Abstract:
Diese Arbeit befasst sich mit einer zentralen Herausforderung in der Fernerkundung und Erdbeobachtung: Wie lassen sich multimodale, multitemporale EO-Daten in umweltrelevante, räumlich übertragbare und operationell robuste Erkenntnisse umsetzen? Während die Erdbeobachtung zu einem Eckpfeiler der Umweltüberwachung geworden ist, wird ihre Integration in Systeme des maschinellen Lernens nach wie vor durch die Heterogenität der Sensoren, die zeitliche Fehlanpassung und die unzureichende Strukturierung der Labeldaten behindert. Anstatt EO-ML als eine rein technische Pipeline zu behandeln, wird es in dieser Arbeit als ein System für umweltbezogene Rückschlüsse betrachtet - eines, das eine sorgfältige Abstimmung zwischen Beobachtung, Darstellung und Interpretation erfordert. ... mehrAnstatt eine einzelne Technik voranzutreiben, wird in dieser Arbeit ein modularer, aber konzeptionell einheitlicher Ansatz für die Entwicklung von EO-ML-Systemen entwickelt, der die Merkmalsfusion, die erweiterte Überwachung und die strukturierte Auswertung als sich gemeinsam entwickelnde Komponenten integriert. Es wird argumentiert, dass die Genauigkeit und Verallgemeinerung in EO-ML weniger durch die Tiefe der Modelle als durch die umweltbezogene Kohärenz dessen, woraus sie lernen, bestimmt wird. In allen Fallstudien ergaben sich Verbesserungen der Vorhersageleistung durchgängig aus der Gestaltung von Eingaben und Bezeichnungen, die Umweltprozesse, phänologische Zeitpunkte, räumliche Strukturen und Unsicherheiten widerspiegeln, und nicht aus der Erhöhung der algorithmischen Komplexität allein. Empirische Analysen erstrecken sich über drei Umweltbereiche: trockene, von Dolinen geprägte Landschaften, Waldregionen in gemäßigten Breiten und Gletschersysteme in der Kryosphäre, die jeweils zeigen, wie Umweltprozesse durch eine kompositorische statt einer singulären EO-Designlogik besser modelliert werden können. Der kombinierte Doline-Vegetationsindex ist ein Beispiel für diesen Ansatz, der den funktionalen Kontrast zwischen SAR- und optischen Daten über ökologisch unterschiedliche Jahreszeiten hinweg erfasst. Ebenso definiert das neuartige HELIX-Framework die Konstruktion von Labels neu, indem es den räumlichen, zeitlichen und auf Residuen basierenden Kontext in die Supervisionsschicht einbettet und es den Modellen ermöglicht, aus strukturierter Unsicherheit und räumlicher Dynamik zu lernen. Benchmarking-Ergebnisse bestätigen, dass bereichsspezifische Fusionsstrategien und mit Überwachung angereicherte Labels zu Modellen mit einer höheren Genauigkeit, Interpretierbarkeit und Übertragbarkeit führen, insbesondere bei räumlichen einer räumlichen Übertragung. Die Ergebnisse stützen ein breiteres Argument: dass die EO-basierte Umweltmodellierung von der oberflächlichen Korrelation zur strukturellen Ausrichtung übergehen muss, bei der sich Merkmale, Labels und Modelle in Bezug auf die Umweltprozesse gemeinsam entwickeln. Letztlich betrachtet diese Arbeit EO-ML nicht als einen festen algorithmischen Prozess, sondern als eine Grammatik der Umweltdarstellung, bei der Syntax (Merkmale), Semantik (Bezeichnungen) und Inferenz (Modelle) gemeinsam entwickelt werden müssen, um die dynamische, unsichere und strukturierte Natur der Erdsysteme widerzuspiegeln, die wir zu verstehen versuchen.
Abstract (englisch):
This thesis addresses a central challenge in remote sensing and Earth Observation: how to translate multi-modal, multi-temporal EO data into ecologically meaningful, spatially transferable, and operationally robust insight. While EO has become a cornerstone of environmental monitoring, its integration into machine learning systems remains hindered by issues of sensor heterogeneity, temporal misalignment, and the under-structuring of label data. Rather than treating EO–ML as a purely technical pipeline, this work frames it as a system of environmental inference, one requiring careful alignment between observation, representation, and interpretation. ... mehrRather than advancing a single technique, this thesis develops a modular but conceptually unified approach to EO–ML system design, one that integrates feature fusion, enriched supervision, and structured evaluation as co-evolving components. It argues that accuracy and generalisation in EO–ML are shaped less by the depth of models than by the ecological coherence of what they learn from. Across case studies, improvements in predictive performance consistently stemmed from designing inputs and labels that reflect environmental processes, phenological timing, spatial structure, and uncertainty, rather than from increasing algorithmic complexity alone. Empirical analyses span three environmental domains, arid sinkhole-prone landscapes, temperate forests, and cryospheric glacier systems, each demonstrating how environmental processes can be better modelled through compositional rather than singular EO design logic. The Combined Doline Vegetation Index exemplifies this approach, capturing functional contrast between SAR and optical data across ecologically distinct seasons. Likewise, the novel HELIX framework redefines label construction by embedding spatial, temporal, and residual-based context into the supervision layer, enabling models to learn from structured uncertainty and spatial dynamics. Benchmarking results confirm that domain-aware fusion strategies and supervision-enriched labels yield models that are more accurate, interpretable, and transferable, especially under spatial domain shifts. The findings support a broader argument: that EO-based environmental modelling must move from superficial correlation toward structural alignment, where features, labels, and models co-evolve in relation to environmental processes. Ultimately, this thesis reframes EO–ML not as a fixed algorithmic process, but as a grammar of environmental representation, where syntax (features), semantics (labels), and inference (models) must be co-designed to reflect the dynamic, uncertain, and structured nature of the Earth systems we seek to understand.
1