Bodenfeuchtemessung durch Radarsatelliten: Aktuelle Entwicklungen zur Erfassung auf lokaler Ebene

  • Bernhard Bauer-Marschallinger
  • Vahid Naeimi
  • Wolfgang Wagner
Originalarbeit
  • 201 Downloads

Zusammenfassung

Die Bodenfeuchte spielt eine zentrale Rolle im hydrologischen Kreislauf auf verschiedensten Maßstabsskalen. Methoden der Satellitenfernerkundung, wie etwa die Aufnahme mit Mikrowellensensoren, erlauben eine flächendeckende Bestimmung der Bodenfeuchte rund um den Globus. Die gewonnenen Daten speisen hydrologische Modelle und Wettervorhersagen und liefern wichtige Information für den Katastrophenschutz bei Dürren und Hochwasser. Dieser Artikel gibt einen Überblick über Messmethoden und erläutert im Detail die Verfahren der Radarsatellitenfernerkundung. Danach werden aktuelle Forschungsfragen behandelt, wie sie von der Forschungsgruppe Fernerkundung an der Technischen Universität Wien behandelt werden. Im Zentrum steht das Skalenproblem, also der Widerspruch zwischen hoher räumlicher und zeitlicher Auflösung, und seine Lösung für Bodenfeuchtedaten mittels Methoden der Datenfusion. Aus dieser Forschung resultierende und andere ausgewählte derzeitig entwickelte Datenprodukte zur Bodenfeuchte und ihre Anwendungen sind im letzten Abschnitt beschrieben.

Soil Moisture Measurements Using Radar Satellites: Latest Developments for Measurement at a Local Level

Abstract

Soil moisture plays a central role in various measurement scales of the hydrological cycle. Satellite remote sensing methods, such as microwave sensors, allow comprehensive global determination of soil moisture. The data collected is used in hydrological models and weather forecasts and provides important information for disaster management in flooding and drought situations. This article offers an overview of measurement methods and explains the satellite remote sensing process in detail. It then addresses current research questions, like those being investigated by the remote sensing research group at the TU Wien. It focuses on using data fusion methods to resolve the soil-moisture data scale issue, or the discrepancy between high spatial and temporal resolution. The final section describes soil moisture data products resulting from this research and their applications, as well as other selected products currently being developed.

1 Einleitung

Wasser ist die wichtigste Ressource der Erde für das Leben von Mensch, Flora und Fauna und dessen Verteilung und Zirkulation ist eine bedeutende Größe für unser Klima. Der globale Wasserkreislauf umfasst eine geschätzte Menge von 1.4 Mrd. Kubikkilometern (Chow und Maidment 1988), wobei ein sehr kleiner Bruchteil dessen einen besonders hohen Einfluss auf unsere Welt hat: die Bodenfeuchte.

Die Bodenfeuchte ist der Wassergehalt der obersten Erdbodenschicht, die in der Regel den ersten Meter unterhalb der Oberfläche umfasst. Es ist das Wasser, das von den Poren des Erdbodens in dem den Pflanzenwurzeln zugänglichen Bereich gehalten wird und nicht weiter versickert. Die hydrologischen Zustände des Bodens und relevante Begriffe sind in Abb. 1 erläutert.

Abb. 1

Schematische Darstellung der Bodenfeuchte als Zustände zwischen feucht und trocken (nach UCAR 2015)

Durch ihre Lage an der für den Energieumsatz der Erde wichtigen Grenzschicht zwischen Atmosphäre und Erdoberfläche spielt die Bodenfeuchte eine bedeutsame Rolle in vielen meteorologischen, hydrologischen und klimatologischen Prozessen. Die Bodenfeuchte steuert diese Prozesse über Energie- und Materietransporte wie etwa Verdunstung, Versickerung oder Abfluss und somit letztendlich das lokale Klima und Wettergeschehen (Taylor et al. 2012).

Als essenzielle Wasserquelle für die Pflanzenwelt bestimmt die Bodenfeuchte die Dichte, Variabilität, Gesundheit und letztlich die Art der Vegetation (Lahoz und Lannoy 2013). Im Gegensatz zum kurzfristig verfügbaren Niederschlag bleibt Bodenfeuchte der Pflanze als Wasserreservoir länger erhalten. Sie stellt somit eine grundlegende Ressource der Landwirtschaft dar, welche nun in mehreren Beziehungen von ihr abhängig ist: zum Ersten durch den angesprochenen, direkten Effekt auf die Nutzpflanzen; zum Zweiten durch die Einflussnahme auf Klima und Wetter; und zum Dritten durch ihre Wirkung auf die Bearbeitbarkeit des Bodens mit Maschinen.

1.1 Anwendungen von Information über Bodenfeuchte

Betrachtet man Bodenfeuchte im globalen Maßstab, eröffnen sich Anwendungsgebiete für die Klimatologie. In der angesprochenen Schlüsselrolle als physikalischer Faktor an der Grenzschicht zwischen Erde und Atmosphäre, ist Bodenfeuchte von besonderem Interesse bei der Erfassung des Klimas und dessen Änderung. Denn Bodenfeuchte kann als Integrator vieler hydrologischen Variablen aufgefasst werden und erweist sich als besonders sensibel gegenüber Variationen in Temperatur, Sonnenstrahlung, Niederschlag und Wind (Legates et al. 2010). Diese Tatsache wurde 2010 von dem Global Climate Observing System (GCOS) derart gewürdigt, indem Bodenfeuchte als Essential Climate Variable (ECV) in die Gruppe der klimaaktiven Größen aufgenommen wurde (Blunden und Arndt 2012). Im Report des Weltklimarats (IPCC 2014) konnte mithilfe globaler Bodenfeuchtedatensätze aufgezeigt werden, dass die geografische sowie zeitliche Verteilung des verfügbaren Wassers auf den Landflächen abnimmt. Das bedeutet einen Trend zu häufigerem Auftreten von Starkregenereignissen und längeren Trockenzeiten sowie eine Zunahme an Extremen wie Dürren und Überflutungen. Darüber hinaus zeigen aktuelle Studien (Ummenhofer et al 2009; van Dijk et al. 2013; Bauer-Marschallinger et al. 2013) Zusammenhänge zwischen Variationen der Bodenfeuchte und zyklischen Klimaphänomenen wie El Niño, die in gewisser Regelmäßigkeit Katastrophen wie schwere Dürren, Stürme und Überflutungen mit großen Schaden an Mensch und Umwelt mit sich bringen.

