Informationen über die Landbedeckung und die mit der anthropogenen Komponente verbundenen Landnutzung sind elementare Bestandteile für viele Bereiche der Politik, Wirtschaft und Wissenschaft. Darunter fallen beispielsweise die Strukurentwicklungsprogramme der EU, die Schadensregulierung im Versicherungswesen und die Modellierung von Stoffkreisläufen. CORINE Land Cover (CLC) wurde infolge eines erweiterten Bedarfs an einem europaweit harmonisierten Datensatz der Landoberfläche erstellt. Das CORINE Projekt weist für diese Arbeit eine hohe Relevanz durch die regelmäßigen Aktualisierungen von 10 Jahren, dem Einsatz der Daten in vielen europäischen und nationalen Institutionen und der guten Dokumentation der CORINE Nomenklatur auf. Die Erstellung der Daten basiert auf der computergestützten manuellen Interpretation, da automatische Verfahren durch die Komplexität der Aufgabenstellung und Thematik nicht in der Lage waren, den menschlichen Interpreten zu ersetzen. Diese Arbeit stellt eine Methodik vor, um CORINE Land Cover aus optischen Fernerkundungsdaten für eine kommende Aktualisierung abzuleiten. Hierzu dienen die Daten von CLC 1990 und der Fernerkundungsdatensatz Image 2000 als Grundlage, sowie die CLC 2000 Klassifikation als Referenz. Die entwickelte und in dem Softwarepaket gnosis implementierte Methodik wendet die objektorientierte Klassifikation in Kombination mit Theorien aus der menschlichen Bildwahrnehmung an. In diesen Theorien wird die Bildwahrnehmung als informationstechnischer Prozess gesehen, der den Klassifikationsprozess in die drei folgenden Subprozesse unterteilt: Bildsegmentierung, Merkmalsgenerierung und Klassenzuweisung. Die Bildsegmentierung generiert aus den untersten Bildprimitiven (Pixeln) bedeutungsvolle Bildsegmente. Diesen Bildsegmenten wird eine Anzahl von bildinvarianten Merkmalen aus den Fernerkundungsdaten für die Bestimmung der CLC Klasse zugewiesen. Dabei liegt die wichtigste Information in der Ableitung der Landbedeckung durch den überwachten Stützvektor-Klassifikator. Die Landoberfläche wird hierzu in zehn Basisklassen untergliedert, um weiteren Merkmalen einen semantischen Unterbau zu geben. Zur Bestimmung der anthropogenen Komponente von ausgewählten Landnutzungsklassen, wie beispielsweise Ackerland und Grünland, wird der phänologische Verlauf der Vegetation durch die Parameter temporale Variabilität und temporale Intensität beschrieben. Neben dem jahreszeitlichen Verlauf der Vegetation können Nachbarschaftsbeziehungen untersucht werden, um weitere anthropogene Klassen und heterogen aufgebaute Sammelklassen beschreiben zu können. Der Versiegelungsgrad als Beispiel für eine Reihe von unscharfen Merkmalen dient der weiteren Differenzierung der verschiedenen Siedlungsklassen aus CORINE LC. Mit Hilfe dieser Merkmale werden die CLC Klassen in abstrakter Form im Klassenkatalog (a-priori Wissensbasis) als Protoklassen beschrieben. Die eigentliche Objekterkennung basiert auf der Repräsentation der CORINE Objekte durch ihre einzelnen Bestandteile und vergleicht die gefundenen Strukturen mit der Wissensbasis. Semantisch homogen aufgebaute Klassen, wie Wälder und Siedlungen oder Protoklassen mit eindeutigen Merkmalen, beispielsweise zur Bestimmung von Grünland durch die Phänologie, können durch den bottom–up Ansatz identifiziert werden. Das übergeordnete CLC Objekt kann direkt aus den Bestandteilen zusammengebaut und einer Klasse zugewiesen werden. Semantisch heterogene Klassen, wie zum Beispiel bestimmte Sammelklassen (Komplexe Parzellenstrukur), können durch ihre Bestandteile validiert werden, indem die Bestandteile eines existierenden CLC Objektes mit der Wissensbasis auf Konsistenz untersucht werden (top–down Ansatz). Eine a-priori Datengrundlage ist für die Erkennung dieser Klassen essentiell. Die Untersuchung der drei Testgebiete (Frankfurt, Berlin, Oldenburg) zeigte, dass von der CORINE LC Nomenklatur 13 Klassen identifiziert und weiteren 14 Klassen validiert werden können. Zehn Klassen können durch diese Methodik aufgrund fehlender Merkmale oder Zusatzdaten nicht klassifiziert werden. Die Gesamtgenauigkeit der automatisierten Klassifikation für die Testgebiete beträgt zwischen 70% und 80% für die umgesetzten Klassen. Betrachtet man davon einzelne Klassen, wie Siedlungs-, Wald- oder Wasserklassen, wird aufgrund der verwendeten Merkmale eine Klassifikationsgenauigkeit von über 90% erreicht. Ein möglicher Einsatz der entwickelten Software gnosis liegt in der Unterstützung einer kommenden CORINE Aktualisierung durch die Prozessierung der identifizierbaren Klassen. Diese CLC Klassen müssen vom Interpreten nicht mehr überprüft werden. Für bestimmte CLC Klassen aus dem Top-down Ansatz wird der Interpret die letzte Entscheidung aus einer Auswahl von Klassen treffen müssen. Weiterhin können die berechneten Merkmale, wie die temporalen Eigenschaften und der Versiegelungsgrad dem Bearbeiter als Entscheidungsgrundlage zur Verfügung gestellt werden. Der Einsatz dieser neu entwickelten Methode führt zu einer Optimierung des bestehenden Aufnahmeverfahrens durch die Integration von semi-automatisierten Prozessen. / Land cover and land use classifications provide significant information for politics, economy and science. CORINE Land Cover (CLC) represents a harmonised Pan-European land cover dataset utilised by many European and national institutions. The mapping product comprising 44 classes of land cover and land use, is well documented. At the same time it is periodically updated in intervals of 10 years. Mainly due to the complexity of the CORINE nomenclature, generating and updating of this product has ever since been solely based on computer–aided manual image interpretation. To this date, manual interpretation being the backbone of CORINE actualisation has not been replaced by computer aided approaches. As a consequence, this study aims at developing a semi-automated methodology to derive CORINE Land Cover from optical remotely sensed data. The methodology presented, is based upon the former CLC 1990 classification and the Landsat ETM+ based Image 2000 while reference and validation is realised utilising the CLC 2000 data set. Implementation of the presented approach is realised by the software package gnosis combining object oriented classification paradigms with theories