Zugl.: Innsbruck, University, Diss., 2008.

Techn. University, Diss., 2001--Berlin.

Universiẗat, Diss., 2005--Bonn.

Universiẗat, Diss., 2004--Bonn.

Zugl.: Rennes, University, Diss., 2008.

Worldwide, cold regions are undergoing significant alterations due to climate change. Snow, the most widely distributed cold region component, is highly sensitive to climate change. At the same time, snow itself profoundly impacts the Earth’s energy budget, biodiversity, and natural hazards, as well as hydropower management, freshwater management, and winter tourism/sports. Large parts of the cold regions in Europe are mountain areas, which are densely populated because of the various ecosystem services and socioeconomic well-being in mountains. At present, severe consequences caused by climate change have been observed in European mountains and their surrounding areas. Yet, large knowledge gaps hinder the development of effective regional and local adaptation strategies. Long-term and evidence-based regional studies are urgently needed to enhance the comprehension of regional responses to climate change. Earth Observation (EO) provides long-term consistent records of the Earth’s surface. It is a great alternative and/or supplement to conventional in-situ measurements which are usually time-consuming, cost-intensive and logistically demanding, particularly for the poor accessibility of cold regions. With the assistance of EO, land surface dynamics in cold regions can be observed in an objective, repeated, synoptic and consistent way. Thanks to free and open data policies, long-term archives such as Landsat Archive and Sentinel Archive can be accessed free-of-charge. The high- to medium-resolution remote sensing imagery from these freely accessible archives gives EO-based time series datasets the capability to depict snow dynamics in European mountains from the 1980s to the present. In order to compile such a dataset, it is necessary to investigate the spatiotemporal availability of EO data, and develop a spatiotemporally transferable framework from which one can investigate snow dynamics. Among the available EO image archives, the Landsat Archive has the longest uninterrupted records of the Earth’s land surface. Furthermore, its 30 m spatial resolution fulfils the requirements for snow monitoring in complex terrains. Landsat data can yield a time series of snow dynamics in mountainous areas from 1984 to the present. However, severe Landsat data gaps have occurred across certain regions of Europe. Moreover, the Landsat Level 1 Precision and Terrain (L1TP) data is scarcer (up to 50% less) in high-latitude mountainous areas than in low-latitude mountainous areas. Given the abovementioned facts, the Regional Snowline Elevation (RSE) is selected to characterize the snow dynamics in mountainous areas, as it can handle cloud obstructions in the optical images. In this thesis, I present a five-step framework to derive and densify RSE time series in European mountains, i.e. (1) pre-processing, (2) snow detection, (3) RSE retrieval, (4) time series densification, and (5) Regional Snowline Retreat Curve (RSRC) production. The results of the intra-annual RSE variations show a uniquely high variation in the beginning of the ablation seasons in the Alpine catchment Tagliamento, mainly toward higher elevation. As for inter-annual variations of RSE, median RSE increases in all selected catchments, with an average speed of around 4.66 m ∙ a−1 (median) and 5.87 m ∙ a−1 (at the beginning of the ablation season). The fastest significant retreat is observed in the catchment Drac (10.66 m ∙ a−1, at the beginning of the ablation season), and the slowest significant retreat is observed in the catchment Uzh (1.74 m ∙ a−1, at the beginning of the ablation season). The increase of RSEs at the beginning of the ablation season is faster than the median RSEs, whose average difference is nearly 1.21 m ∙ a−1, particularly in the catchment Drac (3.72 m ∙ a−1). The results of the RSRCs show a significant rise in RSEs at the beginning of the ablation season, except for the Alpine catchment Alpenrhein and Var, and the Pyrenean catchment Ariege. It indicates that 11.8 and 3.97 degrees Celsius less per year are needed for the regional snowlines to reach the middle point of the RSRC in the Tagliamento and Tysa, respectively. The variation of air temperature is regarded as an example of a potential climate driver in this thesis. The retrieved monthly mean RSEs are highly correlated (mean correlation coefficient "R" ̅ = 0.7) with the monthly temperature anomalies, which are more significant in months with extremely low/high temperature. Another case study that investigates the correlation between river discharges and RSEs is carried out to demonstrate the potential consequences of the derived snowline