Vorliegende Arbeit zeigt die jüngsten Möglichkeiten hochauflösender Fernerkundung am Beispiel von Stadtbäumen in Berlin, Deutschland. Es wurden neuste methodische Ansätze eingesetzt, wie beispielsweise maschinelles Lernens und individuelle Baumdetektion. Sie erwiesen sich von großem Vorteil für die detaillierte Analyse urbaner Ökosystemdienstleistungen in einer heterogenen Umwelt. Neueste Fernerkundung von hoher zeitlicher Auflösung hat Möglichkeiten gezeigt, Veränderungen des Stadtwaldes präziser zu untersuchen. Diesbezüglich konnten Baumspezies klassifiziert werden auf Grundlage saisonaler Veränderungen, die mittels Fernerkundungsdaten aufgenommen wurden. Dies ist für den urbanen Bereich einmalig und über große Flächen noch nicht durchgeführt worden. Darüber hinaus haben diese Baumarten einzelnen Bäumen zugeordnet werden können, deren Abmessung fernerkundlich erfasst worden ist. Diese neu erzeugten Umweltinformationen einzelner Bäume können damit verbundene urbane Ökosystemdienstleistungen präzise aktualisieren. Zum Beispiel haben so Unsicherheiten in der Schätzung zur Kohlenstoffspeicherung städtischer Wälder reduziert werden können. Es ist zudem von Vorteil gewesen, den gegenwärtigen Mangel an räumlich expliziten dreidimensionalen Informationen über Stadtwälder anzusprechen. Allerdings ist die Rolle städtischen Wälder, das Treibhausgas CO2 langfristig auszugleichen, immer noch wenig untersucht. Gerade der Mangel an präzisen, konsistenten und aktuellen Details führt zu großen Unsicherheiten im Rahmen von Lebenszyklus-Analysen. Auf Grund des aktuellen Fortschritts in hochauflösender Fernerkundung könnten diese Unsicherheiten reduziert werden. Dazu werden Möglichkeiten ausgiebig kritisch bewertet und anhand einer Lebenszyklus-Analyse am Beispiel Berlin andiskutiert, inwieweit sie präzisere langfristige Prognosen zum Stadtwald als Kohlenstoffspeicher liefern. / This work shows recent options for implementing high resolution remote sensing in assessing urban trees in Berlin, Germany. State-of-the-art methodological approaches like machine learning and individual tree detection proved to be highly advantageous for analyzing details of urban ecosystem services within a heterogeneous urban environment. Recent remote sensing of high temporal resolution offers new options for more precisely addressing urban forest dynamics. This successfully shows that tree species could be identified from seasonal changes of remotely sensed imagery, though this has not yet been applied across cities. Furthermore, these tree species results could be combined with remotely sensed individual tree dimensions. This newly generated data can be suggested to update spatially explicit information on related urban ecosystem services. For example, this could reduce the uncertainties of such estimates as urban forest carbon storage, and also address the present lack of spatially explicit three-dimensional information on urban forests. However, few studies have considered the local scale of urban forests to effectively evaluate their potential long-term carbon offset. The lack of precise, consistent and up-to-date forest details is challenging within the scope of life cycle assessments. This can cause high uncertainties in urban forest carbon offset. Although, recent progress in high resolution remote sensing is promising to reduce these uncertainties. For this purpose, remote sensing options are extensively reviewed and briefly discussed using an example of life cycle assessment for Berlin, which allow more precise long-term prognoses of urban forest carbon offset.

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