Following the hierarchical nature of forest resource management, the present work focuses on the natural forest cover at various abstraction levels of details, i.e. categorical land use/land cover (LU/LC) level and a continuous empirical estimation of local operational level. As no single sensor presently covers absolutely all the requirements of the entire levels of forest resource assessment, multisource imagery (i.e. RapidEye, TERRA ASTER and LANDSAT TM), in addition to other data and knowledge have been examined. To deal with this structure, an object-based image analysis (OBIA) approach has been assessed in the destabilized Blue Nile region of Sudan as a potential solution to gather the required information for future forest planning and decision making. Moreover, the spatial heterogeneity as well as the rapid changes observed in the region motivates the inspection for more efficient, flexible and accurate methods to update the desired information. An OBIA approach has been proposed as an alternative analysis framework that can mitigate the deficiency associated with the pixel-based approach. In this sense, the study examines the most popular pixel-based maximum likelihood classifier, as an example of the behavior of spectral classifier toward respective data and regional specifics. In contrast, the OBIA approach analyzes remotely sensed data by incorporating expert analyst knowledge and complimentary ancillary data in a way that somehow simulates human intelligence for image interpretation based on the real-world representation of the features. As the segment is the basic processing unit, various combinations of segmentation criteria were tested to separate similar spectral values into groups of relatively homogeneous pixels. At the categorical subtraction level, rules were developed and optimum features were extracted for each particular class. Two methods were allocated (i.e. Rule Based (RB) and Nearest Neighbour (NN) Classifier) to assign segmented objects to their corresponding classes. Moreover, the study attempts to answer the questions whether OBIA is inherently more precise at fine spatial resolution than at coarser resolution, and how both pixel-based and OBIA approaches can be compared regarding relative accuracy in function of spatial resolution. As anticipated, this work emphasizes that the OBIA approach is can be proposed as an advanced solution particulary for high resolution imagery, since the accuracies were improved at the different scales applied compare with those of pixel-based approach. Meanwhile, the results achieved by the two approaches are consistently high at a finer RapidEye spatial resolution, and much significantly enhanced with OBIA. Since the change in LU/LC is rapid and the region is heterogeneous as well as the data vary regarding the date of acquisition and data source, this motivated the implementation of post-classification change detection rather than radiometric transformation methods. Based on thematic LU/LC maps, series of optimized algorithms have been developed to depict the dynamics in LU/LC entities. Therefore, detailed change “from-to” information classes as well as changes statistics were produced. Furthermore, the produced change maps were assessed, which reveals that the accuracy of the change maps is consistently high. Aggregated to the community-level, social survey of household data provides a comprehensive perspective additionally to EO data. The predetermined hot spots of degraded and successfully recovered areas were investigated. Thus, the study utilized a well-designed questionnaire to address the factors affecting land-cover dynamics and the possible solutions based on local community's perception. At the operational structural forest stand level, the rationale for incorporating these analyses are to offer a semi-automatic OBIA metrics estimates from which forest attribute is acquired through automated segmentation algorithms at the level of delineated tree crowns or clusters of crowns. Correlation and regression analyses were applied to identify the relations between a wide range of spectral and textural metrics and the field derived forest attributes. The acquired results from the OBIA framework reveal strong relationships and precise estimates. Furthermore, the best fitted models were cross-validated with an independent set of field