Agriculture is mankind’s primary source of food production and plays the key role for cereal supply to humanity. One of the future challenges will be to feed a constantly growing population, which is expected to reach more than nine billion by 2050. The potential to expand cropland is limited, and enhancing agricultural production efficiency is one important means to meet the future food demand. Hence, there is an increasing demand for dependable, accurate and comprehensive agricultural intelligence on crop production. The value of satellite earth observation (EO) data for agricultural monitoring is well recognized. One fundamental requirement for agricultural monitoring is routinely updated information on crop acreage and the spatial distribution of crops. With the technical advancement of satellite sensor systems, imagery with higher temporal and finer spatial resolution became available. The classification of such multi-temporal data sets is an effective and accurate means to produce crop maps, but methods must be developed that can handle such large and complex data sets. Furthermore, to properly use satellite EO for agricultural production monitoring a high temporal revisit frequency over vast geographic areas is often necessary. However, this often limits the spatial resolution that can be used. The challenge of discriminating pixels that correspond to a particular crop type, a prerequisite for crop specific agricultural monitoring, remains daunting when the signal encoded in pixels stems from several land uses (mixed pixels), e.g. over heterogeneous landscapes where individual fields are often smaller than individual pixels. The main purposes of the presented study were (i) to assess the influence of input dimensionality and feature selection on classification accuracy and uncertainty in object-based crop classification, (ii) to evaluate if combining classifier algorithms can improve the quality of crop maps (e.g. classification accuracy), (iii) to assess the spatial resolution requirements for crop identification via image classification. Reporting on the map quality is traditionally done with measures that stem from the confusion matrix based on the hard classification result. Yet, these measures do not consider the spatial variation of errors in maps. Measures of classification uncertainty can be used for this purpose, but they have attained only little attention in remote sensing studies. Classifier algorithms like the support vector machine (SVM) can estimate class memberships (the so called soft output) for each classified pixel or object. Based on these estimations, measures of classification uncertainty can be calculated, but it has not been analysed in detail, yet, if these are reliable in predicting the spatial distribution of errors in maps. In this study, SVM was applied for the classification of agricultural crops in irrigated landscapes in Middle Asia at the object-level. Five different categories of features were calculated from RapidEye time series data as classification input. The reliability of classification uncertainty measures like entropy, derived from the soft output of SVM, with regard to predicting the spatial distribution of error was evaluated. Further, the impact of the type and dimensionality of the input data on classification uncertainty was analysed. The results revealed that SMVs applied to the five feature categories separately performed different in classifying different types of crops. Incorporating all five categories of features by concatenating them into one stacked vector did not lead to an increase in accuracy, and partly reduced the model performance most obviously because of the Hughes phenomena. Yet, applying the random forest (RF) algorithm to select a subset of features led to an increase of classification accuracy of the SVM. The feature group with red edge-based indices was the most important for general crop classification, and the red edge NDVI had an outstanding importance for classifying crops. Two measures of uncertainty were calculated based on the soft output from SVM: maximum a-posteriori probability and alpha quadratic entropy. Irrespective of the measure used, the results indicate a decline in classification uncertainty when a dimensionality reduction was performed. The two uncertainty measures were found to be reliable indicators to predict errors in maps. Correctly classified test cases were associated with low uncertainty, whilst incorrectly test cases tended to be associated with higher uncertainty. The issue of combining the results of different classifier algorithms in order to increase classification accuracy was addressed. First, the SVM was compared with two other non-parametric classifier algorithms: multilayer perceptron neural network (MLP) and RF. Despite their comparatively high classification performance, each of the tested classifier algorithms tended to make errors in different parts of the input space, e.g. performed different in classifying crops. Hence, a combination of the complementary outputs was envisaged. To this end, a classifier combination scheme was proposed, which is based on existing algebraic operators. It combines the outputs of different classifier algorithms at the per-case (e.g. pixel or object) basis. The per-case class membership estimations of each classifier algorithm were compared, and the reliability of each classifier algorithm with respect to classifying a specific crop class was assessed based on the confusion matrix. In doing so, less reliable classifier algorithms were excluded at the per-class basis before the final combination. Emphasis was put on evaluating the selected classification algorithms under limiting conditions by applying them to small input datasets and to reduced training sample sets, respectively. Further, the applicability to datasets from another year was demonstrated to assess temporal transferability. Although the single classifier algorithms performed well in all test sites, the classifier combination scheme provided consistently higher classification accuracies over all test sites and in different years, respectively. This makes this approach distinct from the single classifier algorithms, which performed different and showed a higher variability in class-wise accuracies. Further, the proposed classifier combination scheme performed better when using small training set sizes or when applied to small input datasets, respectively. A framework was proposed to quantitatively define pixel size requirements for crop identification via image classification. That framework is based on simulating how agricultural landscapes, and more specifically the fields covered by one crop of interest, are seen by instruments with increasingly coarser resolving power. The concept of crop specific pixel purity, defined as the degree of homogeneity of the signal encoded in a pixel with respect to the target crop type, is used to analyse how mixed the pixels can be (as they become coarser) without undermining their capacity to describe the desired surface properties (e.g. to distinguish crop classes via supervised or unsupervised image classification). This tool can be modulated using different parameterizations to explore trade-offs between pixel size and pixel purity when addressing the question of crop identification. Inputs to the experiments were eight multi-temporal images from the RapidEye sensor. Simulated pixel sizes ranged from 13 m to 747.5 m, in increments of 6.5 