The use of Normalized Difference Vegetation Index (NDVI) time series over the last decades has increased our understanding of vegetation change dynamics from global to regional scale through quantitative analysis of inter-annual trends in NDVI and climatological parameters (rainfall and temperature). Change in land cover induced by human activities such as livestock grazing and deforestation for large-scale farming (subsistence and mechanized) has influenced the ecological pattern of the Guinea savannah region (GSR) of Nigeria, thereby resulting in loss of biodiversity and changes in vegetation cover. In the context of the GSR of Nigeria where agriculture still plays a major role in people’s economy, it is important to identify the relationship between climatic variables, vegetation productivity and human activities which can be used to understand the on-going transition processes. This study, therefore, examines the spatial and temporal relationship between NDVI and climate parameters, land use land cover change (LULCC) and the perspective of local people on vegetation change dynamics in the study region. In order to do this, bi-monthly NDVI3g time series datasets from Global Inventory Modeling and Mapping Studies (GIMMS), monthly rainfall datasets from Tropical Applications of Meteorology Satellite (TAMSAT), monthly temperature datasets from Climate Research Unit (CRU), national land use land cover (LULC) data of Nigeria from Forestry Management Evaluation & Coordination Unit (FORMECU), global land cover datasets from European Space Agency, Landsat imagery and socio-economic field data collection were used in order to understand vegetation change dynamics across the Guinea savannah regions of Nigeria. Time series analysis (TSA) was applied to both NDVI and climate data used in order to examine the temporal dynamics of vegetation cover change and to detect NDVI-climate relationship during the period from 1983 through 2011. Both parametric and non-parametric statistical models were employed for the assessment of long-term inter-annual trend on the decomposed time series datasets for the whole region (Guinea savannah region) and selected locations. In addition to the TSA, harmonic regression analysis was performed on NDVI and rainfall datasets in order to examine change in seasonality and phyto-phenological characteristics of vegetation. Detection of change in land use and land cover was done by extracting information from existing land cover datasets (ancillary datasets). CLASlite was used for the assessment of the extent of deforestation, while linkage between remotely sensed data and social science was carried out via field surveys based on questionnaires in order to understand the drivers of vegetation change. The study reveals that about 90 % of the Guinea savannah region show positive NDVI trends which indicate greening over time, while about 10 % of the region shows negative trends. This greening trends are closely related to regions where intensive agriculture is being practiced (also along inland valleys) while regions with negative trends show significant loss in woodlands (forest and shrublands) as well as herbaceous vegetation cover due to over-grazing by agro-pastoralism. The result confirms that there is a good relationship (statistically significant positive correlation) between rainfall and NDVI both on intra-annual and inter annual time scale for some selected locations in the study region (> 65 %), while negative statistical correlation exists between NDVI and temperature in the selected locations. This implies that vegetation growth (productivity) in the region is highly dependent on rainfall. The result of the harmonic regression analysis reveals a shift in the seasonal NDVI pattern, indicating an earlier start and a more prolonged growing season in 2011 than in 1983. This study proves significant change in LULC with evidence of an increase in the spatial extent of agricultural land (+ 30 %) and loss of woodlands (- 55 %) between 2000 and 2009 for Kogi State. The results of the socio-economic analysis (people’s perception) highlight that vegetation change dynamics in the study region are the resultant effects of increased anthropogenic activities rather than climatic variability. This study couples data from remote sensing and ground survey (socio-economics) for a better understanding of greening trend phenomena across the Guinea savannah region of Nigeria, thus filling the gap of inadequate information on environmental condition and human perturbation which is essential for proper land use management and vegetation monitoring.