related to human image perception. Human image perception itself is known to be a process of information engineering including three sub-processes as follows: image segmentation, feature generation, and class assignment. With regard to image segmentation, meaningful image segments are generated based upon the most simple image primitives, the pixels. Resulting image segments consist of a wide range of invariant image features describing actual CLC classes. However, precise knowledge about land cover is the uttermost important information for any further processing steps presented in this work. Therefore, ten baseline land cover classes are extracted from multi spectral image 2000 data sets using a novel supervised classification approach of support vector machines. In order to estimate the anthropogenic impact affecting some CORINE classes, the phenological characteristics are analysed and processed. Thus temporal parameters like temporal variability and temporal intensity are used for the delineation of pastures and arable land. Conjointly with these vegetation features, neighbourhood analysis is used to derive functionality or heterogeneity of complex classes. At last, additional error reduction and further specification is addressed by the extraction of fuzzy features. Based on these features sets, CLC classes are represented abstractly stored within a class catalogue i.e. an a-priori knowledge base. Class assignment itself is based on the representation of CORINE objects by its integral parts. In the following this sub-process, representing the final step of image perception, is used to compare the extracted structures with the prototypical classes of the knowledge base. On one hand homogeneous classes, consisting of a single land cover type of baseline classes like forests and pastures, are identified with a bottom–up approach. This is based on the assumption that any superior CLC object is composed of and therefore directly linked to its components and consecutively assigned to a specific CLC class. On the other hand heterogeneous classes, consisting of multiple cover types like complex cultivation patterns, can be validated by comparing its components to the knowledge base, i.e. a top–down approach. However, the a-priori geometry provided by a former classification is essential for this type of object recognition. The analysis of test sites located in the vicinities of Frankfurt, Berlin, and Oldenburg indicates that 13 CLC classes can be identified automatically while a second set of 14 CLC classes can be validated. On the contrary, ten classes can not be acquired by the presented approach due to the lack of required features or missing ancillary information. Thus the overall accuracy of the automated classification of the test sites ranges between 70% and 80 %. In addition it increases to more than 90% as observation is limited to classes with intrinsic prototypical description and distinct features like settlement, forest, and water. As a result of this thesis the software package gnosis will provide a fundamental service and support for the forthcoming CORINE update. By means of the software, 13 identifiable classes can be processed automatically based on the bottom–up approach. In regards to the set of 14 CLC classes derived from the top–down approach, distinct class definition will rely on the trained interpreters selecting from a given set of potential classes. This decision making process can also be facilitated by existing feature sets describing temporal characteristics and impervious cover fraction. As a consequence both automated and semi-automated processes presented in this thesis can be considered a good advancement of the existing compilation and updating procedures of the CORINE land cover project.

Die Veränderung der terrestrischen Ökosysteme, ist ein grundlegendes Element des Globalen Wandels. In diesem Kontext unterliegt auch eines der größten Biome der Erde, die tropische und subtropische Savanne, immer stärkeren Veränderungen. Dieses Biom in sozioökonomischer und ökologischer Hinsicht von besonderer Bedeutung. Für einen rasch wachsenden Teil der Weltbevölkerung bildet es die Grundlage für das Betreiben von Weidewirtschaft, Ackerbau und Tourismus. In nationalen und internationalen Forschungsprogrammen zum Globalen Wandel hat die Analyse von Landnutzungs- und Landbedeckungsänderungen in den vergangenen Jahrzehnten zunehmend an Bedeutung gewonnen. Die Landbedeckungsdynamik von Savannenökosystemen ist jedoch noch nicht hinreichend verstanden, so dass diese Ökosysteme in globalen Studien nur ansatzweise berücksichtigt werden können. Besondere Herausforderungen bei der Erfassung der Landbedeckung und ihrer Dynamik liegen im Falle der Savannen in der heterogenen räumlichen Verteilung der Wuchsformen, in den graduellen Übergängen zwischen Landbedeckungsklassen und in der hohen inner- und interannuellen Variabilität der Vegetationsdecke. Vor diesem Hintergrund beschäftigt sich diese Dissertation mit der fernerkundungsbasierten Erfassung und Interpretation der Vegetationsstruktur und der Vegetationsdynamik von Savannen am Beispiel ausgewählter afrikanischer Untersuchungsregionen. Die Vegetationsstruktur wird in dieser Dissertation in Form von Bedeckungsgraden holziger Vegetation, krautiger Vegetation und vegetationsloser Fläche erfasst. Es kommt ein mehrskaliges Verfahren zum Einsatz, in dem höchstaufgelöste IKONOS- und QuickBird-Daten, Landsat-Daten und annuelle MODIS-Zeitreihen ausgewertet werden. Der Ansatz basiert auf der Methodik der Ensemble-Regeressionbäume und stellt eine Erweiterung und Optimierung der Herangehensweise des MODIS-Standardproduktes Vegetation Continuous Fields (VCF) nach Hansen et al. (2002) dar. Beim Vergleich mit unabhängigen Validierungsdaten der nächst höheren Auflösungsebene zeigt sich das Potenzial der vorgestellten Methodik. Die räumliche Übertragbarkeit der Regressionsbäume wird am Beispiel von zwei Vegetationstypen innerhalb der Zentralnamibischen Savanne dargestellt. In diesem Zusammenhang zeigt sich der hohe Stellenwert einer optimalen Auswahl an Trainingsdaten mit einer repräsentativen Abdeckung der Wertespanne aller existierenden Bedeckungsgrade. Die erarbeiteten Resultate unterstreichen, die optimale Eignung der Subpixel-Bedeckungsgrade, gerade