TY - THES A1 - Schmidt, Lena Katharina T1 - Altered hydrological and sediment dynamics in high-alpine areas – Exploring the potential of machine-learning for estimating past and future changes N2 - Climate change fundamentally transforms glaciated high-alpine regions, with well-known cryospheric and hydrological implications, such as accelerating glacier retreat, transiently increased runoff, longer snow-free periods and more frequent and intense summer rainstorms. These changes affect the availability and transport of sediments in high alpine areas by altering the interaction and intensity of different erosion processes and catchment properties. Gaining insight into the future alterations in suspended sediment transport by high alpine streams is crucial, given its wide-ranging implications, e.g. for flood damage potential, flood hazard in downstream river reaches, hydropower production, riverine ecology and water quality. However, the current understanding of how climate change will impact suspended sediment dynamics in these high alpine regions is limited. For one, this is due to the scarcity of measurement time series that are long enough to e.g. infer trends. On the other hand, it is difficult – if not impossible – to develop process-based models, due to the complexity and multitude of processes involved in high alpine sediment dynamics. Therefore, knowledge has so far been confined to conceptual models (which do not facilitate deriving concrete timings or magnitudes for individual catchments) or qualitative estimates (‘higher export in warmer years’) that may not be able to capture decreases in sediment export. Recently, machine-learning approaches have gained in popularity for modeling sediment dynamics, since their black box nature tailors them to the problem at hand, i.e. relatively well-understood input and output data, linked by very complex processes. Therefore, the overarching aim of this thesis is to estimate sediment export from the high alpine Ötztal valley in Tyrol, Austria, over decadal timescales in the past and future – i.e. timescales relevant to anthropogenic climate change. This is achieved by informing, extending, evaluating and applying a quantile regression forest (QRF) approach, i.e. a nonparametric, multivariate machine-learning technique based on random forest. The first study included in this thesis aimed to understand present sediment dynamics, i.e. in the period with available measurements (up to 15 years). To inform the modeling setup for the two subsequent studies, this study identified the most important predictors, areas within the catchments and time periods. To that end, water and sediment yields from three nested gauges in the upper Ötztal, Vent, Sölden and Tumpen (98 to almost 800 km² catchment area, 930 to 3772 m a.s.l.) were analyzed for their distribution in space, their seasonality and spatial differences therein, and the relative importance of short-term events. The findings suggest that the areas situated above 2500 m a.s.l., containing glacier tongues and recently deglaciated areas, play a pivotal role in sediment generation across all sub-catchments. In contrast, precipitation events were relatively unimportant (on average, 21 % of annual sediment yield was associated to precipitation events). Thus, the second and third study focused on the Vent catchment and its sub-catchment above gauge Vernagt (11.4 and 98 km², 1891 to 3772 m a.s.l.), due to their higher share of areas above 2500 m. Additionally, they included discharge, precipitation and air temperature (as well as their antecedent conditions) as predictors. The second study aimed to estimate sediment export since the 1960s/70s at gauges Vent and Vernagt. This was facilitated by the availability of long records of the predictors, discharge, precipitation and air temperature, and shorter records (four and 15 years) of turbidity-derived sediment concentrations at the two gauges. The third study aimed to estimate future sediment export until 2100, by applying the QRF models developed in the second study to pre-existing precipitation and temperature projections (EURO-CORDEX) and discharge projections (physically-based hydroclimatological and snow model AMUNDSEN) for the three representative concentration pathways RCP2.6, RCP4.5 and RCP8.5. The combined results of the second and third study show overall increasing sediment export in the past and decreasing export in the future. This suggests that peak sediment is underway or has already passed – unless precipitation changes unfold differently than represented in the projections or changes in the catchment erodibility prevail and override these trends. Despite the overall future decrease, very high sediment export is possible in response to precipitation events. This two-fold development has important implications for managing sediment, flood hazard and riverine ecology. This thesis shows that QRF can be a very useful tool to model sediment export in high-alpine areas. Several validations in the second study showed good performance of QRF and its superiority to traditional sediment rating curves – especially in periods that contained high sediment export events, which points to its ability to deal with threshold effects. A technical limitation of QRF is the inability to extrapolate beyond the range of values represented in the training data. We assessed the number and severity of such out-of-observation-range (OOOR) days in both studies, which showed that there were few OOOR days in the second study and that uncertainties associated with OOOR days were small before 2070 in the third study. As the pre-processed data and model code have been made publically available, future studies can easily test further approaches or apply QRF to further catchments. N2 - Der Klimawandel verändert vergletscherte Hochgebirgsregionen grundlegend, mit wohlbekannten Auswirkungen auf Kryosphäre und Hydrologie, wie beschleunigtem Gletscherrückgang, vorübergehend erhöhtem Abfluss, längeren schneefreien Perioden und häufigeren und intensiveren sommerlichen Starkniederschlägen. Diese