Rezente Gletscheränderung im Einzugsgebiet des Gunts ... · PDF file3.10 Höhendifferenzen zwischen Geländeoberﬂäche, Geoid und Ellipsoid, Quelle: ESRI 56 3.11 Zwei Corona-Bildstreifen

Rezente3Gletscheränderung3im3

Einzugsgebiet3des3Gunts3STadschikistanö

333333333Martin3Lindnerp3201333333333333333333333333333333333333333333333333333333333Betreuer:33Profv3Johann3Stötter3333333333333333Institut3für3Geographie333333333333333333333333333333333333333333333333333333333333333333333333Profv3Ralf3Merz333333333Universität3Innsbruck333333333333333333333333333333333333333333333333333333333333333333333333333Malte3Knoche

Leopold-Franzens Universität Innsbruck

Fakultät für Geo- und Atmosphärenwissenschaften

Institut für Geographie

Rezente Gletscheränderung im Einzugsgebietdes Gunts (Tadschikistan)

bearbeitet von

Martin Lindner

Matrikelnummer: 1019173Eingereicht am: 20.09.2013

Erstbetreuer: Prof. Johann Stötter (Universität Innsbruck)Zweitbetreuer: Malte Knoche (UFZ Halle)

Prof. Ralf Merz (UFZ Halle)

Bildnachweis: oben: Impressionen aus dem Pamir (M. Lindner, 2011 u. 2013)links: Satellitenbild von Corona KH-4B aus dem Jahr 1968rechts: Satellitenbild von RapidEye aus dem Jahr 2012

Inhaltsverzeichnis

Abbildungsverzeichnis ix

Tabellenverzeichnis xiii

Abkürzungsverzeichnis xv

1 Einführung 1

1.1 Pamir, Gorno Badakhshan und der Gunt . . . . . . . . . . . . . . . . . . . . . . . 2

1.1.1 Geographische, klimatologische und hydrologische Situation . . . . . . . . 2

1.1.2 Politische, wirtschaftliche, ökologische und gesellschaftliche Entwicklung . 7

1.1.3 Wassernutzungskonflikt in Zentralasien . . . . . . . . . . . . . . . . . . . 9

1.2 Das Projekt PAMIRWater . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.3 Ziel der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 12

1.3.1 Forschungsfragen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

1.3.2 Forschungsstand . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 13

2 Daten und Grundlagen 17

2.1 Übersicht der verwendeten Daten . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.2 Topographische Karten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 17

2.3 Gletscherinventar . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3.1 Katalog Lednikov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3.2 WGI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 18

2.3.3 GLIMS . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.3.4 RGI . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.4 Optische Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19

2.4.1 Spionage-Satelliten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 20

2.4.2 Landsat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.4.3 ASTER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4.4 RapidEye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.4.5 SPOT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.4.6 Zusammenfassung - optische Satellitendaten . . . . . . . . . . . . . . . . 28

2.5 Radar-Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.5.1 SRTM . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 29

2.5.2 Weitere geeignete Radar-Satellitendaten . . . . . . . . . . . . . . . . . . 31

2.6 Laserscan-Daten (ICESat) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 31

v

Inhaltsverzeichnis

2.7 Global Navigation Satellite System . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.7.1 Grundlegendes zur Satellitennavigation . . . . . . . . . . . . . . . . . . . 32

2.7.2 Positionsbestimmung . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.7.3 Fehlereinflüsse . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 32

2.7.4 Möglichkeiten zur Verminderung der Messfehler . . . . . . . . . . . . . . . 33

2.7.5 GPS-Messung im Gelände . . . . . . . . . . . . . . . . . . . . . . . . . . 34

2.8 Meteorologische und hydrologische Daten . . . . . . . . . . . . . . . . . . . . . . 34

3 Methoden der Fernerkundung zur Untersuchung von Gletscheränderungen 35

3.1 Grundlegendes zur Gletscherfernerkundung . . . . . . . . . . . . . . . . . . . . 35

3.2 Evaluierung verschiedener Datengrundlagen . . . . . . . . . . . . . . . . . . . . 36

3.2.1 Genauigkeit der Generalstabskarte in Hinblick auf Gletschergrenzen und

Isohypsen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 36

3.2.2 Genauigkeit der bestehenden Gletscherinventare . . . . . . . . . . . . . . 36

3.2.3 Vergleich der vertikalen Genauigkeit verschiedener Geländemodelle . . . 37

3.2.4 Postprocessing der GPS-Punkte . . . . . . . . . . . . . . . . . . . . . . . 38

3.2.5 Analyse über die Verwendbarkeit von Google Earth zur Erfassung von Pass-

punkten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 38

3.3 Erfassung der planimetrischen Gletscheränderung . . . . . . . . . . . . . . . . . 39

3.3.1 Auswahl der Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.3.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 39

3.3.3 Klassifizierungsmethoden zur Erfassung der Gletscherfläche . . . . . . . . 46

3.3.4 Postprocessing der Klassifizierung . . . . . . . . . . . . . . . . . . . . . . 53

3.3.5 Abschätzung der Unsicherheiten der Ergebnisse . . . . . . . . . . . . . . 53

3.4 Erfassung der volumetrischen Gletscheränderung . . . . . . . . . . . . . . . . . 54

3.4.1 Auswahl der Daten . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 54

3.4.2 Preprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 55

3.4.3 Erstellung von Geländemodellen (mittels Stereophotogrammetrie) . . . . . 56

3.4.4 Differenz zweier Geländemodelle . . . . . . . . . . . . . . . . . . . . . . . 59

3.4.5 Eisdicken-Modellierung . . . . . . . . . . . . . . . . . . . . . . . . . . . . 59

3.5 Auswertung der hydrometrischen und meteorologischen Daten . . . . . . . . . . 61

3.5.1 Abfluss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.5.2 Niederschlag und Temperatur . . . . . . . . . . . . . . . . . . . . . . . . . 61

3.5.3 Seefläche und -spiegel . . . . . . . . . . . . . . . . . . . . . . . . . . . . 62

4 Ergebnisse 63

4.1 Evaluierung verschiedener Datengrundlagen . . . . . . . . . . . . . . . . . . . . 63

4.1.1 Genauigkeit der Generalstabskarte in Hinblick auf Gletschergrenzen und

Isohypsen . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 63

4.1.2 Genauigkeit der bestehenden Gletscherinventare . . . . . . . . . . . . . . 63

4.1.3 Vergleich der vertikalen Genauigkeit verschiedener Geländemodelle . . . 65

4.1.4 Postprocessing der GPS-Punkte . . . . . . . . . . . . . . . . . . . . . . . 66

4.1.5 Geometrische Referenz - Vergleich von Google Earth und RapidEye . . . 67

vi

Inhaltsverzeichnis

4.2 Planimetrische Gletscheränderung . . . . . . . . . . . . . . . . . . . . . . . . . . 68

4.2.1 Flächenänderung im EZG Gunt . . . . . . . . . . . . . . . . . . . . . . . . 69

4.2.2 Flächenänderung im TEZG Pathkurdara . . . . . . . . . . . . . . . . . . . 70

4.2.3 Betrachtung relevanter Gletscherparameter . . . . . . . . . . . . . . . . . 70

4.3 Volumetrische Gletscheränderung . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.3.1 Methodische Ergebnisse . . . . . . . . . . . . . . . . . . . . . . . . . . . 73

4.3.2 Änderung des Gletschervolumens . . . . . . . . . . . . . . . . . . . . . . 75

4.3.3 Volumenänderung basierend auf GlabTop . . . . . . . . . . . . . . . . . . 75

4.4 Zusammenhang zwischen Umweltparametern und Gletscherrückgang . . . . . . 79

4.4.1 Niederschlag und Temperatur . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.4.2 Abfluss . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.4.3 Seefläche . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

5 Diskussion 83

5.1 Geeignete Daten und Methoden zur Erfassung der Gletscheränderung . . . . . . 83

5.1.1 Evaluierung der Datengrundlage . . . . . . . . . . . . . . . . . . . . . . . 83

5.1.2 Daten und Methoden zur Erfassung der Gletscherfläche . . . . . . . . . . 84

5.1.3 Daten und Methoden zur Erfassung des Gletschervolumens . . . . . . . . 87

5.2 Veränderung von Gletscherfläche und -volumen . . . . . . . . . . . . . . . . . . . 90

5.2.1 Veränderung der Gletscherfläche . . . . . . . . . . . . . . . . . . . . . . . 90

5.2.2 Veränderung des Gletschervolumens . . . . . . . . . . . . . . . . . . . . 91

5.3 Korrelation mit hydrometrischen und meteorologischen Daten . . . . . . . . . . . 92

6 Schlussfolgerung 93

7 Literaturverzeichnis 95

Anhang 109

A Kartographische Darstellungen 111

B Verwendete Software 113

C Verwendete Satellitendaten 115

C.1 Corona . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 115

C.2 Landsat . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

C.3 ASTER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

C.4 RapidEye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 118

D Projektanträge 119

D.1 RapidEye . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 119

D.2 SPOT . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 126

vii

Abbildungsverzeichnis

1.1 Übersichtskarte zur Lage des Untersuchungsgebietes (rot umrandet) in Zentralasi-

en mit wichtigen Flüssen in Osttadschikistan (blau), politischen Grenzen (schwarz)

und Gebirgen (weiß). . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 3

1.2 Übersichtskarte des EZG des Gunts (rot umrandet) mit Klimastationen (weiße

Punkte), wichtigen Flüssen (weiß beziffert), dem Teileinzugsgebiet (TEZG) des

Pathkurdaras (orange umrandet) und der Grenze zu Afghanistan (schwarz). . . . 3

1.3 Klimadiagramme für ausgewählte Klimastationen im EZG des Gunts (a, b, c, an-

geordnet von West nach Ost) im Vergleich zur Klimastation Fedchenko-Gletscher

(Lage der Klimastationen siehe Abbildung 1.2 und Abbildung A.1). Darstellung der

Klimadiagramme nach Walter/Lieth mit Jahresdurchschnittstemperatur und Jah-

resniederschlag (oben), höchste und niedrigste Monatsdurchschnittstemperatur

(links), Kennzeichnung der humiden (blau gestreift) und ariden (rot gepunktet) Mo-

nate sowie der Monate mit Durchschnittstemperaturen <0 ◦C (blaue Balken). . . . 5

1.4 Temperaturanomalie für Zentralasien von 1906–2005 (Baseline 1901–1950) aus

Messdaten (schwarze Kurve) und Simulation (rote Kurve) sowie Projektion von

2001–2100 basierend auf MMD-Modellen für A1B-Szenario (orange Kurve). Die

Balken am rechten Rand repräsentieren die Temperaturanomalie des Zeitraumes

2091–2100 für das Szenario 1B (blau), A1B (orange) und A2 (rot). Quelle: IPCC

WG1 (2007) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 6

1.5 Jahresverlauf von Temperatur, Niederschlag und Abfluss des Gunts für die Station

Khorog, Datengrundlage: Williams u. Konovalov (2008) und Hydromet (2012) . . 6

1.6 Prozentualer Anteil von Energieträgern am jährlichen Energieverbrauch in GBAO

für das Jahr 1990 (links) und 2000 (rechts), Quelle: Breu u. a. (2003) . . . . . . . 8

1.7 Schematische Übersicht zu den Ursachen und Lösungen des Wasserkonfliktes in

Zentralasien . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 11

1.8 Schematischer Aufbau der Arbeit . . . . . . . . . . . . . . . . . . . . . . . . . . . 15

2.1 Chronologische Abfolge der bisherigen und geplanten Landsat-Missionen, Quelle:

http://landsat.usgs.gov . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 21

2.2 Lage und Bezeichnung der verwendeten Landsat-Szenen, nach Aufnahmejahr farb-

lich sortiert . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 23

ix

http://landsat.usgs.gov


2.3 Vergleich der spektralen Bänder von ASTER und Landsat ETM+. Die rechtecki-

gen Boxen, mit Nummer und räumlicher Auflösung, symbolisieren die Kanäle des

Sensors. Farbige Kurve im Hintergrund stellt die Durchlässigkeit der Atmosphäre in

Abhängigkeit zur Wellenlänge dar, gestrichelte Linie grenzt Bereich des sichtbaren

Lichtes ein. Quelle: Kääb u. a. (2002) . . . . . . . . . . . . . . . . . . . . . . . . 24

2.4 Prinzip der Aufzeichnung von Stereobildern am Beispiel von ASTER, Quelle: Kääb

u. a. (2002) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 25

3.1 Prinzip der Orthorektifizierung, Quelle: Geoimage (2013) . . . . . . . . . . . . . . 41

3.2 Workflow des Preprocessings von Landsat-Daten . . . . . . . . . . . . . . . . . . 44

3.3 Workflow des Preprocessings von ASTER-Daten . . . . . . . . . . . . . . . . . . 45

3.4 Workflow zur Klassifizierung des Landsat MSS Datensatzes nach Svoboda u. Paul

(2009) mit anschließendem Postprocessing . . . . . . . . . . . . . . . . . . . . . 50

3.5 Workflow zur unüberwachten Klassifizierung des Landsat MSS Datensatzes mit

anschließendem Postprocessing . . . . . . . . . . . . . . . . . . . . . . . . . . . 51

3.6 Workflow zur Klassifizierung von Landsat TM mit anschließendem Postprocessing 51

3.7 Workflow zur Klassifizierung von RapidEye mit anschließendem Postprocessing . 52

3.8 Vergleich der spektralen Eigenschaften von Landsat TM (oben) und RapidEye

(unten) in Hinblick auf die Klassifizierung von Gletschern . . . . . . . . . . . . . . 52

3.9 Workflow zur Erstellung der Gletscher-Einzugsgebiete, basierend auf Bolch u. a.

(2010) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 53

3.10 Höhendifferenzen zwischen Geländeoberfläche, Geoid und Ellipsoid, Quelle: ESRI 56

3.11 Zwei Corona-Bildstreifen und der betrachtete Ausschnitt (rot umrandet) . . . . . . 57

3.12 Simulation der Bildkoordinaten einer Panoramakamera, basierend auf Corona KH-

4A, Quelle: Shin (2003) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 58

3.13 Übersicht des Workflows zur Prozessierung der Corona-Daten . . . . . . . . . . 59

4.1 Vergleich der Gletschergrenzen der topographischen Karte vom OeAV (Hoher Hin-

dukush, Koh-e-Keshnikhan, links) und der Generalstabskarte (rechts). Das Ende

der Gletscherzunge ist jeweils mit einem schwarzen Pfeil markiert. . . . . . . . . 64

4.2 Höhendifferenz zwischen SRTM-Geländemodell und Höhenmodell aus digitalisier-

ten Isohypsen der Kartengrundlage basierend auf 200 Vergleichspunkten außer-

halb der Gletscher der OeAV-Karte . . . . . . . . . . . . . . . . . . . . . . . . . . 64