m. Constraining parameters for crop identification were defined by setting thresholds for classification accuracy and uncertainty. Results over irrigated agricultural landscapes in Middle Asia demonstrate that the task of finding the optimum pixel size did not have a “one-size-fits-all” solution. The resulting values for pixel size and purity that were suitable for crop identification proved to be specific to a given landscape, and for each crop they differed across different landscapes. Over the same time series, different crops were not identifiable simultaneously in the season and these requirements further changed over the years, reflecting the different agro-ecological conditions the investigated crops were growing in. Results further indicate that map quality (e.g. classification accuracy) was not homogeneously distributed in a landscape, but that it depended on the spatial structures and the pixel size, respectively. The proposed framework is generic and can be applied to any agricultural landscape, thereby potentially serving to guide recommendations for designing dedicated EO missions that can satisfy the requirements in terms of pixel size to identify and discriminate crop types. Regarding the operationalization of EO-based techniques for agricultural monitoring and its application to a broader range of agricultural landscapes, it can be noted that, despite the high performance of existing methods (e.g. classifier algorithms), transferability and stability of such methods remain one important research issue. This means that methods developed and tested in one place might not necessarily be portable to another place or over several years, respectively. Specifically in Middle Asia, which was selected as study region in this thesis, classifier combination makes sense due to its easy implementation and because it enhanced classification accuracy for classes with insufficient training samples. This observation makes it interesting for operational contexts and when field reference data availability is limited. Similar to the transferability of methods, the application of only one certain kind of EO data (e.g. with one specific pixel size) over different landscapes needs to be revisited and the synergistic use of multi-scale data, e.g. combining remote sensing imagery of both fine and coarse spatial resolution, should be fostered. The necessity to predict and control the effects of spatial and temporal scale on crop classification is recognized here as a major goal to achieve in EO-based agricultural monitoring. / Landwirtschaftlicher Ackerbau spielt heute eine Schlüsselrolle bei der Nahrungsmittelversorgung der Menschheit. Eine der zukünftigen Herausforderungen wird die Ernährung der stetig wachsenden Erdbevölkerung sein, welche bis zum Jahr 2050 auf neun Milliarden Menschen anwachsen wird. Das Potential zur Ausdehnung von Ackerland ist jedoch begrenzt, so dass die Steigerung der landwirtschaftlichen Produktionseffizienz ein wichtiges Mittel ist, um den künftigen Nahrungsmittelbedarf zu decken. Daher gibt es einen zunehmenden Bedarf an belastbaren, genauen und umfassenden Informationen über die Agrarproduktion. Der Nutzen der Satellitenbild-Fernerkundung ist in diesem Kontext mittlerweile anerkannt. Eine wichtige Voraussetzung für das Agrarmonitoring sind aktuelle Informationen über die Fläche sowie die räumliche Verteilung von Anbaukulturen. Durch die technologische Entwicklung steht heute eine Vielfalt an Satellitenbildsystemen mit immer höherer räumlicher und zeitlicher Auflösung zur Verfügung. Die Klassifikation solcher hochaufgelösten, multi-temporalen Datensätze stellt eine bewährte Methode dar, um Karten der agrarischen Landnutzung zu erstellen und die benötigten Informationen zu erhalten. Jedoch müssen die dabei verwendeten Methoden auf die sehr komplexen Eingangsdaten anwendbar sein. Zudem benötigt man zur Modellierung der Agrarproduktion oft eine hohe Aufnahmefrequenz bei gleichzeitig großer räumlicher Abdeckung. Diese Voraussetzungen schränken jedoch aus technischen Gründen oftmals die zur Verfügung stehenden Pixelgrößen ein, da Sensoren, welche diese Voraussetzungen erfüllen, in der Regel eine gröbere räumliche Auflösung haben. Die Unterscheidung von Pixeln unterschiedlicher Landnutzung als eine Voraussetzung für feldfrucht-spezifisches Agrarmonitoring kann dann erschwert sein, wenn Satellitenbilder über heterogenen Landschaften aufgezeichnet werden. In solchen Fällen kann das im Pixel kodierte Signal von mehreren Nutzungstypen stammen (Mischpixel), was zur Zunahme von Klassifikationsfehlern führen kann. Hauptgegenstände dieser Studie sind: (i) die Untersuchung des Einflusses der Größe sowie der Art der Eingangsdaten auf die Klassifikationsgenauigkeit und die Klassifikationsunsicherheit in der objekt-basierten Landnutzungsklassifikation; (ii) die Kombination von Klassifikationsalgorithmen zur Steigerung der Klassifikationsgenauigkeit; (iii) die Untersuchung des Einflusses der Pixelgröße auf die agrarische Landnutzungsklassifikation. Die Genauigkeit einer Klassifikation wird im Allgemeinen mit Hilfe von Gütemaßen ermittelt, welche auf der Konfusionsmatrix basieren. Jedoch berücksichtigen diese Maße nicht die räumliche Variabilität von Klassifikationsfehlern in einer Karte. Maße der Klassifikationsunsicherheit können für diesen Zweck verwendet werden, allerdings ist deren Anwendung in der Fernerkundung bislang nur selten untersucht worden. Klassifikationsalgorithmen wie das Stützvektorverfahren können für jedes Pixel oder Objekt klassenweise Abschätzungen der Klassenzugehörigkeit berechnen, aus welchen dann Maße der Klassifikationsunsicherheit (z.B. Entropie) berechnet werden können. Jedoch wurde noch nicht hinreichend untersucht, ob die damit gewonnenen Informationen zur Abschätzung der räumlichen Verteilung von Klassifikationsfehlern in Karten zuverlässig sind. In dieser Studie wurde das Stützvektorverfahren verwendet, um die agrarische Landnutzung in bewässerten Agrarlandschaften Zentralasiens zu klassifizieren. Fünf Kategorien von Eingangsdaten wurden aus Aufnahmen des RapidEye Systems berechnet und als Grundlage für die agrarische Landnutzungsklassifikation verwendet. Es wurde untersucht, ob Maße der Klassifikationsunsicherheit, welche auf den pixel- bzw. objektweisen Abschätzungen der Klassenzugehörigkeit durch das Stützvektorverfahren basieren, die räumliche Verteilung von Klassifikationsfehlern in Landnutzungskarten zuverlässig schätzen können. Weiterhin wurde der Einfluss sowohl der Art als auch der Größe der Eingangsdaten auf die Klassifikationsunsicherheit untersucht. Die Ergebnisse der Untersuchung weisen darauf hin, dass sich sowohl die getrennte als auch die kombinierte Verwendung der fünf Eingangsdatenkategorien unterschiedlich zur Klassifikation verschiedener Landnutzungsklassen eignen. Die kombinierte Verwendung aller fünf Kategorien führte zum Teil zu einer Reduktion der Klassifikationsgenauigkeit, was wahrscheinlich auf das Hughes-Phänomen zurückzuführen ist. Durch die Verwendung des „Random Forest“ Verfahrens zur Selektion geeigneter Eingangsdaten konnte die Klassifikationsgenauigkeit des Stützvektorverfahrens gesteigert werden. Eingangsdaten basierend auf dem sogenannten „Red Edge“ Kanal des RapidEye Systems waren zur Klassifikation von Feldfrüchten am wichtigsten, insbesondere der „Red Edge NDVI“. Zwei Maße der Klassifikationsunsicherheit wurden berechnet: die maximale a-posteriori Klassifikationswahrscheinlichkeit und die Alpha-Quadrat Entropie. Die