Der Übergang vom globalen zum regionalen oder lokalen Betrachtungsmaßstab erlaubt weitere Anwendungen. MeteorologInnen nutzen Bodenfeuchtemessungen als Input für Wettermodelle und numerische Wettervorhersagen und errechnen über Verdunstung, Temperatur und Luftfeuchte Niederschlagsprognosen und schätzen die Unwettergefahr ab (Balsamo et al. 2009; de Rosnay et al. 2012). HydrologInnen versuchen, Abflussmengen in Flusseinzugsgebieten zu modellieren und dadurch Pegelstände vorherzusagen (Verhoest et al. 2015). Gemeinsam können folglich die Gefahr und der Verlauf eines Hochwassers abgeschätzt werden. Bei sehr trockenen Verhältnissen kann über den zeitlichen Verlauf der Bodenfeuchte der Grad einer Trockenheit oder gar Dürre bestimmt werden, um so beispielsweise Bewässerungsmaßnahmen in bedrohten landwirtschaftlichen Flächen koordinieren und effizient gestalten zu können. Landwirte nutzen Bodenfeuchteinformation, wenn sie Feldarbeiten planen, Erntemengen abschätzen oder den Schädlingsdruck auf ihre Feldfrüchte bestimmen. Beispielsweise können WinzerInnen bereits auf Bodenfeuchtedaten-gespeiste Informationssysteme zugreifen, die ihnen die Wahrscheinlichkeit eines Pilzbefalls der Reben ihrer Weinkulturen anzeigen (Baret et al. 2013).

2 Messung der Bodenfeuchte

Die Variable Bodenfeuchte kann prinzipiell auf drei Arten bestimmt werden: 1) Durch Trocknung einer Bodenprobe im Labor (mit definiertem Volumem, meist 100 bzw. 250 ml), 2) durch im Boden eingebrachte elektrische Sensoren, die die dielektrischen Eigenschaften des Bodens, die stark bodenfeuchteabhängig sind, bestimmen und 3) durch Messung aus der Distanz mit Fernerkundungsmethoden, meist mittels Sensoren auf Erdbeobachtungssatelliten.

Diese drei Messmethoden nehmen in der genannten Reihenfolge an Messgenauigkeit ab, jedoch an räumlicher Abdeckung zu. Während die Bodenprobe nur eine manuelle, punktuelle Stichprobe darstellt, und während die Bodenstation nur an ihrer Stelle samt einer kleinen Umgebung repräsentativ ist, liefert Fernerkundung flächige Informationen über ganze Regionen. Fernerkundung liefert also Werte für die gesamte Fläche (in einer bestimmten räumlichen Auflösung), ein Netzwerk von Bodenstationen hingegen nur an seinen Standorten. Eine weitere Unterscheidungsmöglichkeit ist die zeitliche Abdeckung, also wie oft eine Messung durchgeführt wird. Hier sind in der Regel die Bodenstationen der Fernerkundung überlegen, da letztere durch Überflugszeiten limitiert ist, während Bodenstationen quasi permanent messen. Diese Diskrepanz zwischen Messfrequenz und räumlicher Auflösung wird als Skalenproblem bezeichnet und stellt ein zentrales Problem der aktuellen Forschung über Bodenfeuchte dar. Denn oben besprochene Anwendungen haben oft Ansprüche an Bodenfeuchtedaten, die beides verlangen: regelmäßige, hochfrequente Messung und zugleich gute räumliche Detailwiedergabe.

2.1 Bodenfeuchtemessung durch Satellitenfernerkundung

Das Prinzip der Satellitenfernerkundung sei anhand der Bodenfeuchtemessung in Abb. 2 kurz skizziert. In diesem Beispiel sendet der europäische Radarsatellit Sentinel-1A entlang seiner Bahn präzise Mikrowellenpulse in Richtung Erde und misst laufend das von der Oberfläche reflektierte Echosignal. Dieses Rückstreusignal enthält Informationen über den Zustand der Oberfläche und kann nun mit einem speziellen geophysikalischen Rechenmodell in Bodenfeuchtewerte umgewandelt werden, die dann als Karten veranschaulicht werden.

Abb. 2

Prinzip der Messung von Bodenfeuchte mir Radarfernerkundung

Im Allgemeinen sind Fernerkundungssensoren auf Flugzeugen und Satelliten angebracht und beobachten physikalische Variablen des darunterliegenden Gebiets im Zuge ihres Überflugs. Die beobachtbaren Größen hängen vom elektromagnetischen Frequenzbereich des Sensors ab, in dem er beobachtet. So können beispielsweise optische Sensoren (z. B. Farb- oder Infrarotkameras) Aufschluss über Farbe oder Temperatur der Erdoberfläche geben, da sie empfindlich für Strahlung aus dem sichtbaren- oder Infrarotbereich sind. Zeichnen die Sensoren jedoch Strahlung aus dem Mikrowellenbereich auf (wie z. B. Radar), also Wellenlängen von 1 m bis 1 cm (äquivalent zu 30 GHz bis 0.3 GHz), sind sie empfindlich für geometrische und elektrische Eigenschaften der beobachteten Oberfläche.

Diese Tatsache macht man sich zunutze, wenn Bodenfeuchte über Fernerkundungsmethoden bestimmt werden soll, da Wassermoleküle als elektrische Dipole die elektrischen Eigenschaften des Bodens bestimmen. Mit zunehmendem Wassergehalt steigt der Real- und Imaginärteil der Dielektrizitätskonstante (ε′ und ε″) des Bodens, was zur Folge hat, dass der Boden Mikrowellenstrahlung schwächer emittiert und stärker reflektiert (Abb. 3 links). Diese Zusammenhänge haben ihre physikalische Grundlagen in den Maxwell-Gleichungen zur Beschreibung des Elektromagnetismus, den Fresnel’schen Formeln zur Beschreibung von Reflexion und Transmission elektromagnetischer Wellen sowie den Strahlungsgesetzen von Planck, Rayleigh-Jeans und Kirchhoff. Über sie kann ein physikalisches Modell zur Beschreibung der Bodenreflexion für Mikrowellen entwickelt und schließlich aus dem rückgestreuten Signal eines Radars über Modellinversion der Wassergehalt des Bodens abgeschätzt werden.

2.2 Ableitung der Bodenfeuchte aus Radarsignalen

Die Reflektivität einer Fläche im Sinne der Radarbeobachtung wird durch die Größe des Reflexionskoeffizienten σ beschrieben. Wie Abb. 3 rechts zeigt, besteht zwischen der Bodenfeuchte und dem Reflexionskoeffizienten in dB ein annähernd lineares Verhältnis, wobei das Niveau von Art und Zusammensetzung des Bodens abhängt.

