Vu Dong Pham

• This dissertation contributes to both the methodologies and applications for mapping large-scale spatio-temporal land cover patterns using medium-resolution Earth observation (EO) data from Landsat and Sentinel-2. The integration of EO data cubes and deep learning (DL) models serves as the foundation for characterizing land use and land cover changes across extensive spatial and temporal scales. In this context, the dissertation addresses three major challenges related to domain adaptation in DL models: (1) temporal transferability, (2) spatial transferability, and (3) cross-spatial-resolution transferability. The Baltic Sea Region (BSR) was selected as the study area due to its vast extent, which exemplifies the highly irregular distribution and density of EO data across space and time. First, this research investigates the impact of differences in annual Sentinel-2 time-series data on the temporal transferability of DL regression models for land cover fraction mapping. A method to enhance single-year-trained models by generating simulated feature spaces from degraded sets of annual clear observations is introduced. Building upon this foundation, the study further explores the application of DL regression models across biomes using Landsat time-series data and develops a generalized workflow to improve spatial transferability. Second, this dissertation addresses transferability across both temporal and spatial domains when mapping over a decadal period, during which significant variations in data density arise due to inconsistencies in EO data availability. A universal data aggregation method is introduced to convert annual observations into equidistant feature spaces without interpolating the original values. This method facilitates the development of two data augmentation strategies that substantially enhance the transferability of DL models. Third, to address the challenge of mismatched spatial resolutions between Landsat and Sentinel-2 data, a super-resolution method is developed to upscale historical Landsat spectral-temporal metrics to a 10-meter resolution. This approach enhances the fine-scale details of Landsat data in urban environments, enabling the construction of high-resolution maps for urban built-up types in the pre-Sentinel-2 era. The theoretical advancements and empirical findings of this dissertation provide critical steppingstones for large-scale mapping using big EO data and machine learning, offering methodological innovations with broad applicability in Earth system sciences.
• Diese Dissertation leistet einen Beitrag zu den Methoden und Anwendungen der Kartierung großräumiger raum-zeitlicher Muster mithilfe mittel-auflösender Erdbeobachtungsdaten (EO) von Landsat und Sentinel-2. Die Integration von EO-Datenwürfeln und Deep-Learning-(DL)- Modellen bildet die Grundlage zur Charakterisierung von Landnutzungs- und Landbedeckungsänderungen über große räumliche und zeitliche Skalen. In diesem Kontext adressiert die Dissertation drei zentrale Herausforderungen der Domänenadaption in DLModellen: (1) die temporale Übertragbarkeit, (2) räumliche Übertragbarkeit und (3) Übertragbarkeit zwischen verschiedenen räumlichen Auflösungen. Als Untersuchungsgebiet wurde der Ostseeraum (Baltic Sea Region - BSR) gewählt, da dieser aufgrund seiner großen Ausdehnung die stark unregelmäßige Verteilung und Dichte von EO-Daten in Raum und Zeit exemplarisch veranschaulicht. Zunächst wird untersucht, wie sich jährliche Sentinel-2- Zeitreihen auf die temporale Übertragbarkeit von DL-Regressionsmodellen zur Kartierung von Landbedeckungsanteilen auswirken. Eine neue Methode wird eingeführt, um einjährig trainierte Modelle durch die Simulation von Merkmalräumen aus künstlich degradierten klaren Beobachtungen zu verbessern. Aufbauend darauf wird die Anwendung von DLRegressionsmodellen über verschiedene Biome hinweg unter Verwendung von Landsat- Zeitreihen analysiert und ein generalisierter Workflow zur Verbesserung der räumlichen Übertragbarkeit entwickelt. Zweitens behandelt die Dissertation die Übertragbarkeit in zeitlichen und räumlichen Domänen bei der Kartierung über ein Jahrzehnt, in dem erhebliche Schwankungen der Datenverfügbarkeit auftreten. Eine universelle Aggregationsmethode wird eingeführt, um jährliche Beobachtungen in äquidistante Merkmalräume zu überführen, ohne die ursprünglichen Werte zu interpolieren. Dies ermöglicht die Entwicklung zweier Datenaugmentierungsstrategien, die die Übertragbarkeit von DL-Modellen erheblich verbessern. Drittens wird eine Super-Resolution-Methode entwickelt, um spektral-zeitliche Landsat-Metriken auf eine 10-Meter-Auflösung hochzuskalieren und so die feinen Details der Landsat-Daten in städtischen Gebieten zu verbessern. Dadurch können hochauflösende Karten urbaner Bebauungstypen für die Zeit vor Sentinel-2 erstellt werden. Die theoretischen Fortschritte und empirischen Ergebnisse dieser Dissertation bilden wesentliche Grundlagen für die großflächige Kartierung mit großen EO Datenmengen und maschinellem Lernen. Die methodischen Entwicklungen bieten weitreichende Anwendungsmöglichkeiten in den Erdsystemwissenschaften.