Ergebnisse weisen darauf hin, dass diese beiden Maße verlässliche Prädiktoren für die räumliche Verteilung von Klassifikationsfehlern sind. Korrekt klassifizierte Testfelder waren durch geringe Klassifikationsunsicherheit und inkorrekt klassifizierte Testfelder in der Regel durch hohe Klassifikationsunsicherheit charakterisiert. Es wurde untersucht, ob die Kombination mehrerer Klassifikationsalgorithmen zu einer Steigerung der Klassifikationsgenauigkeit führt. Zunächst wurde das Stützvektorverfahren mit anderen nicht-parametrischen Verfahren (neuronalen Netzwerken und Random Forest) verglichen. Obwohl die getesteten Klassifikationsalgorithmen gute Gesamt-Klassifikationsgenauigkeiten erzielten, bestanden große Unterschiede in den klassenweisen Genauigkeiten. Daher wurde ein Verfahren entwickelt, um die teilweise komplementären Ergebnisse unterschiedlicher Klassifikationsalgorithmen zu kombinieren. Dieses Verfahren basiert auf der Erweiterung algebraischer Kombinationsoperatoren und kombiniert die Ergebnisse verschiedener Klassifikationsalgorithmen basierend auf den pixel- bzw. objektweisen Abschätzungen der Klassenzugehörigkeit. Zudem wurde jeder Klassifikationsalgorithmus klassenweise bewertet, basierend auf Maßen der Konfusionsmatrix. So konnten Klassifikationsalgorithmen für diejenigen Klassen von der Kombination ausgeschlossen werden, für deren klassenweisen Genauigkeiten bestimmte Kriterien nicht erfüllt wurden. Das vorgestellte Verfahren wurde mit den Ergebnissen der einzelnen Klassifikationsalgorithmen verglichen. Zudem wurde auf räumliche und zeitliche Übertragbarkeit hin getestet und der Einfluss der Auswahl von Trainingsdaten wurde untersucht. Obwohl die einzelnen Klassifikationsalgorithmen genaue Ergebnisse erzielten, konnte das vorgestellte Kombinationsverfahren in allen Gebieten und über mehrere Jahre bessere Ergebnisse mit geringerer Variabilität erzielen. Zudem konnte das Verfahren auch dann genauere Ergebnisse liefern, wenn nur wenige Trainingsdaten oder Eingangsdaten zur Verfügung standen. In dieser Studie wurde eine Methodik entwickelt, um quantitativ die maximal tolerierbaren Pixelgrößen für die agrarische Landnutzungsklassifikation zu bestimmen. Diese Methodik kann verwendet werden, um den kombinierten Effekt von Pixelgröße und Pixelreinheit im Kontext der Feldfruchtidentifikation mittels überwachter Klassifikation zu untersuchen. Die feldfruchtspezifische Pixelreinheit (definiert als der Grad der Homogenität des in Pixeln kodierten Signals) wurde verwendet um zu untersuchen, wie inhomogen die in gröberen Bildpixeln gespeicherte Information sein darf, um unterschiedliche Anbaukulturen mittels überwachter und unüberwachter Klassifikation unterscheiden zu können. Als Eingangsdaten für die Untersuchung wurden Bilder des RapidEye Systems verwendet. Es wurden Bildgrößen zwischen 13 m und 747.5 m in Schritten von 6.5 m simuliert. Als limitierende Faktoren für die Klassifikation wurden unterschiedliche Schwellenwerte für Maße der Klassifikationsgenauigkeit und Klassifikationsunsicherheit berücksichtigt. Die Ergebnisse zeigen, dass die Werte für tolerierbare Pixelgrößen und Pixelreinheiten sowohl landschafts- als auch feldfruchtspezifisch waren. Zudem konnten Feldfrüchte nicht simultan innerhalb der Wachstumsperiode identifiziert werden und die Voraussetzungen änderten sich in verschiedenen Jahren, was wahrscheinlich auf die unterschiedlichen agro-ökologischen Bedingungen in den untersuchten Landschaften zurückgeführt werden kann. Die Ergebnisse zeigen, dass Klassifikationsgüte in Karten räumlich ungleich verteilt war und von den räumlichen Strukturen bzw. von der Wahl der räumlichen Auflösung abhing. Die vorgestellte Methodik kann auch in anderen Agrarlandschaften getestet werden. Des Weiteren kann die Eignung bestehender bzw. die Entwicklung künftiger Satellitenbildmissionen unterstützt werden. In Hinblick auf die Nutzung von Satellitenbild-Fernerkundung für Agrarmonitoring und deren Anwendung in einer Vielfalt von Agrarlandschaften kann festgestellt werden, dass die räumliche Übertragbarkeit von Methoden und die Stabilität der Ergebnisse (z.B. gleichbleibend hohe Klassifikationsgenauigkeiten) weiterhin einen wichtigen Forschungsgegenstand darstellen. So konnte in dieser Studie gezeigt werden, dass herkömmliche Methoden zur Landnutzungsklassifikation bzw. Aussagen zu optimalen Pixelgrößen nicht in allen Fällen auf andere Regionen oder über mehrere Jahre übertragbar sind. In Zentralasien, welches die Fokusregion dieser Studie ist, zeigte sich, dass die Kombination verschiedener Klassifikationsalgorithmen sinnvoll ist, da die Klassifikationsgenauigkeit bei Klassen mit nur einer geringen Anzahl von Trainingsgebieten gesteigert werden konnte. Dies macht die Anwendung dieses Verfahrens im operationellen Kontext interessant. Die Eignung eines einzigen Satellitenbildsystems (mit einer bestimmten Pixelgröße) für die agrarische Landnutzungsklassifikation in mehreren Agrarlandschaften muss in Frage gestellt werden und die synergistische Nutzung von Daten unterschiedlicher räumlicher Auflösung sollte vorangetrieben werden. Dabei ist die Untersuchung des kombinierten Einflusses der räumlichen und zeitlichen Auflösung auf die agrarische Landnutzungsklassifikation von großer Bedeutung für das erdbeobachtungsgestützte Agrarmonitoring.

Global environmental change leads to the emergence of new human health risks. As a consequence, transmission opportunities of environment-related diseases are transformed and human infection with new emerging pathogens increase. The main motivation for this study is the considerable demand for disease surveillance and monitoring in relation to dynamic environmental drivers. Remote sensing (RS) data belong to the key data sources for environmental modelling due to their capabilities to deliver spatially continuous information repeatedly for large areas with an ecologically adequate spatial resolution. A major research gap as identified by this study is the disregard of the spatial mismatch inherent in current modelling approaches of profiling disease risk using remote sensing data. Typically, epidemiological data are aggregated at school or village level. However, these point data do neither represent the spatial distribution of habitats, where disease-related species find their suitable environmental conditions, nor the place, where infection has occurred. As a consequence, the prevalence data and remotely sensed environmental variables, which aim to characterise the habitat of disease-related species, are spatially disjunct. The main objective of this study is to improve RS-based disease risk models by incorporating the ecological and spatial context of disease transmission. Exemplified by the analysis of the human schistosomiasis disease in West Africa, this objective includes the quantification of the impact of scales and ecological regions on model performance. In this study, the conditions that modify the transmission of schistosomiasis are reviewed in detail. A conceptual underpinning of the linkages between geographical RS measures, disease transmission ecology, and epidemiological survey data is developed. During a field-based analysis, environmental suitability for schistosomiasis transmission was assessed on the ground, which is then quantified by a habitat suitability index (HSI) and applied to RS data. This conceptual model of environmental suitability is refined by the development of a hierarchical model approach that statistically links