Derivation of spatiotemporal landslide activity for large areas using long-term multi-sensor satellite time series data
| dc.contributor.advisor | Kleinschmit, Birgit | |
| dc.contributor.author | Behling, Robert | |
| dc.contributor.grantor | Technische Universität Berlin | en |
| dc.contributor.referee | Kleinschmit, Birgit | |
| dc.contributor.referee | Kaufmann, Herrmann | |
| dc.contributor.referee | Guanter, Luis | |
| dc.date.accepted | 2016-05-24 | |
| dc.date.accessioned | 2016-10-14T13:15:59Z | |
| dc.date.available | 2016-10-14T13:15:59Z | |
| dc.date.issued | 2016 | |
| dc.description.abstract | The main principle in landslide hazard and risk assessment is that conditions of past and present landslide activity indicate future landslide occurrence. Hence, the probabilistic assessment of landslide hazard and risk requires a profound knowledge about spatiotemporal landslide activity over longer time spans and large areas. However, for most parts of the world such information is largely missing, because the identification of landslide activity still mainly relies on time-consuming and resource-intensive conventional methods (i.e. visual interpretation of optical data supported by comprehensive field surveys) and because all efforts to automate this landslide mapping procedure are hitherto limited to small areas and/or very short time periods or even single events. This thesis presents the development of an automated approach for efficient multi-temporal identification of landslides based on optical satellite-based remote sensing time series data. The developed approach allows for retrospective analysis of long-term landslide occurrence and for monitoring recent landslide activity for large areas. For this purpose, a comprehensive optical remote sensing database has been created. To achieve best temporal resolution, data of multiple optical sensors are used simultaneously. In total, the database consists of 729 datasets acquired by Landsat-(E)TM, SPOT 1 & 5, IRS-1C (LISS3), ASTER, and RapidEye between 1986 and 2013 for a landslide-affected area of 12000 km² in Southern Kyrgyzstan, Central Asia. The developed approach comprises automated multi-sensor pre-processing as well as knowledge-based and uncertainty-related multi-temporal change detection methods to enable efficient and robust spatiotemporal identification of landslides in a highly heterogeneous multi-sensor time series database. The change detection builds on the analysis of temporal NDVI-trajectories, representing footprints of vegetation changes over time. Landslide-specific trajectories are characterized by abrupt vegetation cover destruction and longer-term revegetation rates resulting from landslide-related disturbance and dislocation of the fertile soil cover. In combination with DEM-derivatives the developed approach enables automated identification of landslides of different sizes, shapes and in different stages of development under varying natural conditions. The approach is applied to two scenarios. Firstly, the recent landslide activity (2009 – 2013) is identified by a RapidEye-based application of the approach in a 7500 km² area. Secondly, a long-term analysis (1986 - 2013) is performed on the basis of the multi-sensor database in a highly landslide-affected region of 2500 km². In both cases, the number of automatically mapped landslides exceeds the existing landslide records of the Kyrgyz authorities by more than a factor of ten. In total, almost 2000 landslides are mapped, whereas the size of the landslides ranges from 50 m² to 2.8 km². The identified landslide occurrence shows clear spatial patterns with highest activity along the foothills of the Tien-Shan mountain ranges. Temporally, the long-term analysis reveals a peak of landslide activity for the years 2003 and 2004. In these years, the annual landslide rate was more than five times higher than the identified long-term average rate of 57 landslides per annum. These spatiotemporal activity patterns are evaluated against the morphological setting (predisposing factor) and the temporal variations of the precipitation (triggering factor), exemplarily showing the suitability of the achieved results to determine