Abb. 3

Links: der Real- und Imaginärteil der Dielektrizitätskonstanten einer Bodenart in Abhängigkeit von der Bodenfeuchte in Volumenanteil; rechts: der Reflexionskoeffizient σ in Abhängigkeit von der Bodenfeuchte in Volumenanteil für zwei Bodenarten (nach Ulaby et al. 1986)

An dieser Stelle soll die Forschungsgruppe Fernerkundung des Departments für Geodäsie und Geoinformation an der TU Wien1 vorgestellt werden. Die Gruppe arbeitet intensiv an der Beobachtung von hydrologischen Variablen mittels satellitengestützter Mikrowellensensoren. Im Zentrum der Forschung stehen die Analyse des sensorspezifischen Radarsignals, die Entwicklung physikalischer Strahlenausbreitungsmodelle sowie die stetige Weiterentwicklung eines effizienten Algorithmus zur Datenverarbeitung samt Beschreibung der Berechnungsgenauigkeit. Durch diese Schwerpunktsetzung gelang es der TU Wien in den letzten Jahren sich als eine der führenden Forschungsinstitutionen auf dem Gebiet der Beobachtung der Bodenfeuchtigkeit zu etablieren.

Obige Zusammenhänge zwischen Bodenfeuchte und Reflexionskoeffizienten bilden die Grundlage der TU-Wien-Change-Detection-Methode (Wagner et al. 1999a): Zu Beginn wird für jeden Pixelpunkt der Erdoberfläche der minimale und maximale Reflexionskoeffizient aus einer mehrjährigen Zeitserie ermittelt. Diese beiden Werte repräsentieren, unter Berücksichtigung statistischer Ausreißer, die lokal trockensten bzw. feuchtesten Bodenzustände (Welkepunkt und Feldkapazität). Zwischen diesen wird dann jeder gemessene Reflexionskoeffizient skaliert und man erhält schlussendlich den Bodenfeuchtewert zwischen 0 % und 100 %. Dies ist somit ein relatives Verfahren, da es die relative Bodenfeuchte in Prozent Sättigung angibt. Dem stehen absolute Verfahren gegenüber, die mit zusätzlichen Daten über Bodenporosität die Mikrowellenmessung in absolute Mengen mit der Einheit m3/m3 umwandeln. Die TU-Wien-Change-Detection-Methode verzichtet auf diese Umwandlung, um die Robustheit sowie die Unabhängigkeit des Verfahrens zu erhalten, da keine externen Daten benötigt werden. Weiters erlaubt das Verfahren die Berücksichtigung der sich ändernden Vegetation und ihren Einfluss auf das Radarsignal: Während des Jahres verändern die Pflanzen ihre Größe, Geometrie, Dichte und ihren Wassergehalt und somit den Reflexionskoeffizienten der beobachteten Oberfläche. Hat man nun mehrere zeitgleiche Messungen aus verschiedenen Winkeln, wie es bei den ASCAT-Mikrowellensensoren der EUMETSAT MetOp-Satelliten mit ihren drei sternförmig angeordneten Radarantennen (je auf beiden Seiten des Satelliten) der Fall ist, kann man den Einfluss der Vegetation abschätzen, von statischen Parametern des Bodens trennen und im Bodenfeuchtemodell anbringen (Kornelsen und Coulibaly 2012). Die Change-Detection-Methode wurde von Pathe et al. (2009) für komplexere Radardaten adaptiert und wird nun auch für Berechnung der Bodenfeuchte aus Sentinel-1-Radarmessungen verwendet.

Obige Verfahren liefern den Wassergehalt der obersten Bodenschicht der von Mikrowellensensoren erfassbaren Zone. Oft ist man jedoch auch am Zustand in der Tiefe, im Wurzelbereich der Pflanzen, interessiert. Hier kommen statistische Verfahren zur Modellierung der Versickerung zum Einsatz. Der Soil Water Index (SWI, Wagner et al. 1999b) beschreibt die relative Feuchtigkeit in gewissen Bodentiefenniveaus von 5 cm bis etwa 1 m in Abhängigkeit von der relativen Oberflächenbodenfeuchte (Surface Soil Moisture, SSM). Er ist das Ergebnis einer zeitlichen Filterung der lokalen SSM-Zeitserie, die über einen exponentiellen Term gesteuert wird, der eine charakteristische Versickerungszeit (den T-Wert) und somit Tiefe modelliert. Der SWI ist also keine echte Messung, sondern eine statistische Abschätzung. Doch aufgrund seiner simpel gehalten Definition ohne starke physikalische Voraussetzungen erwies sich der SWI als robuster und guter Schätzer, der auch in mehreren Evaluierungen bestätigt wurde (de Lange et al. 2008; Brocca et al. 2010; Paulik et al. 2014).

2.3 Skalenproblem in der Satellitenfernerkundung

Eine grundlegende Einschränkung der Satellitenfernerkundung ist das Skalenproblem, welches in seiner Art der bereits angesprochenen Diskrepanz zwischen Messungen von Bodenstationen und Fernerkundungssensoren sehr ähnlich ist. Erdbeobachtungssatelliten (und auch viele andere Systeme) sind in ihrem Auflösungsvermögen derart beschränkt, das sie nie zugleich in Zeit und Raum eine hohe Detailrate liefern können. Der Grund hierfür liegt in der Tatsache, dass Satelliten durch den vorgegebenen Orbit eine starre Vorgabe haben, was die Überflugs- und Wiederkehrzeit und Aufnahmegeometrie betrifft, und folgen daher einem regelmäßigen Beobachtungsschema.

Man betrachte nun dieses allgemeine Problem für den Fall der Mikrowellenfernerkundung: Ist der jeweilige Radarsensor ein Scatterometer (wie z. B. MetOp ASCAT), ist er derart ausgelegt, dass er einen breiten Streifen (von einigen 100 km) auf der Erdoberfläche ohne Unterbrechung belichtet und aufzeichnet. Die komplette Abdeckung der Erdoberfläche ist schnell erreicht und der nächste Überflug eines individuellen Ortes bald getan. Es resultiert eine hohe zeitliche Auflösung der Messreihe, da der zeitliche Messabstand an jedem Ort klein ist. Dies geschieht jedoch auf Kosten der räumlichen Auflösung, da Aufnahmen mit einem großen Beobachtungsstreifen keine feinen Unterscheidungen darin erlauben.

Dieses inverse Verhalten gilt natürlich auch für räumlich hochauflösende Radarsysteme, welche mit energieaufwendigerer Technologie und kleineren Beobachtungsstreifen arbeiten. Sogenannte Synthetic Aperture Radars (SARs, wie z. B. Sentinel-1) messen generell einen schmäleren Erdstreifen und müssen aufgrund (geplanter) Energielimitierungen auch Messpausen einlegen. Es können also räumliche Muster feiner gemessen werden, jedoch wird ein individueller Ort weniger oft pro Zeiteinheit beobachtet, was eine gröbere zeitliche Auflösung der Messreihe zur Folge hat. Dies wirkt sich derart aus, dass der zeitliche Verlauf der Bodenfeuchte nicht korrekt erfasst wird und Spitzen während und nach Niederschlägen oft verpasst werden.

