Zugl.: Dortmund, Techn. Univ., Diss., 2008.

Diss. Nr. 3212 Wirtschaftswiss. St. Gallen, 2006. / Literaturverz.

Zugleich: Diss. Naturwiss. Bern. / Literaturverz.

Inaug.-Diss. Rechts- u. Wirtschaftswiss. Bern, 1994. / Paru dans la collection "Berner Beiträge zur Nationalökonomie" comme Bd. 69. Literaturverz.: S. 93-97.

Universiẗat, Diss., 2004--Bonn.

Grasslands shape many landscapes of the earth as they cover about one-third of its surface. They are home and provide livelihood for billions of people and are mainly used as source of forage for animals. However, grasslands fulfill many additional ecosystem functions next to fodder production, such as storage of carbon, water filtration, provision of habitats and cultural values. They play a role in climate change (mitigation) and in preserving biodiversity and ecosystem functions on a global scale. The degree to what these ecosystem functions are present within grassland ecosystems is largely determined by the management. Individual management practices and the use intensity influence the species composition as well as functions, like carbon storage, while higher use intensities (e.g. high mowing frequencies) usually show a negative impact. Especially in Central European countries, like in Germany, the determining influence of grassland management on its physiognomy and ecosystem functions leads to a large variability and small-scale alternations of grassland parcels. Large-scale information on the management and use intensity of grasslands is not available. Consequently, estimations of grassland ecosystem functions are challenging which, however, would be required for large-scale assessments of the status of grassland ecosystems and optimized management plans for the future. The topic of this thesis tackles this gap by investigating the major grassland management practice in Germany, which is mowing, for multiple years, in high spatial resolution and on a national scale. Earth Observation (EO) has the advantage of providing information of the earth’s surface on multi-temporal time steps. An extensive literature review on the use of EO for grassland management and production analyses, which was part of this thesis, showed that in particular research on grasslands consisting of small parcels with a large variety of management and use intensity, like common in Central Europe, is underrepresented. Especially the launch of the Sentinel satellites in the recent past now enables the analyses of such grasslands due to their high spatial and temporal resolution. The literature review specifically on the investigation of grassland mowing events revealed that most previous studies focused on small study areas, were exploratory, only used one sensor type and/or lacked a reference data set with a complete range of management options. Within this thesis a novel framework to detect grassland mowing events over large areas is presented which was applied and validated for the entire area of Germany for multiple years (2018–2021). The potential of both sensor types, optical (Sentinel-2) and Synthetic Aperture Radar (SAR) (Sentinel-1) was investigated regarding grassland mowing event detection. Eight EO parameters were investigated, namely the Enhanced Vegetation Index (EVI), the backscatter intensity and the interferometric (InSAR) temporal coherence for both available polarization modes (VV and VH), and the polarimetric (PolSAR) decomposition parameters Entropy, K0 and K1. An extensive reference data set was generated based on daily images of webcams distributed in Germany which resulted in mowing information for grasslands with the entire possible range of mowing frequencies – from one to six in Germany – and in 1475 reference mowing events for the four years of interest. For the first time a observation-driven mowing detection approach including data from Sentinel-2 and Sentinel-1 and combining the two was developed, applied and validated on large scale. Based on a subset of the reference data (13 grassland parcels with 44 mowing events) from 2019 the EO parameters were investigated and the detection algorithm developed and parameterized. This analysis