fynskaal landbedekkingsklassifikasie in 'n groot plaaslike gebied wat die omgewingskwessies rakende die Sandveld te bestudeer en demonstreer, deur gebruik te maak van objek-gerigte beeldanalise. Die effektiwiteit van 'n model wat ontwikkel is om die studiegebied te klassifiseer, was ontleed en geïnterpreteer. Om hierdie vereistes te bevredig, is voorverwerkte SPOT 5 satellietbeelde gebruik om sekere klasse te versyfer, asook om raam-, grens- en genormaliseerde plantegroei differensiasie indekslae vir beeldgerigte klassifikasie in eCognition te skep. Die akkuraatheid van die resultate was bepaal deur die Kappa-koëffisiënt wat 'n akkuraatheidsvlak van 70% gelewer het. Die omgewingsimpakte was bepaal deur opperlakteberekeninge vir elke klas te maak. Die resultate dui aan dat natuurlike gebiede steeds die grootste persentasie van die Sandveld beslaan, maar dat dit hoogs gefragmenteerd is, veral langs die kuslyn en dat baie gebiede, wat wel steeds in 'n natuurlike toestand is, oorbewei word deur vee. Die tydelike spilpuntbesproeide landbougebiede, tydelike nie-besproeide strooklandbou en permanente landbouklasse, beslaan die meeste van die oorblywende landbedekking van die Sandveld. Hierdie klasse het ook die grootste impak op die studiegebied se biodiversiteit. Om die biodiversiteit van die Sandveld te behou, moet 'n balans tussen die afdwing van wetgewing en die aanmoedig van meer omgewingsgebalanseerde praktyke in die Sandveld gevind word. Rentmeesterskap programme en opvoeding sal die effektiwiteit van enige bewaringspogings aansienlik verbeter.

The work presented in this thesis mainly focuses on two subjects related to the application of remote sensing data: (1) for land cover classification combining optical sensor, texture features generated from spectral information and synthetic aperture radar (SAR) features, and (2) to develop a non-destructive approach for above ground biomass (AGB) and forest attributes estimation employing multi-source remote sensing data (i.e. optical data, SAR backscatter) combined with in-situ data. Information provided by reliable land cover map is useful for management of forest resources to support sustainable forest management, whereas the generation of the non-destructive approach to model forest biophysical properties (e.g. AGB and stem volume) is required to assess the forest resources more efficiently and cost-effective, and coupled with remote sensing data the model can be applied over large forest areas. This work considers study sites over tropical rain forest landscape in Indonesia characterized by different successional stages and complex vegetation structure including tropical peatland forests. The thesis begins with a brief introduction and the state of the art explaining recent trends on monitoring and modeling of forest resources using remote sensing data and approach. The research works on the integration of spectral information and texture features for forest cover mapping is presented subsequently, followed by development of a non-destructive approach for AGB and forest parameters predictions and modeling. Ultimately, this work evaluates the potential of mosaic SAR data for AGB modeling and the fusion of optical and SAR data for peatlands discrimination. The results show that the inclusion of geostatistics texture features improved the classification accuracy of optical Landsat ETM data. Moreover, the fusion of SAR and optical data enhanced the peatlands discrimination over tropical peat swamp forest. For forest stand parameters modeling, neural networks method resulted in lower error estimate than standard multi-linear regression technique, and the combination of non-destructive measurement (i.e. stem number) and remote sensing data improved the model accuracy. The up scaling of stem volume and biomass estimates using Kriging method and bi-temporal ETM image also provide favorable estimate results upon comparison with the land cover map. / Die in dieser Dissertation präsentierten Ergebnisse konzentrieren sich hauptsächlich auf zwei Themen mit Bezug zur angewandten Fernerkundung: 1) Der Klassifizierung von Oberflächenbedeckung basierend auf der Verknüpfung von optischen Sensoren, Textureigenschaften erzeugt durch Spektraldaten und Synthetic-Aperture-Radar (SAR) features und 2) die Entwicklung eines nichtdestruktiven Verfahrens zur Bestimmung oberirdischer Biomasse (AGB) und weiterer Waldeigenschaften mittels multi-source Fernerkundungsdaten (optische Daten, SAR Rückstreuung) sowie in-situ Daten. Eine zuverlässige Karte der Landbedeckung dient der Unterstützung von nachhaltigem Waldmanagement, während eine nichtdestruktive Herangehensweise zur Modellierung von biophysikalischen Waldeigenschaften (z.B. AGB und Stammvolumen) für eine effiziente und kostengünstige Beurteilung der Waldressourcen notwendig ist. Durch die Kopplung mit Fernerkundungsdaten kann das Modell auf große Waldflächen übertragen werden. Die vorliegende Arbeit berücksichtigt Untersuchungsgebiete im tropischen Regenwald Indonesiens, welche