Abbildung 4 zeigt annähernd zeitgleiche Aufnahmen der MetOp-ASCAT- (Scatterometer) und Envisat-ASAR- (SAR) Satelliten über Queensland im östlichen Australien, umgewandelt in relative Bodenfeuchte (SSM). Die Aufnahmen stammen aus dem April 2011, folgend auf eine Periode heftiger Niederschläge und großräumiger Überflutungen. Beide Systeme erfassen in guter Übereinstimmung die groben hydrologischen Verhältnisse des Landes. Die Detailbereiche im Zentrum und im Süden zeigen jedoch das begrenzte Auflösungsvermögen von Scatterometer-Daten: Während die ASAR-Daten (1 km Punktabstand) die noch feuchten, kurz zuvor überfluteten Bereiche innerhalb der sonst trockenen Gebiete erfassen und hier als blaue Flecken erkennen lassen, sind diese in den ASCAT-Daten (12,5 km Punktabstand) kaum oder gar nicht sichtbar.

Abb. 4

Illustration zur Darstellung unterschiedlicher räumlichen Auflösungsvermögen. Bodenfeuchte von Envisat ASAR und MetOp ASCAT über Queensland, Australien im April 2011

Obiges Beispiel zeigt Probleme aufgrund unzureichenden Auflösungsvermögens im Raum. Abbildung 5 skizziert neben diesem Problem (rechts) die Auswirkungen eines unzureichenden Auflösungsvermögens in der Zeit (links). Während das (fast) tägliche Scatterometer-Signal die SSM-Entwicklung gut beschreibt und Niederschlag plausibel erfasst, weist das SAR-Signal viele Lücken auf und, am gravierendsten, verpasst einige Spitzen und somit Niederschlagsereignisse. Die Erfahrung hat bislang gezeigt, dass Scatterometer-Daten sinnvoll für die Erfassung und Modellierung von regionalen Niederschlagsmustern, stammend von großen Wettersystemen wie Tiefdruckgebieten, herangezogen werden können. Sie versagen jedoch bei lokalen Ereignissen wie konvektiven Niederschlägen im Gebirge oder während Gewittern, die falls vom Zeitpunkt her günstig, von SAR-Systemen gut erfasst werden können.

Abb. 5

Das Skalenproblem der Fernerkundung veranschaulicht durch exemplarischen Messungen vom Typ MetOp ASCAT und Sentinel-1 SAR. Links SSM-Daten als Zeitserien dargestellt, mit exemplarischen täglichen Niederschlagssummen. Rechts SSM-Daten als Pixel-Bilder dargestellt

Die Kombination von mehreren Systemen mit gleicher Beobachtungs- aber verschiedener Skalencharakteristik verspricht eine Lösung des Skalenproblems. D. h., liegen zwei Erdbeobachtungssensoren vor, die die gleiche physikalische Variable messen, aber dies mit unterschiedlicher Abtastrate in Zeit und Raum, kann eine Verbindung beider Beobachtungen zu einem Datensatz verarbeitet werden, der eine hohe Auflösung sowohl in Zeit und Raum bietet. Solch ein Vorhaben wird als Datenfusion, Data Fusion, bezeichnet und wird nun an der TU Wien für die Generierung eines neuen Bodenfeuchteprodukts genutzt, das den Ansprüchen der modernen Meteorologie und Hydrologie gerecht wird.

3 Aktuelle Entwicklungen und Produkte

Bevor nun die Bodenfeuchtedaten der Data-Fusion-Methode (SCAT-SAR SWI) vorgestellt werden, sollen ihre Ausgangsprodukte, MetOp ASCAT SSM/SWI und Sentinel-1 SAR SSM, beschrieben werden. Ein Langzeit-Datenprodukt zur Bodenfeuchte (ESA CCI SM) ergänzt das Angebot der TU Wien, das von ForscherInnen und NutzerInnen in Meteorologie, Klimatologie und Landwirtschaft in Anspruch genommen wird und frei zugänglich ist.

3.1 ASCAT-Scatterometer-Bodenfeuchte

Das MetOp-ASCAT-Bodenfeuchteprodukt, welches seit 2007 operationelle Daten zu Verfügung stellt, findet bereits langjährig Verwendung u. a. in Wettervorhersage und Agrometeorologie und gilt hier als verlässliche Datenquelle. Als Rohdatenlieferant dienen die MetOp-Satelliten der EUMETSAT mit ihren ASCAT-Sensoren. ASCAT Bodenfeuchte zeichnet sich durch hohe Messfrequenz (alle 1–2 Tage), über die Jahre stabiles Signal (ist somit gut vergleichbar) sowie gute relative Messgenauigkeit aus, welche in zahlreichen Studien validiert wurde (Brocca et al. 2010; Dorigo et al. 2010). Das dahinterstehende physikalische Modell wurde mehrmals verfeinert und berücksichtigt Effekte aufgrund Vegetation, Schneebedeckung und Bodenfrost und stellt eine ausgereifte Fehlerabschätzung bei. Aufgrund all dieser Vorzüge wurde ASCAT Bodenfeuchte in vielen wissenschaftlichen Studien über regionale und globale Hydrologie und Klima verwendet. Das Beispiel in Abb. 6 zeigt die Bodenfeuchtigkeit in Europa im Juli 2015 und man erkennt klar die äußerst trockenen Verhältnisse in Kasachstan, West- und Südeuropa sowie feuchte Böden in Südösterreich, Ostdeutschland und Russland. Ebenfalls erkennbar sind fehlerhafte Werte im Bereich großer Städte und entlang von Küsten, wo der Algorithmus aufgrund zu geringen Auflösungsvermögens versagt. ASCAT-Messungen sind aus diesem Grund ebenfalls wenig geeignet für die Auflösung lokaler Hydrologie auf z. B. Feldebene, welche hingegen mit SAR-Sensoren möglich ist.

