Einhergehend mit schnellem Bevölkerungs- und Wirtschaftswachstum erlebt die Welt innerhalb der letzten Jahrzehnte eine schnelle Akkumulation langlebiger Ressourcen in Gebäuden und Infrastruktur, auch gesellschaftlicher Materialbestand genannt. Im 21. Jahrhundert wird die Fortsetzung dieser Entwicklung zur großen Herausforderung für den sozioökonomischen Stoffwechsel der Erde und zum Erreichen biophysikalischer Grenzen führen. Siedlungen sind von besonderem Interesse, da Menschen dort Nachfrage nach Leistungen wie Nahrung oder Mobilität generieren und mit ihnen interagieren. Zukünftig wird neben einer globalen Entwicklungsperspektive auf Materialbestände und Bevölkerung auch ein räumlich explizites, hochauflösendes Verständnis lokaler Muster und Prozesse von Relevanz für eine datenbasierte Antwort auf Herausforderungen des globalen Wandels sein. Diese Arbeit präsentiert einen Workflow zur Kartierung und Quantifizierung von Materialbeständen und Bevölkerungsverteilung und -dynamik mittels hochaufgelöster mehrdimensionaler Siedlungskartierung mit Multisensor-Erdbeobachtungsdaten auf nationaler Ebene. Der erste Abschnitt demonstriert das Potenzial der Verwendung von Sentinel-1 und -2 Zeitreihendaten mit Methoden des maschinellen Lernens für die Kartierung von Siedlungsstrukturen, d.h. Subpixel-Landbedeckung, Gebäudehöhe und Gebäudetyp. Der zweite Abschnitt quantifiziert Schlüsselparameter des sozioökonomischen Metabolismus, d. h. Bevölkerung und Materialbestand, anhand zuvor generierter Datensätze zur Siedlungsstruktur. Der dritte Abschnitt nutzt das Landsat-Datenarchiv und Zeitreihenanalyse, um räumliche Muster und Dynamiken von Bevölkerung und Materialbeständen in Deutschland seit 1985 zu quantifizieren. Frei verfügbare und global konsistente Erdbeobachtungsdaten und Techniken des maschinellen Lernens haben großes Potenzial, das räumlich explizite hochaufgelöste Verständnis sozioökologischer Variablen basierend auf mehrdimensionaler Siedlungskartierung zu verbessern. / During the recent decades of the Anthropocene, the world has experienced rapid growth of population and economic activity. This went along with a considerable accumulation of long-lived resources, for example in buildings and infrastructure, i.e., societal material stock. In the 21st century, a continuation of this development will be a major challenge to the Earth’s socio-economic metabolism, as some limitations of the Earth’s biophysical basis might be reached. Settlements are of particular interest, because they are the places where people generate demand for, and interact with services. Both an overarching perspective on the global long-term development of material stock and population as well as a spatially explicit, high-resolution understanding of local patterns and processes will be of particular relevance for a more data-informed response to challenges of global change. This dissertation presents a workflow to map and quantify material stocks and population distribution and dynamics by means of multi-dimensional settlement mapping with decameter resolution multi-source Earth Observation data on a national scale. The first part demonstrates the potential of using Sentinel-1 and -2 time series imagery with machine learning regression and classification for settlement structure mapping, including sub-pixel land cover, building height and building type mapping. The second part quantifies key parameters of the socio-economic metabolism, i.e., population and material stock, using previously generated datasets on settlement structure. The third part uses the Landsat data archive and Change-Aftereffect-Trend analysis to quantify spatial-temporal patterns and dynamics of population and material stock development in Germany since 1985. Findings demonstrate that freely available and globally consistent Earth Observation data and machine learning techniques have great potential to improve the spatially explicit high-resolution understanding of socio-metabolic variables based on multi-dimensional settlement mapping in a seamless workflow.