durch verschiedene Regenerations- und Sukzessionsstadien sowie komplexe Vegetationsstrukturen, inklusive tropischer Torfwälder, gekennzeichnet sind. Am Anfang der Arbeit werden in einer kurzen Einleitung der Stand der Forschung und die neuesten Forschungstrends in der Überwachung und Modellierung von Waldressourcen mithilfe von Fernerkundungsdaten dargestellt. Anschließend werden die Forschungsergebnisse der Kombination von Spektraleigenschaften und Textureigenschaften zur Waldbedeckungskartierung erläutert. Desweiteren folgen Ergebnisse zur Entwicklung eines nichtdestruktiven Ansatzes zur Vorhersage und Modellierung von AGB und Waldeigenschaften, zur Auswertung von Mosaik- SAR Daten für die Modellierung von AGB, sowie zur Fusion optischer mit SAR Daten für die Identifizierung von Torfwäldern. Die Ergebnisse zeigen, dass die Einbeziehung von geostatistischen Textureigenschaften die Genauigkeit der Klassifikation von optischen Landsat ETM Daten gesteigert hat. Desweiteren führte die Fusion von SAR und optischen Daten zu einer Verbesserung der Unterscheidung zwischen Torfwäldern und tropischen Sumpfwäldern. Bei der Modellierung der Waldparameter führte die Neural-Network-Methode zu niedrigeren Fehlerschätzungen als die multiple Regressions. Die Kombination von nichtdestruktiven Messungen (z.B. Stammzahl) und Fernerkundungsdaten führte zu einer Steigerung der Modellgenauigkeit. Die Hochskalierung des Stammvolumens und Schätzungen der Biomasse mithilfe von Kriging und bi-temporalen ETM Daten lieferten positive Schätzergebnisse im Vergleich zur Landbedeckungskarte.

Agricultural production is becoming increasingly important as the world demand increases. On the other hand, there are several factors threatening that production such as the climate change. Therefore, monitoring and management of different parameters affecting the production are important. The current study is dedicated to two key parameters, namely agricultural land cover and soil-moisture mapping using X- and L-Band Synthetic Aperture Radar (SAR) data. Land-cover mapping plays an essential role in various applications like irrigation management, yield estimation and subsidy control. A model of multi-direction/multi-distance texture analysis on SAR data and its use for agricultural land cover classification was developed. The model is built and implemented in ESRI ArcGIS software and integrated with “R Environment”. Sets of texture measures can be calculated on a plot basis and stored in an attribute table for further classification. The classification module provides various classification approaches such as support vector machine and artificial neural network, in addition to different feature-selection methods. The model has been tested for a typical Mid-European agricultural and horticultural land use pattern south to the town of Pirna (Saxony/Germany), where the high-resolution SAR data, TerraSAR-X and ALOS/PALSAR (HH/HV) imagery, were used for land-cover mapping. The results indicate that an integrated classification using textural information of SAR data has a high potential for land-cover mapping. Moreover, the multi-dimensional SAR data approach improved the overall accuracy. Soil moisture (SM) is important for various applications such as crop-water management and hydrological modelling. The above-mentioned TerraSAR-X data were utilised for soil-moisture mapping verified by synchronous field measurements. Different speckle-reduction techniques were applied and the most representative filtered image was determined. Then the soil moisture was calculated for the mapped area using the obtained linear regression equations for each corresponding land-cover type. The results proved the efficiency of SAR data in soil-moisture mapping for bare soils and at the early growing stage of fieldcrops. / Landwirtschaftliche Produktion erlangt mit weltweit steigender Nahrungsmittelnachfrage zunehmende Bedeutung. Zahlreiche Faktoren bedrohen die landwirtschaftliche Produktion wie beispielsweise die globale Klimaveränderung einschließlich ihrer indirekten Nebenwirkungen. Somit ist das Monitoring der Produktion selbst und der wesentlichen Produktionsparameter eine zweifelsfrei wichtige Aufgabe. Die vorliegende Studie widmet sich in diesem Kontext zwei Schlüsselinformationen, der Aufnahme landwirtschaftlicher Kulturen und den Bodenfeuchteverhältnissen, jeweils unter Nutzung von Satellitenbilddaten von Radarsensoren mit Synthetischer Apertur, die im X- und L-Band operieren. Landnutzungskartierung spielt eine essentielle Rolle für zahlreiche agrarische Anwendungen; genannt seien hier nur Bewässerungsmaßnahmen, Ernteschätzung und Fördermittelkontrolle. In der vorliegenden Arbeit wurde ein Modell entwickelt, welches auf Grundlage einer Texturanalyse der genannten SAR-Daten für variable Richtungen und Distanzen eine Klassifikation landwirtschaftlicher Nutzungsformen ermöglicht. Das Modell wurde als zusätzliche Funktionalität für die ArcGIS-Software implementiert. Es bindet dabei Klassifikationsverfahren