Abb. 6

MetOp ASCAT SWI Bodenprofil-Bodenfeuchte für Europa am 14.07.2015 wie verfügbar auf http://rs.geo.tuwien.ac.at/dv/ascat. Trockene Gebiete erscheinen in Braun und feuchte in Blau. Gebiete, die an diesem Tag nicht erfasst wurden, sind als Geländerelief dargestellt

3.2 Sentinel-1 SAR Bodenfeuchte

Die langjährige Erfahrung der TU Wien mit SAR-Technologie, gesammelt durch Analyse des Envisat-ASAR-Archivs (verfügbar 2004–2012)2 wird aktuell genutzt, um ein operationelles Bodenfeuchteprodukt aus Sentinel-1-Messungen zu erstellen. Dies ist der erste operationelle und globale Datensatz, der auf SAR-Daten beruht. Profitierend vom Sentinel-1-Missionskonzept, liefert er eine bislang unerreichte Datenqualität in Form von Messgenauigkeit, räumlicher Auflösung und auch akzeptabler Messfrequenz (je nach Produkt 500 m, 40 m oder 10 m Punktabstand und 3–12 Tage). Das Beispiel in Abb. 7 zeigt Bodenfeuchte abgeleitet von einer Sentinel-1A-Aufnahme vom 28.06.2015 mit 500 m Punktabstand und Maskierung in Weiß für Gewässer, Stadt, Wald und Fels. Die hydrologischen Verhältnisse und Unterscheidungen auf lokaler Ebene lassen sich darin gut erkennen, wie etwa im Most- oder Industrieviertel Niederösterreichs. Auch die dem Messzeitpunkt vorhergehende Regenperiode im obersteirischen Ennstal ist von den Daten klar erfasst.

Abb. 7

Bodenfeuchte abgeleitet von einem Sentinel-1-SAR-Bild über Österreich vom Juni 2015. Städte, Gewässer, Wälder und Felsen sind weiß maskiert

Die bei modernen SAR-Sensoren anfallenden Datenmengen stellen jedoch eine nie dagewesene Herausforderung an Hard-, Software und Algorithmen dar. Die 2014 gestartete und nun operationelle Sentinel-1-Mission (Sentinel-1A bereits im Orbit, der baugleiche Sentinel-1B wird Ende 2015 gestartet) produziert ein tägliches Rohdatenvolumen von ca. 400 Gigabyte (GB), welches prozessbedingt im Laufe der Datenverarbeitung bis zu Bodenfeuchte mehrfach dupliziert wird. Diese Datenmengen (Stichwort Big Data) sind damit um ein Vielfaches größer als von bisher verwendeten Sensoren und können nicht mehr mit konventionellen Methoden und Systemen verarbeitet werden. Um dieser Datenmengen Herr zu werden, nutzt die TU-Wien-Forschungsgruppe die Rechenleistung des in Wien betriebenen Hochleistungscomputers Vienna Scientific Cluster (VSC-3), eine Kooperation österreichischer Universitäten für High-Performance-Computing. Der VSC-3 ist ein Verbund 2200 sogenannter Rechenknoten, welche in einem Bad aus synthetischem Öl gekühlt werden und von entsprechender technischer Infrastruktur umgeben sind. Durch diesen Aufbau ermöglicht der VSC-3 die tägliche und zeitnahe Berechnung von Bodenfeuchte aus Sentinel-1-SAR-Bildern.

Zusätzlich zur Rechenleistung besteht natürlich ein großer Bedarf an entsprechenden Datenspeichern und deren Verwaltung. Die TU Wien nutzt daher die Services des 2014 gegründeten Earth Observation Data Centre for Water Resources Monitoring (EODC)3. Das EODC ist eine Kooperation mehrerer österreichischer und internationaler Organisationen und hat das Ziel, die Nutzung von Erdbeobachtungsdaten für hydrologische und andere Anwendungen voranzutreiben. Es stellt Infrastruktur und Werkzeuge für das Management und den Betrieb eines Rechen- und Speicherzentrums für Erdbeobachtungsdaten bereit und fasst mehrere räumlich und organisatorisch verteilte Systeme, u. a. den VSC-3, zu einer leistungsfähigen Cloud-Infrastruktur zusammen. Das EODC begegnet somit als kooperative Initiative den modernen Anforderungen der Satellitenfernerkundung und den damit verbunden Datenmengen.

Dieses Aufgebot an moderner Soft- und Hardware wird nun dahingehend genutzt, um aus den Sentinel-1-Daten flächendeckend möglichst genaue und fein auflösende Informationen über die Bodenfeuchte zu liefern, die dann beispielsweise von MeteorologInnen für die Modellierung von Evapotranspiration und, vor Ort, von LandwirtInnen für Planungen und Entscheidungen aufgenommen werden können. Da hier aber zeitnahe Informationen besonders wichtig sind und Sentinel-1-Daten nicht täglich verfügbar sind, tritt hier wieder das oben genannte Skalenproblem auf. Die TU Wien entwickelt daher derzeit eine Methode, Daten von ASCAT und Sentinel-1 zu einem hochauflösenden, hochfrequenten Bodenfeuchteprodukt zu vereinen.

3.3 Data Fusion: SCAT-SAR SWI

Neben der Weiterentwicklung der Algorithmen für Bodenfeuchte von ASCAT und Sentinel-1, arbeitet die TU-Wien-Fernerkundungsgruppe aktuell an der Forschung zu einem kombinierten Datenprodukt, das die Vorzüge beider Systeme kombiniert. Der SCAT-SAR SWI verarbeitet SSM-Zeitserien von ASCAT und Sentinel-1 zu einem gemeinsamen SWI-Produkt, das mit einem Punktabstand von 500 m und einem täglichen Zeitstempel das Skalenproblem für moderne Anwendungen überwindet. Abbildung 8 zeigt als Beispiel die SWI-Bodenfeuchte Österreichs im April 2009 von einerseits MetOp ASCAT und andererseits SCAT-SAR SWI (hier Data Fusion aus Metop ASCAT und Envisat ASAR) und vergleicht sie mit Bodenbedeckungsklassen der europäischen CORINE Land Cover 2006-Daten und mit Vegetationsdichte repräsentiert durch Leaf Area Index (LAI) des SPOT-Satelliten. Die beiden SWI-Datensätze (mit T-Wert = 10 als charakteristische Versickerungszeit) stimmen auf regionaler Skala gut überein und das SCAT- und SAR-Signal scheinen sich sinnvoll zu ergänzen. Im Bereich der Alpen, mit ihrer für Scatterometer feingliedrigen Topografie, versagt das ASCAT-Bodenfeuchteprodukt jedoch, während die datengetriebene Maskierung des SCAT-SAR SWI (in Weiß) Gebirge, Seen und Städte gut erfasst. Abbildung 9 führt als Detailkarte denselben Vergleich für den Südosten Österreichs im Oktober 2009. Hier wird klar erkenntlich, dass das ASCAT-Signal feine Strukturen aufgrund Bodenbedeckung und Vegetation nicht auflösen kann. Das SCAT-SAR-Bild zeigt hingegen hydrologische Muster, die mit diesen und der Topografie assoziiert sind, wie z. B. die Talböden und Becken im Südosten der Steiermark. Streifenartige Artefakte, wie im Westen Ungarns erkennbar, sind ein Resultat der unzureichenden Datendichte der Envisat-ASAR-Ära, welche mit Sentinel-1 erheblich höher sein wird.

