Remote Sensing of Cropland Dynamics for Climate-Related Agricultural Monitoring in Germany

Landwirtschaftliche Flächen sind sowohl Quelle als auch Senke von Treibhausgasen und spielen eine wichtige Rolle in der deutschen Klimastrategie. Für Emissionsminderung und Kohlenstoffbindung werden präzise und zeitlich hochaufgelöste Daten zur Ackerflächendynamik benötigt. Bestehende Datensätze erfassen vegetations- und bewirtschaftungsbedingte Veränderungen jedoch oft nur unzureichend. Diese Dissertation entwickelt satellitengestützte Überwachungsmethoden, die auf die Anforderungen der Kohlenstoffmodellierung in Deutschland zugeschnitten sind. Die Phänologie beeinflusst den Kohlenstoffaustausch von Kulturpflanzen, flächendeckende phänologische Daten sind jedoch rar. Wir entwickelten ein Deep-Learning-Modell zur Überwachung der Winterweizenphänologie auf Feldebene mit Daten von 700 Standorten. Die Kombination von SAR- und optischen Satellitendaten ermöglichte eine genaue Erkennung wichtiger Stadien wie Ährenschieben und Ernte. Auch die Bewirtschaftung außerhalb der Wachstumsperiode beeinflusst die Kohlenstoffdynamik. Winterliche Bodenbedeckung durch Zwischenfrüchte oder Ernterückstände ist relevant, aber in Verwaltungsdaten kaum erfasst. Wir entwickelten einen spektralen Entmischungsansatz zur Ableitung von Zeitreihen der Bodenbedeckungsgrade photosynthetisch aktiver Vegetation und nicht-aktiver Vegetation. Bodenspezifische spektrale Bibliotheken verbesserten hierbei die Genauigkeit über unterschiedliche Böden hinweg. Mithilfe dieser Zeitreihen klassifizierten wir erstmals für ganz Deutschland Winterfrüchte, Begrünung durch z. B. Zwischenfrüchte, Ernterückstände und unbedeckten Boden von 2017 bis 2023. Die Ergebnisse zeigen räumliche Muster und zeitliche Trends in Abhängigkeit von Klima, Anbausystemen und politischen Maßnahmen. Die entwickelten Methoden schließen zentrale Datenlücken und liefern eine Grundlage für verbesserte Treibhausgasmodellierung, Berichterstattung und fundierte Politikberatung im Agrarbereich.