ein, die aus dem Funktionsschatz der Sprache „R“ entnommen sind. Zum Konzept: Ein Bündel von Texturparametern wird durch das vorliegende Programm auf Schlagbasis berechnet und in einer Polygonattributtabelle der landwirtschaftlichen Schläge abgelegt. Auf diese Attributtabelle greift das nachfolgend einzusetzende Klassifikationsmodul zu. Die Software erlaubt nun die Suche nach „aussagekräftigen“ Teilmengen innerhalb des umfangreichen Texturmerkmalsraumes. Im Klassifikationsprozess kann aus verschiedenen Ansätzen gewählt werden. Genannt seien „Support Vector Machine“ und künstliche neuronale Netze. Das Modell wurde für einen typischen mitteleuropäischen Untersuchungsraum mit landwirtschaftlicher und gartenbaulicher Nutzung getestet. Er liegt südlich von Pirna im Freistaat Sachsen. Zum Test lagen für den Untersuchungsraum Daten von TerraSAR-X und ALOS/PALSAR (HH/HV) aus identischen Aufnahmetagen vor. Die Untersuchungen beweisen ein hohes Potenzial der Texturinformation aus hoch aufgelösten SAR-Daten für die landwirtschaftliche Nutzungserkennung. Auch die erhöhte Dimensionalität durch die Kombination von zwei Sensoren erbrachte eine Verbesserung der Klassifikationsgüte. Kenntnisse der Bodenfeuchteverteilung sind u.a. bedeutsam für Bewässerungsanwendungen und hydrologische Modellierung. Die oben genannten SAR-Datensätze wurden auch zur Bodenfeuchteermittlung genutzt. Eine Verifikation wurde durch synchrone Feldmessungen ermöglicht. Initial musste der Radar-typische „Speckle“ in den Bildern durch Filterung verringert werden. Verschiedene Filtertechniken wurden getestet und das beste Resultat genutzt. Die Bodenfeuchtebestimmung erfolgte in Abhängigkeit vom Nutzungstyp über Regressionsanalyse. Auch die Resultate für die Bodenfeuchtebestimmung bewiesen das Nutzpotenzial der genutzten SAR-Daten für offene Ackerböden und Stadien, in denen die Kulturpflanzen noch einen geringen Bedeckungsgrad aufweisen.

Satellite Image Time Series (SITS) are becoming available at high spatial, spectral and temporal resolutions across the globe by the latest remote sensing sensors. These series of images can be highly valuable when exploited by classification systems to produce frequently updated and accurate land cover maps. The richness of spectral, spatial and temporal features in SITS is a promising source of data for developing better classification algorithms. However, machine learning methods such as Random Forests (RFs), despite their fruitful application to SITS to produce land cover maps, are structurally unable to properly handle intertwined spatial, spectral and temporal dynamics without breaking the structure of the data. Therefore, the present work proposes a comparative study of various deep learning algorithms from the Convolutional Neural Network (CNN) family and evaluate their performance on SITS classification. They are compared to the processing chain coined iota2, developed by the CESBIO and based on a RF model. Experiments are carried out in an operational context using with sparse annotations from 290 labeled polygons. Less than 80 000 pixel time series belonging to 8 land cover classes from a year of Sentinel- 2 monthly syntheses are used. Results show on a test set of 131 polygons that CNNs using 3D convolutions in space and time are more accurate than 1D temporal, stacked 2D and RF approaches. Best-performing models are CNNs using spatio-temporal features, namely 3D-CNN, 2D-CNN and SpatioTempCNN, a two-stream model using both 1D and 3D convolutions. / Tidsserier av satellitbilder (SITS) blir tillgängliga med hög rumslig, spektral och tidsmässig upplösning över hela världen med hjälp av de senaste fjärranalyssensorerna. Dessa bildserier kan vara mycket värdefulla när de utnyttjas av klassificeringssystem för att ta fram ofta uppdaterade och exakta kartor över marktäcken. Den stora mängden spektrala, rumsliga och tidsmässiga egenskaper i SITS är en lovande datakälla för utveckling av bättre algoritmer. Metoder för maskininlärning som Random Forests (RF), trots att de har tillämpats på SITS för att ta fram kartor över landtäckning, är strukturellt sett oförmögna att hantera den sammanflätade rumsliga, spektrala och temporala dynamiken utan att bryta sönder datastrukturen. I detta arbete föreslås därför en jämförande studie av olika algoritmer från Konvolutionellt Neuralt Nätverk (CNN) -familjen och en utvärdering av deras prestanda för SITS-klassificering. De jämförs med behandlingskedjan iota2, som utvecklats av CESBIO och bygger på en RF-modell. Försöken utförs i ett operativt sammanhang med glesa annotationer från 290 märkta polygoner. Mindre än 80 000 pixeltidsserier som tillhör 8 marktäckeklasser från ett års månatliga Sentinel-2-synteser används. Resultaten visar att CNNs som använder 3D-falsningar i tid och rum är mer exakta än 1D temporala, staplade 2D- och RF-metoder. Bäst presterande modeller är CNNs som använder spatiotemporala egenskaper, nämligen 3D-CNN, 2D-CNN och SpatioTempCNN, en modell med två flöden som använder både 1D- och 3D-falsningar.