Veränderungen wirken sich auf die Verfügbarkeit und den Transport von Sedimenten in hochalpinen Gebieten aus, indem sie die Interaktion und Intensität verschiedener Erosionsprozesse und Einzugsgebietseigenschaften verändern. Eine Abschätzung der zukünftigen Veränderungen des Schwebstofftransports in hochalpinen Bächen ist von entscheidender Bedeutung, da sie weitreichende Auswirkungen haben, z. B. auf das Hochwasserschadenspotenzial, die Hochwassergefahr in den Unterläufen, sowie Wasserkraftproduktion, aquatische Ökosysteme und Wasserqualität. Das derzeitige Verständnis der Auswirkungen des Klimawandels auf die Schwebstoffdynamik in diesen hochalpinen Regionen ist jedoch begrenzt. Dies liegt zum einen daran, dass es kaum ausreichend lange Messzeitreihen gibt, um z.B. Trends ableiten zu können. Zum anderen ist es aufgrund der Komplexität und der Vielzahl der Prozesse, die an der hochalpinen Sedimentdynamik beteiligt sind, schwierig - wenn nicht gar unmöglich - prozessbasierte Modelle zu entwickeln. Daher beschränkte sich das Wissen bisher auf konzeptionelle Modelle (die es nicht ermöglichen, konkrete Zeitpunkte oder Größenordnungen für einzelne Einzugsgebiete abzuleiten) oder qualitative Schätzungen ("höherer Sedimentaustrag in wärmeren Jahren"), die möglicherweise nicht in der Lage sind, Rückgänge im Sedimentaustrag abzubilden. In jüngster Zeit haben Ansätze des maschinellen Lernens für die Modellierung der Sedimentdynamik an Popularität gewonnen, da sie aufgrund ihres Black-Box-Charakters auf das vorliegende Problem zugeschnitten sind, d. h. auf relativ gut verstandene Eingangs- und Ausgangsdaten, die durch sehr komplexe Prozesse verknüpft sind. Das übergeordnete Ziel dieser Arbeit ist daher die Abschätzung des Sedimentaustrags am Beispiel des hochalpinen Ötztals in Tirol, Österreich, auf dekadischen Zeitskalen in der Vergangenheit und Zukunft – also Zeitskalen, die für den anthropogenen Klimawandel relevant sind. Dazu wird ein Quantile Regression Forest (QRF)-Ansatz, d.h. ein nichtparametrisches, multivariates maschinelles Lernverfahren auf der Basis von Random Forest, erweitert, evaluiert und angewendet. Die erste Studie im Rahmen dieser Arbeit zielte darauf ab, die "gegenwärtige" Sedimentdynamik zu verstehen, d. h. in dem Zeitraum, für den Messungen vorliegen (bis zu 15 Jahre). Um die Modellierung für die beiden folgenden Studien zu ermöglichen, wurden in dieser Studie die wichtigsten Prädiktoren, Teilgebiete des Untersuchungsgebiets und Zeiträume ermittelt. Zu diesem Zweck wurden die Wasser- und Sedimenterträge von drei verschachtelten Pegeln im oberen Ötztal, Vent, Sölden und Tumpen (98 bis fast 800 km² Einzugsgebiet, 930 bis 3772 m ü.d.M.), auf ihre räumliche Verteilung, ihre Saisonalität und deren räumlichen Unterschiede, sowie die relative Bedeutung von Niederschlagsereignissen hin untersucht. Die Ergebnisse deuten darauf hin, dass die Gebiete oberhalb von 2500 m ü. M., in denen sich Gletscherzungen und kürzlich entgletscherte Gebiete befinden, eine zentrale Rolle in der Sedimentdynamik in allen Teileinzugsgebieten spielen. Im Gegensatz dazu waren Niederschlagsereignisse relativ unbedeutend (im Durchschnitt wurden 21 % des jährlichen Austrags mit Niederschlagsereignissen in Verbindung gebracht). Daher konzentrierten sich die zweite und dritte Studie auf das Vent-Einzugsgebiet und sein Teileinzugsgebiet oberhalb des Pegels Vernagt (11,4 und 98 km², 1891 bis 3772 m ü. M.), da sie einen höheren Anteil an Gebieten oberhalb von 2500 m aufweisen. Außerdem wurden Abfluss, Niederschlag und Lufttemperatur (sowie deren Vorbedingungen) als Prädiktoren einbezogen. Die zweite Studie zielte darauf ab, den Sedimentexport seit den 1960er/70er Jahren an den Pegeln Vent und Vernagt abzuschätzen. Dies wurde durch die Verfügbarkeit langer Aufzeichnungen der Prädiktoren Abfluss, Niederschlag und Lufttemperatur sowie kürzerer Aufzeichnungen (vier und 15 Jahre) von aus Trübungsmessungen abgeleiteten Sedimentkonzentrationen an den beiden Pegeln ermöglicht. Die dritte Studie zielte darauf ab, den zukünftigen Sedimentexport bis zum Jahr 2100 abzuschätzen, indem die in der zweiten Studie entwickelten QRF-Modelle auf bereits existierende Niederschlags- und Temperaturprojektionen (EURO-CORDEX) und Abflussprojektionen (des physikalisch basierten hydroklimatologischen und Schneemodells AMUNDSEN) in den drei repräsentativen Konzentrationspfaden RCP2.6, RCP4.5 und RCP8.5 angewendet wurden. Die kombinierten Ergebnisse der zweiten und dritten Studie legen nahe, dass der Sedimentexport in der Vergangenheit insgesamt zugenommen hat und in der Zukunft abnehmen wird. Dies deutet darauf hin, dass der Höhepunkt des Sedimenteintrags erreicht ist oder bereits überschritten wurde - es sei denn, die Niederschlagsveränderungen entwickeln sich anders, als es in den Projektionen dargestellt ist, oder Veränderungen in der Erodierbarkeit des Einzugsgebiets setzen sich durch. Trotz des allgemeinen Rückgangs in der Zukunft sind sehr hohe Sedimentausträge als Reaktion auf Niederschlagsereignisse möglich. Diese zweifältige Entwicklung hat wichtige Auswirkungen auf das Sedimentmanagement, die Hochwassergefahr und die Flussökologie. Diese Arbeit zeigt, dass QRF ein sehr nützliches Instrument zur Modellierung des Sedimentexports in hochalpinen Gebieten sein kann. Mehrere Validierungen in der zweiten Studie zeigten eine gute Modell-Performance und die Überlegenheit gegenüber traditionellen Sediment-Abfluss-Beziehungen – insbesondere in Zeiträumen, in denen es zu einem hohen Sedimentexport kam, was auf die Fähigkeit von QRF hinweist, mit Schwelleneffekten umzugehen. Eine technische Einschränkung von QRF ist die Unfähigkeit, über den Bereich der in den Trainingsdaten dargestellten Werte hinaus zu extrapolieren. Die Anzahl und den Schweregrad an solchen Tagen, in denen der Wertebereich der Trainingsdaten überschritten wurde, wurde in beiden Studien untersucht. Dabei zeigte sich, dass es in der zweiten Studie nur wenige solcher Tage gab und dass die mit den Überschreitungen verbundenen Unsicherheiten in der dritten Studie vor 2070 gering waren. Da die