showed that a threshold-based change detection approach based on EVI captured grassland mowing events best, which only failed during periods of clouds. All SAR-based parameters showed a less consistent behavior to mowing events, with PolSAR Entropy and InSAR Coherence VH, however, revealing the highest potential among them. A second, combined approach based on EVI and a SARbased parameter was developed and tested for PolSAR Entropy and InSAR VH. To avoid additional false positive detections during periods in which mowing events are anyhow reliably detected using optical data, the SAR-based mowing detection was only initiated during long gaps within the optical time series (< 25 days). Application and validation of these approaches in a focus region revealed that only using EVI leads to the highest accuracies (F1-Score = 0.65) as combining this approach with SAR-based detection led to a strong increase in falsely detected mowing events resulting in a decrease of accuracies (EVI + PolSAR ENT F1-Score = 0.61; EVI + InSAR COH F1-Score = 0.61). The mowing detection algorithm based on EVI was applied for the entire area of Germany for the years 2018-2021. It was revealed that the largest share of grasslands with high mowing frequencies (at least four mowing events) can be found in southern/south-eastern Germany. Extensively used grassland (mown up to two times) is distributed within the entire country with larger shares in the center and north-eastern parts of Germany. These patterns stay constant in general, but small fluctuations between the years are visible. Early mown grasslands can be found in southern/south-eastern Germany – in line with high mowing frequency areas – but also in central-western parts. The years 2019 and 2020 revealed higher accuracies based on the 1475 mowing events of the multi-annual validation data set (F1-Scores of 0.64 and 0.63), 2018 and 2021 lower ones (F1-Score of 0.52 and 0.50). Based on this new, unprecedented data set, potential influencing factors on the mowing dynamics were investigated. Therefore, climate, topography, soil data and information on conservation schemes were related to mowing dynamics for the year 2020, which showed a high number of valid observations and detection accuracy. It was revealed that there are no strong linear relationships between the mowing frequency or the timing of the first mowing event and the investigated variables. However, it was found that for intensive grassland usage certain climatic and topographic conditions have to be fulfilled, while extensive grasslands appear on the entire spectrum of these variables. Further, higher mowing frequencies occur on soils with influence of ground water and lower mowing frequencies in protected areas. These results show the complex interplay between grassland mowing dynamics and external influences and highlight the challenges of policies aiming to protect grassland ecosystem functions and their need to be adapted to regional circumstances. / Grünland prägt viele Landschaften der Erde, da es etwa ein Drittel der Erdoberfläche bedeckt. Es ist Heimat und Lebensgrundlage für Milliarden von Menschen und wird hauptsächlich als Futterquelle für die Viehhaltung genutzt. Neben der Futterproduktion erfüllen Grünlandflächen jedoch viele weitere Ökosystemfunktionen, wie die Speicherung von Kohlenstoff, die Wasserfilterung, die Bereitstellung von Lebensräumen, als auch kulturelle Werte. Sie spielen eine Rolle bei der Abschwächung des Klimawandels und bei der Erhaltung der biologischen Vielfalt und der Ökosystemfunktionen auf globaler Ebene. Das Ausmaß, in dem diese Ökosystemfunktionen in Grünlandökosystemen vorhanden sind, wird weitgehend durch die Bewirtschaftung bestimmt. Einzelne Bewirtschaftungspraktiken und die Nutzungsintensität beeinflussen sowohl die Artenzusammensetzung als auch Funktionen wie die Kohlenstoffspeicherung, wobei höhere Nutzungsintensitäten (z. B. hohe Mähfrequenzen) in der Regel einen negativen Einfluss haben. Insbesondere in mitteleuropäischen Ländern wie Deutschland, führt der bestimmende Einfluss der Grünlandbewirtschaftung auf die Physiognomie und die Ökosystemfunktionen