Land use / land cover (LULC) change assessment is getting more consideration by global environmental change studies as land use change is exposing dryland environments for transitions and higher rates of resource depletion. The semiarid regions of northwestern Ethiopia are not different as land use transition is the major problem of the region. However, there is no satisfactory study to quantify the change process of the region up to now. Hence, spatiotemporal change analysis is vital for understanding and identification of major threats and solicit solutions for sustainable management of the ecosystem. LULC change studies focus on understanding the patterns, processes and dynamics of land use transitions and driving forces of change. The change processes in dryland ecosystems can be either seasonal, gradual or abrupt changes of random or systematic change processes that result in a pattern or permanent transition in land use. Identification of these processes of change and their type supports adoption of monitoring options and indicate possible measures to be taken to safeguard this dynamic ecosystem. This study examines the spatiotemporal patterns of LULC change, temporal trends in climate variables and the insights of the communities on change patterns of ecosystems. Landsat imagery, MODIS NDVI, CRU temperature, TAMSAT rainfall and socio-ecological field data were used in order to identify change processes. LULC transformation was monitored using support vector machine (SVM) algorithm. A cross-tabulation matrix assessment was implemented in order to assess the total change of land use categories based on net change and swap change. In addition, the pattern of change was identified based on expected gain and loss under a random process of gain and loss, respectively. Breaks For Additive Seasonal and Trend (BFAST) analysis was employed for determining the time, direction and magnitude of seasonal, abrupt and trend changes within the time series datasets. In addition, Man Kendall test statistic and Sen’s slope estimator were used for assessing long term trends on detrended time series data components. Distributed lag (DL) model was also adopted in order to determine the time lag response of vegetation to the current and past rainfall distribution. Over the study period of 1972- 2014, there is a significant change in LULC as evidenced by a significant increase in size of cropland of about 53% and a net loss of over 61% of woodland area. The period 2000-2014 has shown a sharp increase of cropland and a sharp decline of woodland areas. Proximate causes include agricultural expansion and excessive wood harvesting; and underlying causes of demographic factor, economic factors and policy contributed the most to an overuse of existing natural resources. In both the observed and expected proportion of random process of change and of systematic changes, woodland has shown the highest loss compared to other land use types. The observed transition and expected transition under random process of gain of woodland to cropland is 1.7%, implies that cropland systematically gains to replace woodland. The comparison of the difference between observed and expected loss under random process of loss also showed that when woodland loses cropland systematically replaces it. The assessment of magnitude and time of breakpoints on climate data and NDVI showed different results. Accordingly, NDVI analysis demonstrated the existence of breakpoints that are statistically significant on the seasonal and long term trends. There is a positive trend, but no breakpoints on the long term precipitation data during the study period. The maximum temperature also showed a positive trend with two breakpoints which are not statistically significant. On the other hand, there is no seasonal and trend breakpoints in minimum temperature, though there is an overall positive trend along the study period. The Man-Kendall test statistic for long term average Tmin and Tmax showed significant variation where as there is no significant trend within the long term rainfall distribution. The lag regression between NDVI and precipitation indicated a lag of up to forty days. This proves that the vegetation growth in this area is not primarily determined by the current precipitation rather with the previous forty days rainfall. The combined analysis showed declining vegetation productivity and a loss of vegetation cover that contributed for an easy movement of dust clouds during the dry period of the year. This affects the land condition of the region, resulting in long term degradation of the environment

Aus Beobachtungsdaten der Satellitenmission GRACE (Gravity Recovery and Climate Experiment) können Variationen des Erdschwerefeldes auf großen räumlichen Skalen mit hoher Genauigkeit abgeleitet werden. Die Variationen auf zeitlichen Skalen von mehreren Tagen bis Wochen und räumlichen Skalen von wenigen hundert Kilometern sind insbesondere auf Änderungen der kontinentalen Wassermassen zurückzuführen. Die vorliegende Promotionsarbeit beschäftigt sich mit der Bestimmung hydrologischer Massenvariationen aus GRACE-Daten am Beispiel der vier größten sibirischen Flusseinzugsgebiete Ob, Jenissei, Lena und Kolyma. Darauf aufbauend sollen in Kombination mit atmosphärischen Daten der NCEP-Reanalyse Süßwassereinträge in den Arktischen Ozean abgeleitet werden. Die Süßwassereinträge beeinflussen nachhaltig den Salzgehalt und damit das ozeanographische Regime des Arktischen Ozeans, welcher wiederum einen Einfluss auf die globale thermohaline Zirkulation hat. Da die großen Strömungen des Weltozeans einen grundlegenden Faktor des globalen Klimageschehens darstellen, sind die Änderungen des Süßwassereintrages ein wichtiger Aspekt hinsichtlich prognostizierter Klimatrends. Der Abfluss kann an ausgewählten Messpunkten mit einer hohen zeitlichen Auflösung beobachtet werden. Die Datenreihen weisen jedoch immer wieder Lücken auf und die bodengebundenen Messungen sind oft schwierig und kostenintensiv. Messmethoden, die unabhängig vom Zugang ins Messgebiet sind, können einen großen Fortschritt bei der Beobachtung sich ändernder Massen und Süßwasserflüsse leisten und damit einen Beitrag für ein besseres Verständnis gekoppelter komplexer Prozesse der Arktis liefern. Da die Fehlerstruktur der GRACE-Daten komplex und bis heute nicht vollständig verstanden ist, erfolgt zunächst eine Untersuchung des GRACE-Fehlerhaushaltes. Zudem werden die Fehlereffekte aufgrund des begrenzten