zur Beschreibung von Savannenlandschaften. In der Kombination von herkömmlichen, diskreten Landbedeckungs- oder Vegetationskarten mit Informationen zu Bedeckungsgraden wird ein besonderer Mehrwert für weiterführende Analysen gesehen. Die Dynamik der Savannenvegetation wird in dieser Arbeit sowohl auf biannueller als auch auf mehrjähriger Skala charakterisiert. Bei der biannuellen Analyse werden die Veränderungen der holzigen Vegetationsbedeckung zwischen den Jahren 2003/04 und 2006/07 erfasst. Hierfür findet eine zeitliche Übertragung des zuvor vorgestellten Verfahrens zur Ableitung von Bedeckungsanteilen statt. Im Rahmen der biannuellen Untersuchungen können Veränderungsflächen identifiziert werden, ohne Einschränkung auf Übergänge zwischen fest definierten Klassengrenzen. In Ergänzung der biannuellen Analysen werden aus MODIS-EVI- und Niederschlagszeitreihen Maßzahlen abgeleitet, die den Zusammenhang zwischen Niederschlag und Vegetationsentwicklung, die Variabilität und die Trends der Vegetation über einen Zeitraum von acht Jahren beschreiben. Hierbei kommen beispielsweise Korrelationsanalysen zwischen Vegetationsindex- und Niederschlagszeitreihen zum Einsatz. Zudem werden Trendanalysen der Vegetationsindex-Zeitreihen durchgeführt. Die Trends werden einerseits allein aus den Zeitreihen der Vegetationsindizes ermittelt, andererseits wird bei der Berechnung von Restrends (Residual Trends) der Einfluss des Niederschlags berücksichtigt. Neben den Korrelations- und Trendanalysen werden unterschiedliche Variabilitätsmaße der Vegetationsindex-Zeitreihen genutzt, um die mehrjährige Vegetationsdynamik zu beschreiben. Durch die Kombination von Fernerkundungsdaten unterschiedlicher räumlicher und zeitlicher Auflösungen wird in dieser Dissertation die heterogene Vegetationsstruktur und die komplexe Vegetationsdynamik ausgewählter afrikanischer Savannenökosysteme beschreiben. / The change of terrestrial ecosystems is a fundamnental element of Global Change. In this context, also one of the largest terrestrial biomes, the tropical and subtropical savanna, is subject to increasing changes. This biome is of high socioeconomic and ecologic relevance both globally and for the vulnerable African continent. Savannas provide fundamental natural resources for cropping, grazing and tourism for a rapidly growing part of the global population. Furthermore, savannas are characterised by an extraordinary biodiversity. With regard to carbon storage and carbon fluxes they occupy the second rank after the global forest biome. During the last few decades, national and international research programmes have increasingly focused on the analysis of land cover and land use change. However, the land surface dynamics of savanna ecosystems are not yet fully understood. The consequence is, that savanna ecosystems can not yet be adequately included in global studies. When analysing the land surface and land surface dynamics of savannas, the major challenge is to be seen in the heterogeneous spatial patterns of vegetation growth forms, in gradual transitions between land cover classes and in the high innerand interannual variability of vegetation. In this framework, this thesis deals with the remote sensing based assessment and interpretation of vegetation structure and vegetation dynamics in selected African savanna regions. Vegetation structure is delineated as per pixel fractional cover of woody vegetation, herbaceous vegetation and bare surface. A multiscale approach is used which includes the analysis of very high resolution IKONOS and QuickBird data, high resolution Landsat data, and medium resolution MODIS time-series. The approach is based on ensemble regression trees and can be seen as an extension and regional optimisation of the approach of the MODIS standard product Vegetation Continuous Fields (VCF, Hansen et al. 2002). The spatial transferability of the regression tree ensembles is demonstrated for two vegetation types of the central Namibian savanna. In this context, the high relevance of an optimal selection of training data is demonstrated. This means first of all that training data should cover the complete range of existing cover types of the area under investigation. The presented results underline the high potential of analysing sub-pixel fractional cover in savanna landscapes as the typical heterogeneous structure and the gradual transitions of vegetation cover are captured adequately. Added value is seen in the combination of the delineated fractional vegetation cover with conventional discrete classifications. The dynamics of the savanna vegetation of the northern Namibian study region Kalahari Woodland is examined both at biannual and multiannual scale. In the biannual analysis, changes of woody vegetation cover between the years 2003/04 and 2006/07 are delineated. For this purpose, the presented multiscale approach for the delineation of fractional vegetation cover is adapted in order to also analyse the situation of a past year. This temporal transfer is conceived in a way that does not require very high resolution satellite data for the past. Based on the biannual analyses, areas of change can be identified without any constraint to predefined transitions of class boundaries. In addition to the biannual analyses, time-series of MODIS-EVI and rainfall are analysed. Metrics are calculated from these time-series which describe the connection between precipitation and vegetation development as well as gradual changes (trends) and variability of the vegetation for a period of 8 years. Here, correlation analyses between time-series of rainfall and vegetation indices are used. Furthermore, trend analyses of vegetation indices are performed as well as Restrend (Residual trend) analyses accounting for the influence of precipitation on vegetation. In addition to these correlation and trend analyses different measures of variability are calculated. In this thesis, the heterogeneous vegetation structure and the complex vegetation dynamics of selected African savannas are characterised by the combined analysis of remote sensing data of different spatial and temporal resolutions. The presented analyses reveal possibilities to enhance regional studies of the state and dynamics of savanna ecosystems.