samples, which revealed a high degree of precision. An important question is how the spatial resolution and spectral range used affect the quality of the developed model this was also discussed based on the different sensors examined. To conclude, the study reveals that the OBIA has proven capability as an efficient and accurate approach for gaining knowledge about the land features, whether at the operational forest structural attributes or categorical LU/LC level. Moreover, the methodological framework exhibits a potential solution to attain precise facts and figures about the change dynamics and its driving forces. / Da das Waldressourcenmanagement hierarchisch strukturiert ist, beschäftigt sich die vorliegende Arbeit mit der natürlichen Waldbedeckung auf verschiedenen Abstraktionsebenen, das heißt insbesondere mit der Ebene der kategorischen Landnutzung / Landbedeckung (LU/LC) sowie mit der kontinuierlichen empirischen Abschätzung auf lokaler operativer Ebene. Da zurzeit kein Sensor die Anforderungen aller Ebenen der Bewertung von Waldressourcen und von Multisource-Bildmaterialien (d.h. RapidEye, TERRA ASTER und LANDSAT TM) erfüllen kann, wurden zusätzlich andere Formen von Daten und Wissen untersucht und in die Arbeit mit eingebracht. Es wurde eine objekt-basierte Bildanalyse (OBIA) in einer destabilisierten Region des Blauen Nils im Sudan eingesetzt, um nach möglichen Lösungen zu suchen, erforderliche Informationen für die zukünftigen Waldplanung und die Entscheidungsfindung zu sammeln. Außerdem wurden die räumliche Heterogenität, sowie die sehr schnellen Änderungen in der Region untersucht. Dies motiviert nach effizienteren, flexibleren und genaueren Methoden zu suchen, um die gewünschten aktuellen Informationen zu erhalten. Das Konzept von OBIA wurde als Substitution-Analyse-Rahmen vorgeschlagen, um die Mängel vom früheren pixel-basierten Konzept abzumildern. In diesem Sinne untersucht die Studie die beliebtesten Maximum-Likelihood-Klassifikatoren des pixel-basierten Konzeptes als Beispiel für das Verhalten der spektralen Klassifikatoren in dem jeweiligen Datenbereich und der Region. Im Gegensatz dazu analysiert OBIA Fernerkundungsdaten durch den Einbau von Wissen des Analytikers sowie kostenlose Zusatzdaten in einer Art und Weise, die menschliche Intelligenz für die Bildinterpretation als eine reale Darstellung der Funktion simuliert. Als ein Segment einer Basisverarbeitungseinheit wurden verschiedene Kombinationen von Segmentierungskriterien getestet um ähnliche spektrale Werte in Gruppen von relativ homogenen Pixeln zu trennen. An der kategorische Subtraktionsebene wurden Regeln entwickelt und optimale Eigenschaften für jede besondere Klasse extrahiert. Zwei Verfahren (Rule Based (RB) und Nearest Neighbour (NN) Classifier) wurden zugeteilt um die segmentierten Objekte der entsprechenden Klasse zuzuweisen. Außerdem versucht die Studie die Fragen zu beantworten, ob OBIA in feiner räumlicher Auflösung grundsätzlich genauer ist als eine gröbere Auflösung, und wie beide, das pixel-basierte und das OBIA Konzept sich in einer relativen Genauigkeit als eine Funktion der räumlichen Auflösung vergleichen lassen. Diese Arbeit zeigt insbesondere, dass das OBIA Konzept eine fortschrittliche Lösung für die Bildanalyse ist, da die Genauigkeiten - an den verschiedenen Skalen angewandt - im Vergleich mit denen der Pixel-basierten Konzept verbessert wurden. Unterdessen waren die berichteten Ergebnisse der feineren räumlichen Auflösung nicht nur für die beiden Ansätze konsequent hoch, sondern durch das OBIA Konzept deutlich verbessert. Die schnellen Veränderungen und die Heterogenität der Region sowie die unterschiedliche Datenherkunft haben dazu geführt, dass die Umsetzung von Post-Klassifizierungs- Änderungserkennung besser geeignet ist als radiometrische Transformationsmethoden. Basierend auf thematische LU/LC Karten wurden Serien von optimierten Algorithmen entwickelt, um die Dynamik in LU/LC Einheiten darzustellen. Deshalb wurden für Detailänderung "von-bis"-Informationsklassen sowie Veränderungsstatistiken erstellt. Ferner wurden die erzeugten Änderungskarten bewertet, was zeigte, dass die Genauigkeit der Änderungskarten konstant hoch ist. Aggregiert auf die Gemeinde-Ebene bieten Sozialerhebungen der Haushaltsdaten eine umfassende zusätzliche Sichtweise auf die Fernerkundungsdaten. Die vorher