vorverarbeiteten Daten und der Modellcode öffentlich zugänglich gemacht wurden, können künftige Studien darauf aufbauend weitere Ansätze testen oder QRF auf weitere Einzugsgebiete anwenden. KW - suspended sediment KW - glacier melt KW - climate change KW - natural hazards KW - hydrology KW - geomorphology KW - Klimawandel KW - Geomorphologie KW - Gletscherschmelze KW - Hydrologie KW - Naturgefahren KW - suspendiertes Sediment Y1 - 2024 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-623302 ER - TY - THES A1 - Luna, Lisa Victoria T1 - Rainfall-triggered landslides: conditions, prediction, and warning N2 - Rainfall-triggered landslides are a globally occurring hazard that cause several thousand fatalities per year on average and lead to economic damages by destroying buildings and infrastructure and blocking transportation networks. For people living and governing in susceptible areas, knowing not only where, but also when landslides are most probable is key to inform strategies to reduce risk, requiring reliable assessments of weather-related landslide hazard and adequate warning. Taking proper action during high hazard periods, such as moving to higher levels of houses, closing roads and rail networks, and evacuating neighborhoods, can save lives. Nevertheless, many regions of the world with high landslide risk currently lack dedicated, operational landslide early warning systems. The mounting availability of temporal landslide inventory data in some regions has increasingly enabled data-driven approaches to estimate landslide hazard on the basis of rainfall conditions. In other areas, however, such data remains scarce, calling for appropriate statistical methods to estimate hazard with limited data. The overarching motivation for this dissertation is to further our ability to predict rainfall-triggered landslides in time in order to expand and improve warning. To this end, I applied Bayesian inference to probabilistically quantify and predict landslide activity as a function of rainfall conditions at spatial scales ranging from a small coastal town, to metropolitan areas worldwide, to a multi-state region, and temporal scales from hourly to seasonal. This thesis is composed of three studies. In the first study, I contributed to developing and validating statistical models for an online landslide warning dashboard for the small town of Sitka, Alaska, USA. We used logistic and Poisson regressions to estimate daily landslide probability and counts from an inventory of only five reported landslide events and 18 years of hourly precipitation measurements at the Sitka airport. Drawing on community input, we established two warning thresholds for implementation in the dashboard, which uses observed rainfall and US National Weather Service forecasts to provide real-time estimates of landslide hazard. In the second study, I estimated rainfall intensity-duration thresholds for shallow landsliding for 26 cities worldwide and a global threshold for urban landslides. I found that landslides in urban areas occurred at rainfall intensities that were lower than previously reported global thresholds, and that 31% of urban landslides were triggered during moderate rainfall events. However, landslides in cities with widely varying climates and topographies were triggered above similar critical rainfall intensities: thresholds for 77% of cities were indistinguishable from the global threshold, suggesting that urbanization may harmonize thresholds between cities, overprinting natural variability. I provide a baseline threshold that could be considered for warning in cities with limited landslide inventory data. In the third study, I investigated seasonal landslide response to annual precipitation patterns in the Pacific Northwest region, USA by using Bayesian multi-level models to combine data from five heterogeneous landslide inventories that cover different areas and time periods. I quantitatively confirmed a distinctly seasonal pattern of landsliding and found that peak landslide activity lags the annual precipitation peak. In February, at the height of the landslide season, landslide intensity for a given amount of monthly rainfall is up to ten times higher than at the season onset in November, underlining the importance of antecedent seasonal hillslope conditions. Together, these studies contributed actionable, objective information for landslide early warning and examples for the application of Bayesian methods to probabilistically quantify landslide hazard from inventory and rainfall data. N2 - Durch Regenfälle ausgelöste Erdrutsche sind eine weltweit auftretende Gefahr, die im Durchschnitt mehrere tausend Todesopfer pro Jahr fordern und zu wirtschaftlichen Schäden führen, indem sie Gebäude und Infrastrukturen zerstören und Verkehrsnetze blockieren. Für Bewohner, sowie lokale Regierungen in potentiell gefährdeten Gebieten, ist es entscheidend zu wissen, nicht nur wo, sondern auch wann Erdrutsche am wahrscheinlichsten sind, um Strategien zur Verringerung des Risikos zu entwickeln. Dies erfordert zuverlässige Bewertungen der wetterbedingten Erdrutschgefahr und eine angemessene Warnung. Angemessene Maßnahmen während Hochrisikoperioden, wie der Umzug in höhere Etagen, die Sperrung von Straßen und Schienennetzen, sowie die Evakuierung von Wohngebieten, können Leben retten. In vielen Regionen mit hohem Erdrutschrisiko gibt es jedoch derzeit keine spezifischen, einsatzfähigen Frühwarnsysteme für Erdrutsche. In einigen Regionen ermöglichte die zunehmende Verfügbarkeit von zeitlich-aufgelösten Erdrutschdaten datengestützte Ansätze zur Abschätzung der Erdrutschgefahr auf Grundlage von Niederschlagsbedingungen. In anderen Gebieten sind solche Daten jedoch nach wie vor spärlich, sodass geeignete statistische Methoden erforderlich sind, um die Gefährdung trotz einer begrenzten Datenmenge abzuschätzen. Die übergreifende Motivation für diese Dissertation besteht darin, unsere Fähigkeit zur rechtzeitigen Vorhersage von niederschlagsbedingten Erdrutschen zu verbessern, um Frühwarnsysteme zu erweitern und optimieren. Zu diesem