Search

Klimawandel und Biodiversitätsverlust sowie Verstädterung und demografischer Wandel haben tiefgreifende Auswirkungen auf Städte und ihre Ökosysteme und damit auf die Lebensbedingungen der Mehrheit der Menschheit. Die Geschwindigkeit des Wandels und die Dringlichkeit der Folgen macht Umweltmonitoring zu einem potentiell interessanten Tool für nachhaltige und resiliente Stadtentwicklung. Der erste Artikel gibt einen Überblick über den aktuellen Stand der Fernerkundung in Bezug auf Stadtökologie und zeigt, dass Fernerkundung relevant für nachhaltige Stadtplanung ist. Es bestehen jedoch bestehen Mängel, da viele Studien nicht direkt umsetzbar sind. Der zweite Artikel zeigt, dass eine wachsende Stadt Möglichkeiten für den Ausbau der grünen Infrastruktur bieten kann. Im dritten Artikel wird untersucht, wie sich die städtische Dichte auf die Bereitstellung von Ökosystemdienstleistungen der grünen Infrastruktur auswirkt. Es wird gezeigt, dass eine hohe Siedlungsdichte nicht zwangsläufig zu einem geringeren Biodiversitätspotenzial oder einer geringeren Kühlkapazität führt. Allerdings sind dicht bebaute Gebiete mit geringer Vegetationsbedeckung besonders auf grüne Infrastruktur angewiesen. Der vierte Artikel befasst sich mit der Frage, wie naturbasierte Lösungen durch eine bessere Vernetzung der Beteiligten gestärkt werden können. Auf der Grundlage einer gezielten Literaturrecherche über Informationstechnologie zur Unterstützung sozial-ökologischer Systeme wird ein Instrument zur Entscheidungshilfe entwickelt. Dieses kombiniert ökologische und soziale Indikatoren, um Klimawandeladaption in Übereinstimmung mit den sozio-ökologischen Bedingungen entwickeln zu können. Der fünfte Artikel bietet eine grundsätzliche Perspektive zur Unterstützung der städtischen Nachhaltigkeit, die auf dem ökologischen-Trait Konzept basiert. Zusammen bieten die fünf Artikel Wege für die Fernerkundungswissenschaft und die angewandte Raumplanung für nachhaltige und resiliente Entwicklungen in Städten. Climate change and biodiversity loss, as well as urbanisation and demographic change, are major global challenges of the 21st century. These trends have profound impacts on cities and their ecosystems and thus on the living conditions of the majority of humanity. This raises the need for timely environmental monitoring supporting sustainable and resilient urban developments. The first article is an overview of the state of the art of remote sensing science in relation to urban ecology. The review found that remote sensing can contribute to sustainable urban policy, still insufficiencies remain as many studies are not directly actionable. The second article shows that a growing city can provide opportunities for an increase in green infrastructure. Here, remote sensing is used for long-term analysis of land-use in relation to urban forms in Berlin. The third article examines how urban density affects ecosystem service provision of urban green infrastructure. It is shown that residential density does not necessarily lead to poor biodiversity potential or cooling capacity. However, dense areas with low vegetation cover are particularly dependent on major green infrastructure. The fourth article explores ways to reinforce nature-based solutions by better connecting and informing stakeholders. Based on a focussed literature review on information technology supporting urban social-ecological systems, a decision support tool is developed. The tool combines indicators based on ecological diversity and performance with population density and vulnerability. This way, climate change adaptation can be developed in accordance with socio-ecological conditions. The concluding fifth article offers an outlook on a larger framework in support of urban sustainability, based on the ecological trait concept. Together the five research papers provide pathways for urban remote sensing science and applied spatial planning that can support sustainable and resilient developments in cities.

Dieses Handbuch wurde speziell entwickelt, um den Naturschutz zu unterstützen und dabei zu helfen, die wachsenden Monitoringaufgaben effektiver und kosteneffizienter zu gestalten. Der Einsatz von Drohnen kann in vielfältiger Weise dazu beitragen, die Effektivität von Monitoring zu steigern, Kosten zu senken und Störungen zu minimieren.Denn nur wenn wir innovativere Methoden zur Datenerhebung nutzen, können wir den Herausforderungen einer immer schnelllebigeren Welt begegnen und die steigenden Anforderungen erfüllen. Dabei richtet sich das Handbuch nicht nur an Behörden, sondern auch an Unternehmen wie Planungsbüros und freiberufliche Feldökologen, die mit der Bewahrung unserer Umwelt betraut sind.

Der Amazonas befindet sich im Wandel. Seine Regenwälder sind zunehmend durch die expandierende Landwirtschaft bedroht. Brandrodungen und die meist extensive Weidewirtschaft verantworten großflächige Ökosystemschäden und hohe Treibhausgasemissionen. Erdbeobachtungssysteme wie die Landsat und Sentinel-2 Satelliten ermöglichen eine großflächige Analyse dieser Entwicklungen und sind unerlässlich zur Evaluierung von Maßnahmen zum Schutze des Amazonas. Allerdings sind in den Kerntropen Fernerkundungsanalysen aufgrund des Bewölkungsgrades sehr herausfordernd. Diese Arbeit zielt daher auf eine verbesserte Erkennung landwirtschaftlicher Prozesse, wie sie an Entwaldungsfronten und speziell in der Region Novo Progresso, Pará, Brasilien, typisch sind. Dazu wurde zunächst der EO Time Series Explorer entwickelt, um verschiedene Dimensionen dichter Multisensorzeitserien interaktiv zur Erstellung von Referenzdaten in Wert zu setzen. Mit den Clear Observation Sequences (COS) wurde darauf basierend ein neuer Ansatz zur Erfassung hoch-dynamischer landwirtschaftlicher Prozesse entwickelt, etwa Feuer mit geringer Brandlast oder Bodenbearbeitungsmaßnahmen. Darauf aufbauend wurde schließlich der Landnutzungswandel in der Region Novo Progresso zwischen 2014 und 2020 untersucht. Die Ergebnisse zeigen einen alarmierenden Anstieg der Entwaldung und eine Zunahme landwirtschaftlicher Feuer seit der Präsidentschaft von Jair Bolsonaro. Differenziert nach Landnutzungszonen und Betriebsgrößen wird deutlich, dass Schutzgebiete weniger wirksam sind und insbesondere größere Landwirtschaftsbetriebe die Entwaldung vorantreiben. Diese Arbeit zeigt den hohen Wert einer synergetischen Nutzung unterschiedlicher Satellitenzeitserien für die fernerkundliche Analyse landwirtschaftlicher Prozesse. Eine weitere Verdichtung der Zeitserien mit räumlich und spektral höherauflösenden Sensoren bietet weiteres Verbesserungspotential bei der Beschreibung landwirtschaftlicher Dynamiken., The Amazon is in transition, and its rainforests are increasingly threatened by agricultural expansion. A slash-and-burn agriculture and mostly extensive cattle grazing are responsible for large-scale ecosystem damage and high levels of greenhouse gas emission. Earth observation systems such as the Landsat and Sentinel-2 satellites enable large-scale analysis of these developments and are essential for evaluating measures to protect the Amazon. However, cloud cover makes remote sensing analysis challenging in the core tropics. The present work aims to improve the detection of agricultural processes typical of deforestation frontiers, focusing specifically on the Novo Progresso region, Pará, Brazil. To that end, the EO Time Series Explorer was developed to interactively visualize the different dimensions of dense multi-sensor time series and to create reference data. Based on this software tool, the Clear Observation Sequences (COS) approach was developed to capture highly dynamic agricultural processes such as low-load fires or tillage operations. Finally, the investigation of land-use changes in the Novo Progresso region between 2014 and 2020 shows an alarming increase in deforestation and agricultural fires since Jair Bolsonaro’s accession to the presidency. Analysis by land-use zone and property size shows that protected areas have become less effective and that larger properties are driving deforestation. This work demonstrates the value of synergistic use of satellite time series for remote sensing analysis of agricultural processes. Further densification of time series using higher spatial and spectral resolution sensors promises to further improve the description of agricultural dynamics.