Abb. 8

Vergleich von SWI-Bodenfeuchte von MetOp ASCAT mit SCAT-SAR Bodenfeuchte sowie Bodenbedeckung von CORINE Land Cover und Vegetation anhand Leaf Area Index (LAI) über Österreich im April 2009. Alternative SSM-Farbskala zur Kontrastverbesserung

Abb. 9

Wie Abb. 8, aber im Oktober 2009 und größerem Maßstab über der Steiermark, Südburgenland und Westungarn

Im derzeitigen Entwicklungsstand ist der Algorithmus für die Berechnung des SCAT-SAR SWI noch möglichst einfach gehalten, ermöglicht jedoch bereits die operationelle Generierung weltweiter Daten. Der SCAT-SAR SWI ist in diesem frühen Stadium bereits wichtiger Bestandteil aktueller Projekte: Er wird in einem gemeinsamen FFG-Projekt namens CreSSIDA von der Zentralanstalt für Meteorologie und Geophysik (ZAMG) in Vorhersagemodelle assimiliert (Mahfouf 2010; Schneider 2014) und unterstützt dort die Prognose von konvektiven Niederschlagsprozessen. Die hohe räumlich-zeitliche Detailrate soll die Vorhersagegüte, insbesondere bei Gewitterlagen, heben. Im Rahmen des europäischen Copernicus Global Land Services (CGLS)-Programms4 wird er einem breiten, globalen Kundenkreis aus Wissenschaft und Verwaltung zu Verfügung gestellt. Und in einem (derzeit beantragten) Projekt des österreichischen Bundesministeriums für Land- und Forstwirtschaft, Umwelt und Wasserwirtschaft soll er heimische WinzerInnen beim Planen und Durchführen der Bewässerungsmaßnahmen ihrer Weingärten via Webapplikation unterstützen und den Wasser- und Energieverbrauch reduzieren.

3.4 ESA CCI Bodenfeuchte

Für die Langzeit-Betrachtung weltweiter Bodenfeuchte wurde das ESA Climate Change Initiative Soil Moisture (ESA CCI SM)-Produkt5 entwickelt. Es verbindet Mikrowellenmessungen verschiedener vergangener und aktiver Radiometer- und Scatterometermissionen mittels statistischer Datenabgleichungsverfahren und Fehlermodellen und bietet durchgehende SSM-Zeitserien für die gesamte Landfläche der Erde beginnend mit 1978. Damit überspannt es mehrere Epochen der Satellitenära und erlaubt mit über 35 Jahren Datenlänge die Betrachtung der Bodenhydrologie im Kontext von Klima und dessen Änderung. Wissenschaftler nutzen die ESA CCI SM-Daten für die Bestimmung von Trends in Bodenhydrologie (Dorigo et al. 2012; Albergel et al. 2013), die Kategorisierung von Klimaextremen wie Dürren (Miralles et al. 2014; Dorigo et al. 2015) und die Untersuchung der Vegetationsdichte in Abhängigkeit von Bodenfeuchte (Muñoz et al. 2014).

3.5 TU-Wien-Bodenfeuchteprodukte

Abschließend sind in Tab. 1 die im Artikel besprochenen Bodenfeuchteprodukte der TU Wien und ihrer Partner zusammengefasst.

Tab. 1

Ausgewählte Bodenfeuchteprodukte der TU Wien und ihrer Partner (Stand August 2015)

Produkt

ASCAT SSM/SWI

Sentinel-1 SSM

SCAT-SAR SWI

ESA CCI SM

Sensor(en)

MetOp ASCAT

Sentinel-1 CSAR

MetOp ASCAT, Sentinel-1 CSAR

Diverse Scatterometer und Radiometer

Messabstand

~ 12,5 km

500 m

500 m

~ 25 km

Messfrequenz

~ 1 Tag

3–6 Tage

~ 1 Tag

1 Tag, 1 Monatsmittel

Zeitraum

Seit Jänner 2007

Seit Juli 2015

Ab September 2015

Seit 1978

Datenformat

Zeitserien, Orbitbilder; NetCDF + diverse Formate

Bilder; GeoTIFF

Bilder; GeoTIFF

Zeitserien, Bilder; NetCDF

Verfügbarkeit

Frei, operationell; global; per User-Registrierung

Frei, operationell; (geplant); global; per User-Registrierung

Frei, operationell (geplant); global; per User-Registrierung

Frei, historisch; global; per User-Registrierung

Datenzugang

http://www.eumetsat.int/website/home/Data/Products/Land/index.html

https://rs.geo.tuwien.ac.at/remote-sensing/

http://land.copernicus.eu/global/

http://www.esa-soilmoisture-cci.org/node/index.php?q=node

4 Zusammenfassung und Ausblick

Das Wissen um die möglichst exakte räumlich-zeitliche Verteilung der Bodenfeuchte ist für viele Anwendungen in einer modernen Gesellschaft essenziell. Dazu zählen unter anderem Wettervorhersage, Hochwasserschutz sowie Nahrungs- und Trinkwasserversorgung. Diese große Bedeutung der Bodenfeuchte lässt sich durch die zahlreichen Wechselwirkungen zwischen Bodenwassergehalt und anderen Parametern wie der Verdunstung oder dem Energiehaushalt erklären.

Bodenfeuchtemessungen mittels Radarsatelliten gehören in diesem Zusammenhang zu den am besten geeigneten Datenquellen, die derzeit zu Verfügung stehen. Sie überzeugen durch relativ geringe Kosten, gute räumliche Abdeckung und Verlässlichkeit. Hier muss jedoch angemerkt werden, dass sowohl die räumlich-zeitliche Auflösung der Daten als auch die Algorithmen zur Berechnung der Bodenfeuchte für viele aktuelle und zukünftige Anwendungen noch Potenzial für Optimierung aufweisen, speziell in Hinblick auf die Genauigkeit und die immensen Datenmengen („Big Data“).

Bodenfeuchte von Mikrowellensensoren ist global und operationell derzeit im Skalenbereich von 12–50 km verfügbar. Scatterometersensoren decken die gesamte Erdoberfläche in wenigen Tagen vollständig ab erreichen somit eine hohe Messfrequenz. ASCAT-Bodenfeuchteprodukte liefern seit 2007 für die gesamte Landfläche der Erde konsistente und validierte Werte und die Nachhaltigkeit dieser Zeitserien ist durch die bereits beschlossene Finanzierung der MetOp-Mission und deren Folgesatelliten bis vorerst 2040 gesichert. Bodenfeuchte aus Daten des europäischen Sentinel-1-Tandems setzt die Entwicklungen der Envisat-ASAR-Ära fort und verspricht nie dagewesene Datenqualität im Skalenbereich von 10–500 m bis (vorerst) in die 2030er-Jahre.