school-based disease prevalence with the ecologically relevant measurements of RS data. The statistical models of schistosomiasis risk are derived from two different algorithms; the Random Forest and the partial least squares regression (PLSR). Scale impact is analysed based on different spatial resolutions of RS data. Furthermore, varying buffer extents are analysed around school-based measurements. Three distinctive sites of Burkina Faso and Côte d’Ivoire are specifically modelled to represent a gradient of ecozones from dry savannah to tropical rainforest including flat and mountainous regions. The model results reveal the applicability of RS data to spatially delineate and quantitatively evaluate environmental suitability for the transmission of schistosomiasis. In specific, the multi-temporal derivation of water bodies and the assessment of their riparian vegetation coverage based on high-resolution RapidEye and Landsat data proofed relevant. In contrast, elevation data and water surface temperature are constraint in their ability to characterise habitat conditions for disease-related parasites and freshwater snail species. With increasing buffer extent observed around the school location, the performance of statistical models increases, improving the prediction of transmission risk. The most important RS variables identified to model schistosomiasis risk are the measure of distance to water bodies, topographic variables, and land surface temperature (LST). However, each ecological region requires a different set of RS variables to optimise the modelling of schistosomiasis risk. A key result of the hierarchical model approach is its superior performance to explain the spatial risk of schistosomiasis. Overall, this study stresses the key importance of considering the ecological and spatial context for disease risk profiling and demonstrates the potential of RS data. The methodological approach of this study contributes substantially to provide more accurate and relevant geoinformation, which supports an efficient planning and decision-making within the public health sector. / Globale Umweltveränderungen rufen neue Gesundheitsrisiken hervor. Eine Konsequenz sind veränderte Bedingungen für die Übertragung von umweltbezogenen Krankheiten und ansteigende Infektionen mit neu auftauchenden Erregern. Die Motivation für diese Arbeit basiert auf der steigenden Nachfrage, dynamische Veränderungen der Umwelt und deren Beziehung zu Veränderungen von umweltbedingten Krankheiten zu überwachen. Fernerkundungsdaten gehören zu den wichtigsten Datenquellen für die Umweltmodellierung, da diese es ermöglichen, die Landbedeckung flächendeckend, reproduzierbar und in einer adäquaten räumlichen Auflösung zu kartieren. Ein Forschungsbedarf, der in dieser Studie identifiziert wird, ist die fehlende Berücksichtigung einer räumlichen Diskrepanz innerhalb der bisherigen Vorgehensweise der Modellierung von Krankheitsrisiken mit Fernerkundungsdaten. Typischerweise werden epidemiologische Daten als Prävalenz einer Krankheit aggregiert erhoben, beispielsweise auf Schul- oder Dorfebene. Jedoch repräsentieren diese Punktmessungen weder die räumliche Verteilung von Habitaten, in welchen krankheitsrelevante Arten ihre geeigneten Umweltbedingungen vorfinden, noch den Ort, an dem sich die Menschen infiziert haben. Die Konsequenz ist, dass Messpunkte der Krankheitprävalenz und fernerkundungsbasierte Umweltvariablen, welche das Habitat von krankheitsrelevanten Arten charakterisieren sollen, räumlich nicht übereinstimmen. Das Hauptziel dieser Studie ist, ein Verfahren für die Anwendung von Fernerkundungsdaten bei der Modellierung von Krankheitsrisiken zu entwickeln, welches sowohl den ökologischen als auch den räumlichen Kontext der Krankheitsübertragung widerspiegelt. Am Beispiel der Krankheit Schistosomiasis werden weitere mögliche Einflussgrößen auf die Modellgüte quantitativ bewertet. Dies sind unter anderem die verschiedenen Skalenniveaus und die Heterogenität von Ökozonen. In dieser Arbeit werden die Bedingungen, die auf die Übertragung von Schistosomiasis einen Einfluss haben, aus der bestehenden Literatur im Detail ermittelt. Es wird eine konzeptionelle Grundlage entwickelt, die bestehende Zusammenhänge zwischen satellitengestützten Messungen, der Ökologie der Krankheitsübertragung sowie zu den Ergebnissen der epidemiologischen Studien ermittelt. Während eines Aufenthaltes im Untersuchungsgebiet wurde die Eignung der Umwelt für die Übertragung der Schistosomiasis analysiert. Diese Umwelteignung wird durch die Entwicklung eines Habitat-Eignungs-Index (habitat suitability index, HSI) quantifiziert und mit relevanten Fernerkundungsvariablen verknüpft. Im nächsten Schritt werden Inhalte dieses konzeptionellen Modells gezielt für die Entwicklung eines hierarchischen Modellansatzes verwendet, welcher die gemessene Prävalenz in einen statistischen Zusammenhang mit ökologisch relevanten Messungen von Fernerkundungsdaten bringt. Die statistischen Modelle des Risikos, sich mit Schistosomiasis zu infizieren, basieren auf zwei verschiedenen Modellalgorithmen, dem sogenannten Zufalls-Wald Algorithmus (Random Forest) und der Regression der partiellen, kleinsten Quadrate (Partial Least Squares Regression, PLSR). Der Einfluss von räumlichen Skalen auf die Risikomodellierung wird anhand verschiedener räumlicher Auflösungen der Fernerkundungsdaten ermittelt. Darüber hinaus werden unterschiedlich große Einzugsgebiete mit Hilfe eines Pufferverfahrens (Buffer) anhand der Schulen mit Prävalenzmessungen analysiert. Risikomodelle der Schistosomiasis werden für drei ausgewählte Untersuchungsgebiete in Burkina Faso und der Elfenbeinküste erstellt, welche einen ökologischen Gradienten von der Trockensavanne zum tropischen Regenwald sowie von flachen und bergigen Regionen darstellt. Diese Studie zeigt, dass Fernerkundungsdaten für die räumliche Abgrenzung und eine quantitative Bewertung der Umwelteignung für die Übertragung der Schistosomiasis geeignet sind. Besonders relevante Informationen sind zeitlich dynamische Veränderungen der Wasserbedeckung sowie die Erfassung des Grades der Ufervegetationsbedeckung auf Basis von hochaufgelösten RapidEye und Landsat Daten. Hingegen sind topographische Daten und die satellitengestützten Messungen der Temperatur nur eingeschränkt geeignet um Habitate der Parasiten und Frischwasserschnecken als wesentlichen Bestandteil der Krankheitsübertragung zu charakterisieren. Bei zunehmender Größe des Einzugsgebietes der Schulen verbessern sich die statistischen Modelle und können somit das Übertragungsrisiko besser erfassen. Die wichtigsten Fernerkundungsvariablen für die Modellierung des Schistosomiasis Risikos sind die Distanz zum nächstgelegenen Gewässer, topographische Variablen sowie die Landoberflächentemperatur (land surface temperature, LST). Für jede Ökozone muss jedoch eine geeignete Zusammenstellung von Fernerkundungsvariablen getroffen werden. Ein ganz wesentliches Ergebnis der hierarchischen statistischen Modellierung ist eine verbesserte Erklärung des räumlichen Risikos von Schistosomiasis. Insgesamt unterstreicht diese Studie die Bedeutsamkeit des ökologischen und räumlichen Kontexts für die Abschätzung des Krankheitsrisikos und demonstriert das Potential von Fernerkundungsdaten. Der methodische Ansatz dieser Arbeit kann wesentlich dazu beitragen, genaue und relevante Geoinformationen bereitzustellen. Damit wird eine effizientere Planung und Entscheidungsfindung innerhalb des Gesundheitssektors