Information on the state of the terrestrial vegetation cover is important for several ecological, economical, and planning issues. In this regard, vegetation properties such as the type, vitality, or density can be described by means of continuous biophysical parameters. One of these parameters is the leaf area index (LAI), which is defined as half the total leaf area per unit ground surface area. As leaves constitute the interface between the biosphere and the atmosphere, the LAI is used to model exchange processes between plants and their environment. However, to account for the variability of ecosystems, spatially and temporally explicit information on LAI is needed both for monitoring and modeling applications. Remote sensing aims at providing such information. LAI is commonly derived from remote sensing data by empirical-statistical or physical models. In the first approach, an empirical relationship between LAI measured in situ and the corresponding canopy spectral signature is established. Although this method achieves accurate LAI estimates, these relationships are only valid for the place and time at which the field data were sampled, which hampers automated LAI derivation. The physical approach uses a radiation transfer model to simulate canopy reflectance as a function of the scene’s geometry and of leaf and canopy parameters, from which LAI is derived through model inversion based on remote sensing data. However, this model inversion is not stable, as it is an under-determined and ill-posed problem. Until now, LAI research focused either on the use of coarse resolution remote sensing data for global applications, or on LAI modeling over a confined area, mostly in forest and crop ecosystems, using medium to high spatial resolution data. This is why to date no study is available in which high spatial resolution data are used for LAI mapping in a heterogeneous, natural landscape such as alpine grasslands, although a growing amount of high spatial and temporal resolution remote sensing data would allow for an improved environmental monitoring. Therefore, issues related to model parameterization and inversion regularization techniques improving its stability have not yet been investigated for this ecosystem. This research gap was taken up by this thesis, in which the potential of high spatial resolution remote sensing data for grassland LAI estimation based on statistical and radiation transfer modeling is analyzed, and the achieved accuracy and robustness of the two approaches is compared. The objectives were an ecosystem-adapted radiation transfer model set-up and an optimized LAI derivation in mountainous grassland areas. Multi-temporal LAI in situ measurements as well as time series of RapidEye data from 2011 and 2012 over the catchment of the River Ammer in the Bavarian alpine upland were used. In order to obtain accurate in situ data, a comparison of the LAI derivation algorithms implemented in the LAI-2000 PCA instrument with destructively measured LAI was performed first. For optimizing the empirical-statistical approach, it was then analyzed how the selection of vegetation indices and regression models impacts LAI modeling, and how well these models can be transferred to other dates. It was shown that LAI can be derived with a mean accuracy of 80 % using contemporaneous field data, but that the accuracy decreases to on average 51 % when using these models on remote sensing data from other dates. The combined use of several data sets to create a regression which is used for LAI derivation at different points in time increased the LAI estimation accuracy to on average 65 %. Thus, reduced field measurement labor comes at the cost of LAI error rates being increased by 10 - 30 % as long as at least two campaigns are conducted. Further, it was shown that the use of RapidEye’s red edge channel improves the LAI derivation by on average 5.4 %. With regard to physical LAI modeling, special interest lay in assessing the accuracy improvements that can be achieved through model set-up and inversion regularization techniques. First, a global sensitivity analysis was applied to the radiation transfer model in order to identify the most important model parameters and most sensitive spectral features. After model parameterization, several inversion regularizations, namely the use of a multiple sample solution, the additional use of vegetation indices, and the addition of noise, were analyzed. Further, an approach to include the local scene’s geometry in the retrieval process was introduced to account for the mountainous topography. LAI modeling accuracies of in average 70 % were achieved using the best combination of regularization techniques, which is in the upper range of accuracies that were achieved in the few existing other grassland studies based on in situ or air-borne measured hyperspectral data. Finally, further physically derived vegetation parameters and inversion uncertainty measures were evaluated in detail to identify challenging modeling conditions, which was mostly neglected in other studies. An increased modeling uncertainty for extremely high and low LAI values was observed. This indicates an insufficiently wide model parameterization and a canopy deviation from model assumptions on some fields. Further, the LAI modeling accuracies varied strongly between the different scenes. From this observation it can be deduced that the radiometric quality of the remote sensing data, which might be reduced by atmospheric effects or unexpected surface reflectances, exerts a high influence on the LAI modeling accuracy. The major findings of the comparison between the empirical-statistical and physical LAI modeling approaches are the higher accuracies achieved by the empirical-statistical approach as long as contemporaneous field data are available, and the computationally efficiency of the statistical approach. However, when no or temporally unfitting in situ measurements are available, the physical approach achieves comparable or even higher accuracies. Furthermore, radiation transfer modeling enables the derivation of other leaf and canopy variables useful for ecological monitoring and modeling applications, as well as of pixel-wise uncertainty measures indicating the robustness and reliability of the model inversion and LAI derivation procedure. The established look-up tables can be used for further LAI derivation in Central European grassland also in other years. The use of high spatial resolution remote sensing data for LAI derivation enables a reliable land cover classification and thus a reduced LAI mapping error due to misclassifications. Furthermore, the RapidEye pixels being smaller than individual fields allow for a radiation transfer model inversion over homogeneous canopies in most cases, as canopy gaps or field parcels can be clearly distinguished. However, in case of unexpected local surface conditions such as blooming, litter, or canopy gaps, high spatial resolution data show corresponding strong deviations in reflectance values and hence LAI estimation, which would be reduced using coarser resolution data through the balancing effect of the surrounding surface reflectances. An optimal pixel size with regard to modeling accuracy hence depends on the canopy and landscape structure. Furthermore, a reduced spatial resolution would enable a considerable acceleration of the LAI map derivation. This illustration of the potential of RapidEye data and of the challenges associated to LAI derivation in heterogeneous grassland areas contributes to the development of robust LAI estimation procedures based on new and upcoming, spatially and temporally high resolution remote sensing imagery such as Landsat 8 and Sentinel-2. / Informationen zum Zustand der Vegetation sind relevant für einige ökologische, ökonomische, und planerische Fragestellungen. Vegetationseigenschaften wie der Typ, die Vitalität oder die Dichte einer Pflanzendecke können dabei anhand von kontinuierlichen biophysikalischen Parametern beschrieben werden. Einer dieser Parameter ist der Blattflächenindex (engl. leaf area index, LAI), der als die halbe gesamte Blattoberfläche pro Bodenoberfläche definiert