the individual or combined influence of specific landslide-causing factors in an analyzed region. For the derivation of the recent landslide activity, the approach takes advantage of the high spatial (5 m) and temporal resolution (acquisition intervals of up to several days/weeks) of the RapidEye data, allowing identification of small landslides that are often pre-cursors of subsequent more hazardous landslides. Thus, the approach can also provide valuable information for early warning applications in the context of a regular landslide monitoring system. Overall, the presented approach identifies spatiotemporal landslide activity patterns to improve the regional landslide process understanding. This builds an important step to realize probabilistic landslide hazard and risk assessments in order to contribute to the mitigation of the landslide consequences for the local population of remote mountainous regions such as Southern Kyrgyzstan. Moreover, the multi-sensor applicability and uncertainty-related landslide change detection of the approach provides a great potential to be applied to other global landslide hotspots (e.g. South-East Asia and South America) as well as to new optical sensors (e.g. Sentinel-2), opening up new opportunities to establish a widely applicable large area landslide monitoring system. | en |
| dc.description.abstract | Zur Gefahreneinschätzung von Hangrutschungen greift man auf das grundlegende Prinzip zurück, dass zukünftige Hangrutschungen den gleichen Bedingungen unterliegen wie vergangene und gegenwärtige. Eine Voraussetzung für solche probabilistischen Gefährdungseinschätzungen sind daher fundierte Kenntnisse der raumzeitlichen Hangrutschungsaktivität über möglichst lange Zeiträume und große Gebiete. Allerdings fehlt solches Wissen in den meisten Regionen der Erde, da die Erfassung der Hangrutschungsaktivität nach wie vor meistens durch zeit- und arbeitsaufwendige Methoden erfolgt (d. h. visuelle Interpretation von optischen Fernerkundungsdaten und umfassenden Geländearbeiten) und weil Ansätze diese Hangrutschungsidentifizierung zu automatisieren sich bisher auf kleine Untersuchungsgebiete und/oder auf kurze Zeiträume beschränken. In dieser Dissertation wird eine automatische Methode zur effizienten Hangrutschungsidentifizierung auf Basis von Zeitreihen optischer Satellitenfernerkundungsdaten entwickelt. Diese Methode erlaubt großflächig eine rückwirkende Analyse langzeitlichen Hangrutschungsvorkommens und ein Monitoring rezenter Hangrutschungsaktivität. Zu diesem Zweck wurde eine umfangreiche Datenbank optischer Fernerkundungsdaten erstellt, die, um eine möglichst hohe zeitliche Auflösung zu erreichen, Daten mehrerer optischer Sensoren einschließt. Insgesamt enthält die Datenbank 729 Datensätze sieben verschiedener optischer Satellitensysteme (Landsat-(E)TM, SPOT 1 & 5, IRS-1C (LISS3), ASTER und RapidEye). Die Aufnahmen erstrecken sich über einen Zeitraum von 1986 bis 2013 und über ein 12000 km² großes von Hangrutschungen betroffenes Gebiet im südlichen Kirgisistan (Zentralasien). Die entwickelte Methode umfasst automatische multisensorale Vorverarbeitungsschritte sowie wissensbasierte und Unsicherheiten einbeziehende Algorithmen der multitemporalen Veränderungsdetektion um eine effiziente und robuste raumzeitliche Identifizierung von Hangrutschungen auf Basis einer stark heterogenen multisensoralen Datenzeitreihe zu ermöglichen. Die Algorithmen zur Veränderungsdetektion basieren auf der Analyse von zeitlichen NDVI-Trajektorien, welche ein Abbild zeitlicher Vegetationsveränderungen darstellen. Hangrutschungstypische Muster sind gekennzeichnet durch abrupte Vegetationszerstörung und einen langsamen Wieder-bewuchs, da durch die Hangrutschungen fruchtbarer Oberboden gestört oder gar verlagert worden ist. In Verbindung mit reliefbeschreibenden Parametern erlaubt der entwickelte Ansatz somit die automatische Identifizierung von Hangrutschungen unterschiedlicher Größe, Form und Entwicklungsstadien unter verschiedenen natürlichen Bedingungen. Die Methode wird auf zwei Szenarien angewendet. Zunächst wird die rezente Hangrutschungsdynamik auf Basis der RapidEye-Daten für ein Gebiet von 7500 km² untersucht. Anschließend