dynamics. The correlation analysis shows a good correlation between river discharges and RSEs (correlation coefficient, R=0.52). In this thesis, the developed framework signifies a better understanding of the snow dynamics in mountain areas, as well as their potential triggers and consequences. Nonetheless, an urgent need persists for: (1) validation data to assess long-term snow-related observations based on high-resolution EO data; (2) further studies to reveal interactions between snow and its ambient environment; and (3) regional and local adaptation-strategies coping with climate change. Further studies exploring the above-mentioned research gaps are urgently needed in the future. / Weltweit erleben kalte Regionen signifikante Veränderungen durch den Klimawandel. In kalten Regionen ist der Schnee die am weitesten verbreitete Komponente, welche sehr sensibel auf Klimaänderungen reagiert. Zugleich beeinflusst der Schnee selbst das Energiebudget der Erde, die Biodiversität, Naturgefahren sowie Wasserenergiegewinnung, Süßwassergewinnung, Wintertourismus und Wintersport. Große Teile der kalten Regionen in Europa sind Gebirgsregionen. Diese sind dicht besiedelt, da Gebirgsregionen verschiedenste Ökosystemservices bereitstellen und sozioökonomisches Wohlbefinden ermöglichen. Heute kann man schwerwiegende Konsequenzen in Europäischen Gebirgen und deren angrenzenden Gebieten wahrnehmen. Dennoch verhindern große Wissenslücken die Entwicklung effektiver und regionaler/lokaler Anpassungsstrategien. Um regionaler Auswirkungen durch den Klimawandel besser verstehen zu können, ist es enorm wichtig Langzeitstudien und beweisorientierte regionale Studien durchzuführen. Erdbeobachtung (EO) bietet durchgängige Langzeitaufzeichnungen der Erdoberfläche. Dies ist eine großartige Alternative und/oder Ergänzung zu konventionellen in-situ Messungen, welche meist zeitaufwändig, teuer und logistisch herausfordernd sind – vor allem in kalten Regionen, die schwer zugänglich sind. Mit der Hilfe von Erdbeobachtung können Oberflächendynamiken objektiv, wiederholt, synoptisch und kontinuierlich aufgenommen werden. Dank freier und offener Datenpolitik, Langzeitmissionen wie Landsat und Sentinel sind diese Daten inzwischen ohne zusätzliche Kosten zugänglich. Durch die oben genannten Rahmenbedingungen, besteht die Möglichkeit aus hoch bis mittel aufgelöste Satellitenbilder erdbeobachtungsbasierte Zeitreihen zu erstellen, die die Schneedynamiken in Europäischen Gebirgen abbilden. Um dieses Ziel zu erreichen, muss die räumliche und zeitliche Verfügbarkeit von Erdbeobachtungsdaten überprüft werden und ein Rahmenwerk geschaffen werden (übertragbar in Zeit und Raum), um Schneedynamiken aus Erdbeobachtungsdaten großflächig ableiten zu können. Unter den verfügbaren Erdbeobachtungsarchiven bietet das Landsat Archiv die längsten und kontinuierlichsten Aufzeichnungen der Landoberfläche. Zudem erfüllt die räumliche Auflösung von 30 m die Anforderungen, Schnee in komplexem Terrain zu monitoren. Basierend auf Landsat L1TP Daten (z.B. terrainkorrigiert) ist es möglich, Zeitreihen von Schneedynamiken in Gebirgsregionen zwischen 1984 und 1991/1999 zu erstellen. Des Weiteren ist Landsat L1TP in hohen Breitengraden seltener verfügbar (bis zu 50 % weniger) als in Gebirgsregionen der gemäßigten Breiten. Basierend auf den oben genannten Fakten wurde die Regionale Höhe der Schneefallgrenze (RSE) ausgewählt um Schneedynamiken in Gebirgsregionen zu charakterisieren, da diese Wolken in optischen Szenen bewältigen kann. In dieser Arbeit wurde ein fünf-Stufen Rahmenwerk geschaffen, um RSE-Zeitserien in Europäischen Gebirgen abzuleiten und zu verdichten. Die Prozessierungskette besteht aus (1) Vorprozessierung, (2) Schneedetektion, (3) RSE-Ableitung, (4) Zeitreihenverdichtung und (5) Erstellung einer regionalen Schneegrenzen-Rückgangsfunktion (RSRC). Die Ergebnisse der intra-annuellen RSE Variationen zeigen eine einzigartige hohe Variation im Beginn der Abschmelzsaison im alpinen Einzugsgebiet Tagliamento, meist in höheren Gebieten. Wie für die inter-annuellen Variationen des RSE, steigt auch der Median des RSE in allen ausgewählten Einzugsgebieten mit einer durchschnittlichen Geschwindigkeit von 4.66 m ∙ a−1 (median) und 5.87 m ∙ a−1 (zum Beginn der Schmelze). Der schnellste signifikante Rückgang kann im Einzugsgebiet Drac (10.66 m ∙ a−1, Beginn der Schmelze) beobachtet werden, der langsamste Rückgang im Einzugsgebiet Uzh (1.74 m ∙ a−1, Beginn der Schmelze). Der Anstieg des RSE zu Beginn der Schmelzsaison ist schneller als der Median des RSE, dessen mittlere Differenz 1.21 m ∙ a−1 beträgt. Insbesondere für das Drac Einzugsgebiet (3.72 m ∙ a−1). Die Ergebnisse des RSRC zeigen signifikante Anstiege des RSE zu Beginn des Schmelzsaison, ausgenommen davon sind die alpinen Einzugsgebiete Alpenrhein und Var und das