ist. Da die Blattfläche eine wichtige Schnittstelle zwischen der Biosphäre und der Atmosphäre darstellt, wird der LAI dazu verwendet, Austauschprozesse zwischen Pflanzen und ihrer Umwelt zu modellieren. Um die natürliche Variabilität von Ökosystemen berücksichtigen zu können, benötigt man für solche Monitoring- und Modellierungsanwendungen jedoch räumlich und zeitlich explizite LAI Informationen. Die Fernerkundung stellt solche Informationen zur Verfügung. Fernerkundungsbasierte LAI-Kartierung basiert auf empirisch-statistischen und physikalischen Modellen. Im ersten Ansatz wird ein empirisches Verhältnis zwischen dem aufgezeichneten Reflexionssignal der Vegetationsdecke und in situ gemessenem LAI erstellt. Obwohl dieses Verfahren meist hohe Genauigkeiten erzielt, gilt das erstellte Verhältnis nur für den Ort und Zeitpunkt der Feldmessungen, was ein automatisiertes Verfahren behindert. Der physikalische Ansatz verwendet ein Strahlungstransfermodell um die spektrale Signatur einer Pflanzendecke in Abhängigkeit von der Szenengeometrie und verschiedenen Blatt- und Pflanzenparametern zu simulieren, von der LAI durch die Inversion des Modells basierend auf Fernerkundungsdaten abgeleitet wird. Die Modellinversion ist jedoch nicht stabil, da sie ein unterdeterminiertes und inkorrekt gestelltes Problem ist. Bisher fokussierten LAI-Studien entweder auf die Verwendung räumlich grob ausgelöster Fernerkundungsdaten für globale Anwendungen, oder auf LAI-Modellierung für Wälder und Anbaufrüchte innerhalb eines räumlich eingeschränkten Gebiets basierend auf mittel und hoch aufgelösten Daten. Obwohl die Menge an räumlich und zeitlich hoch aufgelösten Fernerkundungsdaten für ein verbessertes Umweltmonitoring kontinuierlich zunimmt, führte dies dazu, dass es keine Studie gibt die sich mit der Ableitung des LAI in heterogenen Landschaften wie beispielsweise alpinem Grünland, basierend auf räumlich hoch aufgelösten Daten, beschäftigen. Dementsprechend wurden damit verbundene Aspekte wie die Modellparametrisierung und Regularisierungsmöglichkeiten der Inversion für dieses Ökosystem noch nicht untersucht. Diesem Forschungsbedarf wird mit dieser Arbeit, in der das Potenzial räumlich hoch aufgelöster Fernerkundungsdaten für die Ableitung von Grünland-LAI basierend auf statistischen Modellen und Strahlungstransfermodellierung analysiert wird, und in der die Genauigkeiten und Stabilität beider Verfahren verglichen werden, begegnet. Die Ziele der Arbeit sind eine an das Grünlandökosystem angepasste Einrichtung des Strahlungstransfermodells und die Ableitung des LAI für Grünland im Gebirgsraum. Multitemporale in situ LAI-Messungen sowie RapidEye-Zeitreihen aus den Jahren 2011 und 2012 aus dem Ammereinzugsgebiet im bayrischen Voralpenland wurden dazu verwendet. Um verlässliche in situ Messwerte zu erhalten, wurde zunächst ein Vergleich der im LAI-2000 PCA Messinstrument implementierten Algorithmen mit destruktiv erhobenen LAI Werten durchgeführt. Zur Optimierung des empirisch-statistischen Ansatzes wurde dann untersucht, in welchem Maße die Verwendung verschiedener Vegetationsindizes und Regressionsmodelle die LAI-Modellierung beeinflussen, und wie gut diese Modelle auf andere Zeitpunkte übertragen werden können. Es wurde gezeigt, dass unter Verwendung von zeitgleich erhobenen Felddaten der LAI mit einer mittleren Genauigkeit von 80 % abgeleitet werden kann, dass sich die Genauigkeit aber auf 51 % verringert, wenn die Modelle auf Fernerkundungsdaten anderer Zeitpunkte angewendet werden. Die gemeinsame Nutzung mehrerer Felddatensätze zur Erstellung einer Regression welche auf andere Zeitpunkte angewendet wird, erhöhte die Genauigkeit der LAI-Ableitung wiederum auf durchschnittlich 65 %. Ein verringerter Arbeitsaufwand für Feldmessungen wird also durch erhöhte Fehlerraten von 10 - 30 % pro Szene ausgewogen, solange mindestens zwei Messkampagnen durchgeführt werden. Außerdem wurde gezeigt, dass die Verwendung des “red edge” Bandes des RapidEye Sensors die LAI-Ableitung um im Mittel 5.4 % verbessert. Im Hinblick auf die physikalische LAI-Modellierung waren vor allem die Verbesserung der Genauigkeit, die anhand von Modelleinstellungen und Regularisierungstechniken erzielt werden konnten, von Interesse. Zunächst wurde eine globale Sensitivitätsanalyse des Strahlungstransfermodells durchgeführt, um die wichtigsten Modellparameter und die sensitivsten spektralen Bereiche zu identifizieren. Nach der darauf basierenden Modellparametrisierung wurden in den nächsten Schritten mehrere Verfahren zu Stabilisierung der Inversion, nämlich die Verwendung multipler Lösungen, von Vegetationsindizes als Inputdaten, und von simuliertem Datenrauschen, analysiert. Außerdem wurde ein Ansatz eingeführt, der die Berücksichtigung der lokalen Szenengeometrien, und damit der Topographie des Untersuchungsgebietes, erlaubt. Genauigkeiten von im Mittel 70 % konnten für die LAI-Modellierung unter Verwendung der besten Modell- und Inversionseinstellungen erreicht werden. Diese sind mit den Ergebnissen anderer Grünland-Studien, die jedoch auf in situ oder flugzeuggetragen gemessenen hyperspektralen Daten beruhen, vergleichbar. Zuletzt wurden weitere physikalisch modellierte Vegetationsparameter sowie Inversionsunsicherheitsmaße evaluiert, um besonders schwierige Modellierungsbedingungen zu identifizieren, was in anderen Studien bisher meist vernachlässigt wurde. Erhöhte Modellierungsunsicherheiten wurden für die Ableitung besonders niedriger und hoher LAI Werte beobachtet, was auf eine ungenügend weit gefasste Modellparametrisierung und stellenweise Abweichungen der Vegetationsdecke von den Modellannahmen hinweist. Außerdem variieren die Genauigkeiten der LAI Modellierung stark zwischen den einzelnen Szenen woraus abgeleitet werden kann dass die radiometrische Qualität der Fernerkundungsdaten, welche beispielsweise durch atmosphärische Effekte oder unerwartete Oberflächenreflexionen beeinfluss werten kann, einen großen Einfluss auf die Modellierungsgenauigkeit hat. Im Vergleich der empirisch-statistischen und physikalischen LAI-Modellierung fiel der empirisch-statistische Ansatz mit höheren Genauigkeiten, solange zeitgleich aufgenommene Felddaten vorliegen, sowie mit einer geringeren Berechnungszeit auf. Wenn jedoch keine zeitlich passenden Felddaten vorhanden sind, erreicht die physikalische Modellierung vergleichbare oder sogar höhere Genauigkeiten. Des Weiteren ermöglicht das Strahlungstransfermodel die Ableitung weiterer Blatt- und Pflanzeneigenschaften, welche für ökologische Monitoring- und Modellierungsanwendungen nützlich sind. Außerdem werden pixelgenaue Unsicherheitsmaße generiert, welche die Stabilität und Verlässlichkeit der Modellinversion und des gewonnenen LAI-Wertes charakterisieren. Die erstellten Datenbanken können darüber hinaus für die LAI-Modellierung in anderen Mitteleuropäischen Grünländern auch in anderen Jahren verwendet werden. Die Verwendung von hochaufgelösten Fernerkundungsdaten ermöglicht eine verlässliche Landbedeckungsklassifikation und verringert damit Fehler in der LAI-Modellierung die durch Fehlklassifikationen verursacht werden. Da die RapidEye-Pixel außerdem kleiner als einzelnen Felder sind, konnte das Strahlungstransfermodell in den meisten Fällen über homogenen Pflanzendecken invertiert werden. Angesichts unerwarteter lokaler Oberflächenreflexionen, hervorgerufen beispielsweise durch Blüten, Streu, oder Lücken, zeigen die hochaufgelösten Daten jedoch auch entsprechend starke Abweichungen, welche in gröber aufgelösten Daten durch die Reflexion der umgebenden Oberflächen verringert sind. Eine optimale Pixelgröße im Hinblick auf die Modellierungsgenauigkeit hängt also von der Struktur der Vegetationsdecke und der Landschaft ab. Eine verringerte Pixelgröße würde darüber hinaus die Ableitung von LAI-Karten deutlich beschleunigen. Diese Darstellung des Potenzials von RapidEye Daten für LAI-Modellierung und der speziellen Herausforderungen an die genutzten Verfahren in heterogenen Grünländern kann zur Entwicklung von robusten LAI-Ableitungsverfahren beitragen, anhand welcher neue, räumlich und zeitlich hoch aufgelöste, Fernerkundungsdaten wie die der Landsat 8 oder Sentinel-2 Sensoren in Wert gesetzt werden können.