ermöglicht. / Le changement environnemental global conduit à l'émergence de nouveaux risques pour la santé humaine. En conséquence, les voies de transmission des maladies liées à l'environnement, sont modifies de meme que l'infection humaine avec l´accroissement des nouveaux agents pathogènes émergents. La motivation principale de cette étude est la demande considérable pour la surveillance et le suivi des maladie en relation avec la dynamique des facteurs environnementaux. Les données de la télédétection sont les sources principales utilisees pour la modélisation de l'environnement en raison de leurs capacités à fournir une information de maniere spatiale, repetitive et continue pour les grandes surfaces avec une résolution spatiale écologique adéquate. L´importante lacune de la recherche scientifique identifiée par cette étude est la non considération de la disparité spatiale inhérente dans les approches actuelles de modélisation des risques de la maladie en utilisant des données de la télédétection. Généralement, les données épidémiologiques sont regrouper à l'école ou au niveau du village. Toutefois, ces données ne peuvent pas représenter la distribution spatiale des habitats et definir les conditions environnementales favorable a la proliferation des agents pathogenes de la maladie, ni le lieu, où l'infection s´est produite. En conséquence, les données sur la prévalence et les variables environnementales de la télédétection, qui visent à caractériser l'habitat des agents liés à la maladie, sont spatialement disjointes. L'objectif principal de cette étude est d'améliorer en utilisant la télédétection les modèles de risque de maladie en incorporant l´aspect écologique et spatiale de la transmission de la maladie. Illustré par l'étude des personnes infectées de la schistosomiase en Afrique de l'Ouest, cet objectif comprend la quantification du niveau d'impact des régions écologiques sur les performances du modèle. Dans cette étude, les conditions qui modifient la transmission de la schistosomiase sont examinées en détail. Une approche conceptuelle reliant les données mesurées issues de la télédétection, la transmission de la maladie, l'écologie et des données de l'enquête épidémiologique a été développé. A partir d'une étude sur le terrain, les facteurs environnementaux à la transmission de la schistosomiase ont été évalués, ensuite quantifiés par l´indice de qualité de l'habitat (habitat suitability index, HSI) et combiné aux données de la télédétection. Le modèle conceptuel de la pertinence environnemental a été affiné par le développement d'une approche de modèle hiérarchique qui relie statistiquement la prévalence de la maladie en milieu scolaire avec les mesures écologiques pertinentes de données de la télédétection. Les modèles statistiques de risque de schistosomiase proviennent de deux différents algorithmes; la forêt aléatoire (Random Forest) et la régression des moindres carrés partiels (Partial Least Squares Regression, PLSR). Le niveau d'impact a été analysé sur la base de différentes résolutions spatiales de données de la télédétection. En outre, des divers degrés carre des bassin de réception ont été analysés autour de mesures en milieu scolaire. Trois sites distinctifs du Burkina Faso et de la Côte d'Ivoire sont spécifiquement modélisés pour représenter un gradient de écozones de savane sèche a forêt tropicale y compris les régions plates et montagneuses. Les résultats du modèle révèlent l'applicabilité des données de la télédétection pour la délimitation spatiale et l’évaluation quantitative de la pertinence de l'environnement pour la transmission de la schistosomiase. Precisement, la dérivation multi-temporelle des course d'eau et l'évaluation de leur couverture riveraine de végétation a partir des images à haute résolution RapidEye et Landsat jugées adequate. En revanche, les données d'altitude et de température de la surface de l'eau ont montré certaines limites dans leur capacité à caractériser les conditions de l'habitat des parasites et des escargots en tant que composantes essentielles de la transmission de la maladie. Avec l'augmentation des degrés carres des bassins de réception observés autour de l'emplacement de l'école, la performance des modèles statistiques augmente, améliorant ainsi la prédiction du risque de transmission. Les plus importantes variables des données de la télédétection identifiées pour modéliser le risque de schistosomiase sont la mesure de la distance des plans d'eau, les variables topographiques, et la température de surface de la terre (land surface temperature, LST). Cependant, chaque région écologique nécessite une serie différente de variables de données de télédétection afin d´optimiser la modélisation du risque de schistosomiase. Le résultat primordial de l'approche du modèle hiérarchique est sa supérieure performance à expliquer le risque spatiale de la schistosomiase. Dans l'ensemble, cette étude souligne l'importance cruciale de tenir compte du contexte écologique et spatiale pour le profilage du risque de maladie et démontre le potentiel des données de télédétection. L'approche méthodologique de cette étude contribue de manière substantielle à fournir avec plus de précision et de pertinence l'information géographique, prenant en charge une planification efficace et la prise de décision dans le secteur de la santé publique.

Das Buch beschreibt die Entwicklung der (theoretischen) Kartographie und Kartosemiotik in der zweiten Hälfte des 20. Jahrhunderts und im 21. Jahrhundert, die Evolutionsprozesse der Karto/ Atlassemiotik, die Bildung einer neuen interdisziplinären Richtung das Atlassing und neuen semiotisch-epistemologischen Disziplinen wie Atlas- und Bildatlassemiotik, Atlasgraphie, Bildatlasgraphie und Bildatlaskunde.:Einführung 1. Kartographie als Wissenschaft im 20. Jahrhundert 2. Kartosemiotik und Suche nach einer Alternative 3. Atlanten und Atlaskartographie 4. Semiotik-bezogenes Atlassing und Bildatlassing 5. Zur Karto/Atlasgraphie im 21. Jahrhundert

The publication (as polybook) presents a carto/atlassemiotic anthology as a collection of 12 selected e-books that were published by the author between 1997 and 2022. There are 6 books written in Russian, 4 – in German and 2 – English language. The project is a summary of the author's 45 years of carto/atlas semiotic activity in Dresden. 35 years at the TU Dresden (1979-2014), including 11 years in the GDR and 24 years in the Federal Republic of Germany; since 2015 as a retiree and independent researcher at the German Society for Semiotics (since 2017 member of the Scientific Advisory Board of the DGS and co-head of the section “Environmental and carto/atlas semiotics”:Preamble 4 I Cartosemiotics and prehistoric maps (Barnaul-Dresden 1997, in Russian) 6 II Cartosemiotics in Europe (Dresden 2002, in German) 64 III Atlas cartosemiotics (Dresden 2006, in Russian) 144 IV National Atlas of Germany: cartosemiotic portrait (Dresden 2007, in German) 243 V Prehistoric signs and sign systems (Dresden 2009, 1st ed., 2015, 3rd ed. In Russian) 318 VI 30 years with and for cartosemiotics (Dresden 2011, in German) 374 VII Selected articles on the semiotics of maps and atlases (Dresden 2015) 481 VIII Semiotics of photoatlases (Dresden 2016, in Russian) 531 IX Semiotic evolution in cartography and atlassing (Dresden 2020, in Russian) 584 X Quo vadis European (theoretical) cartography and carto/atlas semiotics? (Dresden 2021, in German) 702 XI Cartо-atlassemiotics. Lexicon. (Dresden 