4.3 Differenz zwischen den Höhenwerten verschiedener Geländemodelle und ICESat-

Daten (max. Abweichung ±50 m). Boxplot mit 50 % Interquartilsabstand (IQR),

Whisker bei max. 1,5 x IQR . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 65

4.4 Vergleich einer Profillinie von SRTM-Viewfinder und ICESat . . . . . . . . . . . . 66

4.5 Horizontaler Abstand und Winkel zwischen DGPS-Punkten und Google Earth; links:

9 Punkte basierend auf SPOT-Daten innerhalb des Stadtgebietes von Khorog;

rechts: 15 Punkte basierend auf Geoeye-1 im gesamten Einzugsgebiet des Gunts 68

4.6 Gletscherrückgang am Beispiel einer Gletscherzunge am Nordrand des EZG. Far-

bige Linien stellen den Gletscherstand des jeweiligen Jahres dar. . . . . . . . . . 68

x


4.7 Veränderung der Gletscherfläche von 1968–2012 für das TEZG Pathkurdara (ba-

sierend auf Corona 1968, Landsat MSS 1977, Landsat TM 1998 und 2011, ASTER

2002 und 2007 und RapidEye 2012) und das EZG Gunt (basierend auf Landsat

MSS 1977 und Landsat TM 1998 und 2011) . . . . . . . . . . . . . . . . . . . . . 70

4.8 Histogramm zur Verteilung der Gletschergrößen, basierend auf den Ergebnissen

von Landsat TM aus dem Jahr 2011 . . . . . . . . . . . . . . . . . . . . . . . . . 71

4.9 Veränderung der hypsographischen Verteilung der Gletscherfläche im EZG des

Gunts zwischen 1977 (weiß) und 2011 (grau), basierend auf Landsat und SRTM . 72

4.10 a) Exposition der Gletscher im Untersuchungsgebiet und b) Flächen-Höhenverteilung

der Gletscher. Beide sind untergliedert in orographisch rechte Seite/südexponiert

(blau) und orographisch linke Seite/nordexponiert (rot). . . . . . . . . . . . . . . . 73

4.11 Ergebnis des Resampling im Vergleich mit ASTER GDEM, A Hillshade des SRTM3

mit 90 m Auflösung, B Hillshade des interpolierten SRTM mit 30 m Auflösung, C

Hillshade des ASTER GDEM V2 mit 28 m Auflösung . . . . . . . . . . . . . . . . 73

4.12 Ergebnis der Evaluierung der vertikalen Genauigkeit von Corona mittels ICESat-

Daten unter Verwendung von ERDAS ATE und ERDAS eATE. Boxplot mit 50 %

Interquartilsabstand (IQR), Whisker bei max. 1,5 x IQR . . . . . . . . . . . . . . . 74

4.13 Volumetrische und planimetrische Gletscheränderung im Teileinzugsgebiet Pathkur

zwischen 1977–2012 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 76

4.14 Abhängigkeit des Gletschervolumens von der Gletscherfläche. Modellergebnis-

se von Farinotti u. a. (2009a) mit und ohne Ground Penetration Radar (GPR)-

Messungen zur Kalibrierung (Schweizer Alpen) und eigene Modellergebnisse EZG

Gunt. Lineare Regressionsgerade in entsprechender Farbe. . . . . . . . . . . . . 76

4.15 Ergebnisse der planimetrischen und volumetrischen Gletscheränderung von 1977,

1998 und 2011 basierend auf Landsat (rote Vierecke bzw. blaue Kreise). Messwer-

te linear interpoliert und Trend linear extrapoliert bis 2100. Konfidenzintervall mit

Konfidenzniveau von 95 % (dunkelgrauer Bereich) und 80 % (hellgrauer Bereich). 77

4.16 3D-Visualisierung von Corona und RapidEye mit der Höhendifferenz zwischen

SRTM und Corona-DEM bzw. dem Ergebnis der Eisdickenmodellierung . . . . . . 78

4.17 Vergleich der Temperaturanomalie von Tadschikistan und dem globalen Mittel (GI-

STEMP) mit geglätteten Mittelwerten (blaue Linie) und 95 %-Konfidenzintervall

(grauer Bereich) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 80

4.18 Gletschervolumen und Trendkomponente von Temperatur, Niederschlag und Ab-

fluss des Gunts (Station Khorog) mit linearer Regressionsgeraden (rote Linie). Rote

Punkte stellen Jahre mit Ergebnissen zum Gletschervolumen dar. Datenquellen:

Hydromet (2012), NSIDC und NEESPI . . . . . . . . . . . . . . . . . . . . . . . . 81

5.1 Ergebnis der Klassifizierung von RapidEye: (a) Klassifizierung von Ablationsbe-

reich mit leichter Schuttbedeckung, (b) Klassifizierung von proglazialen Seen und

Schattenbereichen, (c) Klassifizierung von Akkumulations- und Ablationsbereich

ohne Schuttbedeckung, (d) Endergebnis (Kombination aus a–c), schwarze Pfeile

markieren fehlerhafte Bereiche. . . . . . . . . . . . . . . . . . . . . . . . . . . . 86

xi


5.2 Vergleich der Klassifizierungsergebnisse (rote Linie) von Corona, Landsat MSS,

Landsat TM, ASTER und RapidEye mit dazugehörigem Satellitenbild in geeigneter

Bandkombination zur Erkennung von Gletschern . . . . . . . . . . . . . . . . . . 87

5.3 Höhenunterschied zwischen Corona und SRTM (links) und Gletscherstand basie-

rend auf Corona-KH4B von 1968 (rechts). Kontrastarme Gebiete/Fehlerbereich

sind durch schwarze Pfeile markiert. . . . . . . . . . . . . . . . . . . . . . . . . . 89

xii

Tabellenverzeichnis

2.1 Übersicht zu allen verwendeten Datengrundlagen . . . . . . . . . . . . . . . . . . 17

2.2 Übersicht ausgewählter Spionagesatelliten der USA . . . . . . . . . . . . . . . . 20

2.3 Technischen Daten der bisherigen Landsat-Missionen . . . . . . . . . . . . . . . 22

2.4 Übersicht des Sensors MSS (Landsat 1–3) . . . . . . . . . . . . . . . . . . . . . 22

2.5 Übersicht des Sensors TM (Landsat 4–5) . . . . . . . . . . . . . . . . . . . . . . 23

2.6 Übersicht des Sensors ETM+ (Landsat 7) . . . . . . . . . . . . . . . . . . . . . . 24

2.7 Übersicht des Sensors ASTER . . . . . . . . . . . . . . . . . . . . . . . . . . . . 26

2.8 Übersicht des Sensors RapidEye . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.9 Übersicht über die temporale und räumliche Abdeckung der RapidEye-Daten im

Untersuchungsgebiet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 27

2.10 Übersicht über die SPOT-Missionen 1–5 . . . . . . . . . . . . . . . . . . . . . . . 28

2.11 Übersicht über die Auflösung der verwendeten multispektralen Daten . . . . . . . 29

2.12 Übersicht über die horizontale und vertikale Genauigkeit der verwendeten Gelände-

modelle. Konfidenzintervall 90 % für SRTM und 95 % für ASTER GDEM, basierend

auf ASTER GDEM Validation Team (2011b) für ASTER GDEM und Hoffmann u.

Walter (2006) für SRTM-C und SRTM-X. . . . . . . . . . . . . . . . . . . . . . . . 30

2.13 Ursache von Fehlern bei GPS-Messungen, Quelle: Zogg (2009) . . . . . . . . . . 33

3.1 Koeffizienten zur radiometrischen Kalibrierung für Landsat TM 5, Quelle: Chander

u. a. (2009) . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 43

3.2 Übersicht über die temporale und räumliche Abdeckung der ASTER-Daten im Un-

tersuchungsgebiet . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 45

3.3 Übersicht zur Anwendung verschiedener Wellenlängenbereiche am Beispiel Land-

sat TM in Hinblick auf Gletscherkartierung, Quelle: nach Pellikka u. Rees (2010) . 47

3.4 Übersicht über ausgewählte Gletschervolumen basierend auf GPR-Messungen

und kalibrierten Modellergebnissen sowie eigene Ergebnisse . . . . . . . . . . . 61

4.1 Übersicht über Ergebnisse der Differenzialkorrektur mittels Pathfinder Office für die

verwendeten GPS-Geräte GeoXT und GeoXH . . . . . . . . . . . . . . . . . . . 66

4.2 RMS-Fehler der geometrischen Korrektur von RapidEye mittels Rational Polynomial

Coefficients (RPC)-Modell mit und ohne Passpunkten unter Verwendung von fünf

Szenen und 13 GCPs . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 67

4.3 Mittelwert des Betrages der horizontalen und vertikalen Differenz zwischen DGPS-

Referenzpunkten und Google Earth (SPOT und Geoeye-1) bzw. RapidEye . . . . 67

4.4 Gletscherfläche im EZG des Gunts nach jedem Prozessierungsschritt mit Angaben

zum Aufnahmejahr und Sensor . . . . . . . . . . . . . . . . . . . . . . . . . . . . 69

xiii

Tabellenverzeichnis

4.5 Gesamter und jährlicher Rückgang der Gletscherfläche im EZG des Gunts . . . . 69

4.6 Ergebnisse der photogrammetrischen Auswertung von Corona im Vergleich mit

anderen Studien, alle Angaben zum RMSE in Meter . . . . . . . . . . . . . . . . 74

4.7 Vergleich der Ergebnisse von der Volumenberechnung basierend auf Geländemo-

dellen (1968–1999) und GlabTop (Zeitraum T1: 1977–1998, T2: 1988–2011) . . . 75

4.8 Gesamtes Gletschervolumen und Gletschermasse zu drei Zeitpunkten. Volumen-

bzw. Massenänderung (pro Jahr) für Zeitraum T1 (1977–1998) und T2 (1988–2011)

für das EZG des Gunts . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 79

4.9 Änderung von Fläche und Anzahl der proglazialen Seen im EZG des Gunts zwi-

schen 1998–2011 basierend auf Landsat TM . . . . . . . . . . . . . . . . . . . . 80

C.1 Verwendete Szenen von CORONA KH-4B . . . . . . . . . . . . . . . . . . . . . . 115

C.2 Datensatz Landsat MSS 1977 . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

C.3 Datensatz Landsat TM 1998 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

C.4 Datensatz Landsat TM 2011 . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 116

C.5 Datensätze ASTER . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 117

C.6 Übersicht RapidEye über die verfügbaren Datensätze mit Metadaten zum Aufnah-

mezeitpunkt und Wolkenbedeckung . . . . . . . . . . . . . . . . . . . . . . . . . 118

xiv

Abkürzungsverzeichnis

AAR Accumulation Area Ratio

ASI Agenzia Spaziale Italiana

ASTER Advanced Spaceborne Thermal Emission and

Reflection Radiometer

ASTER GDEM ASTER Global Digital Elevation Model

ATE Automatic Terrain Extraction

BIP Bruttoinlandsprodukt

BMBF Bundesministerium für Bildung und Forschung

CGIAR Consultative Group for International Agriculture

Research

CIA Central Intelligence Agency

DGM Digitales Geländemodell

DGPS Differential Global Positioning System

DLR Deutsches Zentrum für Luft- und Raumfahrt

DN Digital Number

DOP Dilution Of Precision

DORIS Doppler Orbitography and Radiopositioning Integrated

by Satellite

eATE enhanced Automatic Terrain Extraction

ELA Equilibrium Line Altitude

EOS Earth Observing System

ERTS Earth Resources Technology Satellite

ESA European Space Agency

ETM Enhanced Thematic Mapper

ETM+ Enhanced Thematic Mapper Plus

EZG Einzugsgebiet

GBAO Gorno-Badakhshan Autonomous Oblast

GCP Ground Control Point

GlabTop Glacier bed Topography

GLAS Geoscience Laser Altimeter System

xv


GLIMS Global Land Ice Measurements from Space

GNSS Global Navigation Satellite System

GPR Ground Penetration Radar

GPS Global Positioning System

HDI Human Development Index

HEM Height Error Map

HKKH Hindu Kush-Karakoram-Himalaya

HRS High Resolution Stereoscopic

HRV High Resolution Visible

HRVIR High Resolution Visible and Infrared

IAHS International Association of Hydrological Sciences

ICESat Ice, Cloud and land Elevation Satellite

IDW Inverse Distance Weighting

IHD International Hydrological Decade

IPCC Intergovernmental Panel on Climate Change

LiDAR Light Detection And Ranging

LPS Leica Photogrammetric Suite

MSS Multi Spectral Scanner

NASA National Aeronautics and Space Administration

NCDC National Climatic Data Center

NDSI Normalized Difference Snow Index

NDWI Normalized Difference Water Index

NEESPI Northern Eurasia Earth Science Partnership Initiative

NGA National Geospatial Intelligence-Agency

NGAT NSIDC GLAS Altimetry elevation extractor Tool

NSIDC National Snow and Ice Data Center

OeAV Oesterreichischer Alpenverein

PDOP Position DOP

PPP Public Private Partnership

PSR Pseudorange

RADAR Radio Detection and Ranging

RCP Representative Concentration Pathway

RESA RapidEye Science Archive

RGI Randolph Glacier Inventory

xvi


RMSE Root Mean Square Error

RPC Rational Polynomial Coefficients

RSG Remote Sensing software package Graz

SBAS Satellite-Based Augmentation System

SLC Scan Line Corrector

SRTM Shuttle Radar Topography Mission

STD Standardabweichung

SWIR Short Wave Infrared

TEZG Teileinzugsgebiet

TIR Thermal Infrared

TM Thematic Mapper

USGS United States Geological Survey

UTM Universal Transverse Mercator

VNIR Visible/Near Infrared Reflectance

WE Wasseräquivalent

WGI World Glacier Inventory

WGMS World Glacier Monitoring Service

WGS84 World Geodetic System 1984

WSAG Water Systems Analysis Group

xvii

Selbstständigkeitserklärung

Ich versichere, die Masterarbeit selbständig und lediglich unter Benutzung der angegebenen Quel-

len und Hilfsmittel verfasst zu haben. Alle Stellen, die wörtlich oder sinngemäß aus veröffentlichten

oder noch nicht veröffentlichten Quellen entnommen sind, sind als solche kenntlich gemacht. Die

Zeichnungen oder Abbildungen in dieser Arbeit sind von mir selbst erstellt worden oder mit einem

entsprechenden Quellennachweis versehen.

Ich erkläre weiterhin, dass die vorliegende Arbeit noch nicht im Rahmen eines anderen Prüfungs-

verfahrens eingereicht wurde.