zu einer großen Variabilität und kleinräumigen Differenziertheit einzelner Grünlandflächen. Großräumige Informationen über die Bewirtschaftungs- und Nutzungsintensität von Grünland sind nicht verfügbar. Folglich sind Schätzungen der Ökosystemfunktionen von Grünland eine Herausforderung, die jedoch für großräumige Bewertungen des Zustands von Grünlandökosystemen und optimierte Bewirtschaftungspläne für die Zukunft erforderlich wären. Das Thema dieser Arbeit greift diese Lücke auf, indem es die wichtigste Grünlandbewirtschaftungsmethode in Deutschland, die Mahd, über mehrere Jahre, mit hoher räumlicher Auflösung und auf nationaler Ebene untersucht. Die Erdbeobachtung hat den Vorteil, Informationen über die Erdoberfläche in multitemporalen Zeitschritten zu liefern. Eine umfangreiche Literaturrecherche zur Nutzung von Erdbeobachtung für Grünlandmanagement und Produktion, welche Teil dieser Arbeit war, hat gezeigt, dass insbesondere die Forschung zu kleinparzelligem Grünland mit einer großen Vielfalt an Bewirtschaftungs- und Nutzungsintensitäten, wie in Mitteleuropa gängig, unterrepräsentiert ist. Insbesondere die vor wenigen Jahren erfolgte Start der Sentinel-Satellitenmissionen ermöglicht nun auch die Analyse solcher Grünlandflächen aufgrund der hohen räumlichen und zeitlichen Auflösung ihrer Aufnahmen. Die Literaturrecherche speziell zur Untersuchung von Mähereignissen auf Grünland ergab, dass die meisten bisherigen Studien sich auf kleine Untersuchungsgebiete konzentrierten, explorativ waren, nur einen Sensortyp verwendeten und/oder keinen Referenzdatensatz mit einer vollständigen Palette von Managementoptionen enthielten. Im Rahmen dieser Arbeit wird eine neuartige Methodik zur Erkennung von Grünlandmahdereignissen vorgestellt, welches über mehrere Jahre (2018-2021) flächendeckend in Deutschland angewendet und validiert wurde. Beide Sensortypen – optisch (Sentinel-2) und SAR (Sentinel-1) – wurden hinsichtlich ihres Potentials zur Detektion von Grünlandmahdereignissen ausgewertet. Acht EO-Parameter wurden untersucht, nämlich der Enhanced Vegetation Index (EVI), die Rückstreuintensität und die interferometrische zeitliche Kohärenz (InSAR) für beide verfügbaren Polarimetrien (VV und VH), sowie die polarimetrischen (PolSAR) Zerlegungsparameter Entropie, K0 und K1. Ein umfangreicher Referenzdatensatz wurde auf der Basis täglicher Bilder von Webcams generiert, welche über Deutschland verteilt sind. Dieser enthält Mahdinformationen für Grünland mit dem gesamten möglichen Spektrum an Mähfrequenzen – von eins bis sechs Mahden – und 1475 Referenz-Mähereignisse für die Untersuchungsjahre. Zum ersten Mal wurde ein Ansatz basierend auf tatsächlichen Beobachtungen zur Erkennung der Mahd entwickelt, angewandt und großflächig validiert, der Daten von Sentinel - 2 und Sentinel - 1 verwendet und beide miteinander kombiniert. Anhand eines Subset der Referenzdaten (13 Grünlandparzellen) wurden die EO-Parameter untersucht und der Algorithmus zur Mahddetektion entwickelt und parametrisiert. Die Analyse hat gezeigt, dass ein schwellenwertbasierter Ansatz zur Erkennung von Veränderungen auf der Grundlage des EVI die Ereignisse der Grünlandmahd am besten erfasst, und nur während Bewölkungsperioden Mahden nicht erfolgreich detektiert. Alle SAR-basierten Parameter zeigten ein inkonsistenteres Verhalten gegenüber Mähaktivitäten als EVI, wobei PolSAR Entropie und InSAR Kohärenz VH noch das höchste Potenzial aufwiesen. Ein zweiter, kombinierter Ansatz, der auf EVI und einem SAR Parameter basiert, wurde entwickelt und für PolSAR Entropie und InSAR VH getestet. Aufgrund vieler zusätzlicher Veränderungen, die in den Zeitreihen erkennbar sind, wurde die SAR-basierte Mahddetektion nur während langer Lücken in den optischen Zeitreihen (< 25 Tage) initiiert. Die Anwendung und Validierung dieser Ansätze in einer Fokusregion ergab, dass die Verwendung des EVI-Ansatzes zu den höchsten Genauigkeiten führt (F1-Score = 0.65), da die Kombination dieses Ansatzes mit der SAR-basierten Detektion zu einem starken Anstieg der falsch erkannten Mähereignisse und damit zu einer Abnahme der Genauigkeiten führte (EVI + PolSAR ENT