Earth observation satellite data acquired in recent years and decades provide an ideal data basis for accurate long-term monitoring and mapping of the Earth's surface and atmosphere. However, the vast diversity of different sensor characteristics often prevents synergetic use. Hence, there is an urgent need to combine heterogeneous multi-sensor data to generate geometrically and spectrally harmonized time series of analysis-ready satellite data. This dissertation provides a mainly methodical contribution by presenting two newly developed, open-source algorithms for sensor fusion, which are both thoroughly evaluated as well as tested and validated in practical applications. AROSICS, a novel algorithm for multi-sensor image co-registration and geometric harmonization, provides a robust and automated detection and correction of positional shifts and aligns the data to a common coordinate grid. The second algorithm, SpecHomo, was developed to unify differing spectral sensor characteristics. It relies on separate material-specific regressors for different land cover classes enabling higher transformation accuracies and the estimation of unilaterally missing spectral bands. Based on these algorithms, a third study investigated the added value of synthesized red edge bands and the use of dense time series, enabled by sensor fusion, for the estimation of burn severity and mapping of fire damage from Landsat. The results illustrate the effectiveness of the developed algorithms to reduce multi-sensor, multi-temporal data inconsistencies and demonstrate the added value of geometric and spectral harmonization for subsequent products. Synthesized red edge information has proven valuable when retrieving vegetation-related parameters such as burn severity. Moreover, using sensor fusion for combining multi-sensor time series was shown to offer great potential for more accurate monitoring and mapping of quickly evolving environmental processes. Die in den letzten Jahrzehnten aufgenommenen Satellitenbilder zur Erdbeobachtung bieten eine ideale Grundlage für eine genaue Langzeitüberwachung und Kartierung der Erdoberfläche und Atmosphäre. Unterschiedliche Sensoreigenschaften verhindern jedoch oft eine synergetische Nutzung. Daher besteht ein dringender Bedarf heterogene Multisensordaten zu kombinieren und als geometrisch und spektral harmonisierte Zeitreihen nutzbar zu machen. Diese Dissertation liefert einen vorwiegend methodischen Beitrag und stellt zwei neu entwickelte Open-Source-Algorithmen zur Sensorfusion vor, die gründlich evaluiert, getestet und validiert werden. AROSICS, ein neuer Algorithmus zur Co-Registrierung und geometrischen Harmonisierung von Multisensor-Daten, ermöglicht eine robuste und automatische Erkennung und Korrektur von Lageverschiebungen und richtet die Daten an einem gemeinsamen Koordinatengitter aus. Der zweite Algorithmus, SpecHomo, wurde entwickelt, um unterschiedliche spektrale Sensorcharakteristika zu vereinheitlichen. Auf Basis von materialspezifischen Regressoren für verschiedene Landbedeckungsklassen ermöglicht er nicht nur höhere Transformationsgenauigkeiten, sondern auch die Abschätzung einseitig fehlender Spektralbänder. Darauf aufbauend wurde in einer dritten Studie untersucht, inwieweit sich die Abschätzung von Brandschäden aus Landsat mittels synthetischer Red-Edge-Bänder und der Verwendung dichter Zeitreihen, ermöglicht durch Sensorfusion, verbessern lässt. Die Ergebnisse zeigen die Effektivität der entwickelten Algorithmen zur Verringerung von Inkonsistenzen bei Multisensor- und Multitemporaldaten sowie den Mehrwert einer geometrischen und spektralen Harmonisierung für nachfolgende Produkte. Synthetische Red-Edge-Bänder erwiesen sich als wertvoll bei der Abschätzung vegetationsbezogener Parameter wie z. B. Brandschweregraden. Zudem zeigt die Arbeit das große Potenzial zur genaueren Überwachung und Kartierung von sich schnell entwickelnden Umweltprozessen, das sich aus einer Sensorfusion ergibt.

In this thesis the simple, contact-free speckle-analysis is investigated for its application in photoacoustic detection. First, a simulation model is created which theoretically confirms the detectability of photoacoustic surface deformations by speckle-analysis. Subsequently, the feasibility of contact-free detection is demonstrated by experiments on phantoms and ex-vivo tissue using a high-speed camera system. For these measurements multiple speckles are analyzed and within these experiments the endoscopic applicability of the technique by using an imaging fiber bundle is demonstrated. In order to speed up the acquisition of speckles, the high-speed camera system is replaced by a diode-based sensor of lower resolution. With this faster system the feasibility of contact-free photoacoustic detection and its automation by single speckle-analysis is experimentally demonstrated. Both used analysis techniques are compared based on their characteristics such as sensitivity, measuring range, linearity and measuring depth. Furthermore, investigations on ex-vivo tissue are used to show that the speckle wavelength is a crucial parameter for the quality of a speckle pattern and speckle-analysis. Finally, the possibility of photoacoustic imaging for speckle-analysis is demonstrated by testing a reconstruction approach by simulations and by a first experiment., In dieser Arbeit wird die kontaktfreie Speckleanalyse, für ihre Anwendung zur photoakustischen Detektion untersucht. Zuerst wird ein Simulationsmodell erstellt, das die Erfassbarkeit von photoakustischen Oberflächendeformationen durch die Speckleanalyse theoretisch bestätigt. Im Anschluss wird die Machbarkeit der kontaktfreien Detektion anhand von Experimenten an Phantomen und ex-vivo Gewebe mit einem Kamerasystem demonstriert. Für diese Messungen werden mehrere Speckles analysiert und im Rahmen dieser Experimente wird die endoskopische Anwendbarkeit der Technik anhand eines Faserbündels gezeigt. Um die Aufnahme der Speckles zu beschleunigen, wird das Kamerasystem durch einen diodenbasierten Sensor niedrigerer Auflösung ersetzt. Mit diesem schnelleren System wird die Machbarkeit der kontaktfreien photoakustischen Detektion und deren Automatisierbarkeit durch die Einzelspeckleanalyse experimentell nachgewiesen. Beide verwendeten Analysetechniken werden auf Basis ihrer Eigenschaften wie Empfindlichkeit, Messbereich, Linearität und Messtiefe verglichen. Weiterhin wird anhand von Untersuchungen an ex-vivo-Gewebe gezeigt, dass die Wellenlänge ein entscheidender Parameter für die Qualität eines Specklemusters und der Speckleanalyse ist. Schließlich wird die Möglichkeit der photoakustischen Bildgebung für die Speckleanalyse demonstriert, indem ein Rekonstruktionsansatz anhand von Simulationen und durch ein erstes Experiment getestet wird., FAU Studien aus dem Maschinenbau; 417

This study proposes an evaluation method using C-band Sentinel-1 synthetic aperture radar (SAR) data to provide evidence of flood characteristic changes after the restoration of a floodplain. A portable, flexible evaluation framework has replicated previous change detection research approaches to analyse a Natural Flood Management (NFM) project on the Sussex Ouse river in southern England, conducted by the Sussex Flow Initiative (SFI), to ascertain how control measures have helped mitigate flood risk. GIS operations were conducted on the mapped results of the change detection procedure to identify how flood area, form and compactness have been affected after the NFM installation restored a floodplain to slow river flow and how these changes relate to the overall aims of the project. Innovative means were employed to verify the change detection methodology by sampling flood records from internet-published drone footage. The overall accuracy achieved using the Change Detection and Thresholding (CDAT) technique was 75%. The use of SAR data provides evidence of how NFM features function during significant flood events, providing a mapped delineation of the actual flood extent. A comprehensive scorecard has been developed to evaluate the positive and negative outcomes of the spatial changes that have manifested in post-restoration floods, in comparison to inundation before the installation. Results from this study have been included in the annual report of the SFI project to demonstrate how key features have attenuated flood waters in accordance with design intentions.