Ort, Datum Martin Lindner

Vorwort

Der Wunsch, die Welt auch außerhalb Europas zu entdecken und zu bereisen, hat sich mit einer

Exkursion nach Kirgistan im Jahr 2010 in einem ersten Schritt erfüllt. Fasziniert von den Dimen-

sionen dieser Landschaft bereisten wir ein Jahr später Tadschikistan per Rad. Die grenzenlose

Gastfreundschaft wog jeden Tropfen Schweiß mehrfach auf und so fiel der Abschied schwer. Mit

dem Wunsch, mich intensiver mit diesem Land beschäftigen zu wollen, stieß ich bei der Suche

nach einem geeigneten Thema für meine Masterarbeit auf das Projekt PAMIRWater. Mein be-

sonderer Dank gilt daher Malte Knoche, welcher mich als Betreuer in jeder Hinsicht unterstützte.

Keine E-Mail bliebt unbeantwortet, jedes organisatorische Problem wurde mit seiner Hilfe gelöst.

Sein Lob und konstruktiver Tadel waren mir eine große Bereicherung über den gesamten Ent-

stehungsprozess dieser Arbeit. Seine Geduld, Offenheit und Vertrauen boten mir die Möglichkeit,

nicht eine Methode unversucht zu lassen.

Bedanken möchte ich mich weiterhin bei Prof. Ralf Merz als Leiter des Departments für Catchment

Hydrology am Umweltforschungszentrum Halle sowie dem Projektleiter Dr. Stephan Weise, wel-

che die Arbeit und den Geländeaufenthalt überhaupt erst ermöglichten. Ebenso möchte ich mich

an dieser Stelle bei Eric Pohl bedanken, welcher mit seiner handwerklichen Potenz und seinem

erfrischendem Esprit eine wertvolle Bereicherung im Gelände war.

Meinem Betreuer in Innsbruck, Prof. Johann Stötter, möchte ich zuerst für die Zeit während des

Masterstudiums danken. Mit seiner stets kritisch-reflektierenden Sicht rückte er meinen Blick auf

die Geographie in ein neues Licht und hatte damit einen entscheidenden Anteil an der Wahl für

das Thema meiner Arbeit. Weiterhin möchte ich ihm dafür danken, dass er trotz eines übervollen

Terminkalenders stets all meinen Anliegen nachkam und mich in jeder Hinsicht unterstützte.

Ein großes Dankeschön gebührt Andreas Linsbauer und Horst Machguth von der ETH Zürich

für die Bereitstellung ihres Programmes GlabTop zur Modellierung des Gletscherbettes. Dank

zahlreicher Hinweise und Tipps gelang es auch mir, plausible Ergebnisse zu berechnen.

Ebenso möchte ich mich bei der Universität Innsbruck bedanken, welche mir durch die Bewilligung

eines Förderstipendiums den Auslandsaufenthalt und den Kauf von Corona-Daten ermöglichten.

Dem Deutschen Zentrum für Luft- und Raumfahrt e. V. möchte ich für die Bereitstellung der Daten

aus dem RapidEye Science Archive danken, welche mit Mitteln des Bundesministeriums für Wirt-

schaft und Technologie sichergestellt wurde. Die Bereitstellung der verwendeten ASTER-Daten

erfolgte durch: NASA Land Processes Distributed Active Archive Center (LP DAAC), USGS/Earth

Resources Observation and Science (EROS) Center, Sioux Falls, South Dakota.

Ein Dank geht auch an meine Eltern, welche mir mein Studium ermöglichten und meine Arbeit

stets mit Neugierde verfolgten, an meine Lieblingsgermanistin und ihrem ‚Best of Bud Spencer

and Terence Hill‘ für das Korrekturlesen und insbesondere die schönen Momente zwischendurch.

Am meisten danke ich Claudi, welche mir die wohl größte Motivation für den Endspurt bei meiner

Arbeit schenkte!

xxi

Abstract

The often discussed Aral Sea basin, which receives its substantial amount of water from the

high mountains of Central Asia, is affected by water scarcity. Glaciers in the upstream area are

expected to retreat due to global warming. Therefore, reliable information about past and current

glaciation is essential for understanding and modelling the hydrological system. Based on a

lack of mass balance data, a space based assessment of the planimetric and volumetric glacier

change was performed for the catchment area of the river Gunt, Tajikistan. Multitemporal satellite

imagery from the last decades (Corona KH-4B, Landsat MSS/TM, Terra ASTER and RapidEye)

was classified to measure the area under change. To derive information about volumetric changes,

the elevation difference between a digital terrain model based on Corona-KH4B stereo data and

SRTM data was calculated. Furthermore, the ice-thickness distribution was modelled to obtain

area-wide volumetric information. The results show that the glacier lost an area of 189,6 km2

(=̂23,7 %) between 1977 and 2011. The specific mass balance between 1977 and 1998 changed

from −0,399 m a−1 water equivalent to −0,662 m a−1 in 1998–2011. The annual mass loss of 0,36

gigatonnes contributed about 12,2 % to the annual average discharge of the Gunt.

Zusammenfassung

Das viel diskutierte Aralsee-Einzugsgebiet, welches hauptsächlich durch die Hochgebirge Zen-

tralasiens gespeist wird, ist durch Wasserknappheit geprägt. Infolge der Klimaerwärmung kann

von einem Rückgang der dortigen Gletscher ausgegangen werden. Für das Verständnis und

zur Modellierung dieses hydrologischen Systems sind daher verlässliche Daten über die rezente

und aktuelle Vergletscherung essenziell. Aufgrund von fehlenden Daten zur Massenbilanz wurde

eine satellitenbasierte Untersuchung der flächenhaften und volumetrischen Gletscheränderung

für das Einzugsgebiet des Gunts (Tadschikistan) durchgeführt. Zur Erfassung der Flächenän-

derung wurden multitemporale Satellitenbilder der letzten Jahrzehnte (Corona KH-4B, Landsat

MSS/TM, Terra ASTER und RapidEye) klassifiziert. Um Aussagen über die Volumenänderung zu

treffen, wurde die Höhendifferenz aus einem Geländemodell basierend auf Corona-Stereodaten

und SRTM-Daten gebildet. Um flächendeckende Informationen über das Gletschervolumen zu

erhalten, wurde die Verteilung der Gletscherdicke modelliert. Die Ergebnisse zeigen einen deut-

lichen Rückgang der Gletscherfläche von 189,6 km2 (=̂23,7 %) zwischen 1977 und 2011. Die

spezifische Massenbilanz von −0,399 m a−1 Wasseräquivalent im Zeitraum 1977–1998 ging auf

−0,662 m a−1 (1998–2011) zurück. Der jährliche Massenverlust von 0,36 Gigatonnen trägt zu rund

12,2 % des mittleren jährlichen Abflusses des Gunts bei.

xxiii

1 Einführung

Eine der zentralen Herausforderungen des 21. Jahrhunderts ist der Globale Wandel. Die Fol-

gen des Klimawandels und der Globalisierung geben Anlass für zahlreiche Spannungen und

Interessenskonflikte, bieten gleichzeitig aber auch Chancen und Möglichkeiten. Einem erhöhten

Risiko sind dabei Gebirgsräume ausgesetzt. Zum einen reagieren sie besonders sensitiv auf

den Klimawandel und zum anderen ist die Vulnerabilität der lokalen Bevölkerung besonders hoch

bzw. die Resilienz oft gering. Doch Gebirge sind nicht nur Lebensraum von 12 % der gesamten

Bevölkerung, sondern auch Wasserversorger der halben Welt (Kohler u. Maselli, 2009). Deshalb

wurde der nachhaltigen Entwicklung von Gebirgsregionen schon 1992 in der Agenda 21 ein eige-

nes Kapitel gewidmet. Zehn Jahre später rief die UN-Generalversammlung das „Jahr der Berge“

aus. Die regelmäßige Verabschiedung einer Resolution über die „Nachhaltige Entwicklung der

Berggebiete“ durch die UN-Generalversammlung untermauerte noch einmal die wichtige Rolle

von Gebirgsregionen.

Wasser und Gebirge sind und bleiben zentrale Themen in diesem Jahrhundert. Ein Zuwachs

der Weltbevölkerung und ein steigender Lebensstandard lassen den Wasserverbrauch rapide

wachsen. Die Klimaerwärmung und das Abschmelzen von Gletschern führen langfristig zu einer

Umverteilung des Wasserangebots, wobei davon ausgegangen werden kann, dass sich das An-

gebot in semiariden Gebieten der mittleren Breiten verringert (IPCC WG1, 2007). In Zentralasien

wird in Zukunft eine steigende Nachfrage einem sinkenden Angebot gegenüberstehen (Granit

u. a., 2010). Wie groß der Einfluss der Gletscher auf den Abfluss ist, wird stark von der jahreszeit-

lichen Niederschlagsverteilung gesteuert. Da in den meisten Einzugsgebieten Südasiens oder

Mitteleuropas hohe Niederschlagsmengen im Sommer fallen, ist die Bedeutung der Gletscher als

Wasserressource vergleichsweise gering (Kaser u. a., 2010; Immerzeel u. a., 2010). Nur wenige

Regionen wie Zentralasien sind aufgrund sehr trockener Sommer stark von der Schnee- und Glet-

scherschmelze abhängig und weisen gleichzeitig eine hohe Bevölkerungszahl auf (Kaser u. a.,

2010).

Daher ist die Ressource Wasser in Zentralasien eine Ursache vieler Konflikte. Der durch die

Sowjetunion eingeführte Baumwollanbau ist für die zentralasiatischen Staaten ein bedeutender

Wirtschaftszweig, allerdings ist er mit einem enormen Wasserverbrauch verbunden. Die ressour-

cenarmen Gebirgsländer Kirgistan und Tadschikistan streben einen Ausbau der Wasserkraft an,

während die Unteranlieger Kasachstan, Turkmenistan und Usbekistan die Bewässerung ihrer

Agrarflächen sicherstellen wollen. Eine zusätzliche Nachfrage ist mit der politischen Stabilisierung

und damit dem wirtschaftlichen Wachstum Afghanistans zu erwarten. Um die soziale, ökologische,

ökonomische aber auch politische Situation nachhaltig zu verbessern, ist ein transnationales Was-

sermanagement notwendig.

Die Wissenschaft kann hierbei wichtige Impulse und Voraussetzungen schaffen. Einerseits ist ein

1

1 Einführung

hydrologisches Messnetz Grundlage für ein erfolgreiches Monitoring, andererseits stellen Model-

lierungen und Szenarien die Basis für langfristige Entscheidungen dar. Genau dies ist das Ziel

des Verbundprojektes PAMIRWater, in welches die vorliegende Arbeit eingebunden ist. Mit einem

breiten methodischen Spektrum soll das Einzugsgebiet (EZG) des Gunts im Osten Tadschikist-

ans erfasst und die Auswirkungen des Klimawandels auf die Großregion modellierend extrapoliert

werden. Neben der Durchführung detaillierter Grundwasserstudien und Abflussmessungen ist die

möglichst genaue Erfassung der historischen Gletscheränderung entscheidend für die Ergebnis-

se der Modellierung.

Der Teilaspekt des Gletscherrückganges stellt den Schwerpunkt dieser Arbeit dar. Mithilfe ferner-

kundlicher Methoden soll die Änderung von Gletscherfläche und -volumen während der letzten

rund 50 Jahre erfasst werden.

1.1 Pamir, Gorno Badakhshan und der Gunt

Der Pamir war schon früh Anziehungspunkt unzähliger Forschungsreisen. Angefangen von Marco

Polo über Sven Hedin und Richard Finsterwalder bis hin zum Innsbrucker Geographieprofessor

Gernot Patzelt zog es unzählige Wissenschaftler auf das Dach der Welt. Umgeben vom Tien

Shan im Norden, Karakorum im Süden, Hindukusch im Südwesten und dem Hochland von Tibet

im Osten, verbindet der Pamir die großen Gebirgszüge Asiens. Zentral im Pamir gelegen ist die zu

Tadschikistan gehörige Provinz Gorno-Badakhshan Autonomous Oblast (GBAO). Zwar umfasst

diese 45 % der Landesfläche, aber nur 3 % der Gesamtbevölkerung. Die Hauptstadt von GBAO ist

Khorog, gleichzeitig Mündungspunkt des Gunts in den Panj, welcher wiederum in den Amu Darja

fließt. Das EZG des Gunts stellt das Untersuchungsgebiet der vorliegenden Arbeit dar. Abbildung

1.1 bietet eine Übersicht zur räumlichen Lage, Abbildung 1.2 eine detaillierte Darstellung des

EZG.

1.1.1 Geographische, klimatologische und hydrologische Situation

1.1.1.1 Geographie

Tadschikistan ist ein Binnenstaat im südöstlichen Zentralasien. Mit einer Fläche von 143 100 km2

ist es fast doppelt so groß wie Österreich. Fast die Hälfte der Landesfläche liegt über 3000 m,

wovon rund 6 % vergletschert sind (Kayumov, 2011). Der Fedchenko-Gletscher gilt mit 77 km

als der längste Gletscher außerhalb der Polargebiete (Aizen u. a., 2009). Der höchste Berg mit

7495 m ist der Pik Ismoil Somoni, ehemals Pik Kommunismus genannt.

Das EZG des Gunts umfasst eine Fläche von fast 14 000 km2, etwa 1/10 der Landesfläche. Das

Gebiet erstreckt sich vertikal von der Mündung (Khorog) auf einer Höhe von 2080 m bis zu den

höchsten Bergen Pik Karl Marx (6726 m) und Pik Engels (6510 m), wobei es eine durchschnittliche

Höhe von 4300 m aufweist. Das EZG kann in ein Hochplateau (∼4000 m ü.d.M) im östlichen Teil

und in eine tief eingeschnittene Gebirgslandschaft im westlichen Teil untergliedert werden.

2


^

!

Gorno-Badakhshan

2

45

3

1

KhorogAfghanistan

China

Kyrgyzstan

Tajikistan

UzbekistanUzbekistan

Pakistan

Dushanbe

0 50 10025 km

Projektion: UTM Zone 43 NEllipsoid: WGS84Grenzen: GADM, 2012DGM: GMTED2010

Pamir

Tarim

Tien-Shan

Hindukush Karakorum

AlayGissar-Range

Legende

Politische GrenzeUntersuchungsgebiet

Höhe (m a.s.l.)

1 Bartang2 Gunt

Flüsse

3 Shakdara4 Panj5 Wakhan

High : 8000Low : 0

±

Abbildung 1.1: Übersichtskarte zur Lage des Untersuchungsgebietes (rot umrandet) in Zentralasienmit wichtigen Flüssen in Osttadschikistan (blau), politischen Grenzen (schwarz) und Gebirgen(weiß).

!(

!(

!(

!(

!(

24

5

3

1

Khorog

Murghab

Novobod Bulunkul

Dshavshangoz

Afghanistan0 20 4010 km

Projektion: UTM Zone 43 NEllipsoid: WGS84Grenzen: GADM, 2012DGM: GMTED2010

Legende1 Bartang2 Gunt

Flüsse

3 Shakdara4 Panj5 Wakhan

±

Landsat 2011Red: Band 5Green: Band 4Blue: Band 3

MeteostationTEZG PathkurdaraPolitische GrenzeUntersuchungsgebiet

!(

Abbildung 1.2: Übersichtskarte des EZG des Gunts (rot umrandet) mit Klimastationen (weiße Punk-te), wichtigen Flüssen (weiß beziffert), dem Teileinzugsgebiet (TEZG) des Pathkurdaras (orangeumrandet) und der Grenze zu Afghanistan (schwarz).