Einzugsgebiet Ariege in den Pyrenäen. Dies lässt darauf zurückschließen, dass 11.8 °C und 3.97 °C Grad weniger pro Jahr nötig sind für Tagliamento und Tysa, damit die regionalen Schneegrenzen den Mittelpunkt des RSRC erreicht. Zudem wird die Variation der Lufttemperatur als beispielhafter Treiber des Klimas in dieser Thesis gesehen. Die monatlich abgeleiteten mittleren RSE korrelieren stark (mittlerer korrelations Coeffizient R ̅ = 0.7) mit monatlichen Temperaturanomalien. In Monaten mit extrem hohen/tiefen Temperaturen ist die Korrelation am stärksten. Ein anderes Fallbeispiel untersucht die Korrelation zwischen Abfluss in Flüssen und RSE, um die potenziellen Konsequenzen der abgeleiteten Schneefallgrenzendynamiken zu ermitteln. Die Korrelationsanalyse weist eine gute Korrelation auf (R=0.52). Das in dieser Arbeit entwickelte Rahmenwerk ist nur ein Beginn, um das Wissen über Schneedynamiken in Gebirgsregionen zu verbessern und potentiell auslösende Faktoren und Konsequenzen zu verstehen. Dennoch wird folgendes dringend benötigt: (1) Validierungsdaten für schneebasierte Langzeitbeobachtungen aus hochaufgelösten Erdbeobachtungsdaten; (2) weitere Studien zu Interaktionen zwischen Schnee und der umgebende Umwelt; und (3) regionale und lokale Anpassungsstrategien, um Auswirkungen des Klimawandels zu meistern. Weitere Studien in den oben genannten Punkten werden in der Zukunft stark frequentiert sein, damit Wissens- und Forschungslücken geschlossen werden können.

In der vorliegenden Dissertation wurde am Beispiel der Biotoptypenklassifikation für ein flächenscharfes Monitoring an der Unterelbe das Potenzial zur Auswertung neuer höchst auflösender digitaler Fernerkundungsdaten untersucht. Es wurde festgestellt, dass die digitale Datenbasis in Kombination mit einer Auswertung mittels integrierter GIS- und Fernerkundungsmethoden eine weitgehend automatisierte und standardisierte Klassifikation von Biotoptypen ermöglicht. Hierbei wurden unterschiedliche Ansätze, sowohl konventionelle als auch objektorientierte Auswerteverfahren, auf verschiedene Daten in drei Untersuchungsgebieten getestet bzw. erweitert.

With accelerating global climate change, the Antarctic Ice Sheet is exposed to increasing ice dynamic change. During 1992 and 2017, Antarctica contributed ~7.6 mm to global sea-level-rise mainly due to ocean thermal forcing along West Antarctica and atmospheric warming along the Antarctic Peninsula (API). Together, these processes caused the progressive retreat of glaciers and ice shelves and weakened their efficient buttressing force causing widespread ice flow accelerations. Holding ~91% of the global ice mass and 57.3 m of sea-level-equivalent, the Antarctic Ice Sheet is by far the largest potential contributor to future sea-level-rise. Despite the improved understanding of Antarctic ice dynamics, the future of Antarctica remains difficult to predict with its contribution to global sea-level-rise representing the largest uncertainty in current projections. Given that recent studies point towards atmospheric warming and melt intensification to become a dominant driver for future Antarctic ice mass loss, the monitoring of supraglacial lakes and their impacts on ice dynamics is of utmost importance. In this regard, recent progress in Earth Observation provides an abundance of high-resolution optical and Synthetic Aperture Radar (SAR) satellite data at unprecedented spatial and temporal coverage and greatly supports the monitoring of the Antarctic continent where ground-based mapping efforts are difficult to perform. As an automated mapping technique for supraglacial lake extent delineation in optical and SAR satellite imagery as well as a pan-Antarctic inventory of Antarctic supraglacial lakes at high spatial and temporal resolution is entirely missing, this thesis aims to advance the understanding of Antarctic surface hydrology through exploitation of spaceborne remote sensing. In particular, a detailed literature review on spaceborne remote sensing of Antarctic supraglacial lakes identified several research gaps including the lack of (1) an automated mapping technique for optical or SAR satellite data that is transferable in space and time, (2) high-resolution supraglacial lake extent mappings at intra-annual and inter-annual temporal resolution and (3) large-scale mapping efforts across the entire Antarctic continent. In addition, past method developments were found to be restricted to purely visual, manual or semi-automated mapping techniques hindering their application to multi-temporal satellite imagery at large-scale. In this context, the development of automated mapping techniques was mainly limited by sensor-specific characteristics including the similar appearance of supraglacial lakes and other ice sheet surface features in optical or SAR data, the varying