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.

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.

Techn. Universiẗat, Diss., 2004--Berlin.

About 24 % of the land surface in the northern hemisphere are underlayed by permafrost in various states. Permafrost aggradation occurs under special environmental conditions with overall low annual precipitation rates and very low mean annual temperatures. Because the general permafrost occurrence is mainly driven by large-scale climatic conditions, the distribution of permafrost deposits can be considered as an important climate indicator. The region with the most extensive continuous permafrost is Siberia. In northeast Siberia, the ice- and organic-rich permafrost deposits of the Ice Complex are widely distributed. These deposits consist mostly of silty to fine-grained sandy sediments that were accumulated during the Late Pleistocene in an extensive plain on the then subaerial Laptev Sea shelf. One important precondition for the Ice Complex sedimentation was, that the Laptev Sea shelf was not glaciated during the Late Pleistocene, resulting in a mostly continuous accumulation of permafrost sediments for at least this period. This shelf landscape became inundated and eroded in large parts by the Holocene marine transgression after the Last Glacial Maximum. Remnants of this landscape are preserved only in the present day coastal areas.<br><br> Because the Ice Complex deposits contain a wide variety of palaeo-environmental proxies, it is an excellent palaeo-climate archive for the Late Quaternary in the region. Furthermore, the ice-rich Ice Complex deposits are sensible to climatic change, i.e. climate warming. Because of the large-scale climatic changes at the transition from the Pleistocene to the Holocene, the Ice Complex was subject to extensive thermokarst processes since the Early Holocene.<br><br> Permafrost deposits are not only an environmental indicator, but also an important climate factor. Tundra wetlands, which have developed in environments with aggrading permafrost, are considered a net sink for carbon, as organic matter is stored in peat or is syn-sedimentary frozen with permafrost aggradation. Contrary, the Holocene thermokarst development resulted in permafrost degradation and thus the release of formerly stored organic carbon. Modern tundra wetlands are also considered an important source for the climate-driving gas methane, originating mainly from microbial activity in the seasonal active layer.<br><br> Most scenarios for future global climate development predict a strong warming trend especially in the Arctic. Consequently, for the understanding of how permafrost deposits will react and contribute to such scenarios, it is necessary to investigate and evaluate ice-rich permafrost deposits like the widespread Ice Complex as climate indicator and climate factor during the Late Quaternary. Such investigations are a pre-condition for the precise modelling of future developments in permafrost distribution and the influence of permafrost degradation on global climate.<br><br> The focus of this work, which was conducted within the frame of the multi-disciplinary joint German-Russian research projects "Laptev Sea 2000" (1998-2002) and "Dynamics of Permafrost" (2003-2005), was twofold. First, the possibilities of using remote sensing and terrain modelling techniques for the observation of periglacial landscapes in Northeast Siberia in their present state was evaluated and applied to key sites in the Laptev Sea coastal lowlands. The key sites were situated in the eastern Laptev Sea (Bykovsky Peninsula and Khorogor Valley) and the western Laptev Sea (Cape Mamontovy Klyk region). For this task, techniques using CORONA satellite imagery, Landsat-7 satellite imagery, and digital elevation models were developed for the mapping of periglacial structures, which are especially indicative of permafrost degradation. The major goals were to quantify the extent of permafrost degradation structures and their distribution in the investigated key areas, and to establish techniques, which can be used also for the investigation of other regions with thermokarst occurrence. Geographical information systems were employed for the mapping, the spatial analysis, and the enhancement of classification results by rule-based stratification. The results from the key sites show, that thermokarst, and related processes and structures, completely re-shaped the former accumulation plain to a strongly degraded landscape, which is characterised by extensive deep depressions and erosional remnants of the Late Pleistocene surface. As a results of this rapid process, which in large parts happened within a short period during the Early Holocene, the hydrological and sedimentological regime was completely changed on a large scale. These events resulted also in a release of large amounts of organic carbon. Thermokarst is now the major component in the modern periglacial landscapes in terms of spatial extent, but also in its influence on hydrology, sedimentation and the development of vegetation assemblages. Second, the possibilities of using remote sensing and terrain modelling as a supplementary tool for palaeo-environmental reconstructions in the investigated regions were explored. For this task additionally a comprehensive cryolithological field database was developed for the Bykovsky Peninsula and the Khorogor Valley, which contains previously published data from boreholes, outcrops sections, subsurface samples, and subsurface samples, as well as additional own field data. The