3

1 Einführung

1.1.1.2 Klimatologie

Sowohl Niederschlag als auch Temperatur weisen im östlichen Teil Tadschikistans neben der

jahreszeitlichen Schwankung einen ausgeprägten vertikalen und horizontalen Gradienten auf.

So reicht das Klima in GBAO von semiarid in den Tallagen über arid in den Hochflächen bis hin

zum polaren Klima in den Gipfelbereichen. Die Jahresniederschlagsmenge variiert ebenfalls von

50–100 mm auf den Hochplateaus, über 100–400 mm im Tiefland und bis zu 1180 mm am Fed-

chenko Gletscher (siehe Abbildung 1.3). Laut den Ausführungen von Kotlyakov (1980) erreichen

die Niederschlagsmengen am westlichen Rand des Pamirs bis zu 3500 mm.

Neben diesem sehr starken orographischen Effekt steht der Pamir unter dem Einfluss von

großräumigen Zirkulationen. Im Unterschied zum Himalaya, wo der Niederschlag infolge des

Indischen Monsuns hauptsächlich im Sommer fällt, ist der Pamir primär durch die Westwinddrift

beeinflusst. Dies führt einerseits zu einem West-Ost-Gefälle in der Niederschlagssumme und

andererseits zu einem Niederschlagsmaximum im Winter. Lediglich im östlichsten Teil von GBAO

nimmt der Einfluss des Indischen Monsuns zu und das Niederschlagsmaximum verschiebt sich

in den Sommer (siehe Abbildung A.1). Außerdem ist das Gebiet durch eine sehr hohe potenzielle

Evaporation von 600–1000 mm a−1 geprägt (Gorbunov, 1990).

Analog dazu gestaltet sich die Situation im Untersuchungsgebiet (siehe Abbildung 1.3 und

Abbildung A.1). In Khorog, dem tiefsten und zugleich westlichsten Punkt des EZG, fallen ca.

200 mm Jahresniederschlag. Mit zunehmender Höhe steigt dieser in Novobod auf fast 400 mm

an. Im östlichen Teil des EZG verliert der orographische Effekt an Bedeutung und es überwiegt

der kontinentale Einfluss des Hochplateaus. Der Jahresniederschlag bei Bulunkul liegt trotz

einer Höhe von 3700 m bei nur 100 mm. Die meteorologische Station am Fedchenko-Gletscher,

welche auf einer ähnlichen Höhenlage und weniger als 150 km nordwestlich von Bulunkul liegt,

weist hingegen Jahresniederschläge über 1100 mm auf. Die sehr hohe räumliche Variabilität

des Niederschlages ist damit ausschlaggebend für die Verteilung der Gletscher, stellt aber auch

besondere Herausforderungen an die hydrologische Modellierung. Hohe Sommertemperaturen

und ein geringer Winterniederschlag führen im EZG zu einer mittleren Gleichgewichtslinie auf

4840 m (basierend auf Werten im World Glacier Inventory (WGI)).

Regionale Klimaprojektionen im 4. IPCC-Bericht gehen von einer sehr starken Erwärmung

Zentralasiens aus (IPCC WG1, 2007). Temperaturprojektionen basierend auf dem MMD-A1B

(Multi-Model Data bei dem wirtschaftsorientierten Szenario A1B) ergeben einen Temperatur-

anstieg von 3,7 ◦C für das 21. Jahrhundert (globales Mittel 2,5 ◦C) (siehe Abbildung 1.4). Im

Bericht wird die geringe Performance von Klimamodellen in Zentralasien betont, welche durch

die komplexe Topographie und mesoskalige Prozesse hervorgerufen wird.

4


−10

0

10

20

30

40

50

0

20

40

60

80

100

300

C mm

Khorog (2077 m)1960−2005, Source: Hydromet 9C 196 mm

22.7

−6.9

J F M A M J J A S O N D

(a) Khorog

−10

0

10

20

30

40

50

0

20

40

60

80

100

300

C mm

Novobod (2576 m)1980−2009, Source:Hydromet 5.6C 390 mm

19.5

−9.8


(b) Novobod

−30

−20

−10

0

10

20

30

40

50

0

20

40

60

80

100

300C mm

Bulunkul (3744 m)1960−2005, Source: Hydromet −5.7C 100 mm

10.2

−24.6


(c) Bulunkul

−20

−10

0

10

20

30

40

50

0

20

40

60

80

100

300

C mm

Fedchenko (4169 m)1935−1995, Source: NSIDC −6.9C 1180 mm

4.0

−17.1


(d) Fedchenko

Abbildung 1.3: Klimadiagramme für ausgewählte Klimastationen im EZG des Gunts (a, b, c, ange-ordnet von West nach Ost) im Vergleich zur Klimastation Fedchenko-Gletscher (Lage der Klimasta-tionen siehe Abbildung 1.2 und Abbildung A.1). Darstellung der Klimadiagramme nach Walter/Liethmit Jahresdurchschnittstemperatur und Jahresniederschlag (oben), höchste und niedrigste Mo-natsdurchschnittstemperatur (links), Kennzeichnung der humiden (blau gestreift) und ariden (rotgepunktet) Monate sowie der Monate mit Durchschnittstemperaturen <0 ◦C (blaue Balken).

1.1.1.3 Hydrologie

Hydrographisch gehört Tadschikistan und damit auch der Gunt zum abflusslosen Aralseebecken,

dessen Fläche rund zwei Millionen Quadratkilometer einnimmt. Der wasserreichste Zufluss des

Aralsees ist bzw. war der Amu Darja1, dessen Quellflüsse in Tadschikistan entspringen. Diese1Der Amu Darja versiegt teilweise vor der Mündung in den Aralsee (Eschment, 2011).

5

1 Einführung

Abbildung 1.4: Temperaturanomalie für Zentralasien von 1906–2005 (Baseline 1901–1950) ausMessdaten (schwarze Kurve) und Simulation (rote Kurve) sowie Projektion von 2001–2100 basie-rend auf MMD-Modellen für A1B-Szenario (orange Kurve). Die Balken am rechten Rand repräsen-tieren die Temperaturanomalie des Zeitraumes 2091–2100 für das Szenario 1B (blau), A1B (orange)und A2 (rot). Quelle: IPCC WG1 (2007)

sind einerseits der Vaksh und anderseits der Panj, dessen größter Zufluss im Oberlauf der Gunt

ist (siehe Abbildung 1.1). Fast 50 % der Wasserressourcen des Aralseebeckens kommen aus

Tadschikistan (Eschment, 2011). Der Anteil der Gletscherschmelze am Gesamtabfluss Tadschi-

kistans wird auf 10–20 % geschätzt (Granit u. a., 2010).

Das Abflussverhalten des Gunts ist primär durch Schnee- und Gletscherschmelze bestimmt (sie-

he Abbildung 1.5). Das Abflussmaximum korreliert mit dem Temperaturmaximum im Juli.

010

020

030

040

0

Jahresverlauf von Temperatur, Niederschlag und Abfluss (Gunt), Station Khorog

Monat

Abf

luss

in m

³/s,

Nie

ders

chla

g in

mm

*101


−5

05

1015

20

Tem

pera

tur

in C

°Temperatur

Abfluss

Abbildung 1.5: Jahresverlauf von Temperatur, Niederschlag und Abfluss des Gunts für die StationKhorog, Datengrundlage: Williams u. Konovalov (2008) und Hydromet (2012)

6


1.1.2 Politische, wirtschaftliche, ökologische und gesellschaftliche Entwicklung

1.1.2.1 Politische Entwicklung

Tadschikistan ist, nach der Einteilung der UN2, eines der fünf zentralasiatischen Staaten. Nach

dem Zusammenbruch der Sowjetunion im Jahr 1991 erlangten diese ihre Unabhängigkeit zurück.

Doch schon ein Jahr später begann in Tadschikistan ein fünfjähriger Bürgerkrieg zwischen regio-

nalen Kräften, bei dem 50 000 bis 100 000 Menschen starben (Bertelsmann Stiftung, 2012). Im

Jahr 1994 hat Emomalii Rahmon das Amt des Präsidenten eingenommen, welches er bis heute

begleitet. Durch die NATO-Intervention in Afghanistan fand Tadschikistan größere Aufmerksam-

keit internationaler Politik und Hilfsorganisationen, was zu einer Verbesserung der Wirtschafts-

und Sicherheitslage führte. Dennoch kam es in der jüngeren Vergangenheit mehrfach zu militäri-

schen Ausschreitungen, zuletzt im Sommer 2012 in Khorog.

1.1.2.2 Wirtschaftliche Entwicklung

Tadschikistan ist mit einem Human Development Index (HDI) von 0,622 auf Platz 125 von 187

Ländern und damit auch das ärmste Land der ehemaligen Sowjetunion (UNDP, 2013). Nach

Schätzungen der CIA (2013) betrug das Bruttoinlandsprodukt (BIP) pro Kopf im Jahr 2012 ca.

2200 $, jedoch steuern die Rücküberweisungen der Gastarbeiter mindestens 50 % zum BIP bei

(ILO, 2010).

Aufgrund diverser naturräumlicher Faktoren sind sowohl die Produktion im primären Sektor als

auch der Handel deutlich erschwert. Die Transport- und Logistikkosten zählen zu den höchsten

der Welt (Bertelsmann Stiftung, 2012). Die nutzbare Ackerfläche beträgt weniger als 6 % der

Gesamtfläche, wovon wiederum 86 % bewässert werden müssen (CIA, 2013). Für GBAO beträgt

die Ackerfläche lediglich 0,4 % (Hergarten, 2004). Damit kann weniger als die Hälfte des Nah-

rungsmittelbedarfs gedeckt werden, weshalb Tadschikistan von dem Ernährungsprogramm der

UN abhängig ist. Dennoch sind ca. 70 % der Bevölkerung in der Landwirtschaft tätig. Dominantes

Anbau- und Exportprodukt ist die Baumwolle (15 % der Exporterlöse).

Eine weitere wichtige Nutzung von Wasser ist die Energiegewinnung. Die Stromversorgung Ta-

dschikistans beruht zu 98 % auf Wasserkraft (Bertelsmann Stiftung, 2012). Mit geschätzten 527

Terawatt besitzt das Land eines der größten Wasserkraftpotenziale weltweit, wovon derzeit weni-

ger als 5 % genutzt werden (UNDP, 2010). Der Ausbau der Wasserkraft wird angestrebt, jedoch

fehlen Mittel zur Finanzierung. Trotz des großen Strompotenzials dominieren fossile Energieträ-

ger, vor allem zum Heizen und Kochen. Dieses Problem wird verstärkt, wenn die Entwicklung

der verwendeten Energieträger während der letzten Jahrzehnte betrachtet wird (siehe Abbildung

1.6). So verschwand die während der Sowjetunion importierte Kohle als primärer Energieträger

und wurde durch Feuerholz und getrockneten Kuhdung substituiert. Auf die daraus folgenden

Umweltprobleme wird im nächsten Abschnitt eingegangen.

2http://unstats.un.org/unsd/methods/m49/m49regin.htm

7

http://unstats.un.org/unsd/methods/m49/m49regin.htm

1 Einführung

Aus der preiswerten Wasserkraft resultiert die Aluminiumproduktion als weiterer dominanter Wirt-

schaftszweig (75 % der Exporterlöse). Steigende Preise bei Baumwolle und Aluminium wirkten

sich in den letzten Jahren positiv auf die Wirtschaft aus.

Im informellen Sektor spielt aufgrund der Grenze zu Afghanistan der Drogentransport eine wichti-

ge Rolle. Die Beteiligung am Drogengeschäft unter korrupten Beamten und Militärs war ein Grund

für den bewaffneten Konflikt in Khorog 2012.

Abbildung 1.6: Prozentualer Anteil von Energieträgern am jährlichen Energieverbrauch in GBAO fürdas Jahr 1990 (links) und 2000 (rechts), Quelle: Breu u. a. (2003)

1.1.2.3 Ökologische Entwicklung

Laut dem Environmental Performance Index steht das Land auf Platz 121 von 132, vergleichbar

mit Haiti und Indien (Yale University, 2013). Hauptprobleme sind Wasserverschmutzung, Bo-

denverschlechterung (Versalzung, Erosion), abnehmende Biodiversität und Entwaldung. Primär

verantwortlich für eine Vielzahl von Umweltproblemen ist einerseits der intensive Baumwollanbau,

welcher neben der enormen Wassermenge den massiven Einsatz von Dünger, Herbiziden und

Pestiziden erfordert. Andererseits spielt die Abholzung eine wichtige Rolle, da Brennholz oft als

Alternative zu fossilen Energieträgern verwendet wird. Als Folge ist der Baumbestand allein in

den letzten 20 Jahren um ca. 70 % bis 80 % zurückgegangen (Hoeck u. a., 2007). Dies wiederum

erhöht die Anfälligkeit gegenüber Hochwasser, Muren, Erosion und Sandstürmen. Ein weiteres

Problem stellt die Abfallentsorgung dar. In ländlichen Gebieten gibt es keinerlei staatliche Unter-

stützung, in Städten wird der Müll nur teilweise entsorgt, jedoch weder getrennt noch recycelt (UN,

2004). Vonseiten der Regierung werden die Probleme in ihrem Ausmaß zwar wahrgenommen,

aber kaum Maßnahmen ergriffen.

1.1.2.4 Soziale Entwicklung

Die Einwohnerzahl Tadschikistans wird von der CIA (2013) für 2013 auf 7 910 000 geschätzt, bei

einem Bevölkerungswachstum von 1,79 %. Nur 26 % der Bevölkerung leben im urbanen Raum

(vgl. Deutschland 74 %). Die Alphabetisierungsrate ist im ärmsten Teil Tadschikistans (GBAO) am

höchsten (Breu u. a., 2003).

8


Der Großteil der Bevölkerung sind Sunniten (85 %), nur in Gorno-Badachschan leben überwie-

gend Ismailiten. Dies erklärt auch den hohen Bildungsgrad in GBAO, da das geistige Oberhaupt

der Ismailiten, Aga Khan, Multimilliardär und Gründer der größten privaten Entwicklungsorganisa-

tion weltweit - der Aga Khan Foundation - ist. Nur so konnten zahlreiche Schulen und Bildungs-

programme in dieser Region finanziert werden.