temporal signature of supraglacial lakes throughout the year as well as effects such as speckle noise and wind roughening in SAR data or cloud coverage in optical data. To overcome these limitations, this thesis exploits methods from artificial intelligence and big data processing for development of an automated processing chain for supraglacial lake extent delineation in Sentinel-1 SAR and optical Sentinel-2 satellite imagery. The combination of both sensor types enabled to capture both surface and subsurface lakes as well as to acquire data during cloud cover or wind roughening of lakes. For Sentinel-1, a deep convolutional neural network based on residual U-Net was trained on the basis of 21,200 labeled Sentinel-1 SAR image patches covering 13 Antarctic regions. Similarly, optical Sentinel-2 data were collected over 14 Antarctic regions and used for training of a Random Forest classifier. Optical and SAR classification products were combined through decision-level fusion at bi-weekly temporal scale and unprecedented 10 m spatial resolution. Finally, the method was implemented as part of DLR’s High-Performance Computing infrastructure allowing for an automated processing of large amounts of data including all required pre- and postprocessing steps. The results of an accuracy assessment over independent test scenes highlighted the functionality of the classifiers returning accuracies of 93% and 95% for supraglacial lakes in Sentinel-1 and Sentinel-2 satellite imagery, respectively. Exploiting the full archive of Sentinel-1 and Sentinel-2, the developed framework for the first time enabled the monitoring of seasonal characteristics of Antarctic supraglacial lakes over six major ice shelves in 2015-2021. In particular, the results for API ice shelves revealed low lake coverage during 2015-2018 and particularly high lake coverage during the 2019-2020 and 2020-2021 melting seasons. On the contrary, East Antarctic ice shelves were characterized by high lake coverage during 2016-2019 and extremely low lake coverage during the 2020-2021 melting season. Over all six investigated ice shelves, the development of drainage systems was revealed highlighting an increased risk for ice shelf instability. Through statistical correlation analysis with climate data at varying time lags as well as annual data on Southern Hemisphere atmospheric modes, environmental drivers for meltwater ponding were revealed. In addition, the influence of the local glaciological setting was investigated through computation of annual recurrence times of lakes. Over both ice sheet regions, the complex interplay between local, regional and large-scale environmental drivers was found to control supraglacial lake formation despite local to regional discrepancies, as revealed through pixel-based correlation analysis. Local control factors included the ice surface topography, the ice shelf geometry, the presence of low-albedo features as well as a reduced firn air content and were found to exert strong control on lake distribution. On the other hand, regional controls on lake evolution were revealed to be the amount of incoming solar radiation, air temperature and wind occurrence. While foehn winds were found to dictate lake evolution over the API, katabatic winds influenced lake ponding in East Antarctica. Furthermore, the regional near-surface climate was shown to be driven by large-scale atmospheric modes and teleconnections with the tropics. Overall, the results highlight that similar driving factors control supraglacial lake formation on the API and EAIS pointing towards their transferability to other Antarctic regions. / Der antarktische Eisschild erfährt angesichts der globalen Erderwärmung zunehmende eisdynamische Veränderungen. Zwischen 1992 und 2017 trug die Antarktis mit ~7.6 mm zum globalen Meeresspiegelanstieg bei, was vor allem auf die Erwärmung des Ozeans entlang der Westantarktis und die Erwärmung der Atmosphäre entlang der Antarktischen Halbinsel zurückzuführen ist. Zusammen verursachten diese Prozesse den fortschreitenden Rückgang von Gletschern und Schelfeis und schwächten ihren Rückhalteeffekt. Mit einem Anteil von ~91% an der globalen Eismasse und einem Meeresspiegeläquivalent von 57.3 m ist der antarktische Eisschild der größte potentielle Verursacher eines zukünftigen Meeresspiegelanstiegs. Trotz des verbesserten Verständnisses der antarktischen Eisdynamik kann die Zukunft der Antarktis nur schwer vorhergesagt werden. In Anbetracht der Tatsache, dass die Erwärmung der Atmosphäre und die damit einhergehende Oberflächenschmelze eine der Hauptursachen für künftige Massenverluste der Antarktis sein werden, ist die Kartierung von supraglazialen Seen von größter Bedeutung und Wichtigkeit. In dieser Hinsicht liefert die Erdbeobachtung eine Vielzahl von räumlich und zeitlich