festgelegten degradierten und erfolgreich wiederhergestellten Hot Spots wurden untersucht. Die Studie verwendet einen gut gestalteten Fragebogen um Faktoren die die Dynamik der Änderung der Landbedeckung und mögliche Lösungen, die auf der Wahrnehmung der Gemeinden basieren, anzusprechen. Auf der Ebene des operativen strukturellen Waldbestandes wird die Begründung für die Einbeziehung dieser Analysen angegeben um semi-automatische OBIA Metriken zu schätzen, die aus dem Wald-Attribut durch automatisierte Segmentierungsalgorithmen in den Baumkronen abgegrenzt oder Cluster von Kronen Ebenen erworben wird. Korrelations- und Regressionsanalysen wurden angewandt, um die Beziehungen zwischen einer Vielzahl von spektralen und strukturellen Metriken und den aus den Untersuchungsgebieten abgeleiteten Waldattributen zu identifizieren. Die Ergebnisse des OBIA Rahmens zeigen starke Beziehungen und präzise Schätzungen. Die besten Modelle waren mit einem unabhängigen Satz von kreuz-validierten Feldproben ausgestattet, welche hohe Genauigkeiten ergaben. Eine wichtige Frage ist, wie die räumliche Auflösung und die verwendete Bandbreite die Qualität der entwickelten Modelle auch auf der Grundlage der verschiedenen untersuchten Sensoren beeinflussen. Schließlich zeigt die Studie, dass OBIA in der Lage ist, als ein effizienter und genauer Ansatz Kenntnisse über die Landfunktionen zu erlangen, sei es bei operativen Attributen der Waldstruktur oder auch auf der kategorischen LU/LC Ebene. Außerdem zeigt der methodischen Rahmen eine mögliche Lösung um präzise Fakten und Zahlen über die Veränderungsdynamik und ihre Antriebskräfte zu ermitteln.

Following the hierarchical nature of forest resource management, the present work focuses on the natural forest cover at various abstraction levels of details, i.e. categorical land use/land cover (LU/LC) level and a continuous empirical estimation of local operational level. As no single sensor presently covers absolutely all the requirements of the entire levels of forest resource assessment, multisource imagery (i.e. RapidEye, TERRA ASTER and LANDSAT TM), in addition to other data and knowledge have been examined. To deal with this structure, an object-based image analysis (OBIA) approach has been assessed in the destabilized Blue Nile region of Sudan as a potential solution to gather the required information for future forest planning and decision making. Moreover, the spatial heterogeneity as well as the rapid changes observed in the region motivates the inspection for more efficient, flexible and accurate methods to update the desired information. An OBIA approach has been proposed as an alternative analysis framework that can mitigate the deficiency associated with the pixel-based approach. In this sense, the study examines the most popular pixel-based maximum likelihood classifier, as an example of the behavior of spectral classifier toward respective data and regional specifics. In contrast, the OBIA approach analyzes remotely sensed data by incorporating expert analyst knowledge and complimentary ancillary data in a way that somehow simulates human intelligence for image interpretation based on the real-world representation of the features. As the segment is the basic processing unit, various combinations of segmentation criteria were tested to separate similar spectral values into groups of relatively homogeneous pixels. At the categorical subtraction level, rules were developed and optimum features were extracted for each particular class. Two methods were allocated (i.e. Rule Based (RB) and Nearest Neighbour (NN) Classifier) to assign segmented objects to their corresponding classes. Moreover, the study attempts to answer the questions whether OBIA is inherently more precise at fine spatial resolution than at coarser resolution, and how both pixel-based and OBIA approaches can be compared regarding relative accuracy in function of spatial resolution. As anticipated, this work emphasizes that the OBIA approach is can be proposed as an advanced solution particulary for high resolution imagery, since the accuracies were improved at the different scales applied compare with those of pixel-based approach. Meanwhile, the results achieved by the two approaches are consistently high at a finer RapidEye spatial resolution, and much significantly enhanced with OBIA. Since the