1.1.3 Wassernutzungskonflikt in Zentralasien

1.1.3.1 Das Problem

Die Austrocknung des Aralsees ist eine der größten vom Menschen verursachte Umweltkata-

strophe. Zwar ist der Rückgang des Aralsees eine Tragödie für die Bevölkerung vor Ort, doch

stellt er vielmehr nur einen sichtbaren Teil eines sehr vielschichtigen Konfliktes dar. Mit dem Zu-

sammenbruch der Sowjetunion wurde dieses nationale Problem der Wassernutzung Gegenstand

internationaler Beziehungen. Die ehemals von der Sowjetunion geregelte Verteilung von Wasser

und Energie ist nun Aufgabe der fünf zentralasiatischen Staaten. Der ungleiche ökonomische

Wert von Wasser und Energie kommt dabei erschwerend hinzu.

1.1.3.2 Die Ursache

Die Ursache des Wasserkonfliktes in Zentralasien kann in drei Faktoren untergliedert werden:

1. Wasserknappheit: aufgrund des kontinentalen und trockenen Klimas ist das Wasserangebot

begrenzt. Obwohl das Niederschlagsmaximum im Winter liegt, wird der Großteil des Abflus-

ses durch die Schnee-und Gletscherschmelze im Sommer bereitgestellt und kann daher

für die landwirtschaftliche Nutzung verwendet werden. Die Wasserknappheit stellt damit ein

nachrangiges Problem dar. Eine Abnahme der Niederschläge, steigende Temperaturen und

der Rückgang der Gletscher kann die Situation jedoch langfristig verschärfen (Granit u. a.,

2010).

2. Wasserverteilung: 87 % des Wassers kommen von den Oberliegern Kirgistan und Tadschi-

kistan, 83 % verbrauchen die Unterlieger (Eschment, 2011). Für das Monitoring wurde

während der Sowjetzeiten ein umfassendes Messnetz mit über 800 Pegelstationen in Zen-

tralasien errichtet, welches jedoch nach der Unabhängigkeit teilweise verfiel (Granit u. a.,

2010). Ein weiteres Problem stellt der Zugang zu diesen Daten dar.

3. Wassernutzung: ein Großteil des Wassers wird für die Bewässerung landwirtschaftlicher

Flächen verwendet, wobei 80 % durch Verdunstung und Versickerung aufgrund veralteter

Anlagen verloren gehen. Hauptanbauprodukt ist trotz des enormen Wasserbedarfs Baum-

wolle. Grund hierfür ist zum einen der steigende Weltmarktpreis, zum anderen die Nähe

der politischen Verantwortlichen zu diesem Wirtschaftszweig. Baumwollanbau besitzt da-

her nicht nur eine große wirtschaftliche Bedeutung in Zentralasien, sondern ist auch mit

politischer Macht und Einflussnahme verbunden. Eine weitere Nutzung, speziell der Ober-

lieger, ist die Energiegewinnung. Mit dem Zusammenbruch der Sowjetunion endeten die

9

1 Einführung

Kohle- und Gaslieferungen nach Tadschikistan, was zu einem Bedeutungszuwachs der

Wasserkraft führte. Ein enormer Ausbau von Wasserkraftwerken ist geplant (Granit u. a.,

2010). Ein weiterer Konflikt resultiert aus der vielfältigen Wassernutzung. Zwar findet der

höchste Energieverbrauch im Winter statt, doch ist die Wasserführung zu gering, weshalb

die Stauseen im Sommer aufgefüllt werden müssen. Dies kollidiert mit dem erhöhten Was-

serbedarf durch die landwirtschaftliche Nutzung. Damit ist das Wasserproblem vielmehr

eine generelle Frage der Energieverteilung, doch ist die monetäre Bewertung von Wasser

ungleich schwerer als die von Öl.

1.1.3.3 Die Lösung

Da die Ursache des Wasserkonfliktes weniger eine Folge des grundsätzlichen Wassermangels

sondern vielmehr ein Verteilungsproblem ist, liegen Ursache und Lösung primär auf einer politi-

schen Ebene (Eschment, 2011). Eine gerechte Vergabe von Wasser durch die Oberlieger und

fossiler Energieträger durch die Unterlieger wäre eine einfache Win-win-Situation. Doch eine

Kompromissfindung bei diesem „Upstream-Downstream-Konflikt“ ist in der Praxis schwer zu rea-

lisieren, da für die zentralasiatischen Länder nach ihrer Unabhängigkeit das nationale Interesse

und die Autarkiebestrebung im Vordergrund stehen. Machtdemonstration, gegenseitiges Miss-

trauen sowie mangelnde Transparenz und fehlende Kontroll- und Sanktionsmechanismen sind

weitere Hindernisse auf dem Weg zu einer Konfliktlösung. Eine Vielzahl von Faktoren ist daher

notwendig, um zu einer dauerhaften Lösung zu gelangen.

1. Demokratisierung: die wahrscheinlich wichtigste Voraussetzung ist die der zwischenstaatli-

chen Vertrauensbildung und Demokratisierung.

2. Monitoring: die Erhebung von hydrologischen Messdaten ist essenziell für spätere Kontroll-

und damit auch Sanktionsmechanismen. Nur so kann eine gerechte Verteilung gewährleis-

tet werden.

3. Modernisierung: die Verbesserung der Infrastruktur, insbesondere der Bewässerungssyste-

me, bringt zwar einen großen Fortschritt auf lokaler Ebene und werden infolge schrumpfen-

der Wasserressourcen unabdingbar sein, bewirken aber keine Lösung des Gesamtproble-

mes.

Der Stringenz von Ursache und Lösung zum Trotze (siehe Abbildung 1.7), steht der Sprung in

die Realität noch aus. Vielmehr wird ein Wassermanagement nach sowjetischem Vorbild, wie

die Umleitung der sibirischen Flüsse Ob und Jenissej nach Zentralasien, als Lösung diskutiert

(Eschment, 2011).

10

1.2 Das Projekt PAMIRWater

Das Problem • Wassernutzungskonflikt in Zentralasien

Die Ursache

• ungleiche Verteilung von Wasser- und Energieressourcen

• Sowjeterbe

• Demokratiedefizit

Der Lösungsweg

• Demokratisierung

• Vertrauensbildung

• Monitoring

Die Lösung

• vertraglich geregelte Verteilung von Wasser und Energie

• technische Lösungen: Mikrobewässerung, dezentrale Wasserkraft

Abbildung 1.7: Schematische Übersicht zu den Ursachen und Lösungen des Wasserkonfliktes inZentralasien

1.2 Das Projekt PAMIRWater

Ziel des Verbundprojektes PAMIRWater ist die interdisziplinäre Untersuchung der hydrologischen

Schlüsselprozesse im EZG des Gunts im Pamir, als exemplarische Modellregion des Aralsee-EZG.

Das Projekt ist in das Forschungsprogramm „Central Asian monsoon dynamics and ecossystems“

(CAME) eingebettet und wird durch das Bundesministerium für Bildung und Forschung (BMBF)

bis 2014 finanziert. In Kooperation mit dem Staatsamt für Hydrometeorologie in Tadschikistan

wird das Projekt durch das UFZ Halle (Department Catchment Hydrology) und der TU Freiberg

(Institut für Geologie, Remote Sensing Group) durchgeführt.

Das vergletscherte, kalt-semiaride EZG des Gunts erhält fast ausschließlich Winterniederschläge

und ist damit repräsentativ für die Hochgebirge Zentralasiens und das EZG des Aralsees. Die

schnelle Schneeschmelze und nahezu niederschlagsfreie Sommer sowie Permafrost, gepaart

mit typischen Bodeneigenschaften arider Gebiete, stellen einen Spezialfall in der Hydrologie dar.

Dieser kann durch bestehende hydrologische Modellkonzepte kaum repräsentiert werden. Die

Zielstellung des Projektes liegt daher in der Entwicklung:

1. eines effektiven Monitoring-Netzes unter Nutzung stabiler und radioaktiver Isotope zum

Zweck der Abflussseparation als Ergänzung klassischer Kalibriertechniken. Nur wenn Glet-

scherschmelze, Schneeschmelze und Basisabfluss einzeln modelliert, kalibriert und vali-

diert werden, können später wissenschaftlich verwertbare Szenarien berechnet werden.

2. eines hydrologischen Modellkonzeptes für zentralasiatische Hochgebirge unter Nutzung

von einer multikriteriellen Kalibrierung (und Validierung).

11

1 Einführung

In Zentralasien verfügen zahlreiche Wassereinzugsgebiete über langjährige hydrometrische Mess-

reihen. Qualität und Anzahl dieser Daten nehmen nach 1990 allerdings stark ab (Granit u. a.,

2010). Dennoch stellen die post-sowjetischen Aralsee-Länder einen Spezialfall in der hydrolo-

gischen Infrastruktur dar. Viele Länder des Südens, aber z. B. auch das tibetische Hochplateau

verfügen nur über sehr wenige hydrometrische Messreihen. Dieser Tatsache widmete sich die

International Association of Hydrological Sciences (IAHS) intensiv unter dem Überbegriff „Predic-

tions in Ungauged Basins“ (PUB). Demgegenüber kann bei der Modellierung der Wasserressour-

cen Zentralasiens der Begriff „Predictions in poorly gauged Basins“ (PPB) angewendet werden.

Während die hydrologischen Abflussdaten von mäßiger Qualität und Abdeckung sind, stellt die

Verfügbarkeit von Niederschlagsdaten ein weiteres Problem dar. Zentralasiatische Hochgebirgsre-

gionen werden meteorologisch wenig erfasst. Satellitenbasierte Niederschlagsdaten kommen als

Alternative kaum in Frage, da Schnee nur unzureichend von deren Sensoren erfasst wird (Prigent,

2010). Es ist daher äußerst schwierig, geschlossene Wasserbilanzen zu modellieren, selbst wenn

gemessene Abflüsse vorhanden sind. Immerzeel u. a. (2012) legten einen möglichen Ansatz dar,

wie aus einem Gletschermonitoring der vertikale Niederschlagsgradient ableitet werden kann.

Das Modellkonzept sieht daher vor, neben Durchflussdaten weitere Informationen zur Kalibrierung

und Validierung eines hydrologischen Modells zu verwenden. Dies sind einerseits isotopenhydro-

logische Abschätzungen der Verweilzeiten und andererseits die fernerkundungsbasierte Schnee-

und Gletschererfassung. Der besondere Vorteil der Nutzung von Fernerkundungsdaten in der

Kalibrierung eines hydrologischen Modells liegt in der räumlichen Erfassung eines Parameters

(hier: Schneedecke, Schmelztemperatur, Gletscheränderung). Klassische Kalibrierverfahren grei-

fen hingegen auf punktuelle Informationen zurück und Parameter werden daher grundsätzlich als

homogen für ein (Teil-) Einzugsgebiet angesehen. Die raum-zeitliche Erfassung der Gletscher ist

das Ziel der vorliegenden Arbeit und wird im Folgenden näher beschrieben.

1.3 Ziel der Arbeit

Als Beitrag zum Projekt PAMIRWater wird der Versuch unternommen, eine umfassende Analyse

der Gletscheränderung innerhalb des EZG des Gunts durchzuführen. Da die Gletscherschmelze

ein entscheidender Bestandteil im Abflussregime hochalpiner EZG ist, stellen Gletscher einen

wichtigen Parameter bei der hydrologischen Modellierung dar. Jedoch sind quantitative Aussa-

gen sehr schwer zu erheben, vor allem in entlegenen Gebieten wie dem Pamir. Eine individuelle

Kalibrierung der simulierten Gletscherschmelze erfolgt in vielen hydrologischen Modellen da-

her nicht. Daraus resultiert eine hohe Unsicherheit in der Abschätzung von Wasserressourcen

vergletscherter Gebiete. Eine Alternative zu langjährigen in-situ Messreihen, wie sie für viele Al-

pengletscher vorhanden sind (z. B. Aletschgletscher seit 18703), stellen Fernerkundungsdaten dar.

In der vorliegenden Arbeit wird daher versucht, eine Zeitreihe der Flächen- und Volumenänderung

für zwei Betrachtungsebenen durchzuführen. Einerseits soll das gesamte Untersuchungsgebiet

berücksichtigt werden, andererseits das Teileinzugsgebiet (TEZG) Pathkurdara. Ziel der zweiten

Betrachtung ist die Erstellung einer dichteren Zeitreihe mit intensiverer manuellen Kontrolle und

3http://glaciology.ethz.ch/swiss-glaciers/download/aletsch_de.pdf

12

http://glaciology.ethz.ch/swiss-glaciers/download/aletsch_de.pdf

1.3 Ziel der Arbeit

Korrektur. Somit kann die temporäre Veränderung besser erfasst und eine Validierungsmethode

der großräumigen Ergebnisse erreicht werden.

1.3.1 Forschungsfragen

Aus dem Ziel der Arbeit ergeben sich folgende Forschungsfragen:

1. Welche Daten und Methoden sind zur Untersuchung von Gletscherfläche und -volumen

geeignet?

2. Wie haben sich Gletscherfläche und -volumen in den letzten Jahrzehnten verändert?

3. Inwieweit stehen die Ergebnisse in Zusammenhang mit anderen Studien?

4. Gibt es eine Korrelation mit hydrometrischen und meteorologischen Daten?

1.3.2 Forschungsstand

Die glaziologische Forschung in Zentralasien hat eine lange Geschichte. Bereits 1928 wurde der

Fedchenko-Gletscher während der Alai-Pamir-Expedition von Richard Finsterwalder im Maßstab

1:50 000 kartiert (Finsterwalder, 1932). Ab den 60er Jahren wurde im Rahmen der Internatio-

nal Hydrological Decade (IHD) für die gesamte UdSSR ein Gletscherinventar erstellt (Katalog

Lednikov, 1967). Allerdings sind die Informationen zur Genauigkeit, wie auch zum exakten Zeit-

punkt der Kartierung, sehr gering. Folglich ist die Verwendung dieser Daten nur beschränkt

möglich. Diese Gletscherkartierung stellt die erste dem Autor bekannte publizierte Arbeit über

das Untersuchungsgebiet dar. Der Gletscherkatalog ist Bestandteil des digitalen WGI (WGMS

u. NSIDC, 1989). Zudem wurden während der 60er und 70er Jahre detaillierte Studien zum

Fedchenko-Gletscher durchgeführt (Kotlyakov, 1980).

Mit Zunahme der Satellitenmissionen, dem Start von Landsat TM und Terra ASTER, gewann die

Gletscherfernerkundung an Bedeutung. Große Flächen konnten schnell und einfach prozessiert

und klassifiziert werden. Im Rahmen des Global Land Ice Measurements from Space (GLIMS)-

Projektes wurde für zahlreiche Gebiete der Erde ein Gletscherinventar erstellt. Das Randolph

Glacier Inventory (RGI), welches im Rahmen des kommenden fünften IPCC-Reportes entwickelt

wurde, stellt das umfassendste Inventar der Gletschergrenzen dar (Arendt u. a., 2012). Sowohl

GLIMS als auch RGI decken das Untersuchungsgebiet vollständig ab, jedoch ist die Qualität

aufgrund der automatischen Prozessierung sehr heterogen.