Zweck habe ich Bayes'sche Inferenz angewandt, um die Erdrutschaktivität in Abhängigkeit von den Niederschlagsbedingungen probabilistisch zu quantifizieren und vorherzusagen. Meine Studien decken dabei sowohl eine breite räumliche Skala, welche von einer lokalen bis regionalen Betrachtung reicht, als auch eine von stündlich bis saisonal reichende zeitliche Skala ab. Diese Dissertation setzt sich aus drei Studien zusammen. In der ersten Studie habe ich zur Entwicklung und Validierung statistischer Modelle für ein Online-Dashboard zur Erdrutschwarnung in der Kleinstadt Sitka, Alaska, USA, beigetragen. Wir verwendeten logistische und Poisson-Regressionen zur Einschätzung der täglichen Erdrutschwahrscheinlichkeit und der Anzahl der Erdrutsche auf Grundlage von nur fünf dokumentierten Erdrutschereignissen und 18 Jahren stündlicher Niederschlagsmessungen am Flughafen von Sitka. Basierend auf Hinweisen aus der Bevölkerung legten wir zwei Warnschwellenwerte für die Umsetzung des Dashboards fest, welches wiederum beobachtete Niederschläge und Vorhersagen des US-amerikanischen Wetterdienstes (US National Weather Service) nutzt, um Echtzeiteinschätzungen der Erdrutschgefahr zu liefern. In der zweiten Studie habe ich Schwellenwerte für die Niederschlagsintensität und -dauer für Erdrutsche in 26 Städten weltweit, sowie einen globalen Schwellenwert für urbane Erdrutsche ermittelt. Dabei stellte ich fest, dass Erdrutsche in urbanen Gebieten bei Niederschlagsintensitäten auftreten, die unter den zuvor gemeldeten globalen Schwellenwerten liegen, und dass 31 % der Erdrutsche in Städten durch moderate Niederschlagsereignisse ausgelöst wurden. Erdrutsche in Städten mit sehr unterschiedlichen klimatischen und topografischen Bedingungen wurden jedoch bei vergleichbaren kritischen Niederschlagsintensitäten ausgelöst: Für 77 % der Städte unterschieden sich die lokalen Schwellenwerte nicht von den globalen Schwellenwerten, was darauf hindeutet, dass eine zunehmende Urbanisierung die Schwellenwerte zwischen Städten angleicht und natürliche Schwankungen überlagern kann. Ich habe einen Basisschwellenwert festgelegt, der für die Warnung in Städten mit begrenzten Erdrutschdaten in Betracht gezogen werden könnte. In der dritten Studie untersuchte ich saisonale Reaktionen von Erdrutschen auf jährliche Niederschlagsmuster im pazifischen Nordwesten der USA. Dafür verwendete ich Bayes'sche Mehrebenenmodelle, um Daten aus fünf heterogenen Erdrutschinventaren zu kombinieren, welche unterschiedliche Gebiete und Zeiträume abdecken. Ich fand heraus, dass Erdrutsche deutlich saisonabhängig sind und dass der Höhepunkt der Erdrutschaktivität mit einem zeitlichen Versatz auf den jährlichen Niederschlagsspitzenwert folgt. Im Februar, auf dem Höhepunkt der Erdrutschsaison, ist die Erdrutschintensität bei einer gegebenen monatlichen Niederschlagsmenge bis zu zehnmal höher als zu Beginn der Saison im November. Dies unterstreicht die Bedeutung von vorherigen saisonalen Hangbedingungen. Zusammengefasst liefern die in dieser Dissertation vorgestellten Studien umsetzbare, objektive Informationen für die Frühwarnung vor Erdrutschen und Beispiele für die Anwendung von Bayes'schen Methoden zur probabilistischen Quantifizierung der Erdrutschgefahr mittels Bestands- und Niederschlagsdaten. T2 - Durch Regenfälle ausgelöste Erdrutsche: Bedingungen, Vorhersage und Warnung KW - landslide KW - natural hazards KW - Bayesian statistics KW - early warning KW - geomorphology KW - Bayessche Statistik KW - Erdrutsch KW - Naturgefahren KW - Frühwarnung KW - Geomorphologie Y1 - 2023 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-600927 ER - TY - THES A1 - Korzeniowska, Karolina T1 - Object-based image analysis for detecting landforms diagnostic of natural hazards T1 - Objektbasierte Bildanalyse zur Erfassung spezieller diagnostischer Landformen von Naturgefahren N2 - Natural and potentially hazardous events occur on the Earth’s surface every day. The most destructive of these processes must be monitored, because they may cause loss of lives, infrastructure, and natural resources, or have a negative effect on the environment. A variety of remote sensing technologies allow the recoding of data to detect these processes in the first place, partly based on the diagnostic landforms that they form. To perform this effectively, automatic methods are desirable. Universal detection of natural hazards is challenging due to their differences in spatial impacts, timing and longevity of consequences, and the spatial resolution of remote-sensing data. Previous studies have reported that topographic metrics such as roughness, which can be captured from digital elevation data, can reveal landforms diagnostic of natural hazards, such as gullies, dunes, lava fields, landslides and snow avalanches, as these landforms tend to be more heterogeneous than the surrounding landscape. A single roughness metric is often limited in such detections; however, a more complex approach that exploits the spatial relation and the location of objects, such as object-based image analysis (OBIA), is desirable. In this thesis, I propose a topographic roughness measure derived from an airborne laser scanning (ALS) digital terrain model (DTM) and discuss its performance in detecting landforms principally diagnostic of natural hazards. I further develop OBIA-based algorithms for the detection of snow avalanches using near-infrared (NIR) aerial images, and the size (changes) of mountain lakes using LANDSAT satellite images. I quantitatively test and document how the level of difficulty in detecting these very challenging landforms depends on the input data resolution, the derivatives that could be evaluated from images and DTMs, the size, shape and complexity of landforms, and the capabilities of obtaining the information in the data. I demonstrate that surface roughness is a promising metric for detecting different landforms in diverse environments, and that OBIA assists significantly in detecting parts of lakes and snow avalanches that may not be correctly assigned by applying only the thresholding of spectral