F1-Score=0.61; EVI + InSAR COH F1-Score = 0.61). Der auf EVI basierende Mahddetektionsalgorithmus wurde für die gesamte Fläche Deutschlands für die Jahre 2018–2021 angewendet. Es zeigte sich, dass der größte Anteil an Grünland mit hoher Mähfrequenz (mindestens vier Mähereignisse) im Süden/Südosten Deutschlands zu finden ist. Extensiv genutztes Grünland (bis zu zweimal gemäht) ist über das gesamte Bundesgebiet verteilt, mit größeren Anteilen in der Mitte und im Nordosten Deutschlands. Diese Muster bleiben im Allgemeinen konstant, aber es sind kleine Schwankungen zwischen den Jahren erkennbar. Früh gemähtes Grünland findet sich in Süd-/Südostdeutschland - entsprechend den Gebieten mit hoher Mähfrequenz -, aber auch in Mittel- und Westdeutschland. Die Jahre 2019 und 2020 zeigen höhere Genauigkeiten (F1- Scores von 0.64 und 0.63), 2018 und 2021 niedrigere (F1-Score von 0.52 und 0.50). Darüber hinaus wurden mögliche Einflussfaktoren auf die Mahddynamik untersucht. So wurden Klima, Topografie, Bodendaten und Informationen über Schutzmaßnahmen mit der Mahddynamik für das Jahr 2020 in Verbindung gebracht, für welches eine hohe Anzahl gültiger Beobachtungen und eine hohe Erfassungsgenauigkeit erzielt werden konnten. Es zeigte sich, dass es keine starken linearen Beziehungen zwischen der Mahdhäufigkeit oder dem Zeitpunkt der ersten Mahd und den untersuchten Variablen gibt. Es wurde jedoch festgestellt, dass für eine intensive Grünlandnutzung bestimmte klimatische und topografische Bedingungen erfüllt sein müssen, wohingegen extensive Grünlandflächen im gesamten Spektrum dieser Variablen auftreten. Außerdem treten auf Böden mit Grundwassereinfluss höhere und in Schutzgebieten niedrigere Mahdhäufigkeiten auf. Diese Ergebnisse zeigen das komplexe Zusammenspiel zwischen der Dynamik der Grünlandmahd und äußeren Einflüssen und verdeutlichen die Herausforderungen in der gezielten Erstellung von Maßnahmen zum Schutz von Grünland-Ökosystemfunktionen und die Notwendigkeit diese regional anzupassen.

A core topic of the German transport industry is currently the imminent shortage of drivers in freight and passenger traffic. This result to the mismatch between the retiring and advancing professional drivers. First, the present study provides an overview of the key conditions as the challenges by demographic change and the economic importance of the transport sector. Likewise, the working conditions and training are discussed. By structural features and the high cost pressure, the industry shows incapable even to provide enough qualified junior staff. The analysis is based on recognized time-series data of traffic volume and engaged professional drivers from the past 16 years. To account for the interaction of these parameters, they are expressed by a specially created indicator. The data obtained are evaluated using appropriate statistical methods. The subsequent prognosis it possible to estimate from existing official traffic prognosis the prospective driver\'s demand. / Ein Kernthema der deutschen Transportwirtschaft ist zurzeit der drohende Fahrermangel im Güter- und Personenverkehr. Dieser resultiert aus dem Missverhältnis zwischen den ausscheidenden und nachrückenden Berufskraftfahrern. Die vorliegende Arbeit bietet zunächst einen Überblick über die entscheidenden Rahmenbedingungen wie den Herausforderungen durch den demografischen Wandel und der wirtschaftlichen Bedeutung des Transportsektors. Ebenso werden auch die Arbeitsbedingungen und Ausbildungsmaßnahmen diskutiert. Durch strukturelle Merkmale und den hohen Kostendruck zeigt sich die Branche selbst kaum in der Lage, selbst für ausreichend qualifizierte Nachwuchskräfte zu sorgen. Die Analyse stützt sich auf anerkannte Zeitreihendaten der Verkehrsleistung und der beschäftigten Berufskraftfahrer aus den letzten 15 Jahren. Um die Wechselwirkungen dieser Parameter zu berücksichtigen, werden diese durch einen eigens kreierten Indikator ausgedrückt. Die gewonnenen Daten werden mit geeigneten statistischen Methoden ausgewertet. Die anschließende Prognose ermöglicht es, aus bestehenden amtlichen Verkehrsprognosen den voraussichtlichen Fahrerbedarf abzuschätzen.