räumlichen Spektrums und damit einhergehender Leck-Effekte auf Ebene von Gebietsmittelwerten analysiert und Lösungsvorschläge diskutiert. Dabei sind folgende Aspekte von Bedeutung: Erweiterung der GRACE-Datenreihe um geeigente Terme ersten Grades und Abschätzung von Leck-Effekten, verursacht durch das begrenzte Spektrum der Kugelfunktionsentwicklung. Leck-Effekte aufgrund ozeanischer Signalanteile sind bzgl. der Einzugsgebiete sibirischer Flusssysteme klein (< 1%), wohingegen Leck-Effekte aufgrund kontinentaler Signalanteile je nach Gebietsgröße relative Fehler von 8-17% nach sich ziehen. Die größten Fehlereffekte resultieren jedoch aus den Koeffizienten hoher Grade. Die Filterung der GRACE-Daten ermöglicht die Glättung fehlerbehafterer Signalanteile. Neben den in der Literatur gängigen Filtern wurde im Rahmen der Arbeit ein Kombinationsfilter entwickelt, welches auf Basis von räumlichen Vorinformationen aus Hydrologiemodellen signifikante Signalstrukturen in den GRACE-Datenreihen detektiert. Somit muss lediglich ein Restsignal mittels Filterung gedämpft werden. Mit dem Kombinationsfilter können sowohl feinere Signalstrukturen als auch größere Signalamplituden auf Land erhalten werden. Im Vergleich zu reinen Filteranwendungen werden hier Gesamtsignalstärke, Amplitude und Phase des jährlichen Signals gut repräsentiert. Darauf aufbauend lassen sich, in Kombination mit atmosphärischen Daten, Abflüsse für die sibirischen Flusssysteme aus GRACE-Wasserspeichervariationen ableiten. Die Validierung der berechneten Abflüsse anhand beobachteter Abflüsse zeigt eine hohe Übereinstimmung von bis zu 83%. Eine Gegenüberstellung des berechneten Abflusses der Lena mit Wasserstandsmessungen im Mündungsbereich zeigt zudem einen Zusammenhang zwischen dem maximalen Abfluss im Frühjahr und einer Zunahme des Wasserstandes in der Laptewsee. / The satellite mission GRACE (Gravity Recovery and Climate Experiment) observes the earth's gravity field on temporal scales of a few days to several weeks and spatial scales of a few hundred kilometers with high accuracy. A large part of the variations of the gravity field originate from hydrological mass changes on the continents. The dissertation discusses the determination of hydrological mass variations from GRACE for the Siberian water systems of the rivers Ob, Yenisey, Lena and Kolyma. The mass variations from GRACE data are combined with atmospheric data of the NCEP reanalysis to calculate the freshwater fluxes in the Arctic Ocean. The freshwater fluxes strongly influences the salinity and the oceanographic regime of the Arctic Ocean. In turn, the Arctic Ocean controls the global thermohaline circulation which is very important for the global climate. Because these large currents of the ocean influence the global climate, the changes of the freshwater fluxes in the Arctic Ocean are an important factor for the global climate change. The runoff can be measured pointwise with high temporal resolution, but measurements in the high latitudes are difficulty and expensive. Independent methods to measure the mass changes in the Arctic can help to determine the freshwater fluxes on large spatial scales, and contribute to understand the coupled and complex processes of the Arctic. Until present, the complex error structure of the GRACE data are not fully understand. The dissertation examines the errors and analysizes the leakage caused by the limited spectrum of the Stokes coefficients. A proposal for a solution will be discussed. The following steps are important: Expanding the GRACE data with adequate terms of degree one; Valuation of leakage errors because of the limited spectrum. Leakage due to oceanographic signals of the Arctic Ocean are small (< 1%). Leakage errors due to signals on land produces relative errors of basin averages of 8-17%. Beyond that, the largest errors are caused by the coefficients of higher degree. Filtering is an effective method to damp the error signals. In addition to the common filters described in the literature, a filter method, called composite filter, was created. Significant structures from hydrological models can be deteceted in the GRACE data without any other filtering. Only the residual signals should be filtered by using one of the common filters. In comparison to the common filters, the composite filter represents the signal strength, the signal structures, the amplitude and the phase of the saisonal signal on the continents much better. Combining hydrological mass variations from GRACE data with atmospheric data (for example the NCEP reanalysis) the runoff of the four Siberian river systems can be calculated. The validation of the calculated runoff using observations leads to a good agreement (83% for Yenisey and Lena). Furthermore, it is possible to combine the runoff of a river system with measurements of water level and salinity in the Arctic Ocean. The high runoff of the Lena river system in spring is visible in the water level changes in the Laptev sea.

Forest-cover in the tropics is changing rapidly due to indiscriminate removal of timber from many localities. The main focus of the study is to develop an operational tool for monitoring biomass and carbon pool of tropical forest ecosystems. The method was applied to a test site of Bangladesh. The research used Landsat ETM+, Landsat TM and IRS pan images of 2001, 1992 and 1999 respectively. Geometrically corrected Landsat ETM+ imagery was obtained from USGS and adjusted to the field using GPS. Historical images were corrected using image-to-image registration. Atmospheric correction was done by modified dark object subtraction method. Stratified sampling design based on the remote sensing image was applied for assessing the above-ground biomass and carbon content of the study area. Field sampling was done during 2002-2003. Dbh and height of all the trees inside the sample plots were measured. Field measurement was finally converted to carbon content using allometric relations. Three different methods: stratification, regression and k-nearest neighbors were tested for combining remote sensing image information and field-based terrestrial carbon pool. Additional field sampling was conducted during 2003-2004 for testing the accuracy. Finally regression method was selected. The amount of carbon released and sequestrated from the ecosystem was estimated. The application of the developed method would be quite useful for understating the terrestrial carbon dynamics and global climate change.