2021, in Russian) 805 XII From metacartography to metaatlasgraphy (Dresden 2022) 894 / Die Publikation (als Polybuch) präsentiert eine karto/atlassemiotische Anthologie als eine Sammlung von 12 ausgewählten e-Büchern, die vom Autor 1997-2022 veröffentlicht wurden. Es sind 6 Bücher in Russisch, 4 – in Deutsch und 2- in Englisch geschrieben. Das Projekt ist eine Zusammenfassung der 45-jährigen karto/atlassemiotischen Tätigkeit vom Autor in Dresden: 35 Jahre an der TU Dresden (1979-2014), davon 11 Jahre in der DDR und 24 Jahre in der BRD; seit 2015 als Rentner und unabhängiger Forscher in der Deutschen Gesellschaft für Semiotik (seit 2017 Mitglied des Wissenschaftlichen Beirats der DGS und Ko-Leiter der Sektion „Umwelt- und Karto/Atlassemiotik“).:Preamble 4 I Cartosemiotics and prehistoric maps (Barnaul-Dresden 1997, in Russian) 6 II Cartosemiotics in Europe (Dresden 2002, in German) 64 III Atlas cartosemiotics (Dresden 2006, in Russian) 144 IV National Atlas of Germany: cartosemiotic portrait (Dresden 2007, in German) 243 V Prehistoric signs and sign systems (Dresden 2009, 1st ed., 2015, 3rd ed. In Russian) 318 VI 30 years with and for cartosemiotics (Dresden 2011, in German) 374 VII Selected articles on the semiotics of maps and atlases (Dresden 2015) 481 VIII Semiotics of photoatlases (Dresden 2016, in Russian) 531 IX Semiotic evolution in cartography and atlassing (Dresden 2020, in Russian) 584 X Quo vadis European (theoretical) cartography and carto/atlas semiotics? (Dresden 2021, in German) 702 XI Cartо-atlassemiotics. Lexicon. (Dresden 2021, in Russian) 805 XII From metacartography to metaatlasgraphy (Dresden 2022) 894 / Данная публикация (как многокнижье) представляет карто/атласно-семиотическую антологию как собрание из 12 избранных электронных книг, изданных автором в период с 1997 г. по 2022 г. 6 книг написаны на русском языке, 4 – на немецком и 2 – на английском языке. Проект отражает результат 45-летней карто/атласно-семиотической деятельности автора в Дрездене. 35 лет в ТУ Дрезден (1979-2014 гг.), в том числе 11 лет в ГДР и 24 года в ФРГ; с 2015 года в качестве пенсионера и независимого исследователя Немецкого общества семиотики (с 2017 года член Научно-консультативного совета НОС и соруководитель секции «Экология и карто-атласнaя семиотика»).:Preamble 4 I Cartosemiotics and prehistoric maps (Barnaul-Dresden 1997, in Russian) 6 II Cartosemiotics in Europe (Dresden 2002, in German) 64 III Atlas cartosemiotics (Dresden 2006, in Russian) 144 IV National Atlas of Germany: cartosemiotic portrait (Dresden 2007, in German) 243 V Prehistoric signs and sign systems (Dresden 2009, 1st ed., 2015, 3rd ed. In Russian) 318 VI 30 years with and for cartosemiotics (Dresden 2011, in German) 374 VII Selected articles on the semiotics of maps and atlases (Dresden 2015) 481 VIII Semiotics of photoatlases (Dresden 2016, in Russian) 531 IX Semiotic evolution in cartography and atlassing (Dresden 2020, in Russian) 584 X Quo vadis European (theoretical) cartography and carto/atlas semiotics? (Dresden 2021, in German) 702 XI Cartо-atlassemiotics. Lexicon. (Dresden 2021, in Russian) 805 XII From metacartography to metaatlasgraphy (Dresden 2022) 894

Zum Verständnis der komplexen Wechselwirkungen innerhalb des Klimasystems der Erde sind Kenntnisse über den hydrologischen Zyklus und den Energiekreislauf essentiell. Eine besondere Rolle obliegt hierbei der Evapotranspiration (ET), da sie eine wesentliche Teilkomponente beider oben erwähnter Kreisläufe ist. Die exakte Quantifizierung der regionalen, tatsächlichen Evapotranspiration innerhalb der Wasser- und Energiekreisläufe der Erdoberfläche auf unterschiedlichen zeitlichen und räumlichen Skalen ist für hydrologische, klimatologische und agronomische Fragestellungen von großer Bedeutung. Dabei ist eine realistische Abschätzung der regionalen tatsächlichen Evapotranspiration die wichtigste Herausforderung der hydrologischen Modellierung. Besonders die unterschiedlichen räumlichen und zeitlichen Auflösungen von Satelliteninformationen machen die Fernerkundung sowohl für globale als auch regionale hydrologischen Fragestellungen interessant. Zusätzlich zur Notwendigkeit des Prozessverständnisses des Wasserkreislaufs auf globaler Ebene kommt dessen regionale Bedeutung für die Landwirtschaft, insbesondere in Bewässerungssystemen arider Regionen. In ariden Klimazonen übersteigt die Menge der Verdunstung oft bei weitem die Niederschlagsmengen. Aufgrund der geringen Niederschlagsmenge muss in ariden agrarischen Regionen das zum Pflanzenwachstum benötigte Wasser mit Hilfe künstlicher Bewässerung aufgebracht werden. Der jeweilige lokale Bewässerungsbedarf hängt von der Feldfrucht und deren Wachstumsphase, den Klimabedingungen, den Bodeneigenschaften und der Ausdehnung der Wurzelzone ab. Die Evapotranspiration ist als Komponente der regionalen Wasserbilanz eine wichtige Steuerungsgröße und Effizienzindikator für das lokale Bewässerungsmanagement. Die Bewässe-rungslandwirtschaft verbraucht weltweit etwa 70 % der verfügbaren Süßwasservorkom-men. Dies wird als einer der Hauptgründe für die weltweit steigende Wasserknappheit identifiziert. Dabei liegt die Wasserentnahme des landwirtschaftlichen Sektors in den OECD Staaten im Mittel bei etwa 44 %, in den Staaten Mittelasiens bei über 90 %. Bei der Erstellung der vorliegenden Arbeit kam die Methode der residualen Bestimmung der Energiebilanz zum Einsatz. Eines der weltweit am häufigsten eingesetzten und vali-dierten fernerkundlichen Residualmodelle zur ET Ableitung ist das SEBAL-Modell (Surface Energy Balance Algorithm for Land, mit über 40 veröffentlichten Studien. SEBAL eignet sich zur Quantifizierung der Verdunstung großflächiger Gebiete und wurde bisher über-wiegend in der Bewässerungslandwirtschaft eingesetzt. Aus diesen Gründen wurde es für die Bearbeitung der Fragestellungen in dieser Arbeit ausgewählt. SEBAL verwendet physikalische und empirische Beziehungen zur Berechnung der Energiebilanzkomponenten basierend auf Fernerkundungsdaten, bei gleichzeitig minimalem Einsatz bodengestützter Daten. Als Eingangsdaten werden u.a. Informationen über Strahlung, Bodenoberflächentemperatur, NDVI, LAI und Albedo verwendet. Zusätzlich zu SEBAL wurden einige Komponenten der SEBAL Weiterentwicklung METRIC (Mapping Evapotranspiration with Internalized Calibration) verwendet, um die Modellierung der ET vorzunehmen. METRIC überwindet einige Limitierungen des SEBAL Verfahrens und kann beispielsweise auch in stärker reliefierten Regionen angewendet werden. Außerdem ermöglicht die Integration einer gebietsspezifischen Referenz-ET sowie einer Landnutzungsklassifikation eine bessere regionale Anpassung des Residualverfahrens. Unter der Annahme der Bedingungen zum Zeitpunkt der Fernerkundungsaufnahme ergibt sich die Energiebilanz an der Erdoberfläche RN = LvE + H + G. Demnach teilt sich die verfügbare Strahlungsenergie RN in die Komponenten latenter Wärme (LVE), fühlbarer Wärme (H) und Bodenwärme (G) auf. Durch Umstellen der Gleichung kann auf die latente Wärme geschlossen werden. Das wesentliche Ziel der vorliegenden Arbeit ist die Optimierung, Erweiterung und Validierung des ausgewählten SEBAL Verfahrens zur regionalen Modellierung der Energiebilanzkomponenten und der daraus abgeleiteten tatsächlichen Evapotranspiration. Die validierten Modellergebnisse der Gebietsverdunstung der Jahre 2009-2011 sollen anschließend als Grundlage dienen, das Gesamtverständnis der regionalen Prozesse des Wasserkreislaufs zu verbessern. Die Arbeit basiert