Search results

Die Brasilianische Savanne, auch bekannt als der Cerrado, bedeckt ca. 24% der Landoberfläche Brasiliens. Der Cerrado ist von einer einzigartigen Biodiversität und einem starken Gradienten in der Vegetationsstruktur gekennzeichnet. Großflächige Landnutzungsveränderungen haben dazu geführt, dass annähernd die Hälfte der Cerrado in bewirtschaftetes Land umgewandelt wurde. Die Kartierung ökologischer Prozesse ist nützlich, um naturschutzpolitische Entscheidungen auf räumlich explizite Informationen zu stützen, sowie um das Verständnis der Ökosystemdynamik zu verbessern. Neue Erdbeobachtungssensoren, frei verfügbare Daten, sowie Fortschritte in der Datenverarbeitung ermöglichen erstmalig die großflächige Erfassung saisonaler Vegetationsdynamiken mit hohem räumlichen Detail. In dieser Arbeit wird der Mehrwert von Landsat-basierten Landoberflächenphänologischen (LSP) Metriken, für die Charakterisierung der Cerrado-Vegetation, hinsichtlich ihrer strukturellen und phänologischen Diversität, sowie zur Schätzung des oberirdischen Kohlenstoffgehaltes (AGC), analysiert. Die Ergebnisse zeigen, dass LSP-Metriken die saisonale Vegetatiosdynamik erfassen und für die Kartierung von Vegetationsphysiognomien nützlich sind, wobei hier die Grenzen der Einteilung von Vegetationsgradienten in diskrete Klassen erreicht wurden. Basierend auf Ähnlichkeiten in LSP wurden LSP Archetypen definiert, welche die Erfassung und Darstellung der phänologischen Diversität im gesamten Cerrado ermöglichten und somit zur Optimierung aktueller Kartierungskonzepte beitragen können. LSP-Metriken ermöglichten die räumlich explizite Quantifizierung von AGC in drei Untersuchungsgebieten und sollten bei zukünftigen Kohlenstoffschätzungen berücksichtigt werden. Die Erkenntnisse dieser Dissertation zeigen die Vorteile und Nutzungsmöglichkeiten von LSP Metriken im Bereich der Ökosystemüberwachung und haben demnach direkte Implikationen für die Entwicklung und Bewertung nachhaltiger Landnutzungsstrategien. ; The Brazilian savanna, known as the Cerrado, covers around 24% of Brazil. It is characterized by a unique biodiversity and a strong gradient in vegetation structure. Land-use changes have led to almost half of the Cerrado being converted into cultivated land. The mapping of ecological processes is, therefore, an important prerequisite for supporting nature conservation policies based on spatially explicit information and for deepening our understanding of ecosystem dynamics. New sensors, freely available data, and advances in data processing allow the analysis of large data sets and thus for the first time to capture seasonal vegetation dynamics over large extents with a high spatial detail. This thesis aimed to analyze the benefits of Landsat based land surface phenological (LSP) metrics, for the characterization of Cerrado vegetation, regarding its structural and phenological diversity, and to assess their relation to above ground carbon. The results revealed that LSP metrics enable to capture the seasonal dynamics of photosynthetically active vegetation and are beneficial for the mapping of vegetation physiognomies. However, the results also revealed limitations of hard classification approaches for mapping vegetation gradients in complex ecosystems. Based on similarities in LSP metrics, which were for the first time derived for the whole extent of the Cerrado, LSP archetypes were proposed, which revealed the spatial patterns of LSP diversity at a 30 m spatial resolution and offer potential to enhance current mapping concepts. Further, LSP metrics facilitated the spatially explicit quantification of AGC in three study areas in the central Cerrado and should thus be considered as a valuable variable for future carbon estimations. Overall, the insights highlight that Landsat based LSP metrics are beneficial for ecosystem monitoring approaches, which are crucial to design sustainable land management strategies that maintain key ecosystem functions and services.

With the monitoring of management practices in agriculture we can assess the influence on the environment and evaluate the implementation of policies and guidelines. The timing of mowing or mulching events on fallow cropland is a critical factor in assessing the impact on biodiversity and a core environmental measure of the EU's Common Agricultural Policy (CAP). Dense time series of remote sensing data have already proven to be valuable input for capturing management practices on grassland. Here we present a transfer learning approach using a 1D convolutional neural network trained on grassland management data to predict management practices on fallow cropland. Our results demonstrate the potential of the approach to provide valuable insights for future CAP decision-making.