Murgänge treten in allen Gebirgsregionen weltweit als Naturgefahr auf und sind ein wichtiger Faktor für den Sedimenthaushalt hochalpiner Gebiete. Um mögliche Veränderungen der Murdynamik im Klimawandel feststellen zu können, sind lange Zeitreihen notwendig, welche die Muraktivität möglichst vollständig dokumentieren. Solche detaillierten und weit zurückreichenden Murchroniken für ein alpines Einzugsgebiet sind jedoch sehr selten. In dieser Arbeit werden Fernerkundungsmethoden in Kombination mit lichenometrischen Datierungen verwendet, um die Muraktivität im Horlachtal (Tirol) seit dem Ende der Kleinen Eiszeit um 1850 zu analysieren. Verfügbare Luftbildüberflüge (seit 1947) und Daten aus luftgestütztem Laserscanning (seit 2006) werden ausgewertet, um Murgänge im gesamten Untersuchungsgebiet zu detektieren. Um den Zeitraum der zweiten Hälfte des 19. Jahrhunderts und der ersten Hälfte des 20. Jahrhunderts abzudecken, wird eine lokale lichenometrische Referenzkurve für das Horlachtal erstellt, sodass mithilfe der lichenometrischen Datierung auch alte Murablagerungen zeitlich eingeordnet werden können. Insgesamt können durch die Fernerkundungsmethoden 991 Einzelmurereignisse zwischen 1947 und 2022 identifiziert und ausgewertet werden. Die lichenometrischen Messungen ermöglichen zudem die Datierung von 47 Murablagerungen seit ca. 1850. Aus diesen Ergebnissen können muraktive Phasen abgeleitet werden, in denen mindestens ein großes Murereignis stattgefunden haben muss: Um 1850, um 1900, 1930-1942, 1954-1973, 1990-2009 und ab 2022. Weder aus der Murfrequenz noch aus einer zeitlichen Analyse der Murmagnituden lassen sich dabei zu- oder abnehmende Trends in der Muraktivität feststellen. Allerdings zeigen die Ergebnisse starke räumliche Unterschiede der Muraktivität, die vorwiegend aus den unterschiedlichen topographischen Gegebenheiten, den morphometrischen Eigenschaften der hydrologischen Einzugsgebiete und der stark lokalen sommerlichen Gewitterzellen hervorgeht. Um die detektierte Muraktivität mit hydrometeorologischen Auslöseereignissen in Zusammenhang zu bringen, wird in dieser Arbeit eine Auswertung von murauslösenden Starkniederschlagsereignissen angeschlossen. Zu diesem Zweck werden zeitlich und räumlich hochaufgelöste Niederschlagsdaten eines Klimamodells für den Zeitraum 1850 bis 2015 untersucht. Auch hier zeigt sich, dass sich die Anzahl von Starkregenereignissen im Untersuchungszeitraum nicht signifikant ändert, es aber große räumliche Unterschiede gibt. Zusammenfassend betrachtet zeichnen sich einige Zusammenhänge zwischen der detektierten Muraktivität und den Niederschlagsdaten ab. Insgesamt lässt sich feststellen, dass sich die Folgen des Klimawandels nicht signifikant auf die Murdynamik im Horlachtal ausgewirkt haben. Auf Basis der Ergebnisse dieser Arbeit können auch für die kommenden Jahre keine deutlichen Veränderungen der Muraktivität erwartet werden., Debris flows occur in all mountain regions worldwide as a natural hazard and are an important factor for the sediment balance of high alpine areas. In order to be able to determine possible changes in debris flow dynamics under climate change, long time series are necessary that document debris flow activity. However, such detailed and long debris flow records for an alpine catchment are very rare. In this work, remote sensing methods in combination with lichenometric dating are used to analyse debris flow activity in the Horlachtal (Tyrol) since the end of the Little Ice Age around 1850. Available aerial images (since 1947) as well as data generated from airborne laser scanning (since 2006) are evaluated to detect debris flows in the entire study area. In order to cover the period of the second half of the 19th century and the first half of the 20th century, a local lichenometric reference curve is established for the Horlachtal, so that old debris flow deposits can also be dated with the help of lichenometric dating. In total, 991 individual debris flow events between 1947 and 2022 can be identified and evaluated using the remote sensing methods. The lichenometric measurements also allow to date 47 debris flow deposits since about 1850. From these results, highly active debris flow periods can be derived in which at least one major debris flow event must have taken place: Around 1850, around 1900, 1930-1942, 1954-1973, 1990-2009 and from 2022 onwards. Neither the frequency of debris flows nor a temporal analysis of debris flow magnitudes show an increasing or decreasing trend. However, the results show strong spatial differences in debris flow activity, which are mainly due to the different topographic conditions, the morphometric characteristics of the hydrological catchments and the very local summer thunderstorm cells. In order to relate the detected debris flow activity to hydrometeorological triggering events, an evaluation of debris flow triggering heavy precipitation events is included in this thesis. For this purpose, temporally and spatially high-resolution precipitation data from a climate model for the period 1850 to 2015 are examined. Again, the number of heavy rainfall events does not change significantly over the study period, but there are large spatial differences. In summary, some correlations between the detected debris flow activity and the precipitation data emerge. Overall, it can be concluded that the consequences of climate change have not had a significant impact on the debris flow dynamics in the Horlachtal. Based on the results of this work, no significant changes in debris flow activity can be expected for the coming years.

