Machine learning in remote sensing : assessing the impact of long-term land cover changes on metop ASCAT backscatter using drift detection

Abstract

Diese Arbeit widmet sich der Analyse langfristiger Trends im ASCAT-Rückstreusignal (Backscatter) und deren potenziellen Ursachen. Angesichts der engen Kopplung von Radar-Backscatter an oberflächennahe Bodenfeuchte liefert ein verbessertes Verständnis seiner zeitlichen Dynamiken wertvolle Beiträge zur Umweltüberwachung – insbesondere in den Bereichen Landwirtschaft, Wasserressourcenmanagement und Ökosystemforschung. Zur Modellierung des Backscatter-Signals wurden drei Regressionsansätze – Elastic Net, Random Forest und Support Vector Regression – systematisch verglichen. Das Elastic Net-Modell zeigte die überzeugendste Kombination aus Prognosegüte und Effizienz und wurde anschließend auf ERA5-Land-Bodenfeuchte und MODIS-LAI für Südostaustralien im Zeitraum 2007–2022 angewendet. Darauf aufbauend erfolgte eine Driftanalyse mittels Mann-Kendall-Tests, die auf Zielvariable, Modellvorhersagen, Residuen und Eingangsdaten angewendet wurden. Die identifizierten Trends wurden kategorisiert und hinsichtlich ihrer Stärke und Verlaufsmuster segmentiert. Eine umfassende visuelle Analyse durch Zeitreihen und räumliche Karten ergänzte die Ergebnisse.Die Resultate belegen einen signifikanten Einfluss der Landbedeckung auf das Rückstreuverhalten und die Modellgüte. Während an vielen Orten statistisch signifikante Trends festgestellt wurden, traten starke und kontinuierliche Entwicklungen vergleichsweise selten auf. Einzelne abrupte Veränderungen lassen sich häufig auf Extremereignisse zurückführen. Insgesamt zeigt die Studie, dass die kombinierte Anwendung datengetriebener Modellierung und statistischer Trendanalyse ein wirkungsvolles Instrument zur Identifikation und Interpretation längerfristiger Veränderungen in radarfernerkundeten Umweltgrößen darstellt.

This thesis investigates long-term trends in ASCAT radar backscatter and their potential causes. Given the strong relationship between backscatter and surface soil moisture, understanding the temporal dynamics of the radar signal provides valuable insights for environmental monitoring, with relevance to agriculture, water resource management, and ecosystem analysis.Three regression models — Elastic Net, Random Forest, and Support Vector Regression — were systematically evaluated for their ability to estimate backscatter based on ERA5- Land soil moisture and MODIS LAI. The Elastic Net model offered the best balance of predictive accuracy and computational efficiency and was applied to time series data for southeastern Australia from 2007 to 2022. A subsequent drift analysis employed Mann-Kendall trend tests on the target variable, model predictions, residuals, and input features. The resulting trends were categorized and segmented according to magnitude and pattern, supported by a visual exploration through time series plots and spatialheatmaps.The results reveal a substantial influence of land cover on both backscatter behavior and model performance. While many grid points exhibited statistically significant trends, strong and continuous developments were relatively rare. In contrast, abrupt changes could often be attributed to extreme events. Overall, the study demonstrates that the combined use of data-driven modeling and trend analysis represents a robust framework for detecting and interpreting long-term changes in radar-derived environmental signals.