Die vorliegende Arbeit untersucht das Potenzial von neuronalen Netzen (NN) zur Prognose von makroökonomischen Zeitreihen und vergleicht es mit jenem von linearen Modellen. Im Zentrum steht das autoregressive Neuronale- Netz-Modell (ARNN), das als nicht-lineare Generalisierung des konventionellen autoregressiven Modells (AR) gesehen werden kann, wobei der nicht-lineare Teil durch ein neuronales Netz vom Feedforward-Typ implementiert wird. Die besonderen Aspekte makroökonomischer Zeitreihen, denen durch die Anpassung und Weiterentwicklung sowohl des linearen als auch des NN-Instrumentariums Rechnung getragen werden soll, sind insbesondere die hohe Stochastizität, die geringe Länge, nicht-stationäres Verhalten und Saisonalität sowie der Umstand, dass das Vorhandensein von Nicht-linearität a priori nicht klar ist. Für die Entwicklung und Evaluierung der Methoden werden neben einer simulierten Zeitreihe mit bekannten nicht-linearen Eigenschaften als realweltliche Zeitreihen die österreichische Arbeitslosenrate und der österreichische Industrieproduktionsindex herangezogen (beide mit monatlichen Beobachtungen, saisonal unbereinigt). Im ersten, auf die Einleitung folgenden, Hauptkapitel der Arbeit werden die Grundlagen der linearen univariaten Zeitreihenanalyse rekapituliert und das lineare Instrumentarium auf die beiden Beispielzeitreihen angewandt. Besonderes Augenmerk wird auf die Frage der Herbeiführung der Stationarität durch Bildung der konventionellen, der saisonalen Differenzen oder durch Kombination beider Differenzenfilter gelegt. Hierzu werden Unit-Root-Tests und weitere Methoden angewandt. Zu den verwendeten linearen Modellen gehört neben dem AR-Modell auch das autoregressive Moving-Average-Modell (ARMA). Diese werden zusätzlich um einen Modellteil für deterministische Saisonalität ergänzt. Die auf den beiden Beispielzeitreihen geschätzten Modelle weisen eine relativ hohe Modellordnung sowie auch bei sparsamer Modellspezifikation relativ viele Koeffizienten auf. Das zweite Hauptkapitel behandelt verschiedene theoretische Aspekte und Typen der Nicht-Linearität in Zeitreihen und führt eine Folge von Hypothesentests auf Nicht-Linearität ein. Die Durchführung dieser Tests empfiehlt sich, um den möglichen Gewinn durch den Einsatz von neuronalen Netzen vorab abschätzen zu können. Die Ergebnisse der Nicht-Linearitätstests auf den beiden makroökonomischen Zeitreihen belegen das Vorhandensein von nicht-linearer Struktur des additiven Typs, der von ARNN-Modellen vorhergesagt werden kann. Doch ist bei der Interpretation dieses Ergebnisses Vorsicht geboten, da nicht-lineare Strukturen multiplikativen Typs, verbliebene lineare Strukturen und mögliche Strukturbrüche das Ergebnis dieser Test verfälschen können. Im dritten Hauptkapitel werden das ARNN-Modell und Methoden für seine Schätzung und Spezifikation vorgestellt und weiterentwickelt. Die Modellspezifikation sieht einen Modellteil für deterministische Saisonalität vor, schließt einen linearen Modellteil mit ein und erlaubt sparsame Spezifikation der Koeffizienten. Die Generalisierungsfähigkeit des ARNN-Modells (Vermeidung des Overfitting-Problems) wird durch vier verschiedene Modellierungsansätze angestrebt: statistisch-parametrischer Ansatz unter Anwendung von Hypothesentests und