Die städtische Umwelt ist in steter Veränderung, vor allem durch den Bau, aber auch durch die Zerstörung von städtischen Elementen. Die formelle Entwicklung ist ein Prozess mit langen Planungszeiträumen und die bebaute Landschaft wirkt daher statisch. Dagegen unterliegen informelle oder spontane Siedlungen aufgrund ihrer stets unvollendeten städtischen Form einer hohen Dynamik – so wird in der Literatur berichtet. Allerdings sind Dynamik und die morphologischen Merkmale der physischen Transformation in solchen Siedlungen, die städtische Armut morphologisch repräsentieren, auf globaler Ebene bisher kaum mit einer konsistenten Datengrundlage empirisch untersucht worden. Hier setzt die vorliegende Arbeit an. Unter der Annahme, dass die erforschte zeitliche Dynamik in Europa geringer ausfällt, stellt sich die generelle Frage nach einer katalogisierten Erfassung physischer Wohnformen von Armut speziell in Europa. Denn Wohnformen der Armut werden oft ausschließlich mit dem ‚Globalen Süden‘ assoziiert, insbesondere durch die Darstellung von Slums. Tatsächlich ist Europa sogar die Wiege der Begriffe ‚Slum‘ und ‚Ghetto‘, die vor Jahrhunderten zur Beschreibung von Missständen und Unterdrückung auftauchten. Bis heute weist dieser facettenreiche Kontinent eine enorme Vielfalt an physischen Wohnformen der Armut auf, die ihre Wurzeln in unterschiedlichen Politiken, Kulturen, Geschichten und Lebensstilen haben. Um über diese genannten Aspekte Aufschluss zu erlangen, bedarf es u.a. der Bildanalyse durch Satellitenbilder. Diese Arbeit wird daher mittels Fernerkundung bzw. Erdbeobachtung (EO) sowie zusätzlicher Literaturrecherchen und einer empirischen Erhebung erstellt. Um Unsicherheiten konzeptionell und in der Erfassung offenzulegen, ist die Methode der manuellen Bildinterpretation von Armutsgebieten kritisch zu hinterfragen. Das übergeordnete Ziel dieser Arbeit ist eine bessere Wissensbasis über Armut zu schaffen, um Maßnahmen zur Reduzierung von Armut entwickeln zu können. Die Arbeit dient dabei als eine Antwort auf die Nachhaltigkeitsziele der Vereinten Nationen. Es wird Grundlagenforschung betrieben, indem Wissenslücken in der Erdbeobachtung zu physisch-baulichen bzw. morphologischen Erscheinungen von Armut auf Gebäude-Ebene explorativ analysiert werden. Die Arbeit wird in drei Forschungsthemen bzw. Studienteile untergliedert: Ziel des ersten Studienteils ist die globale raumzeitliche Erfassung von Dynamiken durch Anknüpfung an bisherige Kategorisierungen von Armutsgebieten. Die bisherige Wissenslücke soll gefüllt werden, indem über einen Zeitraum von etwa sieben Jahren in 16 dokumentierten Manifestationen städtischer Armut anhand von Erdbeobachtungsdaten eine zeitliche Analyse der bebauten Umwelt durchgeführt wird. Neben einer global verteilten Gebietsauswahl wird die visuelle Bildinterpretation (MVII) unter Verwendung von hochauflösenden optischen Satellitendaten genutzt. Dies geschieht in Kombination mit in-situ- und Google Street View-Bildern zur Ableitung von 3D-Stadtmodellen. Es werden physische Raumstrukturen anhand von sechs räumlichen morphologischen Variablen gemessen: Anzahl, Größe, Höhe, Ausrichtung und Dichte der Gebäude sowie Heterogenität der Bebauung. Diese ‚temporale Analyse‘ zeigt zunächst sowohl inter- als auch intra-urbane Unterschiede. Es lassen sich unterschiedliche, aber generell hohe morphologische Dynamiken zwischen den Untersuchungsgebieten finden. Dies drückt sich in vielfältiger Weise aus: von abgerissenen und rekonstruierten Gebieten bis hin zu solchen, wo Veränderungen innerhalb der gegebenen Strukturen auftreten. Geographisch gesehen resultiert in der Stichprobe eine fortgeschrittene Dynamik, insbesondere in Gebieten des Globalen Südens. Gleichzeitig lässt sich eine hohe räumliche Variabilität der morphologischen Transformationen innerhalb der untersuchten Gebiete beobachten. Trotz dieser teilweise hohen morphologischen Dynamik sind die räumlichen Muster von Gebäudefluchten, Straßen und Freiflächen überwiegend konstant. Diese ersten Ergebnisse deuten auf einen geringen Wandel in Europa hin, weshalb diese europäischen Armutsgebiete im folgenden Studienteil von Grund auf erhoben und kategorisiert werden. Ziel des zweiten Studienteils ist die Erschaffung einer neuen Kategorisierung, speziell für das in der Wissenschaft unterrepräsentierte Europa. Die verschiedenen Formen nicht indizierter Wohnungsmorphologien werden erforscht und kategorisiert, um das bisherige globale wissenschaftliche ontologische Portfolio für Europa zu erweitern. Hinsichtlich dieses zweiten Studienteils bietet eine Literaturrecherche mit mehr als 1.000 gesichteten Artikeln die weitere Grundlage für den folgenden Fokus auf Europa. Auf der Recherche basierend werden mittels der manuellen visuellen Bildinterpretation (engl.: MVII) erneut Satellitendaten zur Erfassung der physischen Morphologien von Wohnformen genutzt. Weiterhin kommen selbst definierte geographische Indikatoren zu Lage, Struktur und formellem Status zum Einsatz. Darüber hinaus werden gesellschaftliche Hintergründe, die durch Begriffe wie ‚Ghetto‘, ‚Wohnwagenpark‘, ‚ethnische Enklave‘ oder ‚Flüchtlingslager‘ beschrieben werden, recherchiert und implementiert. Sie sollen als Erklärungsansatz für Armutsviertel in Europa dienen. Die Stichprobe der europäischen, insgesamt aber unbekannten Grundgesamtheit verdeutlicht eine große Vielfalt an physischen Formen: Es wird für Europa eine neue Kategorisierung von sechs Hauptklassen entwickelt, die von ‚einfachsten Wohnstätten‘ (z. B. Zelten) über ‚behelfsmäßige Unterkünfte ‘ (z. B. Baracken, Container) bis hin zu ‚mehrstöckigen Bauten‘ - als allgemeine Taxonomie der Wohnungsnot in Europa - reicht. Die Untersuchung zeigt verschiedene Wohnformen wie z. B. unterirdische oder mobile Typen, verfallene Wohnungen oder große Wohnsiedlungen, die die Armut im Europa des 21. Jahrhunderts widerspiegeln. Über die Wohnungsmorphologie hinaus werden diese Klassen durch die Struktur und ihren rechtlichen Status beschrieben - entweder als geplante oder als organisch-gewachsene bzw. weiterhin als formelle, informelle oder hybride (halblegale) Formen. Geographisch lassen sich diese ärmlichen Wohnformen sowohl in städtischen als auch in ländlichen Gebieten finden, mit einer Konzentration in Südeuropa. Der Hintergrund bei der Mehrheit der Morphologien betrifft Flüchtlinge, ethnische Minderheiten und sozioökonomisch benachteiligte Menschen - die ‚Unterprivilegierten‘. Ziel des dritten Studienteils ist eine kritische Analyse der Methode. Zur Erfassung all dieser Siedlungen werden heutzutage Satellitenbilder aufgrund der Fortschritte bei den Bildklassifizierungsmethoden meist automatisch ausgewertet. Dennoch spielt die MVII noch immer eine wichtige Rolle, z.B. um Trainingsdaten für Machine-Learning-Algorithmen zu generieren oder für Validierungszwecke. In bestimmten städtischen Umgebungen jedoch, z.B. solchen mit höchster Dichte und struktureller Komplexität, fordern spektrale und textur-basierte Verflechtungen von überlappenden Dachstrukturen den menschlichen Interpreten immer noch heraus, wenn es darum geht einzelne Gebäudestrukturen zu erfassen. Die kognitive Wahrnehmung und die Erfahrung aus der realen Welt sind nach wie vor unumgänglich. Vor diesem Hintergrund zielt die Arbeit methodisch darauf ab, Unsicherheiten speziell bei der Kartierung zu quantifizieren und zu interpretieren. Kartiert werden Dachflächen als ‚Fußabdrücke‘ solcher Gebiete. Der Fokus liegt dabei auf der Übereinstimmung zwischen mehreren Bildinterpreten und welche Aspekte der Wahrnehmung und Elemente der Bildinterpretation die Kartierung beeinflussen. Um letztlich die Methode der MVII als drittes Ziel selbstkritisch zu reflektieren, werden Experimente als sogenannte ‚Unsicherheitsanalyse‘ geschaffen. Dabei digitalisieren zehn Testpersonen bzw. Probanden/Interpreten sechs komplexe Gebiete. Hierdurch werden quantitative Informationen über räumliche Variablen von Gebäuden erzielt, um systematisch die Konsistenz und Kongruenz der Ergebnisse zu überprüfen. Ein zusätzlicher Fragebogen liefert subjektive qualitative Informationen über weitere Schwierigkeiten. Da die Grundlage der hierfür bisher genutzten Kategorisierungen auf der subjektiven Bildinterpretation durch den Menschen beruht, müssen etwaige Unsicherheiten und damit Fehleranfälligkeiten offengelegt werden. Die Experimente zu dieser Unsicherheitsanalyse erfolgen quantifiziert und qualifiziert. Es lassen sich generell große Unterschiede zwischen den Kartierungsergebnissen der Probanden, aber eine hohe Konsistenz der Ergebnisse bei ein und demselben Probanden feststellen. Steigende Abweichungen korrelieren mit einer steigenden baustrukturellen (morphologischen) Komplexität. Ein hoher Grad an Individualität bei den Probanden äußert sich in Aspekten wie z.B. Zeitaufwand beim Kartieren, in-situ Vorkenntnissen oder Vorkenntnissen beim Umgang mit Geographischen Informationssystemen (GIS). Nennenswert ist hierbei, dass die jeweilige Datenquelle das Kartierungsverfahren meist beeinflusst. Mit dieser Studie soll also auch an der Stelle der angewandten Methodik eine weitere Wissenslücke gefüllt werden. Die bisherige Forschung komplexer urbaner Areale unter Nutzung der manuellen Bildinterpretation implementiert oftmals keine Unsicherheitsanalyse oder Quantifizierung von Kartierungsfehlern. Fernerkundungsstudien sollten künftig zur Validierung nicht nur zweifelsfrei auf MVII zurückgreifen können, sondern vielmehr sind Daten und Methoden notwendig, um Unsicherheiten auszuschließen. Zusammenfassend trägt diese Arbeit zur bisher wenig erforschten morphologischen Dynamik von Armutsgebieten bei. Es werden inter- wie auch intra-urbane Unterschiede auf globaler Ebene präsentiert. Dabei sind allgemein hohe morphologische Transformationen zwischen den selektierten Gebieten festzustellen. Die Ergebnisse deuten auf einen grundlegenden Kenntnismangel in Europa hin, weshalb an dieser Stelle angeknüpft wird. Eine über Europa verteilte Stichprobe erlaubt eine neue morphologische Kategorisierung der großen Vielfalt an gefundenen physischen Formen. Die Menge an Gebieten erschließt sich in einer unbekannten Grundgesamtheit. Zur Datenaufbereitung bisheriger Analysen müssen Satellitenbilder manuell interpretiert werden. Das Verfahren birgt Unsicherheiten. Als kritische Selbstreflexion zeigt eine Reihe von Experimenten signifikante Unterschiede zwischen den Ergebnissen der Probanden auf, verdeutlicht jedoch bei ein und derselben Person Beständigkeit., Through construction as well as destruction of urban elements, the morphological manifestation of cities is in constant change. As reported in literature, there is a difference between formal and informal development: Whereas formal planning periods lead to a built landscape that appears static, unfinished informal urban forms reflect high dynamics leading to informal or spontaneous settlements. With respect to data base and scale, these kinds of settlements, which morphologically represent urban poverty, have hardly been subject to empirical studies that analyze their dynamics and morphological characteristics of physical transformation consistently. This is where the present work begins. Assuming that the temporal dynamics explored are less pronounced in Europe, the general question of indexing physical housing forms of poverty arises specifically in Europe. This is because housing forms of poverty are often exclusively associated with the 'Global South', especially through the representation of slums. In fact, Europe is even the cradle of the terms 'slum' and 'ghetto', which emerged centuries ago to describe grievances and oppression. To this day, this multifaceted continent exhibits a tremendous variety of physical housing forms of poverty that have their roots in different histories, cultures, policies and lifestyles. To gain insight into these aforementioned aspects requires, among other things, image analysis through satellite imagery. Therefore, this work is done through remote sensing or Earth Observation (EO) as well as additional literature review and an empirical survey. In order to reveal uncertainties conceptually and in the coverage, the method of manual image interpretation of poverty areas has to be critically questioned. The overall goal of this work is to create a better knowledge base about poverty in order to be able to develop measures to reduce poverty. The work serves as a response to the United Nations Sustainable Development Goals. Basic research is carried out by exploratively analyzing knowledge gaps in Earth observation on physical-structural or morphological manifestations of poverty at the building level. The work is divided into three research themes or study parts: The aim of the first part of the study is to capture global spatiotemporal dynamics by linking to established categorizations of poverty areas. The knowledge gap will be filled by conducting a temporal analysis of the built environment over a period of seven years, in 16 documented manifestations of urban poverty using earth observation data. In addition to a globally distributed area selection, visual image interpretation (MVII) and very high-resolution optical satellite data are used. In order to derive 3D city models, MVII is applied combining in-situ and Google Street View imagery. Six spatial morphological variables are applied: number, size, height, orientation and density of buildings as well as heterogeneity of the built-up pattern. In this way, physical spatial structures are measured. Inter-urban and intra-urban differences are demonstrated in the temporal analysis. Findings show different, yet generally high morphological dynamics across the study areas. The variety comprises demolished and reconstructed areas as well as such, where changes occur within the given structures. Results demonstrate increased dynamics, especially in areas of the Global South. At the intra-urban scale, morphological transformations show a high spatial variability simultaneously. However, in spite of these findings of high dynamics, the spatial patterns are mostly constant, including building alignments, streets and open spaces. These initial results indicate little change in Europe, which is why these European poverty areas are surveyed and categorized from scratch in the following part of the study. The aim of the second part of the study is to create a new categorization, specifically for Europe, which is underrepresented in science. In order to expand the existing global scientific ontological inventory for Europe, different forms of non-indexed residential morphologies are detected and categorized. Regarding this second part of the study, a literature search with more than 1,000 articles reviewed provides the further basis for the following focus on Europe. Based on the research, satellite data are again used by means of manual visual image interpretation (MVII) to obtain the physical morphologies of housing types. Furthermore, self-defined geographical indicators of location, structure and formal status are used. Additionally, social backgrounds described by terms like 'ghetto', 'trailer park', 'ethnic enclave' or 'refugee camp' are researched and implemented. They are intended to serve as an explanatory approach to poverty neighborhoods in Europe. The sample for Europe, however is an overall unknown basic population and illustrates a wide variety of physical forms: A new categorization of six main classes is developed for Europe, ranging from 'simplest dwellings' (e.g., tents) to 'makeshift shelters ' (e.g., shacks, containers) to 'multi-story structures' - as a general taxonomy of housing deprivation in Europe. The study discloses different housing types such as underground or mobile types, dilapidated dwellings or large housing estates that reflect poverty in 21st century Europe. Next to housing morphology, these classes are described by structural settlement patterns and their legal status - either as planned or organic-grown, or further as formal, informal or hybrid (semi-legal) forms. From a geographic point of view, a concentration of these poor housing forms can be found in Southern Europe and all across Europe in urban and rural areas. The societal background of the most morphologies concern the 'underprivileged' who are represented, by refugees, ethnic minorities and socioeconomically disadvantaged people. The aim of the third part of the study is a critical analysis of the method. To capture all these settlements and due to the advances in image classification methods, satellite images are typically analyzed automatically nowadays. Still, MVII is important, e.g., for the purpose of validation or to generate training data for machine learning algorithms. Thus, cognitive perception and real-world experience are still unavoidable. Nevertheless, such urban environments with highest density and structural complexity challenge the human interpreter, when it comes to detecting individual building structures because spectral and texture-based restrictions of overlapping roof structures encounter building delineation. Considering that, the aim of this work is to quantify and interpret uncertainties methodologically specifically in mapping. Roof areas are mapped as 'footprints' of such areas. One focus is the agreement between multiple image interpreters. The other focus explores influences by interpreter perception and different elements of image interpretation. Finally, to reflect self-critically on the method of MVII as a third goal, experiments are created as a so-called 'uncertainty analysis'. In these experiments, ten test persons respectively interpreters map six complex areas and produce quantitative data of spatial variables of buildings. This data allows to assess the consistency and congruence of the results in a systematical way. Additionally, a questionnaire provides subjective qualitative information about further difficulties. Since the basis of the categorizations used for this purpose so far is based on subjective image interpretation by humans, any uncertainties and thus error-proneness have to be revealed. The experiments for this uncertainty analysis are quantified and qualified. On the one hand results show remarkable differences between the mapping results of the interpreters. On the other hand, the results for one and the same interpreter reveal high consistency. Another finding demonstrates a correlation between increasing deviations among interpreters and increasing structural (morphological) complexity of the selected areas. Considering the qualitative responses, aspects such as time spent for mapping, prior in-situ knowledge, or prior knowledge of using Geographic Information Systems (GIS) reveal a high degree of individuality among the interpreters. It is noteworthy that particularly ‘data source’ usually influences the mapping procedure. Thus, this study also aims to fill another knowledge gap at the point of applied methodology. Uncertainty analyses often are neither part of research studies of complex urban areas using MVII, nor quantification of mapping errors. In future, remote sensing studies should not only be able to rely on MVII without doubt for validation, but rather data and methods are needed to rule out uncertainty. In summary, this work contributes to the hitherto little researched morphological dynamics of poverty areas. Inter- as well as intra-urban differences on a global scale are presented. Generally, high morphological transformations between the selected areas can be observed. The results indicate a fundamental lack of knowledge in Europe, which is why this work continues at this point. A sample distributed all across Europe allows a new morphological categorization of the large variety of physical forms found. The number of areas opens up in an unknown basic population. For data preparation of previous analyses, satellite images have to be interpreted manually. The procedure involves uncertainties. As a critical self-reflection, a series of experiments reveal significant differences between interpreters’ results, but illustrates consistency in the same subject.