Multi-temporal remotely sensed data (MSS, TM and ETM+)were used for monitoring and mapping the desertification processes in North Kordofan State, Sudan.A liear mixture model (LMM) was adopted to analyse and the desertification proccesses by using the image endmembers. interpretation of ancillary data and field observation was adopted to verfiy the role of human impacts in the temporal changes in the study area. The findings of the study proved the powerfull of remotely sensed data in monitoring and mapping the desertification processes and come out with valuable recommendations which could contribute positively in reducing desert encroachment in the area.

Hydrological modelling is a powerful tool for hydrologists and engineers involved in the planning and development of integrated approach for the management of water resources. With the recent advent of computational power and the growing availability of spatial data, RS and GIS technologies can augment to a great extent the conventional methods used in rainfall runoff studies; it is possible to accurately describe watershed characteristics in particularly when determining runoff response to rainfall input. The main objective of this study is to apply the potential of spaceborne SAR data for soil moisture retrieval in order to improve the spatial input parameters required for hydrological modelling. For the spatial database creation, high resolution 2 m aerial laser scanning Digital Terrain Model (DTM), soil map, and landuse map were used. Rainfall records were transformed into a runoff through hydrological parameterisation of the watershed and the river network using HEC-HMS software for rainfall runoff simulation. The Soil Conservation Services Curve Number (SCS-CN) and Soil Moisture Accounting (SMA) loss methods were selected to calculate the infiltration losses. In microwave remote sensing, the study of how the microwave interacts with the earth terrain has always been interesting in interpreting the satellite SAR images. In this research soil moisture was derived from two different types of Spaceborne SAR data; TerraSAR-X and ALOS PALSAR (L band). The developed integrated hydrological model was applied to the test site of the Gottleuba Catchment area which covers approximately 400 sqkm, located south of Pirna (Saxony, Germany). To validate the model historical precipitation data of the past ten years were performed. The validated model was further optimized using the extracted soil moisture from SAR data. The simulation results showed a reasonable match between the simulated and the observed hydrographs. Quantitatively the study concluded that based on SAR data, the model could be used as an expeditious tool of soil moisture mapping which required for hydrological modelling.

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.

Habitat variation is considered as an expression of biodiversity at landscape level in addition to genetic variation and species variation. Thus, effective methods for measuring habitat pattern at landscape level can be used to evaluate the status of biological conservation. However, the commonly used model (i.e. patch-corridor-matrix) for spatial pattern analysis has deficiencies. This model assumes discrete structures within the landscape without explicit consideration of “transitional zones” or “gradients” between patches. The transitional zones, often called “ecotones”, are dynamic and have a profound influence on adjacent ecosystems. Besides, this model takes landscape as a flat surface without consideration of the third spatial dimension (elevation). This will underestimate the patches’ size and perimeter as well as distances between patches especially in mountainous regions. Thus, the mosaic model needs to be adapted for more realistic and more precise representation of habitat pattern regarding to biodiversity assessment. Another part of information that has often been ignored is “small biotopes” inside patches (e.g. hedgerows, tree rows, copse, and scattered trees), which leads to within-patch heterogeneity being underestimated. The present work originates from the integration of the third spatial dimension in land-cover classification and landscape structure analysis. From the aspect of data processing, an integrated approach of Object-Based Image Analysis (OBIA) and Pixel-Based Image Analysis (PBIA) is developed and applied on multi-source data set (RapidEye images and Lidar data). At first, a general OBIA procedure is developed according to spectral object features based on RapidEye images for producing land-cover maps. Then, based on the classified maps, pixel-based algorithms are designed for detection of the small biotopes and ecotones using a Normalized Digital Surface Model (NDSM) which is derived from Lidar data. For describing habitat pattern under three-dimensional condition, several 