properties of data and their derivatives. The curvature-based surface roughness parameter allows the detection of gullies, dunes, lava fields and landslides with a user’s accuracy of 0.63, 0.21, 0.53, and 0.45, respectively. The OBIA algorithms for detecting lakes and snow avalanches obtained user’s accuracy of 0.98, and 0.78, respectively. Most of the analysed landforms constituted only a small part of the entire dataset, and therefore the user’s accuracy is the most appropriate performance measure that should be given in a such classification, because it tells how many automatically-extracted pixels in fact represent the object that one wants to classify, and its calculation does not take the second (background) class into account. One advantage of the proposed roughness parameter is that it allows the extraction of the heterogeneity of the surface without the need for data detrending. The OBIA approach is novel in that it allows the classification of lakes regardless of the physical state of their water, and also allows the separation of frozen lakes from glaciers that have very similar water indices used in purely optical remote sensing applications. The algorithm proposed for snow avalanches allows the detection of release zones, tracks, and deposition zones by verifying the snow heterogeneity based on a roughness metric evaluated from a water index, and by analysing the local relation of segments with their neighbouring objects. This algorithm contains few steps, which allows for the simultaneous classification of avalanches that occur on diverse mountain slopes and differ in size and shape. This thesis contributes to natural hazard research as it provides automatic solutions to tracking six different landforms that are diagnostic of natural hazards over large regions. This is a step toward delineating areas susceptible to the processes producing these landforms and the improvement of hazard maps. N2 - Naturgefahren und potenziell gefährliche Ereignisse der Erdoberfläche treten jeden Tag auf. Prozesse mit Zerstörungswirkungen sollten identifiziert werden, weil sie Gefahren für besiedelte Gebiete sowie menschliches Leben haben können. Naturgefahren haben erhebliche Einflüsse auf die Umwelt. Eine Vielzahl von Fernerkundungstechnologien, die heutzutage verfügbar sind, erlauben die Aufnahme und Speicherung von Datensätzen, die bei der Erkennung solcher Naturgefahren helfen können. Eine wichtige Grundlage dafür stellt die diagnostische Landform dar, welche die Naturgefahr ausbildet. Für eine effiziente Analyse sind automatische Methoden wünschenswert. Die Verwendung einer universellen Methode zur Erkennung von Naturgefahren ist deshalb eine Herausforderung, weil die räumlichen Ausdehnungen unterschiedlich sind. So können diese unterschiedlichen Alters sein und verschiedene räumliche Auflösungen in Fernerkundungsdaten besitzen. Dies beeinflusst den Detailierungsgrad bei der Abbildung der Erdoberfläche. Frühere Studien zeigen, dass Ableitungen wie beispielweise die Rauheit, die von Fernerkundungsdaten erfasst werden kann, es erlauben, Naturgefahrenphänomene wie z. B. Erosionsrinnen, Dünen, Lavafelder, Erdrutsche und Schneelawinen zu erkennen, weil sie heterogener sind als umgebende Objekte. Dennoch ist es nicht zulässig, allein mittels der eigenständigen Rauheit eine Unterscheidung zwischen den erfassten Landschaftsformen vorzunehmen. Hier ist ein komplexer Ansatz wie die Objektbasierte Bildanalyse (OBIA) wünschenswert, weil ein solcher sowohl die räumliche Relation als auch die Lage von Objekten verwendet. In dieser Dissertation schlage ich einen Oberflächenrauhigkeitsindex, abgeleitet aus einem durch Airborne Laserscanning (ALS) erfassten digitalen Geländemodells (DTM), vor und diskutiere die Faktoren, die die Darstellung von Naturgefahrenphänomenen mittels dieser Variable beeinflussen. Ich präsentiere auch OBIA-basierte, automatische Algorithmen für die Erkennung von Schneelawinen welche aus Nah-Infrarot (NIR) Luftbildern ausgewertet wurden sowie den Verlauf einer Seegrenze, die auf LANDSAT Satellitenbildern abgebildet wird. Ich zeige weiterhin, dass der Schwierigkeitsgrad für die Erfassung der analysierten Phänomene variabel und abhängig von den Dateneigenschaften, der Komplexität der getrackten Phänomene sowie von den qualitativen Ausprägungen des Informationsgehaltes ist. Ferner werde ich zeigen, dass die vorgeschlagene Oberflächenrauhigkeit die räumliche Ausdehnung der verschiedenen Phänomene zu bestimmen erlaubt, und dass der OBIA-Ansatz deutlich bei der Erkennung von Objekten und derjenigen Teile hilft, die nicht korrekt nur durch Verwendung spektraler Eigenschaften von Daten und deren Derivaten zugewiesen werden konnten. Der krümmungsbasierte Oberflächenrauhigkeitindex ermöglicht die Erkennung von Erosionsrinnen, Dünen, Lavafeldern, und Erdrutschen mit einer Benutzergenauigkeit von: 0.63, 0.21, 0.53 und 0.45. Vergleichend dazu erzielen die vorgestellten OBIA-Algorithmen für die Erfassung von Seen und Schneelawinen eine Benutzergenauigkeit von 0.98 und 0.78. Die in dieser Arbeit analysierten Landformen stellen einen Ausschnitt aus dem Gesamtspektrum vorkommender Strukturen dar. Die Benutzergenauigkeit stellt dabei den am besten geeigneten Leistungsindex dar, auf dem basierend eine Klassifikation durchgeführt werden kann. Die Benutzergenauigkeit gibt an, wie viele der automatisch extrahierten Pixel das zu klassifizierende Objekt tatsächlich repräsentieren. Eine Betrachtung einer zweiten (Hintergrund-) Klasse muss durch diesen Ansatz nicht erfolgen. Ein Vorteil des vorgeschlagenen Oberflächenrauhigkeitindex ist, dass er die Extraktion der Heterogenität der Oberfläche ohne die Notwendigkeit eines Daten-detrendings ermöglicht. Der OBIA-Ansatz für die Erfassung von Seegrenzen erlaubt es einerseits, Seen ungeachtet der physikalischen Zustände des Wassers zu klassifizieren und anderseits gefrorene Seen von den Gletschern zu unterschieden, welche ähnliche Eigenschaften beim Wasserindex aufweisen. Der für Schneelawinen vorgeschlagene Algorithmus wiederum ermöglicht insgesamt die Erfassung von