Urbane Regionen haben aufgrund ihrer physikalischen Eigenschaften signifikanten Einfluss auf Fernerkundungsdaten. Die vorliegende Arbeit beschäftigt sich mit der Untersuchung des Rückstreuverhaltens in urbanen Gebieten und dessen Auswirkungen auf Datensätze des auf den MetOp Satelliten montierten Advanced Scatterometer Sensors mithilfe von hochauflösenden Daten des C-SAR Sensorsystems der Sentinel-1 Satellitenmission. Hierfür wurden in fünf unterschiedlichen Regionen die Datensätze beider Sensorsysteme zeitlich und räumlich angeglichen und ihre Korrelation berechnet. Drei der fünf Sentinel-1 Datensätze eigneten sich für tiefergehende Experimente, die die Eingrenzung vieler verschiedener Einflüsse auf das Rückstreuverhalten inklusive mehrerer Arten von urbanem Wachstum, ermöglichten. Die durchgeführten Experimente und die benutzten Algorithmen ermöglichten keine exakte Quantifizierung des Einflusses von urbanem Wachstum auf die Daten, jedoch war es möglich eine Ausgangsbasis für zukünftige Weiterentwicklungen zu erstellen., Urban areas have a significant effect on different types of datasets collected by remote sensing sensor systems. This thesis reports the investigation of high-resolution datasets derived from the Sentinel-1 C-SAR instrument regarding the effects of urban growth and its influence on the data derived from the Advanced Scatterometer instrument of the MetOp satellite. Datasets of both sensor systems from five different regions were matched and analyzed regarding their correlation. From the Sentinel-1 datasets gradient maps were created which allowed a detailed analysis of fine-scale temporal changes regarding backscatter behaviour. Three of the five Sentinel-1 datasets were suitable for in-depth experiments, which resulted in the isolation of many different kinds of influences on the backscatter data including some kinds of urban growth. With these experiments and the used algorithms an exact quantification of the influence of urban growth on the datasets was not possible but a baseline for further development has been created.