3D-metrics (measuring e.g. landscape diversity, fragmentation/connectivity, and contrast) are proposed with spatial consideration of the ecological functions of small biotopes and ecotones. The proposed methodology is applied in two real-world examples in Germany and China. The results are twofold. First, it shows that the integrated approach of object-based and pixel-based image processing is effective for land-cover classification on different spatial scales. The overall classification accuracies of the main land-cover maps are 92 % in the German test site and 87 % in the Chinese test site. The developed Red Edge Vegetation Index (REVI) which is calculated from RapidEye images has been proved more efficient than the traditionally used Normalized Differenced Vegetation Index (NDVI) for vegetation classification, especially for the extraction of the forest mask. Using NDSM data, the third dimension is helpful for the identification of small biotopes and height gradient on forest boundary. The pixel-based algorithm so-called “buffering and shrinking” is developed for the detection of tree rows and ecotones on forest/field boundary. As a result the accuracy of detecting small biotopes is 80 % and four different types of ecotones are detected in the test site. Second, applications of 3D-metrics in two varied test sites show the frequently-used landscape diversity indices (i.e. Shannon’s diversity (SHDI) and Simpson’s diversity (SIDI)) are not sufficient for describing the habitats diversity, as they quantify only the habitats composition without consideration on habitats spatial distribution. The modified 3D-version of Effective Mesh Size (MESH) that takes ecotones into account leads to a realistic quantification of habitat fragmentation. In addition, two elevation-based contrast indices (i.e. Area-Weighted Edge Contrast (AWEC) and Total Edge Contrast Index (TECI)) are used as supplement to fragmentation metrics. Both ecotones and small biotopes are incorporated into the contrast metrics to take into account their edge effect in habitat pattern. This can be considered as a further step after fragmentation analysis with additional consideration of the edge permeability in the landscape structure analysis. Furthermore, a vector-based algorithm called “multi-buffer” approach is suggested for analyzing ecological networks based on land-cover maps. It considers small biotopes as stepping stones to establish connections between patches. Then, corresponding metrics (e.g. Effective Connected Mesh Size (ECMS)) are proposed based on the ecological networks. The network analysis shows the response of habitat connectivity to different dispersal distances in a simple way. Those connections through stepping stones act as ecological indicators of the “health” of the system, indicating the interpatch communications among habitats. In summary, it can be stated that habitat diversity is an essential level of biodiversity and methods for quantifying habitat pattern need to be improved and adapted to meet the demands for landscape monitoring and biodiversity conservation. The approaches presented in this work serve as possible methodical solution for fine-scale landscape structure analysis and function as “stepping stones” for further methodical developments to gain more insights into the habitat pattern. / Die Lebensraumvielfalt ist neben der genetischen Vielfalt und der Artenvielfalt eine wesentliche Ebene der Biodiversität. Da diese Ebenen miteinander verknüpft sind, können Methoden zur Messung der Muster von Lebensräumen auf Landschaftsebene erfolgreich angewandt werden, um den Zustand der Biodiversität zu bewerten. Das zur räumlichen Musteranalyse auf Landschaftsebene häufig verwendete Patch-Korridor-Matrix-Modell weist allerdings einige Defizite auf. Dieses Modell geht von diskreten Strukturen in der Landschaft aus, ohne explizite Berücksichtigung von „Übergangszonen“ oder „Gradienten“ zwischen den einzelnen Landschaftselementen („Patches“). Diese Übergangszonen, welche auch als „Ökotone“ bezeichnet werden, sind dynamisch und haben einen starken Einfluss auf benachbarte Ökosysteme. Außerdem wird die Landschaft in diesem Modell als ebene Fläche ohne Berücksichtigung der dritten räumlichen Dimension (Höhe) betrachtet. Das führt dazu, dass die Flächengrößen und Umfänge der Patches sowie Distanzen zwischen den Patches besonders in reliefreichen Regionen unterschätzt werden. Daher muss das Patch-Korridor-Matrix-Modell für eine realistische und präzise Darstellung der Lebensraummuster für die Bewertung der biologischen Vielfalt angepasst werden. Ein weiterer Teil der Informationen, die häufig in Untersuchungen ignoriert werden, sind „Kleinbiotope“ innerhalb größerer Patches (z. B. Feldhecken, Baumreihen, Feldgehölze oder Einzelbäume). Dadurch wird die Heterogenität innerhalb von Patches unterschätzt. Die vorliegende