Die Überbrückung der Skalendifferenzen in Raum und Zeit, also die Lösung des Skalenproblems, wird für die Bodenfeuchte durch den SCAT-SAR SWI mittels Data Fusion erreicht. Der gewählte Punktabstand von 500 m stellt einen klugen Kompromiss dar, da die Modellierung der Bodenfeuchte in kleinerem Maßstab schnell an Komplexität und an somit Fehlerneigung zunimmt. Der 500 m-Abstand genügt aber vielen der derzeitigen Anwendungen und hält die zu speichernden und zu versendenden Datenmengen im handhabbaren Rahmen. Eine weitere Herabsetzung der Auflösung für lokale Anwendungen ist als zukünftiges Forschungsfeld auf der Agenda der TU Wien vorgesehen. Dasselbe gilt für die individuellen ASCAT- und Sentinel-1-Bodenfeuchteprodukte, für die ebenfalls ein feineres Modell erwogen wird.

Abseits der Bestimmung der Bodenfeuchte, sollen hier noch andere hydrologische Anwendungen der Radarfernerkundung als Ausblick erwähnt werden. So kann etwa eine Analyse von hochauflösenden SAR-Bildern, z. B. von Sentinel-1A mit 10 m Punktabstand, zur Kartierung von Hochwasser verwendet werden: Wasserflächen weisen in der Regel einen sehr geringen SAR-Rückstreukoeffizienten auf, da sie wie Spiegel die ausgesandten Mikrowellen vom Sensor wegreflektieren, nur sehr wenig am Sensor empfangen wird und somit einen starken Kontrast zu trockenen Landflächen bilden. Ein kürzlich hierzu durchgeführtes Experiment der TU Wien, die Überflutungen im Inntal Anfang Juni 2015 zu kartieren, hat nun ihren eigentlichen Zweck verfehlt, da der Zeitpunkt des Überflugs durch Sentinel-1 A ungünstig war. Doch konnte ein anderes Phänomen erfasst werden; das der alpinen Schneeschmelze. Abbildung 10 zeigt ein RGB-Kompositbild der Ötztaler Alpen aus Sentinel-1A-Radarbildern, aufgenommen jeweils aus gleicher Orbitposition im März, Mai und Juni 2015. Die Bildfarben geben nun Aufschluss über die Entwicklung der Radarechos, wobei unveränderte Situationen Grautöne, Zunahmen Rottöne und Abnahmen Blautöne ergeben, sowie zwischenzeitliche Zunahmen Grüntöne, und zwischenzeitliche Abnahmen Violetttöne. Da feuchter Schnee wie offenes Wasser einen sehr geringen Rückstreukoeffizienten aufweist, und feuchter Boden eine höheren, kann dieses Bild mit der Schneeschmelze und deren Verlauf assoziiert werden. Die Detailkarten im Bereich des Inntals (Bild 1) und des Reschenpasses (Bild 2) erlauben weiters den Vergleich eines nach März aufgetauten Speichersees in tiefem Blau (Zentrum Bild 1) und des tiefer liegenden, nicht zugefrorenen Reschensees in Grau (Westen Bild 2).

Abb. 10

RGB-Kompositbild der Ötztaler Alpen aus Sentinel-1 A-Radarbildern, aufgenommen jeweils aus gleicher Orbitposition im März, Mai und Juni 2015. Rot-, Grün- und Blau-Farbwerte entsprechend dem Reflexionskoeffizienten zum jeweiligen Aufnahmedatum

Dieses Experiment soll abschließend das das vielseitige Potenzial von SAR-Aufnahmen sowie die Qualität von Sentinel-1-Daten zeigen und als Bespiel für ein weiteres, spannendes Forschungsfeld der Fernerkundung in der Hydrologie gelten.

Fußnoten

Notes

Danksagung

Die Autoren bedanken sich bei der Österreichischen Forschungsförderungsgesellschaft (FFG) für die Ermöglichung dieser Arbeit im Rahmen des Forschungsprojektes Nr. 840010, CreSSIDA.