Neben diesen großskaligen Untersuchungen wurden im Pamir einige Studien auf mesoskali-

ger Ebene durchgeführt. So analysierten Khromova u. a. (2006) den flächenhaften Rückgang

mehrerer Gletscher im nördlichen GBAO. Haritashya u. a. (2009) untersuchten 30 Gletscher im

afghanischen Wakhan (südl. des Gunts) hinsichtlich ihrer Längenänderung, mittels Landsat MSS

und ASTER zwischen 1976 und 2003. Mergili u. a. (2012) untersuchten für drei ausgewählte

Gebiete in GBAO die Flächenänderung auf Grundlage von Corona und ASTER. Weiterhin führten

Kotlyakov u. a. (2008) eine detaillierte Studie zum Surging-Verhalten ausgewählter Gletscher in

Tadschikistan durch, basierend auf diversen Satellitendaten.

13

1 Einführung

Die Modellierung des Gletschervolumens wurde hingegen nur in wenigen Gebieten Zentralasiens

umgesetzt. So führten beispielsweise Hagg u. a. (2012) im Tien Shan Volume-Area-Scaling

basierend auf GPR-Messungen durch bzw. Bolch u. a. (2012) für den gesamten Himalaya.

Ebenso fand die satellitenbasierte geodätische Methode zur Bestimmung der Massenbilanz bis-

her kaum im Pamir statt. Vielmehr wurde sie in umliegenden Gebirgen wie dem Himalaya (Berthier

u. a., 2007; Bolch u. a., 2008, 2011; Lamsal u. a., 2011; Kääb u. a., 2012a; Pieczonka u. a., 2011),

dem Tien Shan (Aizen u. a., 2007b,a; Surazakov u. Aizen, 2006) oder dem Karakorum (Gardelle

u. a., 2012; Kääb u. a., 2012a) verwendet. Eine Ausnahme stellt der Fedchenko-Gletscher dar,

dessen Volumen, basierend auf zahlreichen in-situ Messungen und Fernerkundungsdaten, inten-

siv erforscht ist (Lambrecht, 2012; Kayumov, 2011).

Eine detaillierte Studie, welche die planimetrische oder volumetrische Gletscheränderung des

Untersuchungsgebietes abdeckt, ist dem Autor nicht bekannt.

1.3.2.1 Aufbau der Arbeit

Aus der Zielsetzung „Erfassung der quantitativen Gletscheränderung“ ergaben sich folgende

Aufgaben:

1. Akquisition der Datengrundlage (Auswahl der Sensoren, Sichtung verwendbaren Szenen,

Antragstellungen)

2. Aufbereitung der Daten

3. Klassifizierung der Gletscher

4. Berechnung des Gletschervolumens

5. Auswertung der Ergebnisse

Darauf aufbauend gliedert sich die Arbeit in folgende Teile:

Im Anschluss an die Einführung wird in Kapitel 2 auf die Datengrundlage eingegangen. Dabei

werden sowohl Fernerkundungsdaten als auch andere Datenquellen wie analoge Karten und

Klimadaten beleuchtet. Die Satellitenmissionen und Sensoren der verwendeten Daten werden

dabei genauer beschrieben, grundlegende Prinzipien und Funktionsweisen erklärt. In Kapitel 3

werden die verwendeten Methoden vorgestellt, wie a) Informationen zur flächenhaften Gletscher-

änderung und b) Daten zum Gletschervolumen berechnet werden können. Verschiedene Ansätze

werden aufgezeigt und verglichen. Die Ergebnisse sollen anschließend in Kapitel 4 dargelegt

und in Kapitel 5 diskutiert werden. Zum Abschluss erfolgen in Kapitel 6 eine Zusammenfassung

und ein kurzer Ausblick. Abbildung 1.8 bietet eine schematische Darstellung zum Aufbau der

Arbeit, angefangen bei dem zentralen Problem des Wassernutzungskonfliktes bis hin zu den

Ergebnissen der vorliegenden Arbeit.

14

1.3 Ziel der Arbeit

Abbildung 1.8: Schematischer Aufbau der Arbeit

15

2 Daten und Grundlagen

2.1 Übersicht der verwendeten Daten

Die in der vorliegenden Arbeit verwendeten Daten sind in Tabelle 2.1 zusammenfassend dar-

gestellt. Jede einzelne Datengrundlage wird im Folgenden näher beschrieben. Eine detaillierte

Auflistung der verwendeten Satellitenbilder befindet sich im Anhang C.

Tabelle 2.1: Übersicht zu allen verwendeten Datengrundlagen

Typ Bezeichnung Jahr Auflösung Höheninformation

Analoge Karten SowjetischeGeneralstabs-karte

1940–1980 1:100 000 ja

Gletscherinventaranalog

GletscherkatalogLednikov

1947–1966 ja

Gletscherinventardigital

WGI 1947–1966 nein

GLIMS ∼2000– neinRandolphe ∼2000– nein

PanchromatischeDaten

CORONA KH-4B

ab 1967 1,83 m Stereobilder

Multispektrale Da-ten

Landsat 1–7 1976– 15–79 m nein

ASTER 2000– 15–90 m StereobilderRapidEye 2008– 6,5 m nein

RADAR-Daten SRTM-C 2000 90 m jaSRTM-X 2000 30 m ja

LASER-Daten ICESat GLAS 2003–2010 ∼70 m ja

2.2 Topographische Karten

Die einzige geeignete historische Kartengrundlage für das Untersuchungsgebiet ist die sowjeti-

sche Generalstabskarte. Diese ist ein weltweites Kartenwerk, welches für die militärische Verwen-

dung produziert wurde. Nach dem Zweiten Weltkrieg wurden topographische Karten im Maßstab

1 : 25 000–1 : 1 000 000 von der gesamten Welt erstellt. Für das EZG des Gunts sind Karten im

Maßstab 1 : 100 000 im Internet frei erhältlich.12 Das Jahr der Veröffentlichung liegt für die verwen-1www.maps.vlasenko.net2www.mapj42.narod.ru

17

www.maps.vlasenko.net

www.mapj42.narod.ru


deten Karten zwischen 1976 und 1978. Ab 1962 dienten Satellitenbilder als Grundlage für die

Erstellung, davor wurden meist Luftbilder verwendet (Watt, 2005). Bei der Projektion handelt es

sich um Gauß-Krüger mit dem Krassowski-Ellipsoid (Datum Pulkovo 1942) (Travaglia u. Dainelli,

2003).

2.3 Gletscherinventar

2.3.1 Katalog Lednikov

Im Zuge der IHD wurde im Jahr 1962 die Erstellung eines Gletscherinventars für die UdSSR

festgelegt. Der Gletscherkatalog für das EZG des Gunts wurde 1979 veröffentlicht (Katalog Led-

nikov, 1967). Die Arbeit basiert hauptsächlich auf Luftbildern und großskaligen Karten. Von 1968

bis 1973 fanden Expeditionen des Geographischen Institutes der Sowjetischen Akademie der

Wissenschaften statt. Weiterhin wurden Helikopterbefliegungen für alle Gletscher durchgeführt

und für ca. zehn Gletscher genauere Geländebegehungen (Katalog Lednikov, 1967). Für jeden

Gletscher ist das Jahr der Datengrundlage genannt, wobei überwiegend die Gletschersituation

von 1947 beschrieben wird. Es wurden alle Gletscher größer als 0,1 km2 berücksichtigt. Teilweise

fanden Bohrungen im Eis für volumetrische Messungen statt, jedoch nicht im EZG des Gunts

(Katalog Lednikov, 1967). Um Messfehler zu verringern, wurden Längenmessungen für jeden

Gletscher anhand von großskaligen Karten von zwei unterschiedlichen Personen durchgeführt.

Die Höhenpunkte wurden mit einer Genauigkeit von 10 m angegeben, die Höhe der Firnlinie mit

50 m.

2.3.2 WGI

Das WGI (WGMS u. NSIDC, 1989) umfasst mehr als 130 000 Gletscher der geschätzten Gesamt-

zahl von 160 000 und ist damit das umfassendste Inventar. Es enthält Informationen über die

geographische Lage, Fläche, Länge, Exposition, Höhe und Gletschertyp. Basierend auf Luftbil-

dern, Karten und Satellitendaten beschreibt das Inventar die Situation der zweiten Hälfte des 20.

Jahrhunderts (primär 1960er bis 1970er) (Racoviteanu u. a., 2009). Der World Glacier Monito-

ring Service (WGMS), welcher 1986 gegründet wurde, ist für die Organisation und Aktualisierung

verantwortlich. Das Inventar enthält die Daten des Eurasian Glacier Inventory und damit mehr

als 34 000 Gletscher der ehemaligen Sowjetunion und China (Bedford u. Haggerty, 1996). Diese

Informationen basieren auf dem Katalog Lednikov (1967)beinhalten Angaben zur Fläche, Län-

ge, Höhe, Exposition, Form und weiteren Merkmalen. Die Daten liegen als Punktinformation vor,

wobei die Koordinaten in Dezimalgrad auf zwei Nachkommastellen gerundet sind, was einer Unge-

nauigkeit von ca. 1 km entspricht. Daher muss die Position der Punkte manuell korrigiert werden.

Anhand der Information über Fläche und Exposition des Akkumulations- und Ablationsgebietes

lassen sich die Gletscher mit hoher Sicherheit zuweisen. Ein weiterer Nachteil stellt die zeitliche

Inkonsistenz des Inventars dar, welche die Verwendung einschränkt (Mergili u. a., 2012). Darüber

hinaus ist nicht für alle Gletscher das Datum der Datengrundlage angegeben.

18

2.4 Optische Daten

2.3.3 GLIMS

Das GLIMS-Projekt wurde gestartet, um multispektrale Satellitendaten für Gletschergebiete zu

erzeugen, zu sammeln, zu organisieren, sie auszuwerten und zu verstehen (Armstrong u. a.,

2005). Ziel ist die Fortführung, Aktualisierung und Erweiterung des WGI. Dies bedeutet eine

vollständige Erfassung aller Gletscher inklusive relevanter Parameter wie Größe, Länge und Hyp-

sographie. Im Gegensatz zum WGI, welches lediglich Punktdaten enthält, werden bei GLIMS die

Gletscher als Polygone dargestellt. Das Projekt ging aus der Terra-ASTER-Mission hervor und

wurde vom United States Geological Survey (USGS) initiiert und koordiniert. Primäre Grundlage

sind ASTER-Daten, welche durch Landsat und anderen Missionen ergänzt werden. Da GLIMS teil

des ASTER Science Teams ist, wird für alle Gletscher und Eisschilde eine jährliche Überfliegung

mit optimierten Einstellungen des Instruments und zu geeigneter Jahreszeit gewährleistet.

2.3.4 RGI

Das RGI ist ein vollständiges globales Inventar der Gletschergrenzen. Es ist als Ergänzung zu

GLIMS im Rahmen des kommenden Fünften Sachstandsberichtes des Intergovernmental Panel

on Climate Change (IPCC) erstellt worden (Arendt u. a., 2012). Seit April 2013 ist bereits die

verbesserte Version 3.0 erhältlich.3 Das Projekt soll eine verbesserte Abschätzung von Gletscher-

änderungen auf globaler Ebene ermöglichen. Die Daten stammen einerseits aus bestehenden

Datensätzen wie GLIMS und WGI, anderseits wurden neue Gletschergrenzen aus Satellitenbil-

dern gewonnen.

2.4 Optische Daten

Als optische Daten werden die Bilder bezeichnet, welche durch die Aufzeichnung der reflektierten

Strahlung der Sonne gewonnen werden. Die Sensoren, welche die elektromagnetische Strahlung

messen, werden daher als passive Sensoren bezeichnet. Die spektralen Bänder können in drei

Klassen unterteilt werden:

• Visible/Near Infrared Reflectance (VNIR) besteht aus dem sichtbaren Licht mit den Bändern

blau, grün und rot (0,4 µm bis 0,7 µm) und dem nahen Infrarot (0,7 µm bis 1,4 µm)

• Short Wave Infrared (SWIR) besteht aus dem kurzwelligen Infrarot (1,4 µm bis 3,0 µm)

• Thermal Infrared (TIR) besteht aus dem thermalen Infrarot (8,0 µm bis 15,0 µm)

3http://www.glims.org/RGI/

19

http://www.glims.org/RGI/


2.4.1 Spionage-Satelliten

Militärische Satellitensysteme der USA begannen ab dem Jahr 1960 detaillierte Bilder der

Erdoberfläche aufzunehmen. Mehrere Missionen unter den Namen CORONA, ARGON und

LANYARD erfassten hauptsächliche Gebiete der ehemaligen Sowjetunion. Koordiniert wurden

die Programme von der Central Intelligence Agency (CIA) und der US Air Force. Die zahlreichen

Missionen (105 Corona-Missionen, davon 95 erfolgreich) verfügten über verschiedene Kame-

rasysteme mit unterschiedlicher Brennweite und Auflösung (siehe Tabelle 2.2). Ab 1962 sind

Stereobilder verfügbar, was eine photogrammetrische Auswertung und damit die Erstellung eines

Geländemodelles ermöglicht. Die ersten Bilder wurden 1995 öffentlich zugänglich gemacht, 2002

folgte eine weitere Freigabe (Dashora u. a., 2007). Bereits digitalisierte Bilder sind über den

USGS4 frei verfügbar, die restlichen Daten können für 30 $ vom USGS gescannt werden.

Daneben gibt es zahlreiche andere Spionage-Satelliten, wie die sowjetische Resurs-F KFA

1000 mit einer Auflösung von 5 m, welche jedoch komplizierter in der Beschaffung sind (Khromo-

va u. a., 2006).

Tabelle 2.2: Übersicht ausgewählter Spionagesatelliten der USA

Programm Mission Kamera Zeitraum Auflösung in m Stereo

CORONA KH-4A Pan 1963–1969 2,7 jaCORONA KH-4B Pan 1967–1972 1,8 jaCORONA KH-5 Frame 1961–1964 140,2 neinHEXAGON KH-9 Frame 1971–1986 0,6–9,1 ja

2.4.1.1 Corona KH-4B

Mit dem Beginn der Corona KH-4 Mission wurden zwei Panoramakameras verwendet, eine vor-

und eine zurückblickende Kamera mit einem Abstand von 30 ° (offiziell mit F und A bzw. FOR und

AFT bezeichnet). Die Abdeckung eines Bildstreifens beträgt 14 km x 188 km bei einer Auflösung

von 1,83 m (Galiatsatos, 2004). Vergleichbare räumliche Auflösungen bieten derzeit nur wenige

Satelliten wie IKONOS, jedoch zu prohibitiven Preisen. Infolge der Panoramakamera entstehen

zum Rand hin starke geometrische Verzerrungen. Eine weitere Verzerrung wurde durch die Be-

lichtungszeit von einer halben Sekunde verursacht, in welcher sich der Satellit ca. 4 km vorwärts

bewegte (Sohn u. a., 2004). Diese Fehler können am besten mit einem rigorosen Model korrigiert

werden. Da dieses jedoch nicht in verfügbaren Softwarelösungen implementiert ist, kann auf ein

photogrammetrisches Frame Model zurückgegriffen werden. Indem einzelne kleinere Ausschnitte

verwendet werden, können diese als Bilder einer Rahmenkamera betrachtet werden. Eine weitere

Herausforderung ist die abnehmende Helligkeit zum Rand hin, welche infolge der Panoramaauf-

nahme durch den Betrachtungswinkel hervorgerufen wird.