period covered by this database is mainly the Late Pleistocene and the Holocene, but also the basal deposits of the sedimentary sequence, interpreted as Pliocene to Early Pleistocene, are contained. Remote sensing was applied for the observation of periglacial strucures, which then were successfully related to distinct landscape development stages or time intervals in the investigation area. Terrain modelling was used for providing a general context of the landscape development. Finally, a scheme was developed describing mainly the Late Quaternary landscape evolution in this area. A major finding was the possibility of connecting periglacial surface structures to distinct landscape development stages, and thus use them as additional palaeo-environmental indicator together with other proxies for area-related palaeo-environmental reconstructions. In the landscape evolution scheme, i.e. of the genesis of the Late Pleistocene Ice Complex and the Holocene thermokarst development, some new aspects are presented in terms of sediment source and general sedimentation conditions. This findings apply also for other sites in the Laptev Sea region. / Die vorliegende Arbeit wurde im Rahmen der multidisziplinären Deutsch-Russischen Verbundprojekte "Laptev See 2000" (1998-2002) und "Dynamik des Permafrost" (2003-2005) erstellt.<br> Etwa 24 % der Landoberfläche der Erde sind von Permafrost unterlagert. Die ausgedehntesten Permafrostgebiete befinden sich heute in Sibirien. In Nordostsibirien, das während der letzten Eiszeit nicht von Inlandeismassen bedeckt bedeckt war, lagerten sich während dieser Zeit mächtige eisreiche Permafrostsedimente ab. Die durch den nacheiszeitlichen Meeresspiegelanstieg um ca. 120 Meter nur noch in den heutigen Küstengebieten erhaltenen Ablagerungen sind zum Teil hervorragende Paläoklimaarchive, die verschiedenste fossile organische Überreste der Eiszeitlichen Fauna und Flora konserviert haben. Aber auch die Sedimente und das enthalten Grundeis enthalten Klimainformationen z.B. die aus Mineralogie, Ablagerungsmilieu oder geochemischer und isotopenchemischer Zusammensetzung gewonnen werden können.<br><br> Der hohe Eisgehalt in den Sedimenten führte mit Beginn der holozänen Warmzeit zur Bildung von Thermokarst und Thermo-Erosion, d.h. zu starken Zersetzungserscheinungen durch Auftauen und Erosion. Thermokarst beschreibt das Schmelzen des Grundeises und die gleichzeitig stattfindende tiefe Absenkung der betroffenen Landoberfläche. Thermokarst geht mit der Bildung von Thermokarstseen einher, deren Wasserkörper ein zusätzlicher Wärmespeicher ist und das Auftauen des darunter liegenden Permafrost verstärken kann. In Sibirien, aber auch anderen Regionen der Arktis, sind weite Gebiete von Thermokarst betroffen. Der Einfluss dieser klimabedingten großräumigen Landschaftsveränderungen in Permafrostgebieten auf den lokalen, regionalen und auch globalen Stoff- und Energiehaushalt ist bisher nur wenig untersucht. Die vorliegende Arbeit beschäftigt sich mit der Charakterisierung und Evolution von periglazialen Landschaften im nordsibirischen Laptevsee-Gebiet, die seit dem Beginn des Holozän von solchen klimatisch bedingten Veränderungen betroffen sind, und liefert damit ein Puzzleteil zum einen für die Rekonstruktion der Landschaft und Landschaftsentwicklung als auch Vorraussetzungen für das Verständnis der großräumig wirkenden geologischen und geomorphologischen Veränderungsprozesse. Die generellen Schwerpunkte, für die die vorliegende Arbeit Informationen liefert, sind die Charakterisierung von periglazialen Relief- und Oberflächentypen und die Bestimmung ihrer räumlichen Verbreitung, die Identifizierung und Quantifizierung einzelner geologischer und geomorphologischer Prozesse in diesen Landschaften, und die Rekonstruktion der Entwicklung periglazialer Landschaften im Spätquartär für Schlüsselgebiete im Küstengebiet der nordsibirischen Laptevsee.<br><br> Um diese generellen Schwerpunkte zu erreichen, werden verschiedene Einzelziele in der Arbeit verfolgt:<br><br> Die Entwicklung and Anwendung von Satellitenfernerkundungstechniken zur Analyse periglazialer Landschaften in Nordsibirien. Dazu werden hochauflösende Corona-Satellitendaten und multispektrale Landsat-7 Satellitendaten verwendet.<br> Die Untersuchung von Satellitenbildern, mit dem Schwerpunkt auf Oberflächen, die von der Zersetzung des eisreichen Permafrosts betroffen sind<br> Die Entwicklung von hochauflösenden digitalen Geländemodellen für die geomorphologische Analyse in zwei Schlüsselgebieten<br> Die räumliche Untersuchung der gewonnenen Daten mit Hilfe von geographischen Informationssystemen, mit einem Schwerpunkt auf Form, Verteilung und Außmaß von holozänem Thermokarst<br> Das Sammeln und Auswerten von Felddaten, mit Schwerpunkt auf Oberflächeneigenschaften periglazialer Landschaften und der Zusammensetzung der Permafrostablagerungen<br> Die Anwendung der gewonnenen Daten zur Unterstützung, Verbesserung und Ausweitung der lokal gewonnenen Felddaten und Paläoumweltrekonstruktionen, sowie die datengestützte Entwicklung von Vorstellungen zur Landschaftsgenese<br><br> Weite, Permafrost-dominierte Küstentiefländer der heutigen Laptevsee in Nordost-Sibirien sind durch die spätpleistozänen Ablagerungen des Eiskomplex aufgebaut. Diese zumeist schluffig bis mittelsandigen Ablagerungen sind durch einen sehr großen Eisgehalt in Form von verteiltem Grundeis und großer syngenetischer Eiskeile, sowie einem relativ hohen Anteil an organischen Resten gekennzeichnet. Mit Beginn der holozänen Klimaerwärmung kam es zur weitläufigen Bildung von Thermokarst.