Anbruchgebieten, Sturzbahnen und Ablagerungszonen durch Verifikation der Schneeheterogenität sowie die lokalen Beziehungen zu benachbarten Objekten. Dieser Algorithmus enthält einige Schritte, die es erlauben, gleichzeitig Lawinen zu klassifizieren, die in verschiedenen Berghängen auftreten und unterschiedliche Größen und Formen haben. Diese Dissertation trägt zur Naturgefahrenforschung bei, da sie automatische Lösungen für das Monitoring von sechs verschiedenen Landformen bietet, die typisch für Naturgefahren sind. Es wird somit dazu beigetragen, Gebiete abgrenzbar zu machen, welche für das Auftreten von Gefahrenphänomenen besonders anfällig sind. Zudem können damit auch Verbesserungen bei der Erstellung von Gefahrenkarten erreicht werden. KW - object based image analysis KW - automatic classification KW - GIS KW - satellite images KW - photogrammetry KW - landforms KW - natural hazards KW - snow avalanches KW - lakes KW - roughness KW - objektbasierte Bildanalyse KW - automatische Klassifizierung KW - GIS KW - Satellitenbilder KW - Photogrammetrie KW - Landformen KW - Naturgefahren KW - Lawinen KW - Seen KW - Rauheit Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-402240 ER - TY - THES A1 - Golly, Antonius T1 - Formation and evolution of channel steps and their role for sediment dynamics in a steep mountain stream T1 - Formation und Evolution von Bachstufen und ihr Einfluss auf die Sedimentdynamik eines steilen Gebirgseinzugsgebietes N2 - Steep mountain channels are an important component of the fluvial system. On geological timescales, they shape mountain belts and counteract tectonic uplift by erosion. Their channels are strongly coupled to hillslopes and they are often the main source of sediment transported downstream to low-gradient rivers and to alluvial fans, where commonly settlements in mountainous areas are located. Hence, mountain streams are the cause for one of the main natural hazards in these regions. Due to climate change and a pronounced populating of mountainous regions the attention given to this threat is even growing. Although quantitative studies on sediment transport have significantly advanced our knowledge on measuring and calibration techniques we still lack studies of the processes within mountain catchments. Studies examining the mechanisms of energy and mass exchange on small temporal and spatial scales in steep streams remain sparse in comparison to low-gradient alluvial channels. In the beginning of this doctoral project, a vast amount of experience and knowledge of a steep stream in the Swiss Prealps had to be consolidated in order to shape the principal aim of this research effort. It became obvious, that observations from within the catchment are underrepresented in comparison to experiments performed at the catchment’s outlet measuring fluxes and the effects of the transported material. To counteract this imbalance, an examination of mass fluxes within the catchment on the process scale was intended. Hence, this thesis is heavily based on direct field observations, which are generally rare in these environments in quantity and quality. The first objective was to investigate the coupling of the channel with surrounding hillslopes, the major sources of sediment. This research, which involved the monitoring of the channel and adjacent hillslopes, revealed that alluvial channel steps play a key role in coupling of channel and hillslopes. The observations showed that hillslope stability is strongly associated with the step presence and an understanding of step morphology and stability is therefore crucial in understanding sediment mobilization. This finding refined the way we think about the sediment dynamics in steep channels and motivated continued research of the step dynamics. However, soon it became obvious that the technological basis for developing field tests and analyzing the high resolution geometry measured in the field was not available. Moreover, for many geometrical quantities in mountain channels definitions and a clear scientific standard was not available. For example, these streams are characterized by a high spatial variability of the channel banks, preventing straightforward calculations of the channel width without a defined reference. Thus, the second and inevitable part of this thesis became the development and evaluation of scientific tools in order to investigate the geometrical content of the study reach thoroughly. The developed framework allowed the derivation of various metrics of step and channel geometry which facilitated research on the a large data set of observations of channel steps. In the third part, innovative, physically-based metrics have been developed and compared to current knowledge on step formation, suggested in the literature. With this analyses it could be demonstrated that the formation of channel steps follow a wide range of hydraulic controls. Due to the wide range of tested parameters channel steps observed in a natural stream were attributed to different mechanisms of step formation, including those based on jamming and those based on key-stones. This study extended our knowledge on step formation in a steep stream and harmonized different, often time seen as competing, processes of step formation. This study was based on observations collected at one point in time. In the fourth part of this project, the findings of the snap-shot observations were extended in the temporal dimension and the derived concepts have been utilized to investigate reach-scale step patterns in response to large, exceptional flood events. The preliminary results of this work based on the long-term analyses of 7 years of long profile surveys showed that the previously observed channel-hillslope mechanism is the responsible for the short-term response of step formation. The findings of the long-term analyses of step patterns drew a bow to the initial observations of a channel-hillslope system which allowed to join the dots in the dynamics of steep stream. Thus, in this thesis a broad approach has been chosen to gain insights into the complex system