change in LU/LC is rapid and the region is heterogeneous as well as the data vary regarding the date of acquisition and data source, this motivated the implementation of post-classification change detection rather than radiometric transformation methods. Based on thematic LU/LC maps, series of optimized algorithms have been developed to depict the dynamics in LU/LC entities. Therefore, detailed change “from-to” information classes as well as changes statistics were produced. Furthermore, the produced change maps were assessed, which reveals that the accuracy of the change maps is consistently high. Aggregated to the community-level, social survey of household data provides a comprehensive perspective additionally to EO data. The predetermined hot spots of degraded and successfully recovered areas were investigated. Thus, the study utilized a well-designed questionnaire to address the factors affecting land-cover dynamics and the possible solutions based on local community's perception. At the operational structural forest stand level, the rationale for incorporating these analyses are to offer a semi-automatic OBIA metrics estimates from which forest attribute is acquired through automated segmentation algorithms at the level of delineated tree crowns or clusters of crowns. Correlation and regression analyses were applied to identify the relations between a wide range of spectral and textural metrics and the field derived forest attributes. The acquired results from the OBIA framework reveal strong relationships and precise estimates. Furthermore, the best fitted models were cross-validated with an independent set of field samples, which revealed a high degree of precision. An important question is how the spatial resolution and spectral range used affect the quality of the developed model this was also discussed based on the different sensors examined. To conclude, the study reveals that the OBIA has proven capability as an efficient and accurate approach for gaining knowledge about the land features, whether at the operational forest structural attributes or categorical LU/LC level. Moreover, the methodological framework exhibits a potential solution to attain precise facts and figures about the change dynamics and its driving forces. / Da das Waldressourcenmanagement hierarchisch strukturiert ist, beschäftigt sich die vorliegende Arbeit mit der natürlichen Waldbedeckung auf verschiedenen Abstraktionsebenen, das heißt insbesondere mit der Ebene der kategorischen Landnutzung / Landbedeckung (LU/LC) sowie mit der kontinuierlichen empirischen Abschätzung auf lokaler operativer Ebene. Da zurzeit kein Sensor die Anforderungen aller Ebenen der Bewertung von Waldressourcen und von Multisource-Bildmaterialien (d.h. RapidEye, TERRA ASTER und LANDSAT TM) erfüllen kann, wurden zusätzlich andere Formen von Daten und Wissen untersucht und in die Arbeit mit eingebracht. Es wurde eine objekt-basierte Bildanalyse (OBIA) in einer destabilisierten Region des Blauen Nils im Sudan eingesetzt, um nach möglichen Lösungen zu suchen, erforderliche Informationen für die zukünftigen Waldplanung und die Entscheidungsfindung zu sammeln. Außerdem wurden die räumliche Heterogenität, sowie die sehr schnellen Änderungen in der Region untersucht. Dies motiviert nach effizienteren, flexibleren und genaueren Methoden zu suchen, um die gewünschten aktuellen Informationen zu erhalten. Das Konzept von OBIA wurde als Substitution-Analyse-Rahmen vorgeschlagen, um die Mängel vom früheren pixel-basierten Konzept abzumildern. In diesem Sinne untersucht die Studie die beliebtesten Maximum-Likelihood-Klassifikatoren des pixel-basierten Konzeptes als Beispiel für das Verhalten der spektralen Klassifikatoren in dem jeweiligen Datenbereich und der Region. Im Gegensatz dazu analysiert OBIA Fernerkundungsdaten durch den Einbau von Wissen des Analytikers sowie kostenlose Zusatzdaten in einer Art und Weise, die menschliche Intelligenz für die Bildinterpretation als eine reale Darstellung der Funktion simuliert. Als ein Segment einer Basisverarbeitungseinheit wurden verschiedene Kombinationen von Segmentierungskriterien getestet um ähnliche spektrale Werte in Gruppen von relativ homogenen Pixeln zu trennen. An der kategorische Subtraktionsebene wurden Regeln entwickelt und optimale Eigenschaften für jede besondere Klasse extrahiert. Zwei Verfahren (Rule Based (RB) und Nearest Neighbour (NN) Classifier) wurden zugeteilt um die segmentierten Objekte der entsprechenden Klasse zuzuweisen. Außerdem versucht die Studie die Fragen zu beantworten, ob OBIA in feiner räumlicher Auflösung grundsätzlich genauer ist als eine gröbere Auflösung, und wie beide, das pixel-basierte und das OBIA Konzept sich in einer relativen Genauigkeit als eine Funktion der räumlichen Auflösung vergleichen lassen. Diese Arbeit zeigt insbesondere, dass das OBIA Konzept eine fortschrittliche Lösung für die Bildanalyse ist, da die Genauigkeiten - an den verschiedenen Skalen angewandt - im Vergleich mit denen der Pixel-basierten Konzept verbessert wurden. Unterdessen waren die berichteten Ergebnisse der feineren räumlichen Auflösung nicht nur für die beiden Ansätze konsequent hoch, sondern durch das OBIA Konzept deutlich verbessert. Die schnellen Veränderungen und die Heterogenität der Region sowie die unterschiedliche Datenherkunft haben dazu geführt, dass die Umsetzung von Post-Klassifizierungs- Änderungserkennung besser geeignet ist als radiometrische Transformationsmethoden. Basierend auf thematische LU/LC Karten wurden Serien von optimierten Algorithmen entwickelt, um die Dynamik in LU/LC Einheiten darzustellen. Deshalb wurden für Detailänderung "von-bis"-Informationsklassen sowie Veränderungsstatistiken erstellt. Ferner wurden die erzeugten Änderungskarten bewertet, was zeigte, dass die Genauigkeit der Änderungskarten konstant hoch ist. Aggregiert auf die Gemeinde-Ebene bieten Sozialerhebungen der Haushaltsdaten eine umfassende zusätzliche Sichtweise auf die Fernerkundungsdaten. Die vorher festgelegten degradierten und erfolgreich wiederhergestellten Hot Spots wurden untersucht. Die Studie verwendet einen gut gestalteten Fragebogen um Faktoren die die Dynamik der Änderung der Landbedeckung und mögliche Lösungen, die auf der Wahrnehmung der Gemeinden basieren, anzusprechen. Auf der Ebene des operativen strukturellen Waldbestandes wird die Begründung für die Einbeziehung dieser Analysen angegeben um semi-automatische OBIA Metriken zu schätzen, die aus dem Wald-Attribut durch automatisierte Segmentierungsalgorithmen in den Baumkronen abgegrenzt oder Cluster von Kronen Ebenen erworben wird. Korrelations- und Regressionsanalysen wurden angewandt, um die Beziehungen zwischen einer Vielzahl von spektralen und strukturellen Metriken und den aus den Untersuchungsgebieten abgeleiteten Waldattributen zu identifizieren. Die Ergebnisse des OBIA Rahmens zeigen starke Beziehungen und präzise Schätzungen. Die besten Modelle waren mit einem unabhängigen Satz von kreuz-validierten Feldproben ausgestattet, welche hohe Genauigkeiten ergaben. Eine wichtige Frage ist, wie die räumliche Auflösung und die verwendete Bandbreite die Qualität der entwickelten Modelle auch auf der Grundlage der verschiedenen untersuchten Sensoren beeinflussen. Schließlich zeigt die Studie, dass OBIA in der Lage ist, als ein effizienter und genauer Ansatz Kenntnisse über die Landfunktionen zu erlangen, sei es bei operativen Attributen der Waldstruktur oder auch auf der kategorischen LU/LC Ebene. Außerdem zeigt der methodischen Rahmen eine mögliche Lösung um präzise Fakten und Zahlen über die Veränderungsdynamik und ihre Antriebskräfte zu ermitteln.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research. / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.

This thesis analyses the highly structured and densely populated farmland surrounding Kakamega Forest (western Kenya) in a spatially-explicit manner. The interdisciplinary approach combines methodologies and technologies from different scientific disciplines: remote sensing with OBIA, GIS and spatially explicit modelling (geomatics and geographic science) with socio-economic as well as agro-economic considerations (human and social sciences) as well as cartographic science. Furthermore, the research is related to conservation biology (biological sciences). Based on an in-situ ground truthing and visual image interpretation, very high spatial resolution QuickBird satellite imagery covering 466 km² of farmland was analysed using the concept of object-based image analysis (OBIA). In an integrative workflow, statistical analysis and expert knowledge were combined to develop a sophisticated rule set. The classification result distinguishing 15 LULC classes