hochaufgelösten Satellitendaten für das Monitoring der Antarktis. Da eine automatisierte Methode zur Kartierung von supraglazialen Seen in Satellitendaten sowie ein großräumiges Inventar gänzlich fehlen, ist das Ziel dieser Arbeit zu einem besseren Verständnis der antarktischen Oberflächenhydrologie beizutragen. Zu diesem Zweck wurde ein neuartiges Prozessierungsverfahren für die automatisierte Kartierung von supraglazialen Seen in Sentinel-1 und Sentinel-2 Satellitenbilddaten entwickelt. Basierend auf einer umfassenden Literaturrecherche in Bezug auf die satellitengestützte Fernerkundung von antarktischen supraglazialen Seen wurden mehrere Forschungslücken identifiziert, darunter das Fehlen von (1) einem automatisierten Klassifikationsalgorithmus für optische und Radar Satellitendaten, der in Raum und Zeit übertragbar ist, (2) hochaufgelösten Kartierungen von supraglazialen Seen mit jährlicher sowie saisonaler zeitlicher Auflösung und (3) großräumigen Kartierungen über der gesamten Antarktis. Darüber hinaus wurde festgestellt, dass sich vergangene Methodenentwicklungen auf eine rein visuelle, manuelle oder halbautomatisierte Kartierungstechnik stützten, was ihre Anwendung auf multitemporale Satellitenbilder über dem gesamten Kontinent verhinderte. Die Entwicklung einer automatisierten Kartierungsmethode wurde hierbei vor allem durch sensorspezifische Merkmale eingeschränkt, darunter das ähnliche Erscheinungsbild von supraglazialen Seen und anderen Landbedeckungsklassen in optischen oder Radar Daten, die variierende zeitliche Signatur von supraglazialen Seen sowie Effekte wie SpeckleRauschen oder die Windaufrauhung von Seen in Radar Daten. Um diese Limitierungen zu überwinden, basiert der entwickelte Algorithmus zur automatisierten Kartierung von supraglazialen Seen in optischen and Radar Satellitendaten auf Methoden der künstlichen Intelligenz und der Big-Data-Analytik. Die Kombination von beiden Sensortypen ermöglicht es, sowohl supraglaziale als auch mit Schnee bedeckte Seen zu erfassen. Für Sentinel-1 wurde ein neuronales Netzwerk basierend auf „residual U-Net“ mittels 21,200 Radaraufnahmen über 13 antarktischen Regionen trainiert. In ähnlicher Weise wurden optische Sentinel-2 Daten über 14 antarktischen Regionen gesammelt und zum Trainieren eines „Random Forest“ Klassifikators verwendet. Die beiden Methoden wurden durch die Fusion von optischen und Radar Klassifikationsergebnissen kombiniert und als Teil der DLR-internen Prozessierungs-Infrastruktur auf Hochleistungsrechnern implementiert, die eine vollautomatische Verarbeitung großer Datenmengen einschließlich aller erforderlichen Vor- und Nachverarbeitungsschritte ermöglichen. Eine Fehleranalyse über unabhängigen Testszenen zeigte die Funktionalität der Algorithmen, die Genauigkeiten von 93% bzw. 95% für supraglaziale Seen in Sentinel-1 und Sentinel-2 Daten erreichten. Unter Nutzung des gesamten Archivs an Sentinel-1 und Sentinel-2 Daten im Zeitraum 2015-2021 ermöglichte die entwickelte Prozessierungs-Kette erstmals die Erfassung von saisonalen Merkmalen supraglazialer Seen über sechs großen SchelfeisRegionen. Die Ergebnisse für die Antarktische Halbinsel zeigten ein geringes Auftreten von supraglazialen Seen im Zeitraum 2015-2018 und ein stark erhöhtes Auftreten von supraglazialen Seen während der Schmelzsaison 2019-2020 und 2020-2021. Im Gegensatz dazu war die Ostantarktis durch ein stark erhöhtes Auftreten von supraglazialen Seen in den Jahren 2016-2019 sowie ein stark reduziertes Auftreten von supraglazialen Seen während der Schmelzsaison 2020-2021 gekennzeichnet. Über beiden Regionen entwickelten sich ausgeprägte Seen-Netzwerke, die ein erhöhtes Risiko für die Stabilität von Schelfeis darstellen. Durch statistische Korrelationsanalysen mit saisonalen Klimadaten sowie jährlichen Daten zu atmosphärischen Modi wurden Umwelteinflüsse auf die Entstehung von Seen analysiert. In beiden antarktischen Regionen wurde festgestellt, dass das komplexe Zusammenspiel von lokalen, regionalen und großräumigen Umweltfaktoren die Entstehung von supraglazialen Seen begünstigt. Zu den lokalen Einflussfaktoren gehören die Topographie, die Schelfeisgeometrie, das Vorhandensein von Oberflächen mit geringer Albedo sowie ein reduzierter Luftgehalt im Firn. Andererseits wurde festgestellt, dass die Sonneneinstrahlung, die Lufttemperatur und Wind die Entstehung von Seen regional beeinflussen. Während Föhnwinde über der Antarktischen Halbinsel auftreten, dominieren katabatische Winde in der Ostantarktis. Darüber hinaus wurde verdeutlicht, dass das regionale Klima von atmosphärischen Modi beeinflusst wird. Insgesamt deuten die Ergebnisse darauf hin, dass ähnliche Umweltfaktoren die Entstehung von supraglazialen Seen über beiden Regionen steuern, was Rückschlüsse auf ihre Übertragbarkeit in andere antarktische Regionen zulässt.