Da für das Gebiet Pathkur ein Geländemodell aus Stereodaten berechnet werden sollte, mussten

zwei Aufnahmen über den USGS erworben werden. Zwei weitere waren bereits zum Download

verfügbar. Alle Aufnahmen wurden mit einer Auflösung von 3600 dpi (7 µm) eingescannt.

4www.earthexplorer.usgs.gov

20

www.earthexplorer.usgs.gov

2.4 Optische Daten

2.4.1.2 KH-9

Nach der ersten Veröffentlichung von Spionage-Satellitenbildern wurden 2002 und 2011 weite-

re Bilder der Mission KH-7 und KH-9 deklassifiziert. Es können weiterhin Stereobilder aus der

Überlappung mehrerer Bilder berechnet werden. Ein Vorteil gegenüber früheren Systemen ist

die geringere Verzerrung aufgrund der Verwendung einer Rahmenkamera bei einer ähnlichen

Auflösung wie KH-4B. Die räumliche Ausdehnung ist mit Landsat vergleichbar, wobei Corona

KH-9 eine vielfach bessere räumliche Auflösung aufweist.

Für das EZG sind Aufnahmen der Mission KH-9 vorhanden, doch ist der Aufnahmezeitpunkt aller

Szenen im Juli. Daraus resultiert eine sehr hohe Schneebedeckung, was sowohl die Abgrenzung

der Gletscher als auch eine photogrammetrische Auswertung stark erschwert. Lediglich große

Talgletscher, deren Zungen weit hinab reichen, können eindeutig erkannt werden. Der Daten-

satz böte sich daher lediglich für eine Validierung der Klassifizierungsergebnisse basierend auf

Landsat MSS an.

2.4.2 Landsat

Abbildung 2.1: Chronologische Abfolge der bisherigen und geplanten Landsat-Missionen, Quelle:http://landsat.usgs.gov

Wesentliche Vorteile von Landsat sind die einzigartig lange Datenreihe von 1972 bis heute, die

freie Verfügbarkeit aller Daten und die relativ hohe räumliche und radiometrische Auflösung (siehe

Tabelle 2.3). Mit dem Start von Landsat 8 im Februar 2013 wurde die Landsat-Mission erfolgreich

weitergeführt (siehe Abbildung 2.1). Alle Szenen werden als Level 1 Produkte prozessiert. Dies

beinhaltet folgende Parameter:

• Kartenprojektion: Universal Transverse Mercator (UTM)

• Datum: World Geodetic System 1984 (WGS84)

• Resampling Methode: Cubic Convolution

• Datenformat: GeoTIFF

Die meisten Bilder werden als Level 1T angeboten. Dies beinhaltet eine systematische, radiome-

trische und geometrische Korrektur, wobei für die Passpunkte der GLS2000-Datensatz verwendet

wird und das DGM überwiegend auf SRTM-Daten beruht. Die räumliche Lage aller verwendeten

Landsat-Szenen ist am Ende Kapitels in Abbildung 2.2 dargestellt.

21

http://landsat.usgs.gov


Tabelle 2.3: Technischen Daten der bisherigen Landsat-Missionen

Mission Landsat 1–3 Landsat 4–5 Landsat 7

Sensor MSS TM ETM+Betrieb 1972-1983 1982-2013 seit 1999temporale Auflösung 18 Tage 16 Tage 16 Tageräumliche Auflösung in m (TIR) 68 x 83 30 (120) 30 (60), 15 Panspektrale Auflösung in µm 0,5–1,1 0,45–12,5 0,45–12,5Kanäle 4 7 8Bildgröße in km 185 x 185 185 x 172 183 x 170

2.4.2.1 Multi Spectral Scanner (MSS)

Der erste Landsat-Satellit wurde 1972 unter dem Namen Earth Resources Technology Satellite

(ERTS) gestartet. An Bord befand sich der MSS-Sensor, welcher eine spektrale Auflösung von

vier Kanälen besaß (siehe Tabelle 2.4). Der Satellit erfasste bis 1978 Daten, welche an Qualität

und Bedeutung alle Erwartungen übertrafen. Landsat 2 wurde 1975 mit der gleichen Konfiguration

gestartet und besaßt eine Betriebszeit von sieben Jahren. Mit dem Start von Landsat 3 im Jahr

1978 sollte die Mission kommerzialisiert werden. Der Satellit wurde um einen thermalen Kanal

erweitert, welcher jedoch kurz nach dem Start ausfiel. 1983 wurde der Betrieb beendet. Die

Bildgröße beträgt 185 km x 185 km, die temporale Auflösung 18 Tage, die räumliche Auflösung

wird meist auf 57 m oder 60 m resampelt. Die Nachfolger Landsat 4 und 5 waren ebenfalls mit

dem MSS-Sensor ausgestattet.

Tabelle 2.4: Übersicht des Sensors MSS (Landsat 1–3)

Kanal Wellenlänge in µm Bezeichnung Auflösung in m

1 0,5–0,6 grün 68 x 832 0,6–0,7 rot 68 x 833 0,7–0,8 NIR 68 x 834 0,8–1,1 NIR 68 x 835 (nur L3) 10,41–12,6 thermal 68 x 83

2.4.2.2 Thematic Mapper (TM)

Der Nachfolger von Landsat 3 unterschied sich deutlich von seinen Vorgängern. Der neue Sensor

TM wurde sowohl in räumlicher als auch spektraler Auflösung verbessert. Er verfügt über sechs

Spektralkanäle mit einer Auflösung von 30 m und einem Thermalkanal mit 120 m Auflösung (siehe

Tabelle 2.5). Jedoch wurde die Datenübertragung bereits ein Jahr nach dem Start durch einen

technischen Defekt eingeschränkt. 2001 wurde der Landsat 4 stillgelegt. Landsat 5 wurde 1984

von der NASA gestartet und besaß die gleichen Instrumente (MSS und TM) wie sein Vorgänger.

Drei Jahre später kam es zu einer Einschränkung der Datenübertragung, 1995 wurde das MSS-

Instrument ausgeschalten. Die Umlaufbahn des Satelliten wurde 2013 geplant abgesenkt und

damit die Mission beendet.

22

2.4 Optische Daten

Tabelle 2.5: Übersicht des Sensors TM (Landsat 4–5)


1 0,45–0,52 Blau 302 0,52–0,60 Grün 303 0,63–0,69 Rot 304 0,76–0,90 NIR 305 1,55–1,75 SWIR 306 10,4–12,5 Thermal 1207 2,08–2,35 SWIR 30

2.4.2.3 Enhanced Thematic Mapper Plus (ETM+)

Nach dem Absturz des Landsat 6, welcher mit dem Enhanced Thematic Mapper (ETM) Instrument

ausgestattet war, wurde dieses weiterentwickelt und bei Landsat 7 als ETM+ eingesetzt, welcher

1999 erfolgreich gestartet wurde. Der Sensor enthält zusätzlich einen panchromatischen Kanal

mit 15 m Auflösung (siehe Tabelle 2.6). Die Auflösung des thermalen Kanals wurde auf 60 m er-

höht und die radiometrische Kalibrierung stark verbessert. Die Bildgröße beträgt 183 km x 170 km,

die temporale Auflösung 16 Tage. Im Mai 2003 fiel der Scan Line Corrector (SLC), ein mecha-

nisches Gerät zur Kompensation der Vorwärtsbewegung, aus. Infolge dessen beinhalten alle

Szenen Fehlbereiche, welche zum Rand hin zunehmen. Ungefähr 22 % jedes Bildes sind damit

unbrauchbar (Chen u. a., 2011).

!

^ Gorno-Badakhshan

Afghanistan

China

Kyrgyzstan

Tajikistan

Uzbekistan

Pakistan

Khorog

Dushanbe

0 50 10025 km

Projektion: UTM Zone 43 NEllipsoid: WGS84Grenzen: GADM, 2012

LT51500341998232BIK00LT51510341998255BIK04LT51510341998287XXX01

LM21620341977216AAA02LM21630341977271AAA02

LT51500342011236KHC00LT51510342011227KHC00LT51510342011275KHC00

Legende

Landsat 2011

GMTED2010

MSS 1977TM 1998TM 2011Untersuchungsgebiet

±

Red: Band 3Green: Band 2Blue: Band 1

Low : -164

High : 8420

Abbildung 2.2: Lage und Bezeichnung der verwendeten Landsat-Szenen, nach Aufnahmejahr farb-lich sortiert

23


Tabelle 2.6: Übersicht des Sensors ETM+ (Landsat 7)


1 0,45–0,51 Blau 302 0,52–0,60 Grün 303 0,63–0,69 Rot 304 0,75–0,90 NIR 305 1,55–1,75 SWIR 306 10,40–12,50 Thermal 607 2,09–2,35 SWIR 308 0,52- -0,90 Pan 15

2.4.3 ASTER

Der Sensor Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER) wurde

im Dezember 1999 an Bord des Terra-Satelliten in den Orbit gebracht. Die Mission ist Bestand-

teil des Earth Observing System (EOS) der National Aeronautics and Space Administration

(NASA). Insgesamt werden 14 Kanäle vom sichtbaren Bereich bis zum thermalen Infrarot von

drei verschiedenen Teleskopen aufgezeichnet (siehe Tabelle 2.7). Außerdem ermöglicht ein

zurückblickendes NIR-Band mit einem Winkel von 27,6° Stereobilder (siehe Abbildung 2.4) (Kääb

u. a., 2002). Die räumliche Auflösung beträgt 15 m im VNIR (3 Bänder + 1 Backward), 30 m im

SWIR (6 Bänder) und 90 m im TIR (5 Bänder). In Abbildung 2.3 wird der Vergleich der räumlichen

und spektralen Auflösung zwischen ASTER und Landsat ETM+ visualisiert. Die Schwadbreite

liegt bei 60 km (vgl. Landsat TM 185 km). Seit April 2008 schränkt ein Fehler des SWIR-Detektors

die Datenqualität der Bänder 4–9 ein.

Abbildung 2.3: Vergleich der spektralen Bänder von ASTER und Landsat ETM+. Die rechteckigenBoxen, mit Nummer und räumlicher Auflösung, symbolisieren die Kanäle des Sensors. FarbigeKurve im Hintergrund stellt die Durchlässigkeit der Atmosphäre in Abhängigkeit zur Wellenlängedar, gestrichelte Linie grenzt Bereich des sichtbaren Lichtes ein. Quelle: Kääb u. a. (2002)

24

2.4 Optische Daten

Abbildung 2.4: Prinzip der Aufzeichnung von Stereobildern am Beispiel von ASTER, Quelle: Kääbu. a. (2002)

ASTER produziert mehrere Datenprodukte, wobei die verwendeten im Folgenden dargestellt

werden:

• L1A: beinhaltet nichtskalierte Digital Numbers, radiometrische Koeffizienten und geometri-

sche Koeffizienten

• L1B: beinhaltet radiometrisch kalibrierte und geometrisch koregistrierte Daten in UTM-

Projektion, jedoch ohne Geländekorrektur

• 14DMO: beinhaltet sowohl ein DGM als auch orthorektifizierte und radiometrisch kalibrierte

Daten

ASTER-Daten sind die Grundlage für die Erstellung eines weltweiten Gletscherinventars durch

das Projekt GLIMS. Die Daten können für 80 $ pro Szene gekauft oder für wissenschaftliche

Zwecke kostenlos beantragt werden.5

2.4.3.1 ASTER GDEM

Das ASTER Global Digital Elevation Model (ASTER GDEM) ist ein globales Höhenmodell, wel-

ches aus den Stereobildern berechnet wurde. Die räumliche Auflösung beträgt 30 m. Da ca. 1,5

Millionen Bildpaare seit dem Jahr 2000 für die Berechnung verwendet wurden, kann einem be-

stimmten Pixel/Höhenwert daher kein genauer Zeitpunkt zugeordnet werden (Mukherjee u. a.,

2013).

Im Oktober 2011 wurde der verbesserte Datensatz ASTER GDEM Version 2 veröffentlicht, wel-

cher für diese Arbeit Verwendung findet. Die vertikale Genauigkeit liegt bei 8,86 m (ASTER GDEM

Validation Team, 2011a). Der Root Mean Square Error (RMSE) wird in der Literatur mit 15–60 m

für die Vertikale angegeben (in starker Abhängigkeit vom Gelände) und mit 15–50 m für die Hori-

zontale (Nuth u. Kääb, 2011). Aufgrund der Ausrichtung des Sensors treten vermehrt Fehler im

5https://lpdaacaster.cr.usgs.gov/afd/index.php

25

https://lpdaacaster.cr.usgs.gov/afd/index.php


Tabelle 2.7: Übersicht des Sensors ASTER

Kanal Label Wellenlänge in Bezeichnung Auflösung in m

1 VNIR Band1 0,520–0,600 Grün 152 VNIR Band2 0,630–0,690 Rot 153 VNIR Band3N 0,760–0,860 Pan 154 VNIR Band3B 0,760–0,860 Pan 155 SWIR Band4 1,600–1,700 SWIR 306 SWIR Band5 2,145–2,185 SWIR 307 SWIR Band6 2,185–2,225 SWIR 308 SWIR Band7 2,235–2,285 SWIR 309 SWIR Band8 2,295–2,365 SWIR 3010 SWIR Band9 2,360–2,430 SWIR 3011 TIR Band10 8,125–8,475 TIR 9012 TIR Band11 8,475–8,825 TIR 9013 TIR Band12 8,925–9,275 TIR 9014 TIR Band13 10,25–10,95 TIR 9015 TIR Band14 10,95–11,65 TIR 90

Bereich von nordexponierten Hängen auf. Da bei einer photogrammetrischen Auswertung ein aus-

reichend hoher Kontrast notwendig ist, treten weiterhin starke Ungenauigkeiten in Bereichen von

Schnee und Schatten auf (Pellikka u. Rees, 2010). Diese Fehler/Lücken können mit SRTM-Daten

geschlossen werden (Kääb, 2005).