auf der Datengrundlage von MODIS Daten mit 1 km räumlicher Auflösung. Während die Komponenten verfügbare Strahlungsenergie und fühlbarer Wärmestrom physikalisch basiert ermittelt werden, beruht die Berechnung des Bodenwärmestroms ausschließlich auf empirischen Abschätzungen. Ein großer Nachteil des empirischen Ansatzes ist die Vernachlässigung des zeitlichen Versatzes zwischen Strahlungsbilanz und Bodenwärmestrom in Abhängigkeit der aktuellen Bodenfeuchtesituation. Ein besonderer Schwerpunkt der vorliegenden Arbeit liegt auf der Bewertung und Verbesserung der Modellgüte des Bodenwärmestroms durch Verwendung eines neuen Ansatzes zur Integration von Bodenfeuchteinformationen. Daher wird in der Arbeit ein physikalischer Ansatz entwickelt der auf dem Ansatz der periodischen Temperaturveränderung basiert. Hierbei wurde neben dem ENVISAT ASAR SSM Produkt der TU Wien das operationelle Oberflächenbodenfeuchteprodukt ASCAT SSM als Fernerkundungseingangsdaten ausgewählt. Die mit SEBAL modellierten Energiebilanzkomponenten werden durch eine intensive Validierung mit bodengestützten Messungen bewertet, die Messungen stammen von Bodensensoren und Daten einer Eddy-Kovarianz-Station aus den Jahren 2009 bis 2011. Die Region Khorezm gilt als charakteristisch für die wasserbezogene Problematik der Bewässerungslandwirtschaft Mittelasiens und wurde als Untersuchungsgebiet für diese Arbeit ausgewählt. Die wesentlichen Probleme dieser Region entstehen durch die nach wie vor nicht nachhaltige Land- und Wassernutzung, das marode Bewässerungsnetz mit einer Verlustrate von bis zu 40 % und der Bodenversalzung aufgrund hoher Grundwasserspiegel. Im Untersuchungsgebiet wurden in den Jahren 2010 und 2011 umfangreiche Feldarbeiten zur Erhebung lokaler bodengestützter Informationen durchgeführt. Bei der Evaluierung der modellierten Einzelkomponenten ergab sich für die Strahlungsbi-lanz eine hohe Modellgüte (R² > 0,9; rRMSE < 0,2 und NSE > 0,5). Diese Komponente bildet die Grundlage bei der Bezifferung der für die Prozesse an der Erdoberfläche zur Verfügung stehenden Energie. Für die fühlbaren Wärmeströme wurden ebenfalls gute Ergebnisse erzielt, mit NSE von 0,31 und rRMSE von ca. 0,21. Für die residual bestimmte Größe der latenten Wärmeströmung konnte eine insgesamt gute Modellgüte festgestellt werden (R² > 0,6; rRMSE < 0,2 und NSE > 0,5). Dementsprechend gut wurde die tägliche Evapotranspiration modelliert. Hier ergab sich, nach der Interpolation täglicher Werte, eine insgesamt ausreichend gute Modellgüte (R² > 0,5; rRMSE < 0,2 und NSE > 0,4). Dies bestätigt die Ergebnisse vieler Energiebilanzstudien, die lediglich den für die Ableitung der Evapotranspiration maßgebenden Wärmestrom untersuchten. Die Modellergebnisse für den Bodenwärmestrom konnten durch die Entwicklung und Verwendung des neu entwickelten physikalischen Ansatzes von NSE < 0 und rRMSE von ca. 0,57 auf NSE von 0,19 und rRMSE von 0,35 verbessert werden. Dies führt zu einer insgesamt positiven Einschätzung des Verbesserungspotenzials des neu entwickelten Bodenwärmestromansatzes bei der Berechnung der Energiebilanz mit Hilfe von Fernerkundung. / The understanding of the hydrological and the energy cycles are essential in order to describe the complex interactions within the climate system of the earth. Being recognized as an important component of both, the water and the energy cycle, reliable estimation of actual evapotranspiration and its spatial distribution is one outstanding challenge in this context. Detailed knowledge of land surface fluxes, especially latent and sensible heat components, is important for monitoring the climate and land surface, and for agriculture applications such as irrigation scheduling and water management. The use of remote sensing data to determine actual evapotranspiration (ET) is particularly suitable to provide area based indicators for the evaluation of the efficiency and productivity of irrigation systems as well as sustainability studies. Accurate estimation of evapotranspiration plays an important role in quantification of the water balance at watershed, basin, and regional scale for better planning and managing water resources. For instance, in irrigation systems of arid regions, artificial locations of evapotranspiration have been created. An in-depth process understanding is of paramount importance, as irrigated agriculture consumes about 70 % of the available freshwater resources worldwide, with a significant but unsatisfyingly quantified impact on the water cycle, especially on regional scale. Moreover, an exact quantification of ET inside these artificial ecosystems enables assessments of crop water consumptions and hence about water use efficiency. The withdrawal of water for agricultural use in the countries of Central Asia is more than 90 %. For this thesis the residual methods of energy budget are of interest. One of the most common models dealing with energy budget residual is the Surface Energy Balance Algorithm for Land (SEBAL). SEBAL uses physical and empirical relationships to calculate the energy partitioning with minimum of ground data and atmospheric variables are estimated from remote sensing data. The determination of wet and dry surfaces is necessary to extract threshold values. SEBAL requires remote sensing input data like radiation, surface temperature, NDVI, and albedo. For this thesis an algorithm was developed based on SEBAL, its adaptations METRIC (Mapping Evapotranspiration with Internalized Calibration) and some regional adjustments. METRIC introduces the leaf area index (LAI) and land use classification data to determine the dry and hot surfaces as well as the input of additional meteorological data in order to improve the results of the model. Estimation of latent heat flux (LvE, corresponding to evapotranspiration) with SEBAL is based on assessing the energy balance through several surface properties such as albedo, LAI, NDVI, LST etc. Considering instantaneous condition, the energy balance is written as RN = LvE + H + G. Net radiation energy (RN) is available as the sum of the atmospheric convective fluxes sensible heat flux (H), latent heat flux (LvE) and the soil heat flux (G). The main objective of this thesis is to optimize, improve, and evaluate the existing remote sensing based algorithms for the estimation of actual evapotranspiration. For this purpose the seasonal actual ET was calculated using a partly modified SEBAL. SEBAL was implemented based on MODIS time series to solve the energy balance equation. The applied model has proven practicable for this area and is accepted to fulfil the scientific demands. The SEBAL algorithm is tested and set up for the use of 1km MODIS products. Land surface temperature (LST), emissivity, albedo, Normalized Differenced Vegetation Index (NDVI), and leaf area index (LAI) were combined for modelling the actual ET. Land use classification results were aggregated to 1km MODIS scale. Furthermore, the surface soil moisture products ASCAT SSM and ASAR SSM will be used as input data for the model. In addition to remote sensing data meteorological and ground truth data are used in this study. Meteorological data are wind speed, air temperature, relative humidity, and net radiation. The data is required at time of satellite overpass (about 12 p.m.). RN depends on incoming shortwave radiation, incoming and outgoing longwave radiant fluxes, albedo, emissivity and surface temperature. H is mostly calculated using the aerodynamic resistance between the