Arbeit basiert auf der Integration der dritten räumlichen Dimension in die Landbedeckungsklassifikation und die Landschaftsstrukturanalyse. Mit Methoden der räumlichen Datenverarbeitung wurde ein integrierter Ansatz von objektbasierter Bildanalyse (OBIA) und pixelbasierter Bildanalyse (PBIA) entwickelt und auf einen Datensatz aus verschiedenen Quellen (RapidEye-Satellitenbilder und Lidar-Daten) angewendet. Dazu wird zunächst ein OBIA-Verfahren für die Ableitung von Hauptlandbedeckungsklassen entsprechend spektraler Objekteigenschaften basierend auf RapidEye-Bilddaten angewandt. Anschließend wurde basierend auf den klassifizierten Karten, ein pixelbasierter Algorithmus für die Erkennung von kleinen Biotopen und Ökotonen mit Hilfe eines normalisierten digitalen Oberflächenmodells (NDSM), welches das aus LIDAR-Daten abgeleitet wurde, entwickelt. Zur Beschreibung der dreidimensionalen Charakteristika der Lebensraummuster unter der räumlichen Betrachtung der ökologischen Funktionen von kleinen Biotopen und Ökotonen, werden mehrere 3D-Maße (z. B. Maße zur landschaftlichen Vielfalt, zur Fragmentierung bzw. Konnektivität und zum Kontrast) vorgeschlagen. Die vorgeschlagene Methodik wird an zwei realen Beispielen in Deutschland und China angewandt. Die Ergebnisse zeigen zweierlei. Erstens zeigt es sich, dass der integrierte Ansatz der objektbasierten und pixelbasierten Bildverarbeitung effektiv für die Landbedeckungsklassifikation auf unterschiedlichen räumlichen Skalen ist. Die Klassifikationsgüte insgesamt für die Hauptlandbedeckungstypen beträgt 92 % im deutschen und 87 % im chinesischen Testgebiet. Der eigens entwickelte Red Edge-Vegetationsindex (REVI), der sich aus RapidEye-Bilddaten berechnen lässt, erwies sich für die Vegetationsklassifizierung als effizienter verglichen mit dem traditionell verwendeten Normalized Differenced Vegetation Index (NDVI), insbesondere für die Gewinnung der Waldmaske. Im Rahmen der Verwendung von NDSM-Daten erwies sich die dritte Dimension als hilfreich für die Identifizierung von kleinen Biotopen und dem Höhengradienten, beispielsweise an der Wald/Feld-Grenze. Für den Nachweis von Baumreihen und Ökotonen an der Wald/Feld-Grenze wurde der sogenannte pixelbasierte Algorithmus „Pufferung und Schrumpfung“ entwickelt. Im Ergebnis konnten kleine Biotope mit einer Genauigkeit von 80 % und vier verschiedene Ökotontypen im Testgebiet detektiert werden. Zweitens zeigen die Ergebnisse der Anwendung der 3D-Maße in den zwei unterschiedlichen Testgebieten, dass die häufig genutzten Landschaftsstrukturmaße Shannon-Diversität (SHDI) und Simpson-Diversität (SIDI) nicht ausreichend für die Beschreibung der Lebensraumvielfalt sind. Sie quantifizieren lediglich die Zusammensetzung der Lebensräume, ohne Berücksichtigung der räumlichen Verteilung und Anordnung. Eine modifizierte 3D-Version der Effektiven Maschenweite (MESH), welche die Ökotone integriert, führt zu einer realistischen Quantifizierung der Fragmentierung von Lebensräumen. Darüber hinaus wurden zwei höhenbasierte Kontrastindizes, der flächengewichtete Kantenkontrast (AWEC) und der Gesamt-Kantenkontrast Index (TECI), als Ergänzung der Fragmentierungsmaße entwickelt. Sowohl Ökotone als auch Kleinbiotope wurden in den Berechnungen der Kontrastmaße integriert, um deren Randeffekte im Lebensraummuster zu berücksichtigen. Damit kann als ein weiterer Schritt nach der Fragmentierungsanalyse die Randdurchlässigkeit zusätzlich in die Landschaftsstrukturanalyse einbezogen werden. Außerdem wird ein vektorbasierter Algorithmus namens „Multi-Puffer“-Ansatz für die Analyse von ökologischen Netzwerken auf Basis von Landbedeckungskarten vorgeschlagen. Er berücksichtigt Kleinbiotope als Trittsteine, um Verbindungen zwischen Patches herzustellen. Weiterhin werden entsprechende Maße, z. B. die Effective Connected Mesh Size (ECMS), für die Analyse der ökologischen Netzwerke vorgeschlagen. Diese zeigen die Auswirkungen unterschiedlicher angenommener Ausbreitungsdistanzen von Organismen bei der Ableitung von Biotopverbundnetzen in einfacher Weise. Diese Verbindungen zwischen Lebensräumen über Trittsteine hinweg dienen als ökologische Indikatoren für den „gesunden Zustand“ des Systems und zeigen die gegenseitigen Verbindungen zwischen den Lebensräumen. Zusammenfassend kann gesagt werden, dass die Vielfalt der Lebensräume eine wesentliche Ebene der Biodiversität ist. Die Methoden zur Quantifizierung der Lebensraummuster müssen verbessert und angepasst werden, um den Anforderungen an ein Landschaftsmonitoring und die Erhaltung der biologischen Vielfalt gerecht zu werden. Die in dieser Arbeit vorgestellten Ansätze dienen als mögliche methodische Lösung für eine feinteilige Landschaftsstrukturanalyse und fungieren als ein „Trittsteine” auf dem Weg zu weiteren methodischen Entwicklungen für einen tieferen Einblick in die Muster von Lebensräumen.