of steep mountain rivers. The effort includes in situ field observations (article I), the development of quantitative scientific tools (article II), the reach-scale analyses of step-pool morphology (article III) and its temporal evolution (article IV). With this work our view on the processes within the catchment has been advanced towards a better mechanistic understanding of these fluvial system relevant to improve applied scientific work. N2 - Gebirgsbäche sind stark gekoppelt mit angrenzenden Hängen, welche eine Hauptquelle von Sediment darstellen. Dieses Sediment wird durch erosive Prozesse weiter im fluvialen System stromabwärts transportiert, häufig auch in Bereiche alpiner Besiedlung. Das transportierte Sediment kann dort verheerende Schäden an Gebäuden und Infrastruktur anrichten. Daher stellen Gebirgsbäche eine Hauptursache für Naturgefahren in steilen Regionen dar, welche durch den Wandel des Klimas und die fortschreitende Besiedlung durch den Menschen noch verstärkt werden. Wenngleich quantitative Studien unser Wissen über Mess- und Kalibrierungstechniken zur Erfassung von Sedimenttransport erweitert haben, so sind doch viele Prozesse innerhalb der Einzugsgebiete in Hinblick auf Erosion und Sedimentverfügbarkeit weitgehend unerforscht. So stellen Beobachtungen von Mechanismen von Energie- und Massenaustausch auf kleinen räumlichen und zeitlichen Skalen innerhalb steiler Gebirgseinzugsgebiete eine Ausname dar. Diese Doktorarbeit basiert auf hoch-qualitativen Feldbeobachtungen in einem schweizer Gebirgsbach um Forschungsfragen in Hinblick auf die Sediementdyanmik zu behandeln. Das erste Ziel war es, die Gerinne-Hang-Kopplung zu erforschen und zu verstehen, um mögliche Sedimentquellen zu identifizieren, sowie die Mechanismen und Prozesse der Sedimentgenerierung in den Kontext der allgemeinen Dynamik von Gebirgsbächen zu bringen. Die erste Studie, welche auf visuellen Beobachtungen basiert, offenbarte eine Schlüsselrolle von Bachstufen in der Gerinne-Hang-Kopplung. Auf dieser Grundlage wurde ein konzeptuelles Modell entwickelt (Artikel I): durch die Erosion von Bachstufen werden angrenzende Hänge destabilisiert und ermöglichen anhaltenden Sedimenteintrag. Diese Forschung regte eine genauere Beobachtung der räumlichen und zeitlichen Evolution von Bachstufen an. Die weitere Forschung erforderte jedoch neue technologische Werkzeuge und Methoden welche zunächst in dieser Doktorarbeit eigens entwickelt wurden (Artikel II). Mit diesen Werkzeugen wurde dann ein Datensatz eingemessener Bachstufen in Hinblick auf den Formationsprozess analysiert (Artikel III). Mit dieser Analyse konnten verschiedene Stufenbildungstheorien überprüft und und zwei dominante Mechanismen verifiziert werden: Bachstufen formen sich in engen und verengenden Bachabchnitten durch Verklemmung, sowie in breiten und breiter werdenden Abschnitten durch die Ablagerung von Schlüsselsteinen. Durch diese Beobachtung wurde unser Wissen über Stufenbildung erweitert indem verschiedene hypothetisierte Mechanismen in einem Gebirgsbach harmonisiert wurden. Zu guter Letzt wurde diese Punktbeobachtung schließlich in den zeitlichen Kontext gesetzt, indem die Muster von Bachstufen über 7 Jahre nach einem hydrologischen Großereignis in 2010 untersucht wurden (Artikel IV). Die vorläufigen Ergebnisse zeigen, dass Großereignisse einen erheblichen Einfluss auf die Gerinnebreite haben: sowohl die räumlich gemittelte Gerinnebreite, als auch die mittlere Gerinnebreite an Bachstufen ist unmittelbar nach dem Großereignis deutlich erhöht. Weiterhin ist die relative Anzahl der Bachstufen welche durch Schlüsselsteine erzeugt werden größer nach dem Großereignis. Dies deutet darauf hin, dass der zuerst beobachtete Mechanismus der Gerinne-Hang-Kopplung (Artikel I) verantwortlich ist für die zeitliche Evolution der Bachstufen nach Großereignissen (Artikel IV). KW - Geomorphologie KW - geomorphology KW - Naturgefahren KW - natural hazards KW - Gebirgsbäche KW - mountain rivers KW - Geschiebetransport KW - bedload transport KW - Bachstufen KW - channel steps KW - Gerinne-Hang-Kopplung KW - channel-hillslope coupling Y1 - 2017 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus4-411728 ER - TY - THES A1 - Vogel, Kristin T1 - Applications of Bayesian networks in natural hazard assessments T1 - Anwendungen von Bayes'schen Netzen bei der Einschätzung von Naturgefahren N2 - Even though quite different in occurrence and consequences, from a modeling perspective many natural hazards share similar properties and challenges. Their complex nature as well as lacking knowledge about their driving forces and potential effects make their analysis demanding: uncertainty about the modeling framework, inaccurate or incomplete event observations and the intrinsic randomness of the natural phenomenon add up to different interacting layers of uncertainty, which require a careful handling. Nevertheless deterministic approaches are still widely used in natural hazard assessments, holding the risk of underestimating the hazard with disastrous effects. The all-round probabilistic framework of Bayesian networks constitutes an attractive alternative. In contrast to deterministic proceedings, it treats response variables as well as explanatory variables as random variables making no difference between input and output variables. Using a graphical representation Bayesian networks encode the dependency relations between the variables in a directed acyclic graph: variables are represented as nodes and (in-)dependencies between variables as (missing) edges between the nodes. The joint distribution of all variables can thus be described by decomposing it, according to the depicted independences, into a product of local conditional probability distributions, which are defined by the parameters of the Bayesian network. In the framework of this thesis the Bayesian network approach is applied to different natural hazard domains (i.e. seismic hazard, flood damage and landslide assessments). Learning the network structure and parameters from data, Bayesian networks reveal relevant dependency relations