Digitale Gelände-Modelle (DGM) erstellt aus Laserscan-Daten und Daten der Persistent Scatterer Interferometrie (PSI) bieten Datengrundlagen zur Analyse von großflächigen Bodenbewegungen im cm- und mm-Bereich. Es besteht ein Bedarf an geeigneten Verarbeitungs- und Interpretationswerkzeugen für diese Datenquellen, um sie der breiten Öffentlichkeit zur Nutzung zur Verfügung zu stellen. Die dafür notwendigen Arbeiten werden innerhalb des Umwelt 4.0 – Projektes, Cluster I – „Nutzung digitaler Geländemodelle und Copernicus-Daten“, durchgeführt, welches vom Hessischen Landesamt für Naturschutz, Umwelt und Geologie in Kooperation mit der TU Darmstadt durchgeführt und von der Hessischen Ministerin für Digitale Strategie und Entwicklung gefördert wird. Um automatisch Bewegungs-Hot-Spots in Hessen zu detektieren, werden mittels eines erstellten GIS-Tools Gebiete, die detektierbare Setzungen (Geschwindigkeit < - 2 mm/a) oder Hebungen (Geschwindigkeit > 2 mm/a) aufweisen und in denen möglichst viele Persistent Scatterer Bewegungsgeschwindigkeiten aufweisen, ermittelt. Je stärker eine Bodenbewegung ist und je mehr Persistent Scatterer diese Bodenbewegung anzeigen, desto stärker wird dieser Bereich hervorgehoben. Zur Analyse der Bewegungsursachen werden die Zeitreihen mittels Fitting untersucht und des Weiteren mit möglichen Bewegungsursachen der Region verglichen. Um die räumlichen Lücken der Persistent Scatterer Daten in unbebauten Regionen zu füllen, wird an zwei unterschiedlichen Lösungen gearbeitet. Zum einen werden Differenzenkarten aus Digitalen Geländemodellen, die zu unterschiedlichen Zeitpunkten aufgenommen wurden, erstellt. Zum anderen soll das Small Baseline Subset (SBAS)-Verfahren Anwendung finden. Der hier beschriebene Workflow liefert verschiedene Bewegungs-Hot-Spots in Hessen. Anhand von Fallbeispielen werden erste Ergebnisse des Projektes vorgestellt. Die räumliche Fusion der PSI-Daten mit Differenzenkarten und SBAS-Daten ist im weiteren Projektverlauf vorgesehen., Hessische Ministerin für Digitale Strategie und Entwicklung, poster