erfolgt eine langzeitliche Analyse (1986-2013) eines 2500 km² großen stark von Hangrutschungen betroffenen Gebietes mittels der multisensoralen Datenbank. In beiden Fällen übersteigt die Anzahl der automatisch identifizierten Hangrutschungen jene offizieller kirgisischer Berichte um mehr als das Zehnfache. Insgesamt sind annähernd 2000 Hangrutschungen mit einer Größe von 50 m² bis 2.8 km² identifiziert worden. Das erfasste Hangrutschungsvorkommen zeigt deutliche räumliche Muster mit höchster Aktivität entlang der Hänge des Tien-Shan Gebirgsvorlandes. Zeitlich betrachtet hat die langzeitliche Analyse ein Aktivitätsmaximum in den Jahren 2003 und 2004 ergeben. Diese Jahre waren durch eine mehr als fünffach erhöhte Hangrutschungsaktivität gegenüber dem langjährigen Mittel von 57 Hangrutschungen gekennzeichnet. Diese raumzeitlichen Hangrutschungsaktivitätsmuster werden in der Dissertation der morphologischen Beschaffenheit (ursächlicher Faktor) und den zeitlichen Variationen des Niederschlages (auslösender Faktor) gegenübergestellt. So wird exemplarisch die Eignung der erzielten Identifizierungsergebnisse gezeigt, einzelne oder zusammenhängende Einflüsse von Hangrutschungen verursachenden Faktoren für ein Untersuchungsgebiet quantitativ zu bewerten. Für die Ableitung rezenter Hangrutschungsaktivität wird auf die RapidEye-Daten zurückgegriffen, die durch ihre hohe räumliche (5 m) und zeitliche Auflösung (Datenwiederholungsrate von bis zu wenigen Tagen und Wochen) eine Identifizierung von kleinen Rutschungen als Vorboten von größeren gefährlicheren Hangrutschungen zu ermöglichen. Dadurch kann die Methode innerhalb eines regelmäßigen Monitorings auch für Frühwarnsysteme nützliche Informationen liefern. Die entwickelte Methode erlaubt die Identifizierung von raumzeitlichen Hangrutschungsaktivitätsmustern, welche zur Verbesserung die des regionalen Hangrutschungsprozessverständnis beitragen. Damit ist ein wichtiger Beitrag geschaffen zur Realisierung von Hangrutschungsgefährdungseinschätzungen, und damit zur potentiellen Reduzierung des Hangrutschungsrisikos für die lokale Bevölkerung von abgelegenen Gebirgsregionen wie im Falle Südkirgistans. Des Weiteren hat die Methode durch ihre sensorübergreifenden und Unsicherheiten einbeziehenden Analysealgorithmen ein großes Potential auf weitere hangrutschungsgefährdete Gebiete (wie bspw. Südostasien oder Südamerika) sowie auf neue optische Sensoren (z. B. Sentinel-2) angewandt zu werden, was Möglichkeiten für ein vielseitig und großflächig anwendbares Monitoringsystem eröffnet. | de |
| dc.identifier.uri | https://depositonce.tu-berlin.de/handle/11303/5938 | |
| dc.identifier.uri | http://dx.doi.org/10.14279/depositonce-5525 | |
| dc.language.iso | en | en |
| dc.relation.haspart | http://dx.doi.org/10.14279/depositonce-5836 | en |
| dc.relation.haspart | http://dx.doi.org/10.14279/depositonce-5838 | en |
| dc.rights.uri | http://rightsstatements.org/vocab/InC/1.0/ | en |
| dc.subject.ddc | 550 Geowissenschaften | de |
| dc.subject.other | remote sensing | en |
| dc.subject.other | landslide | en |
| dc.subject.other | natural hazard | en |
| dc.subject.other | spatiotemporal activity patterns | en |
| dc.subject.other | monitoring | en |
| dc.subject.other | Fernerkundung | de |
| dc.subject.other | Hangrutschung | de |
| dc.subject.other | Naturgefahren | de |
| dc.subject.other | raumzeitliche Aktivitätsmuster | de |
| dc.subject.other | Monitoring | de |
| dc.title | Derivation of spatiotemporal landslide activity for large areas using long-term multi-sensor satellite time series data | en |
| dc.title.translated | Nutzung von langfristigen Datenzeitreihen mehrerer Satellitensensoren zur Erfassung von großräumigen raumzeitlichen Hangrutschungsaktivitätsmustern. | de |
| dc.type | Doctoral Thesis | en |
| dc.type.version | acceptedVersion | en |
| tub.accessrights.dnb | domain | en |
| tub.affiliation | Fak. 6 Planen Bauen Umwelt::Inst. Landschaftsarchitektur und Umweltplanung | de |
| tub.affiliation.faculty | Fak. 6 Planen Bauen Umwelt | de |
| tub.affiliation.institute | Inst. Landschaftsarchitektur und Umweltplanung | de |
| tub.publisher.universityorinstitution | Technische Universität Berlin | en |