between the included variables and help to gain knowledge about the underlying processes. The problem of Bayesian network learning is cast in a Bayesian framework, considering the network structure and parameters as random variables itself and searching for the most likely combination of both, which corresponds to the maximum a posteriori (MAP score) of their joint distribution given the observed data. Although well studied in theory the learning of Bayesian networks based on real-world data is usually not straight forward and requires an adoption of existing algorithms. Typically arising problems are the handling of continuous variables, incomplete observations and the interaction of both. Working with continuous distributions requires assumptions about the allowed families of distributions. To "let the data speak" and avoid wrong assumptions, continuous variables are instead discretized here, thus allowing for a completely data-driven and distribution-free learning. An extension of the MAP score, considering the discretization as random variable as well, is developed for an automatic multivariate discretization, that takes interactions between the variables into account. The discretization process is nested into the network learning and requires several iterations. Having to face incomplete observations on top, this may pose a computational burden. Iterative proceedings for missing value estimation become quickly infeasible. A more efficient albeit approximate method is used instead, estimating the missing values based only on the observations of variables directly interacting with the missing variable. Moreover natural hazard assessments often have a primary interest in a certain target variable. The discretization learned for this variable does not always have the required resolution for a good prediction performance. Finer resolutions for (conditional) continuous distributions are achieved with continuous approximations subsequent to the Bayesian network learning, using kernel density estimations or mixtures of truncated exponential functions. All our proceedings are completely data-driven. We thus avoid assumptions that require expert knowledge and instead provide domain independent solutions, that are applicable not only in other natural hazard assessments, but in a variety of domains struggling with uncertainties. N2 - Obwohl Naturgefahren in ihren Ursachen, Erscheinungen und Auswirkungen grundlegend verschieden sind, teilen sie doch viele Gemeinsamkeiten und Herausforderungen, wenn es um ihre Modellierung geht. Fehlendes Wissen über die zugrunde liegenden Kräfte und deren komplexes Zusammenwirken erschweren die Wahl einer geeigneten Modellstruktur. Hinzu kommen ungenaue und unvollständige Beobachtungsdaten sowie dem Naturereignis innewohnende Zufallsprozesse. All diese verschiedenen, miteinander interagierende Aspekte von Unsicherheit erfordern eine sorgfältige Betrachtung, um fehlerhafte und verharmlosende Einschätzungen von Naturgefahren zu vermeiden. Dennoch sind deterministische Vorgehensweisen in Gefährdungsanalysen weit verbreitet. Bayessche Netze betrachten die Probleme aus wahrscheinlichkeitstheoretischer Sicht und bieten somit eine sinnvolle Alternative zu deterministischen Verfahren. Alle vom Zufall beeinflussten Größen werden hierbei als Zufallsvariablen angesehen. Die gemeinsame Wahrscheinlichkeitsverteilung aller Variablen beschreibt das Zusammenwirken der verschiedenen Einflussgrößen und die zugehörige Unsicherheit/Zufälligkeit. Die Abhängigkeitsstrukturen der Variablen können durch eine grafische Darstellung abgebildet werden. Die Variablen werden dabei als Knoten in einem Graphen/Netzwerk dargestellt und die (Un-)Abhängigkeiten zwischen den Variablen als (fehlende) Verbindungen zwischen diesen Knoten. Die dargestellten Unabhängigkeiten veranschaulichen, wie sich die gemeinsame Wahrscheinlichkeitsverteilung in ein Produkt lokaler, bedingter Wahrscheinlichkeitsverteilungen zerlegen lässt. Im Verlauf dieser Arbeit werden verschiedene Naturgefahren (Erdbeben, Hochwasser und Bergstürze) betrachtet und mit Bayesschen Netzen modelliert. Dazu wird jeweils nach der Netzwerkstruktur gesucht, welche die Abhängigkeiten der Variablen am besten beschreibt. Außerdem werden die Parameter der lokalen, bedingten Wahrscheinlichkeitsverteilungen geschätzt, um das Bayessche Netz und dessen zugehörige gemeinsame Wahrscheinlichkeitsverteilung vollständig zu bestimmen. Die Definition des Bayesschen Netzes kann auf Grundlage von Expertenwissen erfolgen oder - so wie in dieser Arbeit - anhand von Beobachtungsdaten des zu untersuchenden Naturereignisses. Die hier verwendeten Methoden wählen Netzwerkstruktur und Parameter so, dass die daraus resultierende Wahrscheinlichkeitsverteilung den beobachteten Daten eine möglichst große Wahrscheinlichkeit zuspricht. Da dieses Vorgehen keine Expertenwissen voraussetzt, ist es universell in verschiedenen Gebieten der Gefährdungsanalyse einsetzbar. Trotz umfangreicher Forschung zu diesem Thema ist das Bestimmen von Bayesschen Netzen basierend auf Beobachtungsdaten nicht ohne Schwierigkeiten. Typische Herausforderungen stellen die Handhabung stetiger Variablen und unvollständiger Datensätze dar. Beide Probleme werden in dieser Arbeit behandelt. Es werden Lösungsansätze entwickelt und in den Anwendungsbeispielen eingesetzt. Eine Kernfrage ist hierbei die Komplexität des Algorithmus. Besonders wenn sowohl stetige Variablen als auch unvollständige Datensätze in Kombination auftreten, sind effizient arbeitende Verfahren gefragt. Die hierzu in dieser Arbeit entwickelten Methoden ermöglichen die Verarbeitung von großen Datensätze mit stetigen Variablen und unvollständigen Beobachtungen und leisten damit einen wichtigen Beitrag für die wahrscheinlichkeitstheoretische Gefährdungsanalyse. KW - Bayes'sche Netze KW - Naturgefahren KW - Gefahrenanalyse KW - Unsicherheiten KW - Hochwasser KW - Bayesian networks KW - natural hazards KW - hazard assessments KW - uncertainties KW - flood events Y1 - 2013 U6 - http://nbn-resolving.de/urn/resolver.pl?urn:nbn:de:kobv:517-opus-69777 ER -