Show simple item record

2017-12-04Kumulative Dissertation DOI: 10.18452/18597
Assessing carbon in urban trees: benefits of using high-resolution remote sensing
dc.contributor.authorTigges, Jan
dc.date.accessioned2017-12-04T14:20:17Z
dc.date.available2017-12-04T14:20:17Z
dc.date.issued2017-12-04
dc.identifier.urihttp://edoc.hu-berlin.de/18452/19294
dc.description.abstractVorliegende Arbeit zeigt die jüngsten Möglichkeiten hochauflösender Fernerkundung am Beispiel von Stadtbäumen in Berlin, Deutschland. Es wurden neuste methodische Ansätze eingesetzt, wie beispielsweise maschinelles Lernens und individuelle Baumdetektion. Sie erwiesen sich von großem Vorteil für die detaillierte Analyse urbaner Ökosystemdienstleistungen in einer heterogenen Umwelt. Neueste Fernerkundung von hoher zeitlicher Auflösung hat Möglichkeiten gezeigt, Veränderungen des Stadtwaldes präziser zu untersuchen. Diesbezüglich konnten Baumspezies klassifiziert werden auf Grundlage saisonaler Veränderungen, die mittels Fernerkundungsdaten aufgenommen wurden. Dies ist für den urbanen Bereich einmalig und über große Flächen noch nicht durchgeführt worden. Darüber hinaus haben diese Baumarten einzelnen Bäumen zugeordnet werden können, deren Abmessung fernerkundlich erfasst worden ist. Diese neu erzeugten Umweltinformationen einzelner Bäume können damit verbundene urbane Ökosystemdienstleistungen präzise aktualisieren. Zum Beispiel haben so Unsicherheiten in der Schätzung zur Kohlenstoffspeicherung städtischer Wälder reduziert werden können. Es ist zudem von Vorteil gewesen, den gegenwärtigen Mangel an räumlich expliziten dreidimensionalen Informationen über Stadtwälder anzusprechen. Allerdings ist die Rolle städtischen Wälder, das Treibhausgas CO2 langfristig auszugleichen, immer noch wenig untersucht. Gerade der Mangel an präzisen, konsistenten und aktuellen Details führt zu großen Unsicherheiten im Rahmen von Lebenszyklus-Analysen. Auf Grund des aktuellen Fortschritts in hochauflösender Fernerkundung könnten diese Unsicherheiten reduziert werden. Dazu werden Möglichkeiten ausgiebig kritisch bewertet und anhand einer Lebenszyklus-Analyse am Beispiel Berlin andiskutiert, inwieweit sie präzisere langfristige Prognosen zum Stadtwald als Kohlenstoffspeicher liefern.ger
dc.description.abstractThis work shows recent options for implementing high resolution remote sensing in assessing urban trees in Berlin, Germany. State-of-the-art methodological approaches like machine learning and individual tree detection proved to be highly advantageous for analyzing details of urban ecosystem services within a heterogeneous urban environment. Recent remote sensing of high temporal resolution offers new options for more precisely addressing urban forest dynamics. This successfully shows that tree species could be identified from seasonal changes of remotely sensed imagery, though this has not yet been applied across cities. Furthermore, these tree species results could be combined with remotely sensed individual tree dimensions. This newly generated data can be suggested to update spatially explicit information on related urban ecosystem services. For example, this could reduce the uncertainties of such estimates as urban forest carbon storage, and also address the present lack of spatially explicit three-dimensional information on urban forests. However, few studies have considered the local scale of urban forests to effectively evaluate their potential long-term carbon offset. The lack of precise, consistent and up-to-date forest details is challenging within the scope of life cycle assessments. This can cause high uncertainties in urban forest carbon offset. Although, recent progress in high resolution remote sensing is promising to reduce these uncertainties. For this purpose, remote sensing options are extensively reviewed and briefly discussed using an example of life cycle assessment for Berlin, which allow more precise long-term prognoses of urban forest carbon offset.eng
dc.language.isoeng
dc.publisherHumboldt-Universität zu Berlin
dc.relation.haspart10.1016/j.rse.2013.05.001
dc.relation.haspart10.1007/s11252-016-0585-6
dc.relation.haspart10.1186/s13021-017-0085-x
dc.rights.urihttp://rightsstatements.org/vocab/InC/1.0/
dc.subjectHochauflösende Fernerkundungger
dc.subjectBaumspezies-Klassifikationger
dc.subjectCO2-Ausgleich-Stadtbäumeger
dc.subjectLebenszyklusanalyseger
dc.subjectKlimaschutzger
dc.subjectUrbane Ökosystemdienstleistungenger
dc.subjectHigh-resolution remote sensingeng
dc.subjectTree species classificationeng
dc.subjectUrban forest carbon offseteng
dc.subjectLife cycle assessmenteng
dc.subjectClimate change mitigationeng
dc.subjectUrban ecosystem serviceseng
dc.subjectSpatial analyseseng
dc.subjectModeling of human-environmental systemseng
dc.subjectGeographyeng
dc.subjectEnvironmental assessmentseng
dc.subjectFernerkundungger
dc.subjectStadtökologieger
dc.subjectRemote sensingeng
dc.subjectGeoinformation scienceeng
dc.subject.ddc550 Geowissenschaften
dc.subject.ddc577 Ökologie
dc.titleAssessing carbon in urban trees: benefits of using high-resolution remote sensing
dc.typedoctoralThesis
dc.identifier.urnurn:nbn:de:kobv:11-110-18452/19294-9
dc.identifier.doihttp://dx.doi.org/10.18452/18597
dc.date.accepted2017-11-21
dc.contributor.refereeLakes, Tobia
dc.contributor.refereeHaase, Dagmar
dc.contributor.refereeKleinschmit, Birgit
dc.subject.rvkRF 96507
dc.subject.rvkRF 96232
dc.subject.rvkRB 10232
local.edoc.pages147
local.edoc.type-nameKumulative Dissertation
local.edoc.institutionMathematisch-Naturwissenschaftliche Fakultät

Show simple item record