TY - THES A1 - Buchner, Lisa T1 - From leaf traits to canopy signatures: a multiscale and multisensory assessment of ash dieback in Fraxinus excelsior L. BT - [cumulative dissertation] N2 - Ash dieback, a disease caused by the fungal pathogen Hymenoscyphus fraxineus, is severely threatening the existence of the European common ash (Fraxinus excelsior L.). The invasive pathogen leads to progressive symptoms such as leaf loss, shoot dieback, and stem necrosis, often resulting in high mortality in affected forest stands. While these visual symptoms are well documented, finer-scale physiological and morphological leaf responses remain largely unexplored. Ash dieback symptom severity is typically assessed through time-intensive field-based ratings; however, remote sensing technologies such as Unmanned Aerial Vehicles (UAVs) offer new opportunities for large-scale, remote assessment of disease impact. Therefore, this dissertation applies a multiscale and multisensory approach to assess the effects of ash dieback. The main research questions were: (1) Does ash dieback, beyond visible symptoms such as leaf loss and shoot dieback, also induce fine-scale morphological and physiological alterations in the leaves of infected ash trees? (2) Can multisensory UAV data and the thereof calculated vegetation indices detect different degrees of damage caused by ash dieback? (3) What level of segmentation accuracy is required to ensure reliable estimation of mean vege-tation index values for individual ash tree crowns? Field investigations were carried out at four study sites in 2022 and 2023, combining visual vitality assessments with detailed analyses of leaf physiology and morphology in ash trees affected by ash dieback. The examined leaf traits included chlorophyll fluorescence, chlorophyll content, Specific Leaf Area (SLA), leaf thickness, and Fluctuating Asymmetry (FA), all of which were evaluated in relation to visually assessed damage severity. In addition, at two of the sites, repeated UAV-based aerial surveys were conducted from May to October over two consecutive years to capture the whole vegetation period of the common ash, using RGB, multispectral and thermal sensors. Complementing this, close-range multispectral images of individual tree crowns were acquired in 2023 to provide higher spatial resolution data for detailed crown analysis. In Publication 1 of this dissertation, physiological and morphological leaf traits were investigated in relation to visually assessed disease severity. Among the measured traits, SLA exhibited the most consistent and significant correlation with increasing damage severity, highlighting a potential link between leaf morphology and ash dieback. In Publication 2 a novel UAV-based monitoring workflow that utilizes RGB and multispectral imagery is introduced to classify ash dieback severity via vegetation index thresholds. The study demonstrated that both RGB and multispectral indices, particularly the Green-Red Vegetation Index (GRVI) and Difference Vegetation Index (DVI), can effectively distinguish between mildly and severely damaged trees. The combination of both multispectral and RGB indices achieved a combined classification accuracy of 77.2 %. Publication 3 explored the influence of ash tree crown segmentation precision on vegetation index reliability. A newly developed fine segmentation method, based on unsupervised machine learning, successfully excluded non-foliar elements such as ground pixels and canopy gaps, improving spectral data interpretation. Although mean vegetation index values per crown did not differ significantly between coarse and fine segmentation, vegetation index heterogeneity increased with disease severity, emphasizing the added value of detailed crown delineation for detecting subtle stress patterns. Collectively, these studies contribute a scalable and interdisciplinary framework that bridges leaf-level physiological and morphological measurements with crown-level spectral data and machine learning–based crown segmentation. They further demonstrate how UAV-based remote sensing can be effectively integrated into long-term conservation strategies for Fraxinus excelsior L. This work underscores the importance of combining plant physiology, remote sensing, and machine learning to advance forest health monitoring and offers practical insights for the conservation of Fraxinus excelsior L. under ongoing disease pressure. N2 - Das Eschentriebsterben, hervorgerufen durch den invasiven Pilz Hymenoscyphus fraxineus, bedroht derzeit die Existenz der Gemeinen Europäischen Esche (Fraxinus excelsior L.). Der Krankheitserreger führt zu fortschreitenden Symptomen wie Blattverlust, dem Absterben von Trieben und Ästen sowie Stammfußnekrosen, die