Machine Learning in Remote Sensing: Assessing the Impact of Long-Term Land Cover Changes on Metop ASCAT Backscatter using Drift Detection

Diese Arbeit widmet sich der Analyse langfristiger Trends im ASCAT-Rückstreusignal (Backscatter) und deren potenziellen Ursachen. Angesichts der engen Kopplung von Radar-Backscatter an oberflächennahe Bodenfeuchte liefert ein verbessertes Verständnis seiner zeitlichen Dynamiken wertvolle Beiträge zur Umweltüberwachung – insbesondere in den Bereichen Landwirtschaft, Wasserressourcenmanagement und Ökosystemforschung. Zur Modellierung des Backscatter-Signals wurden drei Regressionsansätze – Elastic Net, Random Forest und Support Vector Regression – systematisch verglichen. Das Elastic Net-Modell zeigte die überzeugendste Kombination aus Prognosegüte und Effizienz und wurde anschließend auf ERA5-Land-Bodenfeuchte und MODIS-LAI für Südostaustralien im Zeitraum 2007–2022 angewendet. Darauf aufbauend erfolgte eine Driftanalyse mittels Mann-Kendall-Tests, die auf Zielvariable, Modellvorhersagen, Residuen und Eingangsdaten angewendet wurden. Die identifizierten Trends wurden kategorisiert und hinsichtlich ihrer Stärke und Verlaufsmuster segmentiert. Eine umfassende visuelle Analyse durch Zeitreihen und räumliche Karten ergänzte die Ergebnisse.Die Resultate belegen einen signifikanten Einfluss der Landbedeckung auf das Rückstreuverhalten und die Modellgüte. Während an vielen Orten statistisch signifikante Trends festgestellt wurden, traten starke und kontinuierliche Entwicklungen vergleichsweise selten auf. Einzelne abrupte Veränderungen lassen sich häufig auf Extremereignisse zurückführen. Insgesamt zeigt die Studie, dass die kombinierte Anwendung datengetriebener Modellierung und statistischer Trendanalyse ein wirkungsvolles Instrument zur Identifikation und Interpretation längerfristiger Veränderungen in radarfernerkundeten Umweltgrößen darstellt.