TY - THES A1 - Frimpong, Bernard Fosu T1 - Analysis of the relationship between spatial urban expansion and temperature utilising remote sensing and GIS techniques in the Accra and Kumasi Metropolises in Ghana T1 - Analyse des Zusammenhangs zwischen räumlicher, urbaner Ausdehnung und der Temperatur mit Hilfe von Fernerkundungs- und GIS-Techniken in den Metropolen Accra und Kumasi in Ghana N2 - Accra and Kumasi are the two major cities in Ghana. Spatial urban expansion has been experienced in transforming different non-urban Land Use Land Cover (LULC) types into urban/built-up areas with a potential direct relationship to temperature rise in the cities. Thus, this dissertation aims to establish the relationship between urban spatial expansion and temperature in Accra and Kumasi metropolis. Multi-source datasets such as remote sensing images, different GIS vector layers, reference maps and historical temperature datasets were used for this retrospective study. This research was grouped under three components: environmental science, environmental technology, as well as environmental management and planning. From the environmental science component, LULC maps were produced for different years to assess the trend of temporal change in the various LULC classes in the two metropolises. Remote sensing indices and land surface temperature were retrieved from the remote sensing images to determine their correlations. Temperature time series was analysed by calculating temperature indices and determining temporal trends to reveal changes in air temperature to detect urban warming and its impacts. From the environmental technology, the novel random forest algorithm was utilised to classify the satellite images of both cities since previous works have utilised other traditional classifiers. The satellite imageries were used for point-based estimation of temperature to determine Urban Heat Islands (UHIs) hotspots. For environmental management and planning, spatial urban expansion techniques were utilised to ascertain trends in urban/built-up areas, especially in both cities' sub-metropolitan zones. For prescient purposes, future LULC modelling was implemented to provide insights into the proportions of the various LULC changes in 2025. The analysis identified two salient findings: increased urban/built-up areas at the expense of agricultural and forestlands throughout the study period and the positive correlation between spatial urban expansion and temperature. This indicated warming up of urban temperature in both cities. The major findings in this dissertation provided evidence of how integrated datasets and research techniques can be utilised for LULC changes to determine the relationship between spatial urban expansion and temperature at local scales. Institutions such as metropolitan assemblies and policymakers may adopt the concepts demonstrated in this work to rapidly assess urban environments and investigate the relationship between spatial urban expansion and temperature. N2 - Accra und Kumasi sind die beiden größten Städte in Ghana. Die räumliche Ausbreitung des urbanen Siedlungsgebiets der Städte durch die Transformation von Flächen mit nicht-urbanen Landnutzungs-/Landbedeckungsarten in urbane, bebaute Flächen hat einen möglichen direkten Zusammenhang zu der Temperaturerhöhung in beiden Städten. Diese Dissertation zielt deshalb auf die Ermittlung dieser Beziehung zwischen der urbanen Expansion und den Temperaturen in den städtischen Großräumen Accra and Kumasi. Für diese retrospektive Studie wurden umfangreiche Datensätze aus verschiedenen Quellen wie Fernerkundungsbilder, GIS-Vektordatensätze, Referenzkarten und historische Temperaturmessungen verwendet. Die Forschungsarbeit berücksichtigt drei Aspekte, die die Arbeit in drei Komponenten strukturiert: umweltrelevante wissenschaftliche, technologische und verwaltungs-/-planerische Komponenten. In der umweltwissenschaftlichen Komponente wurden Landnutzungs-/Landbedeckungs- (land use / land cover LULC) Karten für verschiedene Jahre für beide Städte erstellt, um den zeitlichen Veränderungstrend zu