häufig zu einer hohen Mortalität in betroffenen Populationen führen. Während diese visuell sichtbaren Symptome gut dokumentiert sind, bleiben feinmaßstäbliche physiologische und morphologische Reaktionen der Blätter weitgehend unerforscht. Die Schwere der Krankheitssymptome wird üblicherweise durch zeitaufwendige Feldbeobachtungen eingestuft; Fernerkundungstechnologien wie Drohnen (UAVs) bieten jedoch neue Möglichkeiten für eine flächendeckende, fernerkundliche Erfassung des Krankheitsausmaßes. Diese Dissertation verfolgt daher einen multisensorischen und multiskaligen Ansatz zur Untersuchung der Auswirkungen des Eschentriebsterbens. Die zentralen Forschungsfragen lauteten: (1) Verursacht das Eschentriebsterben neben sichtbaren Symptomen wie Blattverlust und Triebsterben auch feinmaßstäbliche morphologische und physiologische Veränderungen in den Blättern infizierter Eschen? (2) Können multisensorische UAV-Daten und daraus berechnete Vegetationsindizes unterschiedliche Schweregrade der Schädigung durch das Eschentriebsterben detektieren? (3) Welche Segmentierungsgenauigkeit ist erforderlich, um eine verlässliche Einschätzung mittlerer Vegetationsindexwerte einzelner Eschenkronen zu gewährleisten? Felduntersuchungen wurden im Jahr 2022 und 2023 an vier Untersuchungsstandorten durchgeführt und kombinierten visuelle Vitalitätsbewertungen mit detaillierten Analysen der Blattphysiologie und -morphologie bei von Eschentriebsterben betroffenen Bäumen. Die untersuchten Blattmerkmale umfassten Chlorophyllfluoreszenz, Chlorophyllgehalt, spezifische Blattfläche (SLA), Blattdicke und Fluktuierende Asymmetrie (FA), welche in Bezug zur visuell erfassten Bonitur gesetzt wurden. Zusätzlich wurden an zwei Untersuchungsgebieten im Zeitraum von Mai bis Oktober über zwei Vegetationsperioden hinweg wiederholte UAV-basierte Befliegungen mit RGB-, multispektralen und thermalen Sensoren durchgeführt. Ergänzend dazu wurden im Jahr 2023 Nahaufnahmen einzelner Eschenkronen mit dem multispektralen UAV-Sensor erstellt, um hochaufgelöste Daten zur detaillierten Kronenanalyse zu erhalten. Publikation 1 dieser Dissertation untersucht physiologische und morphologische Blattmerkmale in Bezug auf visuell bewertete Krankheitsintensität. Unter den gemessenen Merkmalen zeigte die spezifische Blattfläche die deutlichste und konsistenteste Korrelation mit zunehmender Schwere der Krankheitssymptome, was auf einen möglichen Zusammenhang zwischen Blattmorphologie und dem Eschentriebsterben hinweist. Publikation 2 stellt ein neuartiges, UAV-basiertes Monitoringverfahren vor, das RGB- und multispektrale Bilddaten nutzt, um den Schweregrad des Eschentriebsterbens mittels Schwellenwerten von Vegetationsindizes zu klassifizieren. Die Ergebnisse zeigen, dass sowohl RGB- als auch multispektrale Indizes, insbesondere der Green-Red Vegetation Index (GRVI) und der Difference Vegetation Index (DVI), effektiv zwischen schwach und stark geschädigten Bäumen unterscheiden können. Die Kombination von RGB und multispektralen Indizes erzielte eine Klassifikationsgenauigkeit von 77,2 %. Publikation 3 untersucht den Einfluss der Segmentierungsgenauigkeit von Baumkronen auf die Aussagekraft von Vegetationsindizes. Eine neu entwickelte, auf maschinellen Lernen basierende, Feinsegmentierungsmethode konnte erfolgreich Elemente wie Bodenpixel und Kronenlücken ausschließen und verbesserte dadurch die Interpretation der spektralen Daten. Obwohl sich die durchschnittlichen Vegetationsindexwerte pro Krone zwischen grober und feiner Segmentierung nicht signifikant unterschieden, nahm die Vegetationsindex-Heterogenität mit zunehmender Schädigung durch das Eschentriebsterben zu, ein Hinweis auf den Mehrwert detaillierter Kronenabgrenzung zur Erkennung subtiler Stressmuster. Insgesamt liefern diese Studien ein skalierbares und interdisziplinäres Framework, das physiologische Messungen auf Blattebene mit spektralen Daten auf Kronenebene sowie maschinellem Lernen zur Kronensegmentierung verknüpft. Die Studien zeigen zudem, wie UAV-gestützte Fernerkundung effektiv in langfristige Erhaltungsstrategien für Fraxinus excelsior L. integriert werden kann. Diese Arbeit unterstreicht die Relevanz der Kombination von Pflanzenphysiologie und Fernerkundung für die Überwachung der Waldgesundheit und liefert praxisnahe Erkenntnisse für den Schutz von Fraxinus excelsior L. unter dem anhaltenden Infektionsdruck. KW - Eschen KW - ash dieback KW - unmanned aerial vehicles KW - leaf morphology KW - leaf physiology KW - vegetation indices KW - Eschenkrankheit KW - Triebsterben KW - Blatt KW - Monitoring KW - Fernerkundung KW - Drohne KW - Bildauswertung KW - Künstliche Intelligenz Y1 - 2025 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:bvb:824-opus4-10155 ER -