The investigation of the Earth system and interplays between its components is of utmost importance to enhance the understanding of the impacts of global climate change on the Earth's land surface. In this context, Earth observation (EO) provides valuable long-term records covering an abundance of land surface variables and, thus, allowing for large-scale analyses to quantify and analyze land surface dynamics across various Earth system components. In view of this, the geographical entity of river basins was identified as particularly suitable for multivariate time series analyses of the land surface, as they naturally cover diverse spheres of the Earth. Many remote sensing missions with different characteristics are available to monitor and characterize the land surface. Yet, only a few spaceborne remote sensing missions enable the generation of spatio-temporally consistent time series with equidistant observations over large areas, such as the MODIS instrument. In order to summarize available remote sensing-based analyses of land surface dynamics in large river basins, a detailed literature review of 287 studies was performed and several research gaps were identified. In this regard, it was found that studies rarely analyzed an entire river basin, but rather focused on study areas at subbasin or regional scale. In addition, it was found that transboundary river basins remained understudied and that studies largely focused on selected riparian countries. Moreover, the analysis of environmental change was generally conducted using a single EO-based land surface variable, whereas a joint exploration of multivariate land surface variables across spheres was found to be rarely performed. To address these research gaps, a methodological framework enabling (1) the preprocessing and harmonization of multi-source time series as well as (2) the statistical analysis of a multivariate feature space was required. For development and testing of a methodological framework that is transferable in space and time, the transboundary river basins Indus, Ganges, Brahmaputra, and Meghna (IGBM) in South Asia were selected as study area, having a size equivalent to around eight times the size of Germany. These basins largely depend on water resources from monsoon rainfall and High Mountain Asia which holds the largest ice mass outside the polar regions. In total, over 1.1 billion people live in this region and in parts largely depend on these water resources which are indispensable for the world's largest connected irrigated croplands and further domestic needs as well. With highly heterogeneous geographical settings, these river basins allow for a detailed analysis of the interplays between multiple spheres, including the anthroposphere, biosphere, cryosphere, hydrosphere, lithosphere, and atmosphere. In this thesis, land surface dynamics over the last two decades (December 2002 - November 2020) were analyzed using EO time series on vegetation condition, surface water area, and snow cover area being based on MODIS imagery, the DLR Global WaterPack and JRC Global Surface Water Layer, as well as the DLR Global SnowPack, respectively. These data were evaluated in combination with further climatic, hydrological, and anthropogenic variables to estimate their influence on the three EO land surface variables. The preprocessing and harmonization of the time series was conducted using the implemented framework. The resulting harmonized feature space was used to quantify and analyze land surface dynamics by means of several statistical time series analysis techniques which were integrated into the framework. In detail, these methods involved (1) the calculation of trends using the Mann-Kendall test in association with the Theil-Sen slope estimator, (2) the estimation of changes in phenological metrics using the Timesat tool, (3) the evaluation of driving variables using the causal discovery approach Peter and Clark Momentary Conditional Independence (PCMCI), and (4) additional correlation tests to analyze the human influence on vegetation condition and surface water area. These analyses were performed at annual and seasonal temporal scale and for diverse spatial units, including grids, river basins and subbasins, land cover and land use classes, as well as elevation-dependent zones. The trend analyses of vegetation condition mostly revealed significant positive trends. Irrigated and rainfed croplands were found to contribute most to these trends. The trend magnitudes were particularly high in arid and semi-arid regions. Considering surface water area, significant positive trends were obtained at annual scale. At grid scale, regional and seasonal clusters with significant negative trends were found as well. Trends for snow cover area mostly remained stable at annual scale, but significant negative trends were observed in parts of the river basins during distinct seasons. Negative trends were also found for the elevation-dependent zones, particularly at high altitudes. Also, retreats in the seasonal duration of snow cover area were found in