Die Kryosphäre mit ihren großen Eisschilden und Gletschergebieten unterliegt seit einigen Jahrzehnten rasanten Veränderungen, deren Bestimmung überhaupt erst durch satellitengestützte Fernerkundungsmethoden ermöglicht wurde. Insbesondere die dynamischen Ausflussgletscher im Randbereich des Grönländischen Eisschildes verlieren an Eisdicke, ziehen sich zurück und zeigen eine beschleunigte Eisbewegung. Diese Arbeit widmet sich der Erstellung eines modular aufgebauten Monitoring-Systems zur überwiegend automatischen Bestimmung der Fließgeschwindigkeit und der Frontlage von Ausflussgletschern mit Hilfe von Landsat-Aufnahmen. Die frei verfügbaren Satellitendaten der Landsat-Mission sind dafür besonders geeignet, da sie nicht nur einen Beobachtungszeitraum von mehr als 40 Jahren umfassen, sondern nahezu im gesamten Bereich des Grönländischen Eisschildes mit einer hohen zeitlichen Auflösung vorliegen. Durch die Kombination unterschiedlicher Bildzuordnungsverfahren wurden flächendeckende Fließgeschwindigkeitsfelder der Ausflussgletscher bestimmt. Neben einem verbesserten Verfahren zur Ausreißerfilterung in den bestimmten Fließgeschwindigkeitsfeldern wurde ein automatisches Verfahren zur Steigerung der Koregistrierungsgenauigkeit entwickelt. Dies beinhaltet u. a. die Verbesserung der Orthorektifizierung mit Hilfe eines aus ASTER-Daten (Advanced Spaceborne Thermal Emission and Reflection Radiometer) erstellten, hochauflösenden Geländemodells. Die Geschwindigkeitsfelder wurden weiterhin um das den Geschwindigkeitsfeldern überlagerte Streifenmuster korrigiert, das durch die leicht zueinander verschobenen Scanzeilen in den Landsat-7-Aufnahmen ohne Scanzeilenkorrektur verursacht wurde. Neben der Bestimmung von Fließgeschwindigkeitsfeldern wurden zwei Verfahren zur Ableitung von Gletscherfrontlagen entwickelt. Der Fokus lag dabei auf der Bestimmung von Frontlagen in Eisfjorden, in denen Standardverfahren zur Gletscherflächenkartierung nur eingeschränkt nutzbar sind. Das erste Verfahren ermittelt die Gletscherfront anhand der Grauwertverteilung entlang mehrerer paralleler Profile, die im Übergangsbereich zwischen Eisfjord und Gletscherbereich liegen. Aus diesen Frontpositionen kann anschließend das Polygon der Gletscherfront vektorisiert werden. Das zweite Verfahren verfolgt einen Ansatz der überwachten Klassifikation, bei dem mit Hilfe von statistischen Texturmerkmalen die Segmentierung von Gletscherflächen erfolgt. Eine nahezu vollständige Auswertung aller verfügbaren Satellitendaten des Landsat-Archivs wurde für den Randbereich des Grönländischen Eisschildes durchgeführt. Auf einer Fläche von etwa 500000 km² wurden für 302 Gletscher Fließgeschwindigkeitsfelder bestimmt. Die überwiegend im Zeitraum 1999 bis 2012 vorliegenden Geschwindigkeitsfelder besitzen eine räumliche Auflösung von 300m x300m. Für etwa ein Drittel dieser Gletscher wurden über den gesamten Landsat-Missionszeitraum von 1972 bis 2012 zusätzlich auch die zeitlichen Änderungen der Frontlage ermittelt. Aus diesen Ergebnissen lassen sich sowohl der Langzeittrend als auch die saisonalen Variationen der Fließgeschwindigkeit und die Lage der Gletscherfront ableiten. Generell zeigen die Gletscher in Zentralwest-, Nordwest- und Südost-Grönland nicht nur höhere Fließgeschwindigkeiten im Vergleich mit den Gletschern in anderen Regionen Grönlands, sondern weisen oft auch ein deutlich beschleunigtes Fließverhalten auf. Die seit 1999 größten Veränderungen wurden am Jakobshavn Isbræ und am Upernavik Isstrøm im Westen sowie an einem Ausflussgletscher in der Køge Bugt im Südosten Grönlands beobachtet. Diese Gletscher zeigen einen jährlichen Geschwindigkeitsanstieg von mehr als 0,9 m/Tag. Neben den beobachteten Geschwindigkeitsänderungen ist häufig auch eine Variation der Frontlage zu beobachten. Gewöhnlich ist eine Beschleunigung des Gletschers mit einem Frontrückzug verbunden. Darüber hinaus weist ein Großteil der Gletscher eine ausgeprägte saisonale Variabilität ihrer Fließgeschwindigkeit und ihrer Frontlage auf. Die über mehrere Jahrzehnte vorliegende Zeitreihe der bestimmten Fließgeschwindigkeiten ermöglicht im Besonderen die Detektion und die Untersuchung des zeitlichen Verlaufs von Surge-Ereignissen.