Pruning, klassischer Ansatz mit Early-Stopping, Ansatz mit Regularisierung und Bayesianischer Evidenzansatz. Zu jedem dieser Ansätze werden verschiedene Erweiterungen und verbesserte Heuristiken beigetragen, die im Hinblick auf das Anwendungsgebiet hilfreich sind. Die Vor- und Nachteile der Ansätze werden sowohl theoretisch als auch anhand von Anwendungen auf den simulierten und den realweltlichen makroökonomischen Zeitreihen diskutiert. Das vierte Hauptkapitel ist einer systematisch angelegten Prognose- und Evaluierungsanordnung gewidmet, in der auf einem Evaluierungsset, das zuvor noch nicht für die Methodenentwicklung und Modellschätzung verwendet worden ist, die Prognosegüte der linearen und NN-Methoden getestet wird. Hierzu wird die ARNN-Modellspezifikation für Mehr-Schritt-Prognosen erweitert, wobei sowohl simulativ-iterierte als auch direkte Mehr-Schritt-Prognosen ermöglicht werden. Angesichts der großen Anzahl von Prognosezeitreihen, die für verschieden differenzierte Zeitreihen, unterschiedliche Modellierungsansätze und Prognosehorizonte erstellt werden, ist die Auswertung nicht eindeutig. Es kann weder für die österreichische Arbeitslosenrate noch für den Industrieproduktionsindex anhand des MSFE (mean square forecasting error) eine klare Überlegenheit der ARNN-Modelle gegenüber AR- und ARMA-Modellen feststellt werden. Bei Durchführung des Diebold-Mariano-Test auf einer Auswahl von a priori bevorzugten Modellierungsstrategien ergibt sich nur in wenigen Fällen eine statistisch signifikant unterschiedliche Prognosegüte. Die Ergebnisse der Arbeit lassen den Schluss zu, dass ARNN-Modelle prinzipiell gut zur Prognose von makroökonomischen Zeitreihen einsetzbar sind, jedoch im Falle von ungenügend vorhandener nicht-linearer Struktur in den Zeitreihen verschiedene Probleme wie mehrfache lokale Minima und numerische Instabilität der Verfahren dem Praktiker im Vergleich zu linearen Modellen zusätzliche Aufmerksamkeit abverlangen. Fast alle Methoden und Modelle, die in der Arbeit zur Anwendung kommen, werden in der mathematischen Programmiersprache R implementiert und in Form von zwei R-Programmpaketen (seasonal und NNUTS) zusammengestellt, deren Dokumentation als Anhang in die Arbeit aufgenommen wurde.

Die vorliegende Dissertation beschäftigt sich mit der Frage inwiefern der Einsatz von Zeitreihenmethoden - also Methoden, die den kontinuierlichen Charakter biomechanischer Zeitreihendaten berücksichtigen - einen aus methodischer Sicht günstigeren Auswertungsansatz darstellt als herkömmliche, diskrete Methoden. Damit liefert die Arbeit einen wichtigen Beitrag zur Überwindung der postulierten Konfidenzkrise biomechanisch-bewegungswissenschaftlicher Forschung, nach der sich die Ergebnisse vieler Studien aufgrund u. a. methodischer Defizite nicht oder nur eingeschränkt reproduzieren lassen. Dabei konnte in drei Teilstudien für verschiedene methodische Bereiche (Inferenzstatistik, Klassifikation, Trenderkennung) gezeigt werden, dass der Einsatz von Zeitreihenmethoden bekannte Probleme diskreter Methoden erfolgreich addressieren kann. Die vorgestellte Arbeit regt über das spezifische Thema hinaus zu einem kritischeren Umgang mit methodischen Aspekten an und zeigt mögliche Lösungsansätze auf.

Univ., Diss.--Konstanz, 2003. / Literaturverz. S. [273] - 283.