parts of the river basins. Furthermore, for the first time, the application of the causal discovery algorithm on a multivariate feature space at seasonal temporal scale revealed direct and indirect links between EO land surface variables and respective drivers. In general, vegetation was constrained by water availability, surface water area was largely influenced by river discharge and indirectly by precipitation, and snow cover area was largely controlled by precipitation and temperature with spatial and temporal variations. Additional analyses pointed towards positive human influences on increasing trends in vegetation greenness. The investigation of trends and interplays across spheres provided new and valuable insights into the past state and the evolution of the land surface as well as on relevant climatic and hydrological driving variables. Besides the investigated river basins in South Asia, these findings are of great value also for other river basins and geographical regions. / Die Untersuchung von Erdsystemkomponenten und deren Wechselwirkungen ist von großer Relevanz, um das Prozessverständnis sowie die Auswirkungen des globalen Klimawandels auf die Landoberfläche zu verbessern. In diesem Zusammenhang liefert die Erdbeobachtung (EO) wertvolle Langzeitaufnahmen zu einer Vielzahl an Landoberflächenvariablen. Diese können als Indikator für die Erdsystemkomponenten genutzt werden und sind essenziell für großflächige Analysen. Flusseinzugsgebiete sind besonders geeignet um Landoberflächendynamiken mit multivariaten Zeitreihen zu analysieren, da diese verschiedene Sphären des Erdsystems umfassen. Zur Charakterisierung der Landoberfläche stehen zahlreiche EO-Missionen mit unterschiedlichen Eigenschaften zur Verfügung. Nur einige wenige Missionen gewährleisten jedoch die Erstellung von räumlich und zeitlich konsistenten Zeitreihen mit äquidistanten Beobachtungen über großräumige Untersuchungsgebiete, wie z.B. die MODIS Sensoren. Um bisherige EO-Analysen zu Landoberflächendynamiken in großen Flusseinzugsgebieten zu untersuchen, wurde eine Literaturrecherche durchgeführt, wobei mehrere Forschungslücken identifiziert wurden. Studien untersuchten nur selten ein ganzes Einzugsgebiet, sondern konzentrierten sich lediglich auf Teilgebietsgebiete oder regionale Untersuchungsgebiete. Darüber hinaus wurden transnationale Einzugsgebiete nur unzureichend analysiert, wobei sich die Studien größtenteils auf ausgewählte Anrainerstaaten beschränkten. Auch wurde die Analyse von Umweltveränderungen meistens anhand einer einzigen EO-Landoberflächenvariable durchgeführt, während eine synergetische Untersuchung von sphärenübergreifenden Landoberflächenvariablen kaum unternommen wurde. Um diese Forschungslücken zu adressieren, ist ein methodischer Ansatz notwendig, der (1) die Vorverarbeitung und Harmonisierung von Zeitreihen aus mehreren Quellen und (2) die statistische Analyse eines multivariaten Merkmalsraums ermöglicht. Für die Entwicklung und Anwendung eines methodischen Frameworks, das raum-zeitlich übertragbar ist, wurden die transnationalen Einzugsgebiete Indus, Ganges, Brahmaputra und Meghna (IGBM) in Südasien, deren Größe etwa der achtfachen Fläche von Deutschland entspricht, ausgewählt. Diese Einzugsgebiete hängen weitgehend von den Wasserressourcen des Monsunregens und des Hochgebirges Asiens ab. Insgesamt leben über 1,1 Milliarden Menschen in dieser Region und sind zum Teil in hohem Maße von diesen Wasserressourcen abhängig, die auch für die größten zusammenhängenden bewässerten Anbauflächen der Welt und auch für weitere inländische Bedarfe unerlässlich sind. Aufgrund ihrer sehr heterogenen geographischen Gegebenheiten ermöglichen diese Einzugsgebiete eine detaillierte sphärenübergreifende Analyse der Wechselwirkungen, einschließlich der Anthroposphäre, Biosphäre, Kryosphäre, Hydrosphäre, Lithosphäre und Atmosphäre. In dieser Dissertation wurden Landoberflächendynamiken der letzten zwei Jahrzehnte anhand von EO-Zeitreihen zum Vegetationszustand, zu Oberflächengewässern und zur Schneebedeckung analysiert. Diese basieren auf MODIS-Aufnahmen, dem DLR Global WaterPack und dem JRC Global Surface Water Layer sowie dem DLR Global SnowPack. Diese Zeitreihen wurden in Kombination mit weiteren klimatischen, hydrologischen und anthropogenen Variablen ausgewertet. Die Harmonisierung des multivariaten Merkmalsraumes ermöglichte die Analyse von Landoberflächendynamiken unter Nutzung von statistischen Methoden. Diese Methoden umfassen (1) die Berechnung von Trends mittels des Mann-Kendall und des Theil-Sen Tests, (2) die Berechnung von phänologischen Metriken anhand des Timesat-Tools, (3) die Bewertung von treibenden Variablen unter Nutzung des PCMCI Algorithmus und (4) zusätzliche Korrelationstests zur Analyse des menschlichen Einflusses auf den Vegetationszustand und die Wasseroberfläche. Diese Analysen wurden auf jährlichen und saisonalen Zeitskalen und für verschiedene räumliche Einheiten durchgeführt. Für den Vegetationszustand wurden weitgehend signifikant positive Trends ermittelt. Analysen haben gezeigt, dass landwirtschaftliche