was used alongside with temporally extrapolated and spatially re-distributed population data as well as socio-/agro-economic factors in order to create a spatially-explicit typology of the farmland and to model scenarios of rural livelihoods. The farmland typology distinguishes ten types of farmland: 3 sugarcane types (covering 48% of the area), 3 tea types (30%), 2 transitional types (15%), 1 steep terrain type (2%), and 1 central type (5%). The scenarios consider different developments of possible future yields and prices for the main agricultural products sugarcane, tea, and maize. Out of all farmland types, the ‘marginal sugarcane type’ is best prepared to cope with future problems. Besides a comparably low population density, a high share of land under cultivation of food crops coupled with a moderate cultivation of cash crops is characteristic for this type. As part of the research conducted, several novel methodologies were introduced. These include a new conceptual framework for categorizing parameter optimization studies, the area fitness rate (AFR) as a novel discrepancy measure, the technique of ‘classification-based nearest neighbour classification’ for classes which are difficult to separate from others, and a novel approach for accessing the accuracy of OBIA classifications. Finally, this thesis makes a number of recommendations and elaborates promising starting points for further scientific research.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion / Die vorliegende Arbeit untersucht räumlich-expliziten das stark strukturierte und dicht besiedelte Agrarland um den Kakamega Wald (Westkenia). Dabei kombiniert der interdisziplinäre Ansatz Methoden und Technologien verschiedener Wissenschaftsbereiche: die Fernerkundung mit der objekt-basierten Bildanalyse (OBIA), GIS und die räumlich-explizite Modellierung (Geoinformatik und Geographie) mit sozio- und agro-ökonomische Aspekten (Human- und Sozialwissenschaft) sowie der Kartographie. Zudem steht die Arbeit in Bezug zum Schutz der biologischen Vielfalt (Biologie). Ausgehend von einer Referenzdatenerfassung vor Ort und einer visuellen Bildinterpretation wurden räumlich sehr hochauflösende QuickBird-Satellitenbilddaten, die 466 km² des Agrarlandes abdecken, mit Hilfe von OBIA ausgewertet. In einem integrativen Ansatz wurden dabei statistische Verfahren und Expertenwissen kombiniert, um einen ausgefeilten Regelsatz zur Klassifizierung zu erzeugen. Das Klassifizierungsergebnis unterscheidet 15 Klassen der Landnutzung bzw. -bedeckung; zusammen mit zeitlich extrapolierten und räumlich neu verteilten Bevölkerungsdaten sowie sozio- und agro-ökonomischen Faktoren ermöglichte es, eine räumlich-explizite Typologie des Agrarlandes zu erstellen und Szenarien zum ländlichen Auskommen zu modellieren. Die Agrarlandtypologie unterscheidet zehn Landtypen: 3 Zuckerrohr-dominierte Typen (48% des Gebietes), 3 Tee-dominierte Typen (30%), 2 Übergangstypen (15%), 1 Typ steilen Geländes (2%) und 1 zentralen Typ (5%). Die Szenarien betrachten mögliche zukünftige Entwicklungen der Erträge und Preise der Hauptanbauarten Zuckerrohr, Tee und Mais. Von allen Agrarlandtypen ist der „marginal Zuckerrohr-dominierte Typ“ am besten gerüstet, um zukünftigen Problemen zu begegnen. Bezeichnend für diesen Typ sind – neben einer vergleichsweise geringen Bevölkerungsdichte – ein hoher Anteil an Nahrungsmittelanbau zusammen mit einem gemäßigten Anbau von exportorientierten Agrarprodukten. Als Teil der Forschungsarbeit werden verschiedene neuartige Methoden vorgestellt, u.a. ein neuer konzeptioneller Rahmen für das Kategorisieren von Studien zur Parameteroptimierung, die „area fitness rate“ (AFR) als neue Messgröße für Flächendiskrepanzen, die klassifikations-basierte Nächster-Nachbar Klassifizierung sowie ein Ansatz zum Bestimmen der Güte von OBIA-Klassifizierungen. Schließlich gibt die Arbeit eine Reihe von Empfehlungen und bietet vielversprechende Ausgangspunkte für weiterführende wissenschaftliche Forschungen.:1. Introduction 2. Geodata and reference data 3. Object-based image analysis (OBIA) 4. Optimization of segmentation parameters 5. Feature selection and threshold determination 6. OBIA classification: rule set development and realisation 7. Classification results 8. Spatial farmland typology 9. Spatially explicit planning scenarios of rural livelihoods 10. Discussion