beurteilen. Fernerkundungsindices und Landoberflächentemperaturen wurden aus Satellitenbildern ermittelt, um ihren Zusammenhang zu bestimmen. Aus Temperaturzeitreihen wurden relevante Kennwerte und zeitliche Trends zum Aufzeigen der Temperaturveränderungen und Nachweis der Stadterwärmung ermittelt. Als technologische, neuartige Forschungskomponente wurde das Random-Forest-Verfahren genutzt, um die Satellitenbilder beider Städte zu klassifizieren. Dies erfolgte in bisherigen Arbeiten bisher nur mit traditionellen Klassifizierungsverfahren. Die Satellitenbilder wurden für die punktuellen Abschätzung von Temperaturen zur Bestimmung von städtischen Wärmeinseln (Urban Heat Islands UHI) ausgewertet. Für die Umweltmanagement- / Umweltplanungskomponente wurden Techniken zur Beschreibung der urbanen Expansion genutzt, um Trends in der bebauten Fläche in den verschiedenen Stadtbezirken zu ermitteln und daraus mögliche LULC Veränderungen bis zum Jahr 2025 zu modellieren. Die Auswertung ergab zwei wesentliche Erkenntnisse: die Zunahme der bebautes/urbanes Flächen zu Lasten von landwirtschaftlichen oder mit Wald bedeckten Flächen und eine positive Korrelation zwischen der Ausweitung der urbanen Flächen und der Temperatur. Letzteres indiziert das Ansteigen der Temperaturen in beiden Städten und damit eine weitere Erwärmung der Städte. Eine wesentliche Erkenntnis der Dissertation ist die Eignung der verwendeten Datensätze und eingesetzte Techniken für die Ermittlung der LULC Veränderungen zur Abschätzung des Zusammenhangs zwischen urbaner Expansion und Anstieg von Temperatoren auf lokaler Skala. Institutionen wie Stadtverwaltungen und -vertretungen und politische Entscheidungsträger können die in dieser Arbeit entwickelten Konzepte anpassen und nutzen, um die urbanen Veränderungen und den Zusammenhang zwischen urbaner Expansion und urbaner Erwärmung zu untersuchen. KW - Spatial urban expansion KW - Temperature KW - Land Use Land Cover KW - Remote sensing KW - GIS KW - Urbane Expansion KW - Temperatur KW - Landnutzung KW - Landbedeckung KW - Fernerkundung KW - Ghana KW - Landnutzung KW - Großstadt KW - Temperatur KW - Fernerkundung KW - Geoinformationssystem Y1 - 2022 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-60730 ER - TY - THES A1 - Schiller, Josepha T1 - Explainable artificial intelligence for understanding cross-scale diversification in agricultural landscapes T1 - Erklärbare künstliche Intelligenz zum Verständnis der skalenübergreifenden Diversifizierung in Agrarlandschaften N2 - Agricultural production is expected to cope with numerous challenges in the future. Therefore, the diversification of agricultural systems has gained attention as a promising solution to meet ecological, economic, and social needs in the long term. Despite the overall positive reports of diversification effects, the joint distribution of temporal and spatial diversity and their influencing factors remains largely unexplored. This thesis aims to assess the interrelations of diversity within the agricultural system at the field, farm, and landscape levels and to investigate the links between temporal and spatial crop diversity in Brandenburg, Germany, from 2011 to 2020 using machine learning (ML) combined with explainable artificial intelligence (XAI) tools. This approach involves identifying influencing factors of agricultural diversity such as farm attributes, landscape complexity, and environmental conditions. Data on agricultural land use were derived from the Integrated Administration and Control System (IACS), covering more than 5,642 farms and over 150,000 fields annually. The results revealed (1) a negative relationship between temporal crop diversity at the field level and landscape level complexity associated with soil quality and (2) a positive link between temporal and spatial crop diversity associated with higher crop diversity at the farm level. The potential of using XAI as a trust-enhancing tool for machine learning in such an interdisciplinary research setting was explored by reviewing the recent use of XAI tools in environmental and Earth system sciences in 575 