Agricultural production is becoming increasingly important as the world demand increases. On the other hand, there are several factors threatening that production such as the climate change. Therefore, monitoring and management of different parameters affecting the production are important. The current study is dedicated to two key parameters, namely agricultural land cover and soil-moisture mapping using X- and L-Band Synthetic Aperture Radar (SAR) data. Land-cover mapping plays an essential role in various applications like irrigation management, yield estimation and subsidy control. A model of multi-direction/multi-distance texture analysis on SAR data and its use for agricultural land cover classification was developed. The model is built and implemented in ESRI ArcGIS software and integrated with “R Environment”. Sets of texture measures can be calculated on a plot basis and stored in an attribute table for further classification. The classification module provides various classification approaches such as support vector machine and artificial neural network, in addition to different feature-selection methods. The model has been tested for a typical Mid-European agricultural and horticultural land use pattern south to the town of Pirna (Saxony/Germany), where the high-resolution SAR data, TerraSAR-X and ALOS/PALSAR (HH/HV) imagery, were used for land-cover mapping. The results indicate that an integrated classification using textural information of SAR data has a high potential for land-cover mapping. Moreover, the multi-dimensional SAR data approach improved the overall accuracy. Soil moisture (SM) is important for various applications such as crop-water management and hydrological modelling. The above-mentioned TerraSAR-X data were utilised for soil-moisture mapping verified by synchronous field measurements. Different speckle-reduction techniques were applied and the most representative filtered image was determined. Then the soil moisture was calculated for the mapped area using the obtained linear regression equations for each corresponding land-cover type. The results proved the efficiency of SAR data in soil-moisture mapping for bare soils and at the early growing stage of fieldcrops. / Landwirtschaftliche Produktion erlangt mit weltweit steigender Nahrungsmittelnachfrage zunehmende Bedeutung. Zahlreiche Faktoren bedrohen die landwirtschaftliche Produktion wie beispielsweise die globale Klimaveränderung einschließlich ihrer indirekten Nebenwirkungen. Somit ist das Monitoring der Produktion selbst und der wesentlichen Produktionsparameter eine zweifelsfrei wichtige Aufgabe. Die vorliegende Studie widmet sich in diesem Kontext zwei Schlüsselinformationen, der Aufnahme landwirtschaftlicher Kulturen und den Bodenfeuchteverhältnissen, jeweils unter Nutzung von Satellitenbilddaten von Radarsensoren mit Synthetischer Apertur, die im X- und L-Band operieren. Landnutzungskartierung spielt eine essentielle Rolle für zahlreiche agrarische Anwendungen; genannt seien hier nur Bewässerungsmaßnahmen, Ernteschätzung und Fördermittelkontrolle. In der vorliegenden Arbeit wurde ein Modell entwickelt, welches auf Grundlage einer Texturanalyse der genannten SAR-Daten für variable Richtungen und Distanzen eine Klassifikation landwirtschaftlicher Nutzungsformen ermöglicht. Das Modell wurde als zusätzliche Funktionalität für die ArcGIS-Software implementiert. Es bindet dabei Klassifikationsverfahren ein, die aus dem Funktionsschatz der Sprache „R“ entnommen sind. Zum Konzept: Ein Bündel von Texturparametern wird durch das vorliegende Programm auf Schlagbasis berechnet und in einer Polygonattributtabelle der landwirtschaftlichen Schläge abgelegt. Auf diese Attributtabelle greift das nachfolgend einzusetzende Klassifikationsmodul zu. Die Software erlaubt nun die Suche nach „aussagekräftigen“ Teilmengen innerhalb des umfangreichen Texturmerkmalsraumes. Im Klassifikationsprozess kann aus verschiedenen Ansätzen gewählt werden. Genannt seien „Support Vector Machine“ und künstliche neuronale Netze. Das Modell wurde für einen typischen mitteleuropäischen Untersuchungsraum mit landwirtschaftlicher und gartenbaulicher Nutzung getestet. Er liegt südlich von Pirna im Freistaat Sachsen. Zum Test lagen für den Untersuchungsraum Daten von TerraSAR-X und ALOS/PALSAR (HH/HV) aus identischen Aufnahmetagen vor. Die Untersuchungen beweisen ein hohes Potenzial der Texturinformation aus hoch aufgelösten SAR-Daten für die landwirtschaftliche Nutzungserkennung. Auch die erhöhte Dimensionalität durch die Kombination von zwei Sensoren erbrachte eine Verbesserung der Klassifikationsgüte. Kenntnisse der Bodenfeuchteverteilung sind u.a. bedeutsam für Bewässerungsanwendungen und hydrologische Modellierung. Die oben genannten SAR-Datensätze wurden auch zur Bodenfeuchteermittlung genutzt. Eine Verifikation wurde durch synchrone Feldmessungen ermöglicht. Initial musste der Radar-typische „Speckle“ in den Bildern durch Filterung verringert werden. Verschiedene Filtertechniken wurden getestet und das beste Resultat genutzt. Die Bodenfeuchtebestimmung erfolgte in Abhängigkeit vom Nutzungstyp über Regressionsanalyse. Auch die Resultate für die Bodenfeuchtebestimmung bewiesen das Nutzpotenzial der genutzten SAR-Daten für offene Ackerböden und Stadien, in denen die Kulturpflanzen noch einen geringen Bedeckungsgrad aufweisen.