surface and the reference height in the lower atmosphere (commonly 2 m) above surface. G is usually estimated using an empirical equation. This thesis introduces a modified equation to estimate G using an adjusted form of the thermal conduction equation. This method uses microwave soil moisture products (ASAR-SSM and ASCAT-SSM) as additional input information. The SEBAL modelled energy balance components were intensively validated by field measurements with an eddy covariance system and soil sensors in 2009, 2010, and 2011. The thesis is primarily concerned with the irrigation farming of cotton ecosystems in Central Asia, in particular with the situation within Khorezm Oblast in Uzbekistan. Regional problems of Khorezm are high groundwater levels, soil salinity, and non-sustainable use of land and water. Amongst others, the determination of ground truth data driven by the above mentioned objectives are part of two extensive field campaigns in 2010 and 2011. The validation of the modelled energy balance components leads to a good quality assessment. The model shows very good performance for RN with average model efficiency (NSE) of 0,68 and small relative errors (rRMSE) of about 0,10. For turbulent heat fluxes good results can be achieved with NSE of 0,31 for H and 0,55 for LE, the rRMSE are about 0,21 (H) and 0,18 (LvE). Soil heat flux estimation could be improved using the physically based approach. While the empirical equation leads to negative NSE and rRMSE of about 0,57, the improved approach shows rRMSE of 0,35 and NSE of 0,19. Thus, the improved G estimation can be registered as a valuable contribution for the remote sensing based estimation of energy balance components. / Die Bewässerungslandwirtschaft verbraucht weltweit etwa 70 % der verfügbaren Süßwasservorkommen. Dabei liegt die Wasserentnahme des landwirtschaftlichen Sektors in den Staaten Mittelasiens bei über 90 %. Wichtige Voraussetzungen für die Landwirtschaft sind der Produktionsfaktor Boden und das Klima. Der Wassergehalt und die Temperatur des Bodens bestimmen im Wesentlichen den Anteil der verfügbaren solaren Strahlungsenergie, der in den Boden geleitet wird. Existierende Fernerkundungsansätze verwenden zur Ermittlung des Bodenwärmestroms überwiegend empirische Gleichungen, da zuverlässige flächenhafte Informationen über die Bodenfeuchte bisher aufgrund räumlich unzureichender messtechnischer Bedingungen nicht ermittelt werden können. In der vorliegenden Arbeit wird ein neu entwickelter, physikalisch-basierter Ansatz vorgestellt, der erstmals räumlich hochaufgelöste Bodenfeuchteinformationen aus Radardatensätzen zur Berechnung des Bodenwärmestroms verwendet. Dieser Ansatz wird zur Lösung der Energiebilanz an der Erdoberfläche verwendet, um indirekt auf die tatsächlichen Evapotranspiration zu schließen. Denn eine realistische Quantifizierung der regionalen, tatsächlichen Evapotranspiration als Komponente der regionalen Wasserbilanz ist eine wichtige Steuerungsgröße und ein Effizienzindikator für das lokale Bewässerungsmanagement.

This contribution describes an automatic and robust method, which can be applied to all classical geodetic computation problems. Starting from given input quantities (e.g. coordinates of known points, observations) computation opportunities for all other relevant quantities are found. For redundant input quantities there exists a multitude of different computation opportunities from different minimal subsets of input quantities, which are all found automatically, and their results are computed and compared. If the computation is non-unique, but only a finite number of solutions exist, then all solutions are found and computed. By comparison of the different computation results we may detect outliers in the input quantities and produce a robust final result. The method does not work stochastically, such that no stochastic model of the observations is required. The description of the algorithm is illustrated for a practical case. It is implemented on a webserver and is available for free via internet. / Der Beitrag beschreibt ein automatisches und robustes Verfahren, welches auf alle klassischen geodätischen Berechnungsprobleme angewendet werden kann. Ausgehend von vorgelegten Eingabegrößen (z.B. Koordinaten bekannter Punkte, Beobachtungen) werden Berechnungsmöglichkeiten für alle anderen relevanten Größen gefunden. Bei redundanten Eingabegrößen existiert eine Vielzahl von verschiedenen Berechnungsmöglichkeiten aus verschiedenen minimalen Untermengen von Eingabegrößen, die alle automatisch gefunden und deren Ergebnisse berechnet und verglichen werden. Wenn die Berechnung nicht eindeutig ist, aber nur eine endliche Anzahl von Lösungen existiert, dann werden alle Lösungen gefunden und berechnet. Durch den Vergleich verschiedener Berechnungsergebnisse können Ausreißer in den Eingabegrößen aufgedeckt werden und ein robustes Endergebnis wird erhalten. Das Verfahren arbeitet nicht stochastisch, so dass kein stochastisches Modell der Beobachtungen erforderlich ist. Die Beschreibung des Algorithmus wird an einem praktischen Fall illustriert. Er ist auf einem Webserver installiert und über das Internet frei verfügbar.

Diese Masterthesis behandelt den Entwicklungsprozess einer interaktiven Kartenapplikation, deren Bereitstellung und Nutzung als Teil einer Museumsausstellung im Stadtmuseum Dresden zum Thema Tabak erfolgt. Der Prozess beinhaltet die Aufbereitung und Geokodierung von historischen Standortdaten, die Georeferenzierung und das Kacheln einer historischen Hintergrundkarte sowie eine detaillierte Gegenüberstellung verschiedener Mapping-Bibliotheken. Als Kernbestandteil der Arbeit folgt schließlich die Beschreibung des Implementierungsprozesses mit Mapbox GL JS und aller wichtigen Bestandteile der Karte. Die gesamte Anwendung wird mit HTML, CSS und JavaScript entwickelt. Dabei wird aufgezeigt, welche Elemente für eine intuitive Bedienung der Benutzeroberfläche durch eine heterogene Personengruppe notwendig sind und wie sich eine Touch-Benutzeroberfläche von einer klassischen Desktopanwendung unterscheidet. Die Einschätzung der zumutbaren Interaktionstiefe ergab, dass das Interaktionslevel auf einem geringen Niveau gehalten werden muss, um eine einfache Bedienbarkeit zu ermöglichen. Die Applikation wurde nach der Entwicklung von einer kleinen Personengruppe evaluiert, wobei eine Beantwortung verschiedener Aufgaben mithilfe der Anwendung und eine Einstufung anhand ihrer Schwierigkeit erfolgte. Dabei ergab sich bei der Mehrheit der Aufgabestellungen eine fast ausschließlich problemlose Bedienbarkeit der Anwendung durch Nutzer aller Altersklassen mit Ausnahme der Altersklasse 70+. Die Evaluation zeigte jedoch Differenzen bei der Interaktion durch Menschen mit unterschiedlichem Vorwissen in Bezug auf interaktive Karten. Die Gegenüberstellung der JavaScript-Bibliotheken Leaflet, Mapbox GL JS und OpenLayers ergab projektbezogen für die Kriterien Visualisierung und Performance ein sehr gutes Abschneiden von Mapbox GL JS. Hier wird eine einfache Programmierung der Karteninhalte und eine ansprechende Darstellung der Kartenelemente ermöglicht.

Beitrag zu Wasser und Eissatellitendaten zur Bilanzierung von Massentransporten anläßlich einer Festschrift zum 65. Geburtstag von Prof. Reinhard Dietrich.

Beitrag zum Werdegang von Reinhard Dietrich anläßlich seines 65. Geburtstages

Beitrag zur Entwicklung des Höhenrahmens in Deutschland anläßlich einer Festschrift zum 65. Geburtstag von Prof. Reinhard Dietrich.