Nutzflächen am meisten zu diesen Trends beitragen haben. Besonders hoch waren die Trends in ariden Regionen. Bei Oberflächengewässern wurden auf jährlicher Ebene signifikant positive Trends festgestellt. Auf Pixelebene wurden jedoch sowohl regional als auch saisonal Cluster mit signifikant negativen Trends identifiziert. Die Trends für die Schneebedeckung blieben auf jährlicher Ebene weitgehend stabil, jedoch wurden in Teilen der Einzugsgebiete zu bestimmten Jahreszeiten signifikant negative Trends beobachtet. Die negativen Trends wurden auch für höhenabhängige Zonen festgestellt, insbesondere in hohen Lagen. Außerdem wurden in Teilen der Einzugsgebiete Rückgänge bei der saisonalen Dauer der Schneebedeckung ermittelt. Darüber hinaus ergab die Untersuchung des multivariaten Merkmalsraums auf kausale Zusammenhänge auf saisonaler Ebene erstmals Aufschluss über direkte und indirekte Relationen zwischen EO-Landoberflächenvariablen und den entsprechenden Einflussfaktoren. Zusammengefasst wurde die Vegetation durch die Wasserverfügbarkeit, die Oberflächengewässer durch den Abfluss und indirekt durch den Niederschlag sowie die Schneebedeckung durch Niederschlag und Temperatur mit räumlichen und saisonalen Unterschieden kontrolliert. Zusätzliche Analysen wiesen auf einen positiven Zusammenhang zwischen dem menschlichen Einfluss und den zunehmenden Trends in der Vegetationsfläche hin. Diese sphärenübergreifenden Untersuchungen zu Trends und Wechselwirkungen liefern neue und wertvolle Einblicke in den vergangenen Zustand von Landoberflächendynamiken sowie in die relevanten klimatischen und hydrologischen Einflussfaktoren. Neben den untersuchten Einzugsgebieten in Südasien sind diese Erkenntnisse auch für weitere Einzugsgebiete und geographische Regionen von großer Bedeutung.

The seasonal snow cover in the European Alps plays a crucial role in the region's climate, ecology, and economy. It affects the local climate through its high albedo, protects permafrost, provides habitats, and acts as a water reservoir that feeds European rivers. However, these functions are threatened by climate change. Analyzing snow cover dynamics is essential to predict future developments and assess related ecological and economic impacts. This study explores the potential of long Earth Observation (EO) time series for modeling and predicting the snow line elevation (SLE) in the Alps. Based on approximately 15,000 Landsat satellite images, SLE time series were generated for the years 1985 to 2022. Various univariate forecasting models were evaluated, with the best results achieved by Random Forests, Telescope, and Seasonal ARIMA. A newly developed approach combines the best models into a robust ensemble, achieving an average Nash-Sutcliffe efficiency (NSE) of 0.8 in catchments with strong seasonal signals. Forecasts for 2030 indicate significant upward shifts in the SLE, particularly in the Western and Southern Alps. Given the variability in results, a multivariate modeling approach using climate variables is recommended to improve prediction accuracy. This study lays the groundwork for future models that could potentially project SLE dynamics through the end of the 21st century under various climate scenarios, which is highly relevant for climate policy in the Alpine region. / Die saisonale Schneedecke in den europäischen Alpen spielt eine zentrale Rolle für das Klima, die Ökologie und die Wirtschaft der Region. Sie beeinflusst das lokale Klima durch ihre Albedo, beeinflusst den Permafrost, bildet Lebensräume und fungiert als Wasserspeicher, der große europäische Flüsse speist. Diese Funktionen sind jedoch durch den Klimawandel bedroht. Um zukünftige Entwicklungen der Schneedecke vorherzusagen und die damit verbundenen ökologischen und wirtschaftlichen Auswirkungen abzuschätzen, ist die Analyse vergangener und Prognose zukünftiger Schneedeckendynamiken essenziell. Diese Arbeit untersucht das Potenzial langer Zeitreihen aus der Satellitenfernerkundung (Earth Observation, EO) zur Modellierung und Vorhersage der Schneelinienhöhe (SLE) in den Alpen. Auf Basis von etwa 15.000 Landsat-Satellitenbildern wurden SLE-Zeitreihen für die Jahre 1985 bis 2022 erstellt. Verschiedene univariate Prognosemodelle wurden evaluiert, wobei die besten Ergebnisse mit Random Forests, Telescope und Seasonal ARIMA erzielt wurden. Ein neu entwickelter Ansatz kombiniert die besten Modelle zu einer Ensemble-Prognose und erreicht einen mittleren Nash-Sutcliffe-Effizienz-Wert (NSE) von 0,8 in Einzugsgebieten mit starkem saisonalem Signal. Die Prognosen bis 2030 zeigen signifikante Verschiebungen der SLE in höhere Lagen, besonders in den West- und Südalpen. Angesichts der Varianz in den Ergebnissen wird eine multivariate Modellierung mit Klimavariablen vorgeschlagen, um die Vorhersagegenauigkeit zu verbessern. Diese Ergebnisse legen den Grundstein für zukünftige Ansätze, die SLE-Dynamiken bis zum Ende des 21. Jahrhunderts unter verschiedenen Klimaszenarien auf Basis von EO-Daten projizieren können, was für die Klimapolitik im Alpenraum potenziell von hoher Relevanz ist.