Hochauflosende Satellitensensoren mit ihrem effizienten weltweiten Aufnahmemöglichkeiten sind eine wertvolle Quelle für Geodatenanwendungen, die eine großflächige Abdeckung und hohe zeitliche Auflösungen erfordern, wie zum Beispiel: die Überwachung von Umweltkatastrophen, Stadtplanung, Veränderungsdetektion, Navigationsunterstützung, Umwelt- und hydrologische Modellierung.Allerdings reicht die alleinige zweidimensionalen Bildinformationen zur Beurteilung unterschiedlicher spezifischer Situationen oft nicht aus. Daher ist eine dreidimensionale Rekonstruktion der abgebildeten Szene erforderlich. Durch die Kombination des 2D-Bildinhalts mit der rekonstruierten 3D-Geometrie kann eine verbesserte Basis für verschiedene Anwendungen erreicht werden. Das führt zu einem besseren Verständnis der beobachteten Szene. Dies ist mit den heutigen hochflexiblen Sensoren möglich, die Satellitenbilder aus mehreren Ansichten über denselben Interessenbereich während eines einzigen Durchgangs aufnehmen können.Während sich viele Forschungsarbeiten mit dem spektralen 2D-Inhalt optischer Satellitenbilder befassen, ist das Thema der 3D-Untersuchungen erheblich kleiner. Angesichts des geringen Forschungstätigkeiten in dieser Richtung zielt diese Arbeit darauf ab, das Wissen über das 3D-Potenzial von hochauflosenden Satellitenbildern zu erhöhen und zu erweitern. Das Ziel dieser Dissertation ist die automatische 3D-Informationsextraktion und Klassifizierung von natürlichen und bebauten Gebieten aus Stereo/Tri-Stereo-Szenen von Pléiades und WorldView-3 Satellitenbildern, um das Potenzial und die Grenzen hervorzuheben und einen tiefen Einblick von hochauflosenden-Sensoren zu erhalten.Die Arbeit der Dissertation fokussiert sowohl auf methodische Entwicklungen als auch auf beschreibende Aspekte zur Verbesserung und zu einem besseren Verständnis des aktuellen Zustands der erreichbaren 3D-Informationen aus hochauflosenden Satellitenbildern. Diese sind insbesondere mit den folgenden wissenschaftlichen Zielen verbunden: (a) 3D-satellitenbasierte Punktwolkenrekonstruktion und Genauigkeitsanalyse von Höhenmodellen; (b) Satellitenbild-Geometriekorrektur basierend auf hochauflosenden Höhenmodellen; (c) Verbesserung der Orthofotoqualität; (d) Analyse der Klassifikationsleistung; und (e) Potenzial für die 3D-Rekonstruktion kleiner, isolierter Objekte. Ein Nebenfokus liegt auf der Beschreibung eines photogrammetrischen Arbeitsablaufs für die 3D-Informationsextraktion aus hochauflosenden Satellitenbildern und auf der Objektsichtbarkeitsanalyse basierend auf den Geometrieerfassungsparametern.Praktische Beispiele für die Extraktion von 3D-Informationen werden in vier unterschiedlichen Gebieten mit unterschiedlichen topografischen Eigenschaften und Landbedeckung analysiert: ländliche, städtische, offene landwirtschaftliche Felder, Grasland, Wälder, und Berggebiete. Die durchgeführten Experimente zeigen vermutliche Vibrationen des Satellitensensors (Jitter-Effekt), die durch die schnelle Drehung von einer Blickrichtung in die andere verursacht werden und von den mitgelieferten rationalen Polynomkoeffizienten (RPC) nicht erfasst werden konnten. Es wird eine neue Methode eingeführt, die die Geometrie von Satellitenbildern basierend auf der Rückprojektion von reale und Referenzhöhen unter Verwendung von Bias-korrigierten RPCs optimiert. Neben Methoden zur Verbesserung der geometrischen Genauigkeit und Qualität von satellitengestützten Höhenmodellen und Orthofotos wurde besonderes Augenmerk auf feinste Details gelegt, die in den photogrammetrisch abgeleiteten Höhenmodellen abgebildet werden können.Indem sie die erreichbare 3D-Informationsextraktion aus Pléiades- und WordView-3 Stereo/Tri-Stereo-Bildern ansprechen, bringen diese Beiträge neue Einblicke in das Forschungsthema und tragen dazu bei, das 3D-Wissenspotenzial von hochauflosenden Satellitenbildern zu erhöhen und zu erweitern., Very High Resolution (VHR) satellite sensors with their efficient worldwide acquisition capabilities are a valuable source for geospatial applications requiring large-scale coverage and high temporal resolutions, such as: disaster monitoring, urban management, change detection, navigation support, environmental and hydrological modelling. However, the purely two-dimensional image information is often not sufficient for assessing different specific situations and therefore a three-dimensional reconstruction of the depicted scene is necessary. By combining the 2D image content with the 3D reconstructed geometry, improved baselines for various applications can be achieved, leading to a better understanding of the observed scene. This is possible with the today’s high agile sensors able to acquire multi-view satellite image collections over the same area of interest during a single pass. While many research papers address the spectral 2D content of optical satellite images, the 3D capability exploration topic is significantly reduced. Given the low amount of research in this direction, the aim of this dissertation is to increase and expand the knowledge regarding the 3D potential of VHR satellite imagery. The focus falls on the automatic 3D information extraction and classification of natural and developed areas from stereo/tri-stereo scenes of VHR satellite images from Pléiades and WorldView-3 in order to highlight and to get a deep insight into the potential and limitations of VHR sensors.The research in this dissertation focuses on both methodology developments and descriptive aspects for improving and better understanding the actual state of the achievable 3D information from VHR satellite imagery, specifically associated with following scientific objectives: (a) 3D satellite-based point cloud reconstruction and accuracy analysis of elevation models; (b) satellite image geometry correction based on high resolution elevation models; (c) orthophoto quality improvement; (d) classification performance analysis; and (e) potential for 3D reconstruction of small, isolated objects. A side focus is also paid on the description of an end-to-end photogrammetric workflow for 3D information extraction from VHR satellite imagery and on object visibility analysis based on satellite image acquisition geometry parameters.Practical examples for 3D information extraction are analysed in four distinct areas with various topographic characteristics and land coverage: rural, urban, open agricultural fields, grasslands, forests, and mountainous areas. Conducted experiments reveal possible vibrations of the satellite sensor (jitter effect), caused by the fast rotation from one viewing direction to another, which could not be captured by the provided Rational Polynomial Coefficients (RPCs). A new method is introduced that optimizes the geometry of satellite images based on the back-projection of actual and reference elevations, by means of bias-corrected RPCs. Besides methods for improving the geometric accuracy and quality of satellite-based elevation models and orthophotos, special attention was accorded to the finest details that can be mapped in the photogrammetrically derived elevation models.By addressing the 3D achievable information extraction from Pléiades and WordView-3 stereo/tri-stereo imagery, these contributions bring new insights to the research topic and can help to increase and expand the knowledge regarding the 3D potential of VHR satellite imagery.