One of the most difficult issues when dealing with optical water remote-sensing is its acceptance as a useful application for environmental research. This problem is, on the one hand, concerned with the optical complexity and variability of the investigated natural media, and therefore the question arises as to the plausibility of the parameters derived from remote-sensing techniques. Detailed knowledge about the regional bio- and chemico-optical properties is required for such studies, however such information is seldom available for the sites of interest. On the other hand, the primary advantage of remote-sensing information, which is the provision of a spatial overview, may not be exploited fully by the disciplines that would benefit most from such information. It is often seen in a variety of disciplines that scientists have been primarily trained to look at discrete data sets, and therefore have no experience of incorporating information dealing with spatial heterogeneity. <br><br> In this thesis, the opportunity was made available to assess the potential of Ocean Colour data to provide spatial and seasonal information about the surface waters of Lake Baikal (Siberia). While discrete limnological field data is available, the spatial extension of Lake Baikal is enormous (ca. 600 km), while the field data are limited to selected sites and expedition time windows. Therefore, this remote-sensing investigation aimed to support a multi-disciplinary limnological investigation within the framework of the paleoclimate EU-project ‘High Resolution CONTINENTal Paleoclimate Record in Lake Baikal, Siberia (CONTINENT)’ using spatial and seasonal information from the SeaWiFS satellite (NASA). From this, the SeaWiFS study evolved to become the first efficient bio-optical satellite study of Lake Baikal. <br><br> During the course of three years, field work including spectral field measurements and water sampling, was carried out at Lake Baikal in Southern Siberia, and at the Mecklenburg and Brandenburg lake districts in Germany. The first step in processing the SeaWiFS satellite data involved adapting the SeaDAS (NASA) atmospheric-correction processing to match as close as possible the specific conditions of Lake Baikal. Next, various Chl-<i>a</i> algorithms were tested on the atmospherically-corrected optimized SeaWiFS data set (years 2001 to 2002), comparing the CONTINENT pigment ground-truth data with the Chl-<i>a</i> concentrations derived from the satellite data. This showed the high performance of the global Chl-<i>a</i> products OC2 and OC4 for the oligotrophic, transparent waters (bio-optical Case 1) of Lake Baikal. However, considerable Chl-<i>a</i> overestimation prevailed in bio-optical Case 2 areas for the case of discharge events. High-organic terrigenous input into Lake Baikal could be traced and information extracted using the SeaWiFS spectral data. Suspended Particulate Matter (SPM) was quantified by the regression of the SeaDAS attenuation coefficient as the optical parameter with SPM field data. <br><br> Finally, the Chl-<i>a</i> and terrigenous input maps derived from the remote sensing data were used to assist with analyzing the relationships between the various discrete data obtained during the CONTINENT field work. Hence, plausible spatial and seasonal information describing autochthonous and allochthonous material in Lake Baikal could be provided by satellite data.<br>Lake Baikal, with its bio-optical complexity and its different areas of Case 1 and Case 2 waters, is a very interesting case study for Ocean Colour analyses. Proposals for future Ocean Colour studies of Lake Baikal are discussed, including which bio-optical parameters for analytical models still need to be clarified by field investigations. / Die Gewässerfernerkundung entwickelte sich seit den 70ern vor allem aus der Ozeanographie und der Atmosphärenforschung, und wird inzwischen als anerkannte Methode genutzt, um global die Phytoplanktonverteilung in den Weltmeeren erfassen zu können, u.a. für CO₂-Haushaltsmodellierungen. Atmosphärenkorrigierte Multi- und Hyperspektralscannerdaten ermöglichen die Qualifizierung bio-optischer Gewässertypen und die Quantifizierung optisch sichtbarer Wasserinhaltsstoffe und bieten gerade auch für dynamische und heterogene Küsten- und Binnengewässer das große Potential des räumlichen Informationsgewinnes.<br>Im Rahmen des Paläoklimaprojektes CONTINENT wurde in dieser Arbeit das Oberflächenwasser des Baikalsees mit Gewässerfernerkungsmethoden analysiert. Wichtig für die Interpretation von Klima-Proxies sind v.a. auch Hinweise auf die Verteilung des autochthonen Materials im Baikalsee (Fernerkundungsparameter: Chlorophyll-<i>a</i>), ebenso wie Hinweise auf allochthone Einträge an den Bohrungsstellen (Fernerkundungsparameter ‚Terrigener Eintrag’). Auf den Geländekampagnen in den Sommern 2001, 2002, 2003 in Sibirien und in Deutschland wurden Feldspektrometermessungen mit gleichzeitiger Wasserprobenahme auf die optisch sichtbaren Wasserinhaltsstoffe Phytoplankton, Schwebstoff, und DOC durchgeführt. Dabei konnten Messtechniken für Geländespektrometer evaluiert, und grundlegende Aussagen über die spektrale Verteilung des In-Wasser Lichtfeldes im Baikalsee gemacht werden. <br><br> Die Ocean Colour Satellitendaten des NASA-Instrumentes SeaWiFS und die Möglichkeiten der komplexen NASA Software SeaDAS wurden genutzt. Für die Ableitung des am Baikalsee anzutreffenden organikreichen terrigenen Eintrages, wurde ein vorläufiger Algorithmus aus den Geländedaten generiert. Verschiedene Algorithmen für den Parameter ‚Chlorophyll-<i>a</i>’ wurden mit dem Geländedatensatz der Projektpartnerin S. Fietz (Institut für Gewässerökologie und Binnenfischerei, IGB) evaluiert. Als geeignetester etablierte sich der auf oligotrophe Gewässer optimierte NASA Chlorophyll Algorithmus ‚Ocean Colour (OC) 2’. Die Quantifizierungen und Ergebnisse werden diskutiert. <br><br> Als Endergebnis wird der Überblick über Sedimenteintrag und Phytoplanktondynamik im Baikalsee für den Zeitraum 2001-2002 zur Verfügung gestellt und die autochthonen versus allochthonen Einflüsse an den Projektlokationen werden beschrieben. Der Baikalsee erwies sich als bio-optisch ein sehr komplexes und interessantes Studienobjekt. Ein wichtiger Punkt, der in dieser Arbeit angesprochen wird, ist die Atmosphärenkorrektur, die wesentliche Einflüsse auf die Qualifizierungen und Quantifizierungen hat, aber als Standardprogramm nur für den pelagialen Wasserkörper in Meeresspiegelhöhe mit marinen, bzw. Küstenatmosphären konditioniert ist. Ein weiterer bedeutender Punkt, der in dieser Arbeit diskutiert wird, ist der relevante spektrale Einfluss des organikreichen terrigenen Eintrages auf die Gewässerfarbe und dadurch auf die Qualität der Chlorophyll-Ableitung. Somit boten sich die Möglichkeiten, das räumliche Ausmaß und die Dynamik rezenter terrigener Einträge zu erfassen. Auch die Entwicklung des Phytoplankton von Frühsommer bis Spätsommer im Baikalsee konnte mit den SeaWiFS Daten nachvollzogen werden. Die hier vorgestellte Studie stellte sich als die erste grundlegende optische Gewässerfernerkundungsstudie mit Satellitendaten am Baikalsee heraus, und konnte erfolgreich abgeschlossen werden.