studies. This revealed (3) that despite the increasing use of XAI tools in the environmental and Earth system sciences over time, the question of whether XAI can contribute to increased trust, e.g., in high-stakes decision contexts, has been addressed in only 1.2% of the studies. These findings contribute to understanding synergies and trade-offs between diversity within agricultural systems across levels and scales and its influencing factors. They also provide insights into the potential of XAI tools toward trustworthy ML applications. These findings can serve to develop targeted diversification strategies that enhance the resilience of agricultural systems and the sustainability of agricultural landscapes and improve the trustworthiness of ML and XAI in interdisciplinary research settings. N2 - Die Agrarproduktion wird in Zukunft voraussichtlich zahlreichen Herausforderungen gegenüberstehen. Daher hat die Diversifizierung landwirtschaftlicher Systeme als vielversprechende Lösung an Bedeutung gewonnen, um langfristig ökologische, ökonomische und soziale Bedürfnisse zu erfüllen. Trotz der überwiegend positiven Berichte über die Effekte der Diversifizierung bleibt die gemeinsame Verteilung von zeitlicher und räumlicher Diversität sowie deren Einflussfaktoren weitgehend unerforscht. Die Dissertation zielt darauf ab, die Zusammenhänge von Diversität innerhalb des Agrarsystems auf Feld-, Betriebs- und Landschaftsebene zu analysieren und die Verknüpfungen zwischen zeitlicher und räumlicher Feldfruchtdiversität in Brandenburg, Deutschland, im Zeitraum von 2011 bis 2020 unter Einsatz von Methoden des maschinellen Lernens (ML) in Kombination mit Methoden aus der interpretierbaren künstlichen Intelligenz (XAI) zu untersuchen. Dieser Ansatz beinhaltet die Identifizierung von Einflussfaktoren auf die landwirtschaftliche Diversität, wie zum Beispiel Betriebseigenschaften, Landschaftskomplexität und Umweltbedingungen. Die Daten zur landwirtschaftlichen Flächennutzung wurden aus dem Integrierten Verwaltungs- und Kontrollsystem (InVeKoS) bezogen und umfassen jährlich mehr als 5.642 Betriebe und über 150.000 Felder. Die Ergebnisse zeigten (1) einen negativen Zusammenhang zwischen der zeitlichen Feldfruchtdiversität auf Feldebene und der Landschaftskomplexität, der mit der Bodenqualität assoziiert ist und (2) einen positiven Zusammenhang zwischen zeitlicher und räumlicher Feldfruchtdiversität, der mit einer höheren Feldfruchtdiversität auf Betriebsebene einhergeht. Das Potenzial, XAI als vertrauensbildendes Werkzeug für maschinelles Lernen in einem solchen interdisziplinären Forschungsumfeld einzusetzen, wurde durch die Auswertung der jüngsten Nutzung von XAI-Tools in den Umwelt- und Erdsystemwissenschaften in 575 Studien untersucht. Dabei wurde (3) festgestellt, dass, trotz der zunehmenden Verwendung von XAI-Methoden in diesen Disziplinen, die Frage, ob XAI zu einem erhöhten Vertrauen, beispielsweise in Hochrisikokontexten, beitragen kann, in lediglich 1,2 % der Studien behandelt wurde. Die Ergebnisse helfen beim Verständnis von Synergien und Zielkonflikten von Diversität innerhalb landwirtschaftlicher Systeme auf verschiedenen Ebenen und Skalen sowie deren Einflussfaktoren und liefern Einblicke in das Potenzial von XAI-Methoden für vertrauenswürdige ML-Anwendungen. Diese Erkenntnisse können dazu genutzt werden, gezielte Diversifizierungsstrategien zu entwickeln, die Resilienz in landwirtschaftlichen Systemen und Nachhaltigkeit von Agrarlandschaften stärken und das Vertrauen in ML- und XAI-Anwendungen in interdisziplinären Forschungsumgebungen verbessern. KW - Explainable artificial intelligence KW - Machine learning KW - Agricultural landscapes KW - Crop diversification KW - Heterogeneous landscapes KW - Erklärbare künstliche Intelligenz KW - Maschinelles Lernen KW - Kulturpflanzenvielfalt KW - Landschaftsheterogenität KW - Agrarlandschaften KW - Agrarlandschaft KW - Kulturpflanzen KW - Diversifikation KW - Landschaftsökologie KW - Maschinelles Lernen KW - Erklärbare künstliche Intelligenz Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:co1-opus4-72457 ER -