Gletscher sind ein essenzieller Bestandteil des Erdökosystems und sind auch wichtig für das Leben vieler Menschen. Dementsprechend ist eine exakte Kartographierung von Gletschern von hoher Bedeutung – insbesondere aufgrund des zunehmenden Gletscherschwundes. Manuelle Methoden der Abgrenzung von Gletschern sind aber zeitaufwendig und subjektiv, während semi-automatisierte oder automatisierte Methoden noch Schwächen, wie bestimmte Gletschertypen oder Störfaktoren in Bildern, haben. Daher wird in dieser Arbeit ein Verfahren zur automatisierten Gletscherkennung basierend auf einem Convolutional Neural Network vorgeschlagen. Dieses dient der semantischen Segmentierung (pixelweisen Klassifizierung) von Gletschern beruhend auf Satellitenbildern. Das verwendete Modell baut auf der U-Net Architektur auf und es wurden multispektrale Bilder der Sentinel-2 Satelliten von Gletscherregionen im Hindu Kush-Himalaya als Daten herangezogen. Die Masken für die Gletschergrenzen wurden aus der Global Land Ice Measurements from Space (GLIMS) Gletscherdatenbank extrahiert. Das Ziel war es ein weiterverwendbares Verfahren von der Datenvorbereitung, über das Modelltraining, bis hin zur Datennachbearbeitung zu entwickeln. In diesem Kontext wurden neben den allgemeinen Herausforderungen in der Gletscherkartographierung, wie z.B. schuttbedeckte Gletscher oder Wolken in Bildern, auch spezifische Herausforderungen für die Anwendung dieser Methode identifiziert. Diese sind kleine Stichprobengrößen, unausgewogene Daten im Sinne einer ungleichen Verteilung von Gletscher- und Nicht-Gletscherpixeln und ungenaue Label. Zur Verringerung dieser Probleme und Leistungsverbesserung wurden diverse Techniken angewandt (z.B. Datenaugmentierung) und drei U-Net Modelle basierend auf verschiedenen Verlustfunktionen trainiert. Es wurden die binäre Kreuzentropie (Standard), binäre fokale Kreuzentropie und IoU Verlustfunktion verglichen. Das Model, welches mit der binären fokalen Kreuzentropie trainiert wurde, konnte die besten Ergebnisse erzielen. Das Modell funktioniert zwar sehr gut bei einfachen Gletscherelementen (z.B. einfaches Gletschereis, klar erkennbare Ablationszone), zeigt aber noch Schwächen bei verschiedenen Störungen im Bild und komplexeren (z.B. schuttbedeckten) Oberflächen. Daher ist es nicht für die vollautomatische Nutzung ohne manuelle Nachbearbeitung geeignet, kann jedoch weiter trainiert werden, um dieses Ziel zu erreichen. Glaciers are an essential part of the earth's ecosystem and an important factor in many people’s lives. Accordingly, accurate glacier mapping is critical, especially due to increasing glacier retreat. However, manual methods of delineating glaciers are time-consuming and subjective, while semi-automated or automated methods still have weaknesses, such as specific glacier types or interfering elements in images. Therefore, a method for automated glacier detection based on a Convolutional Neural Network is proposed in this thesis. This method is used for the semantic segmentation (pixel-wise classification) of glaciers based on satellite images. The model is based on the U-Net architecture, and multispectral images from the Sentinel-2 satellites of glacier regions in the Hindu Kush-Himalaya were used as data. Glacier boundary masks were extracted from the Global Land Ice Measurements from Space (GLIMS) glacier database. The goal was to develop a reusable procedure from data pre-processing and model training to data post-processing. In this context, specific challenges for applying this method were identified, in addition to the general difficulties in glacier mapping, such as debris-covered glaciers or clouds in images. These are small sample sizes, imbalanced data regarding the uneven distribution of glacier and non-glacier pixels, and noisy labels. Various techniques were applied to reduce these problems and improve performance (e.g., data augmentation), and three U-Net models were trained based on different loss functions. The Binary Cross-Entropy, Binary Focal Cross-Entropy, and IoU loss function were compared. The model trained with the Binary Focal Cross-Entropy achieved the best results. Although the model works very well for simple glacier elements (e.g., simple glacier ice, clearly identifiable ablation zone), it still shows weaknesses for various interferences in the image and for more complex (e.g., debris-covered) surfaces. Therefore, it is unsuitable for fully automated use without manual rework but can be further trained to achieve this goal. Abweichender Titel laut Übersetzung von der:dem Verfasser:in Masterarbeit FH JOANNEUM 2023

Building function classification is a challenging task as it cannot be directly measured. This thesis presents three novel methods using social media and remote sensing data for predicting building functions on a global scale. The methods build upon state-of-the-art machine learning models that are trained and evaluated on culturally diverse datasets. All resulting models are fused for an improved prediction performance by up to 6.9% on a dataset with human-verified labels. Die Funktionen von Gebäuden lassen sich nicht direkt messen, sondern erfordern die Interpretation von Daten. In dieser Arbeit werden drei neue Methoden zur Vorhersage von Gebäudefunktionen vorgestellt, die auf Daten aus sozialen Medien und Fernerkundungsdaten beruhen. Die Methoden basieren auf Ansätzen des maschinellen Lernens und wurden auf kulturell diversifizierten Datensätzen entwickelt und getestet. Die Vorhersagen lässt sich durch die Kombination mehrerer Modelle um bis zu 6,9% erhöhen.

In dieser Arbeit werden Möglichkeiten untersucht, wie digitale Erdbeobachtung in Schulen erfolgreich sein kann. Dies geschieht sowohl aus inhaltlicher als infrastruktureller Sicht. Dabei werden bereits verwendete Lernanwendungen werden ausgewertet. Das Konzept dieser Materialien wird auf eine moderne Lerninfrastruktur übertragen. Diese wird auf ihre Fähigkeit geprüft, valide Daten in problembasierten Unterrichtszenarien zu liefern. Videos bieten Möglichkeiten, um Hintergrundwissen an Schüler zu vermitteln, und stellen damit einen integralen Bestandteil digitaler Lernumgebungen dar. Eine Studie wurde durchgeführt, die evaluiert, ob Lernvideos zur Erdbeobachtung lernwirksam sind. Beide Seiten, Inhalt und Infrastruktur, zeigen vielversprechende Ergebnisse und Erkenntnisse darüber, wie die Implementierung der Erdbeobachtung in den gegenwärtigen und zukünftigen Schulunterricht unter technologischen und methodischen Gesichtspunkten realisiert werden kann. This work will explore ways in which digital earth observation can be successful in schools. This is done from the point of view of content as well as infrastructure. Thereby already used learning applications are evaluated. The concept of these materials will be transferred to a modern learning infrastructure. This will be tested for its ability to provide valid data in problem-based teaching scenarios. Videos offer opportunities to provide background knowledge to students and thus represent an integral part of digital learning environments. A study was conducted to evaluate whether educational videos on Earth observation are effective for learning. Both sides, content and infrastructure, show promising results and insights on how the implementation of Earth observation in current and future school lessons can be realized from a technological and methodological point of view.

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.

As unconventional sources of geo-information, massive imagery and text messages from open platforms and social media form a temporally quasi-seamless, spatially multi-perspective stream, but with unknown and diverse quality. Due to its complementarity to remote sensing data, geo-information from these sources offers promising perspectives, but harvesting is not trivial due to its data characteristics. In this article, we address key aspects in the field, including data availability, analysis-ready data preparation and data management, geo-information extraction from social media text messages and images, and the fusion of social media and remote sensing data. We then showcase some exemplary geographic applications. In addition, we present the first extensive discussion of ethical considerations of social media data in the context of geo-information harvesting and geographic applications. With this effort, we wish to stimulate curiosity and lay the groundwork for researchers who intend to explore social media data for geo-applications. We encourage the community to join forces by sharing their code and data., Accepted for publication IEEE Geoscience and Remote Sensing Magazine