Literatur

  1. Albergel, C., Dorigo, W., Balsamo, G., Muñoz-Sabater, J., de Rosnay, P., Isaksen, L., Brocca, L., de Jeu, R. and Wagner, W. (2013): Monitoring multi-decadal satellite earth observation of soil moisture products through land surface reanalyses. Remote Sensing Envir. 138 77–89CrossRefGoogle Scholar
  2. Balsamo, A., Viterbo, P., Beljaars, A., van den Hurk, B., Hirschi, M., Betts, A. K., und Scipal, K. (2009): Revised Hydrology for the ECMWF Model: Verification from Field Site to Terrestrial Water Storage and Impact in the Integrated Forecast System. J. Hydrometeorol., 10, 623–643.CrossRefGoogle Scholar
  3. Baret, F., Campagnolo, S., Bauer-Marschallinger, B., Costa, F., Marletto, V. (2013): Integration of Remote Sensing in a Decision Support System for Vineyard Management. ESA Living Planet Symposium, Edinburgh.Google Scholar
  4. Bauer-Marschallinger, B., Dorigo, W. A., Wagner, W., van Dijk, A. I. (2013): How Oceanic Oscillation Drives Soil Moisture Variations over Mainland Australia: An Analysis of 32 Years of Satellite Observations. Journal of Climate 26(24).Google Scholar
  5. Blunden, J. und Arndt, D. S. (2012): State of the climate in 2011. Bull. Amer. Meteor. Soc., 93, S1–S282.CrossRefGoogle Scholar
  6. Brocca, L., Melone, F., Moramarco, T., Wagner, W., Hasenauer, S. (2010): ASCAT soil wetness index validation through in situ and modeled soil moisture data in central Italy. Remote Sensing of Environment, 114(11), 2745–2755.CrossRefGoogle Scholar
  7. Chow, V. T., Maidment, D. M. L. (1988): Applied hydrology. McGraw-Hill Inc.Google Scholar
  8. De Lange, R., Beck, R., van De Giesen, N., Friesen, J., de Wit, A., Wagner, W. (2008): Scatterometer-derived soil moisture calibrated for soil texture with a one-dimensional water-flow model. Geoscience and Remote Sensing, IEEE Transactions on, 46(12), 4041–4049.CrossRefGoogle Scholar
  9. van Dijk, A. I. J. M., Beck, R., Crosbie, S., de Jeu, R. A. M., Liu, Y. Y., Podger, G. M., Timbal, B., Viney, N. R. (2013): The Millennium Drought in southeast Australia (2001–2009), Natural and human causes and implications for water resources, ecosystems, economy, and society. Water Resour. Res., 49, 1040–1057, doi:10.1002/wrcr.20123.CrossRefGoogle Scholar
  10. Dorigo, W. A., Scipal, K., Parinussa, R. M., Liu, Y. Y., Wagner, W., de Jeu, R. A. M., Naeimi, V. (2010): Error Characterisation of Global Active and Passive Microwave Soil Moisture Datasets. Hydrology and Earth System Sciences 14 (12). Copernicus GmbH: 2605–16.Google Scholar
  11. Dorigo, W., De Jeu, R., Chung, D., Parinussa, R., Liu, Y., Wagner, W., Fernandez-Prieto, D. (2012): Evaluating global trends (1988–2010) in homogenized remotely sensed surface soil moisture. Geophys. Res. Lett. 39 L18405Google Scholar
  12. Dorigo, W., Reimer, C., Chung, D., Parinussa, R. M., Melzer, T., Wagner, W., de Jeu, R. A. M. and Kidd, R. (2015): [Hydrological cyce] Soil Moisture [in: “State of the Climate in 2014”]. Bulletin American Meteorological Society 96 S28–S9Google Scholar
  13. IPCC (2014) Climate Change 2014: Synthesis Report. Contribution of Working Groups I, II and III to the Fifth Assessment Report of the Intergovernmental Panel on Climate Change [Core Writing Team, RK Pachauri and LA Meyer (eds)]. IPCC, Geneva, pp. 151Google Scholar
  14. Kornelsen, K. C. und Coulibaly, P. (2012): Advances in soil moisture retrieval from synthetic aperture radar and hydrological applications. Journal of Hydrology.Google Scholar
  15. Lahoz, W. A. und de Lannoy, G. J. M. (2013): Closing the Gaps in Our Knowledge of the Hydrological Cycle over Land: Conceptual Problems. Surveys in Geophysics. Springer, 1–38.Google Scholar
  16. Legates, D. R., Mahmood, R., Levia, D. F., DeLiberty, T. L., Quiring, S. M., Houser, C., Nelson, F. E. (2010): Soil moisture: A central and unifying theme in physical geography. Progress in Physical Geography 35 (1), 65–86.CrossRefGoogle Scholar
  17. Mahfouf, J.-F. (2010): Assimilation of satellite-derived soil moisture from ASCAT in a limited-area NWP model. Q.J.R. Meteorol. Soc., 136: 784–798.Google Scholar
  18. Miralles, D. G., van den Berg, M. J., Gash, J. H., Parinussa, R. M., De Jeu, R. A. M., Beck, H. E., Holmes, D. J., Jimenez, C., Verhoest, N. E. C., Dorigo, W. A., Teuling, A. J. and Dolman, A. J. (2014): El Niño–La Niña cycle and recent trends in continental evaporation. Nature Climate Change 4 122–6CrossRefGoogle Scholar
  19. Muñoz, A. A., Barichivic, J., Christie, D. A., Dorigo, W., Sauchyn, D., González-Reyes, Á., Villalba, R., Lara, A., Riquelme, N. and González, M. E. (2014): Patterns and drivers of Araucaria araucana forest growth along a biophysical gradient in the northern Patagonian Andes: Linking tree rings with satellite observations of soil moisture. Austral Ecology 39 158–69CrossRefGoogle Scholar
  20. Pathe, C., Wagner, W., Sabel, D., Doubkova, M., Basara, J. B. (2009): Using ENVISAT ASAR global mode data for surface soil moisture retrieval over Oklahoma, USA. Geoscience and Remote Sensing, IEEE Transactions on 47(2), 468–480.CrossRefGoogle Scholar
  21. Paulik C, Dorigo W, Wagner W, Kidd R (2014) Validation of the ASCAT Soil Water Index using in situ data from the International Soil Moisture Network. Int J Appl Earth Obs 30:1–8Google Scholar
  22. de Rosnay, P., Drusch, M., Vasiljevic, D., Balsamo, G., Albergel, C., Isaksen, L. (2012): A simplified EKF for the global operational soil moisture analysis at ECMWF. Q. J. R. Met. Soc. DOI:10.1002/qj.2023 Google Scholar
  23. Schneider, S., Wang, Y., Wagner, W., Mahfouf, J.-F. (2014): Impact of ASCAT Soil Moisture Assimilation on Regional Precipitation Forecasts: A Case Study for Austria. Mon. Wea. Rev., 142, 1525–1541.Google Scholar
  24. Taylor, C. M., de Jeu, R. A. M., Guichard, F., Harris, P. P., Dorigo, W. A. (2012): Afternoon rain more likely over drier soils, Nature 489 (7416), 423–426.CrossRefGoogle Scholar
  25. UCAR (2015): COMET-Website at http://meted.ucar.edu/ of the University Corporation for Atmospheric Research.
  26. Ulaby, F. T., Moore, R. K., Fung, A. K. (1986): Microwave Remote Sensing: Active and Passive. Vol. III – Volume Scattering and Emission Theory, Advanced Systems and Applications, Artech House, Inc., Dedham, MA, USA.Google Scholar
  27. Ummenhofer, C. C., England, M. H., McIntosh, P. C., Meyers, G. A., Pook, M. J., Risbey, J. S., Gupta, A. S., Taschetto, A. S. (2009): What causes southeast Australiaʼs worst droughts? Geophysical Research Letters 36 (4), L04706.CrossRefGoogle Scholar
  28. Verhoest, N. E. C., van den Berg, M. J., Martens, B., Lievens, H., Wood, E. F., Ming, P., Kerr, Y. H., Al Bitar, A., Tomer, S. K., Drusch, M., Vernieuwe, H., De Baets, B., Walker, J. P., Dumedah, G., Pauwels, V. R. N. (2015): Copula-Based Downscaling of Coarse-Scale Soil Moisture Observations With Implicit Bias Correction. Geoscience and Remote Sensing, IEEE Transactions, vol.53, no.6, pp.3507,3521,Google Scholar
  29. Wagner, W., Noll, J., Borgeaud, M., Rott, H. (1999a): Monitoring Soil Moisture over the Canadian Prairies with the ERS Scatterometer. Geoscience and Remote Sensing, IEEE Transactions on 37 (1). IEEE: 206–16.Google Scholar
  30. Wagner, W., Lemoine, G., Rott, H. (1999b): A Method for Estimating Soil Moisture from ERS Scatterometer and Soil Data. Remote Sensing of Environment 70 (2). Elsevier: 191–207.Google Scholar

Copyright information

© Springer-Verlag Wien 2015

Authors and Affiliations

  • Bernhard Bauer-Marschallinger
    • 1
  • Vahid Naeimi
    • 1
  • Wolfgang Wagner
    • 1
  1. 1.Fachgruppe Fernerkundung, Department für Geodäsie und GeoinformationTechnische Universität WienWienÖsterreich

Personalised recommendations