2.4.4 RapidEye

RapidEye ist eine Satellitenmission, welche im Rahmen eines Public Private Partnership (PPP)

zwischen dem Deutschen Zentrum für Luft- und Raumfahrt (DLR) und der RapidEye AG im Au-

gust 2008 gestartet wurde. Die Mission hat eine geplante Laufzeit von 7 Jahren. Das System

besteht aus fünf baugleichen Satelliten. Damit können hochauflösende Bilder mit einer geome-

trischen Genauigkeit von 6,5 m jeden Punkt der Erdoberfläche täglich erfassen. Die spektrale

Auflösung liegt bei 5 Kanälen im Bereich des sichtbaren Lichtes und des nahen Infrarotes (siehe

Tabelle 2.8). Die Kamera arbeitet nach dem Prinzip eines multispektralen Pushbroom-Scanners.

Die temporale Auflösung beträgt je nach Modus 1 Tag (off-nadir) bzw. 5,5 Tage (nadir). Die Daten

können kommerziell bei der RapidEye AG erworben werden. Das DLR kann jedoch über das

RapidEye Science Archive (RESA) Daten für wissenschaftliche Zwecke kostenfrei zur Verfügung

stellen. Details zur Mission und zum Projektantrag sind auf der Homepage der RESA6 näher

beschrieben. Das eingereichte Proposal wird im Anhang D.1 beigefügt.

Die temporale sowie die räumliche Abdeckung der RapidEye-Daten sind in Tabelle 2.9 zusam-

mengefasst. Lediglich im Jahr 2011 und 2012 konnte unter Verwendung geeigneter Szenen eine

100 %-ige Abdeckung des Untersuchungsgebietes erreicht werden.

6www.resaweb.dlr.de

26

www.resaweb.dlr.de

2.4 Optische Daten

Tabelle 2.8: Übersicht des Sensors RapidEye


1 0,44–0,51 Blau 6,52 0,52–0,59 Grün 6,53 0,63–0,685 Rot 6,54 0,69–0,73 Red Edge 6,55 0,76–0,85 NIR 6,5

Tabelle 2.9: Übersicht über die temporale und räumliche Abdeckung der RapidEye-Daten im Unter-suchungsgebiet

Aufnahmejahr Anzahl der Datensätze Fläche in km2 Flächenanteil in %

2009 5 5,63 41,142010 3 11,58 84,562011 13 13,69 1002012 9 13,69 100

2.4.5 SPOT

SPOT 1–3 Der erste SPOT-Satellit wurde 1986 gestartet, mit einer bis dahin unerreichten Auflö-

sung im zivilen Bereich. Es folgte 1990 SPOT 2, der zusätzlich mit dem präzisen Positionierungs-

system Doppler Orbitography and Radiopositioning Integrated by Satellite (DORIS) ausgestattet

war. SPOT 3 wurde 1993 gestartet, besaß jedoch nur eine Lebensdauer von drei Jahren. SPOT

1-3 verfügten über jeweils 2 High Resolution Visible (HRV) Sensoren, welche in zwei Modi arbei-

ten konnten, panchromatisch und multispektral. Im Gegensatz zu Landsat handelte es sich um

Pushbroom-Scanner. Die räumliche Auflösung beträgt 10 m im panchromatischen (P) und 20 m

im multispektralen (XS) Modus, welcher über drei Bänder (grün, rot, NIR) verfügt. Die temporale

Auflösung beträgt 26 Tage. Die Größe einer Kachel beträgt 3600 km2, etwa 1/10 von Landsat. Die

beiden permanent arbeitenden Kameras konnten außerdem gekippt werden, was einerseits die

Wiederholraten von Aufnahmen eines Gebietes steigern konnte, andererseits Stereobilder und

damit die Berechnung von Geländemodellen ermöglichte. Huggel u. a. (2002) nutzen panchroma-

tische SPOT-Bilder zur Verbesserung der räumlichen Auflösung von Landsat-TM-Daten.

SPOT 4 SPOT 4 wurde 1998 mit dem verbesserten Sensor High Resolution Visible and Infrared

(HRVIR) gestartet. Dieser kann zusätzlich im mittleren Infrarot aufzeichnen. Der Satellit besitzt

im Gegensatz zu seinen Vorgängern zwei Sensoren an Bord, einen multispektralen und einen

panchromatischen. Sie verfügen jedoch über die gleiche räumliche Auflösung wie SPOT 1–3.

SPOT 5 Der fünfte SPOT-Satellit wurde 2002 gestartet. Dessen zwei HRVIR-Sensoren verfügen

über eine verbesserte Auflösung (2,5–5 m panchromatisch, 10 m multispektral (VNIR) und 20 m im

mittleren Infrarot). Eine weitere Entwicklung ist der High Resolution Stereoscopic (HRS) Sensor,

welcher mit einem zeitlichen Abstand von 90 Sekunden Stereobildpaare für eine Fläche von

120 km Breite und 600 km Länge mit einer Auflösung von 10 m bzw. 5 m aufzeichnet (Across track).

27


Der Winkel beträgt jeweils 20 Grad. Außerdem bietet SPOT-5 eine verbesserte Lagegenauigkeit

von <50 m RMS ohne GPCs. Jedoch sind nur Daten des HRVIR-Sensors über die European

Space Agency (ESA) verfügbar.

Aufgrund der großen Anzahl an Daten, einer geeigneten Schwadbreite in Hinblick auf die Größe

des Untersuchungsgebietes und dem Beginn der Aufzeichnung ab 1986 wurden die SPOT-Daten

als sehr geeignet betrachtet. Da die Bilder mittels Proposal über die ESA erhältlich sind, wurde

ein Antrag eingereicht (siehe Anhang Kapitel D.2). Trotz Genehmigung konnten die beantragten

Szenen nicht bereitgestellt werden, da die ESA zurzeit keine weiteren Daten von SPOTImage

erwerben kann (ESA EO, 2012, schriftliche Mitteilung). Daher musste auf eine Verwendung dieser

Datengrundlage verzichtet werden.

Tabelle 2.10: Übersicht über die SPOT-Missionen 1–5

Mission Betrieb temporaleAuflösung

räumlicheAuflösung in m

spektraleAuflösung

Schwadbreitein km

SPOT 1 1986–2003 26 Tage 10–20 4 60SPOT 2 1990–2009 26 Tage 10–20 4 60SPOT 3 1993–1996 26 Tage 10–20 4 60SPOT 4 1998– 26 Tage 10–20 4 60SPOT 5 2002– 26 Tage 5–20 5 60

2.4.6 Zusammenfassung - optische Satellitendaten

In Tabelle 2.11 sind die verwendeten multispektralen Daten in einer Übersicht dargestellt. Neben

diesen aufgeführten Daten wird eine Vielzahl an weiteren Satelliten für die Erfassung von Glet-

schern verwendet. Aufgrund diverser Gründe wie Verfügbarkeit (Preis), ungenügende Bilddaten in

ausreichender Qualität (v.a. Wolken-/Schneebedeckung), Aufwand und Nutzen wurden folgende

Datengrundlagen jedoch nicht verwendet.

• Ikonos-2: über ESA verfügbar, zu geringe Abdeckung/zu hohe Auflösung

• Quickbird-2: bisher nur kommerziell vermarktet

• EO-1: nur sehr wenige Bilder vorhanden, da Tasking-Satellit

• Cartosat-1: bisher nur kommerziell vermarktet

• Geoeye: bisher nur kommerziell vermarktet

• ALOS PRISM: über ESA verfügbar, jedoch keine Bilddaten in ausreichender Qualität

• SPOT 6/7: bisher nur kommerziell vermarktet

28

2.5 Radar-Daten

Tabelle 2.11: Übersicht über die Auflösung der verwendeten multispektralen Daten

Auflösung Landsat MSS Landsat TM Landsat ETM+ ASTER RapidEye

räumlich in (m) 80 VNIR 30 (VNIR, 30 (VNIR 15 VNIR 6,5 VNIR240 TIR SWIR) SWIR) 30 SWIR

120 TIR 60 TIR 90 TIRspektral 5 Bänder 7 Bänder 7 Bänder 14 Bänder 5radiometrisch 6-bit 8-bit 8-bit 8-bit 12-bit

64 DN 256 DN 256 DN 256 DNtemporal 18 Tage 16 Tage 16 Tage 16 Tage 1 TagSchwadbreite in (km) 185 185 185 60 77

2.5 Radar-Daten

Radio Detection and Ranging (RADAR) ist ein aktives System, welches die Entfernung zwischen

dem Sensor und dem Reflektor misst (Ranging). Da die Eindringtiefe von der Wellenlänge abhän-

gig ist, kann die Bezugsfläche, gerade bei Eis und Schnee, auch unterhalb der Geländeoberfläche

liegen.

2.5.1 SRTM

Die Shuttle Radar Topography Mission (SRTM) war ein transnationales Raumfahrtprojekt zwi-

schen USA, Deutschland und Italien zur Erstellung eines nahezu weltweiten Geländemodelles.

Am 11. Februar 2000 startete das Space Shuttle Endeavour zu der 11-tägigen Mission. An Bord

waren zwei Instrumente, das SIR-C (NASA) und das X-SAR (Deutsches Zentrum für Luft- und

Raumfahrt (DLR) mit Beteiligung der Agenzia Spaziale Italiana (ASI)). Mit der Mission wurde die

Erdoberfläche zwischen dem 60. nördlichen und 57. südlichen Breitengrad abgedeckt.

2.5.1.1 SRTM-C

Die Daten des amerikanischen C-Bandes liegen in einer räumlichen Auflösung von einer Bogen-

sekunde vor, was 30 m am Äquator entspricht. Diese SRTM1-Modelle können jedoch nur für das

Gebiet der USA kostenfrei bezogen werden. Für den Rest der Welt wurde die Auflösung auf 3 Bo-

gensekunden heruntergerechnet. Die absolute vertikale Genauigkeit für 90 % der Daten beträgt

16 m (Rodriguez u. a., 2005). Diese Abweichung ist primär auf Schwingungen des 60 m langen

Mastes zurückzuführen. Systematische Fehler können durch das Eindringen der Strahlung in

die Oberfläche entstehen. Für Schnee kann die Eindringtiefe je nach Beschaffenheit bei 1–10 m

liegen (Rignot u. a., 2001). Die absolute horizontale Genauigkeit für 90 % der Daten beträgt 20 m

(Rodriguez u. a., 2005).

Infolge der Radar-Interferometrie können gerade im Hochgebirge Datenlöcher im Radar-Schatten

und durch Überlagerungseffekte entstehen. Der lückenhafte Datensatz, im Folgenden SRTM-

Gaps bezeichnet, ist über den USGS EarthExplorer erhältlich. Daneben stehen zahlreiche aufbe-

reitete Datensätze zur Verfügung, bei denen die Löcher durch Interpolation oder mithilfe anderer

29


Tabelle 2.12: Übersicht über die horizontale und vertikale Genauigkeit der verwendeten Gelände-modelle. Konfidenzintervall 90 % für SRTM und 95 % für ASTER GDEM, basierend auf ASTERGDEM Validation Team (2011b) für ASTER GDEM und Hoffmann u. Walter (2006) für SRTM-C undSRTM-X.

Bezeichnung Auflösungin m

absolute (rel.) vertik.Genauigkeit in m

absolute (rel.) horiz.Genauigkeit in m

Vertik.Datum

A.GDEM V2 ∼30 17,01 ∼20 EGM96SRTM-C ∼30 16 (10) 20 (15) EGM96SRTM-X ∼90 16 (6) 20 (15) WGS84

Daten geschlossen wurden. Ein sehr guter lückenloser Datensatz ist unter Viewfinder Panora-

mas7 erhältlich. Zur Füllung wurden unter anderem das ASTER GDEM und die Höheninformation

aus der sowjetischen Generalstabskarte verwendet. Ein weiterer Datensatz wird von Consultati-

ve Group for International Agriculture Research (CGIAR) in der Version SRTM3 4.1 angeboten

(Jarvis u. a., 2008).8 Hier kam ein Interpolationsansatz zum Tragen. Frey u. a. (2012) zeigten

in einer Studie im Himalaya Abweichungen von bis zu 1500 m zwischen ASTER-GDEM und

dem SRTM. Die größten Differenzen beschränkten sich jedoch auf die ehemaligen Fehlpixel des

SRTM-Datensatzes. Interpolierte Datenlöcher sind daher möglichst von der Verwendung auszu-

schließen (Racoviteanu u. a., 2009). Zur Ableitung von topographischen Parametern zeigt SRTM

im Vergleich zu ASTER GDEM eine geringfügig bessere Eignung (Frey u. Paul, 2011).

Den Ausführungen von Rignot u. a. (2001) zufolge, ergeben sich auf Gletschern Eindringtiefen

des C-Bandes von 1 m bis 2 m. Darauf aufbauend haben Paul u. Haeberli (2008) den Referenz-

zeitpunkt des SRTMs für Gletscherflächen bei 1999 festgelegt, was in der vorliegenden Arbeit

übernommen wird.

2.5.1.2 SRTM-X

Das Höhenmodell des X-SAR Instrumentes ist seit 2011 über das DLR9 frei verfügbar. Aufgrund

der kürzeren Wellenlänge des X-Bandes (3,1 cm statt 5,6 cm) kann eine höhere Genauigkeit er-

reicht werden. Die räumliche Auflösung liegt bei einer Bogensekunde (ca. 30 m). Da die Breite

des Aufnahmestreifens lediglich 45 km beträgt (C-Band: 225 km), decken die Daten nur einen Teil

der Erdoberfläche in einem Karo-Muster ab (Jacobsen, 2005). Die vertikale Genauigkeit wird vom

DLR mit ±16 m (absolut) bzw. ±6 m (relativ) angegeben (DLR, 2012). Die horizontale Genauigkeit

entspricht der des SRTM-C-Bandes (Hoffmann u. Walter, 2006).

Neben der höheren Genauigkeit bietet SRTM-X den Vorteil, dass eine Height Error Map (HEM)

als zusätzlicher Datensatz zur Verfügung gestellt wird. Es handelt sich dabei um eine Fehlerab-

schätzung der Höhenwerte. Reich u. Thiel (2002) zeigten in einem Vergleich mit Laserscan-Daten,

dass die HEM die Problemzonen zwar korrekt signalisiert, die tatsächlichen Abweichungen den

geschätzten Fehlerwert jedoch deutlich übertreffen können.

7http://www.viewfinderpanoramas.org/dem3.html8http://srtm.csi.cgiar.org/9http://eoweb.dlr.de:8080/index.html

30

http://www.viewfinderpanoramas.org/dem3.html

http://srtm.csi.cgiar.org/

http://eoweb.dlr.de:8080/index.html

2.6 Laserscan-Daten (ICESat)

2.5.2 Weitere geeignete Radar-Satellitendaten

Neben den bereits vorgestellten und in der vorliegenden Arbeit verwendeten Radar-Daten gibt

es eine Vielzahl weiterer geeigneter Satellitenmissionen. So lieferten ERS-1/2 bereits seit 1991

Radar-Daten, ab 1995 wurde eine Tandem-Mission für 9 Monate durchgeführt. Die Daten des

ersten Erdbeobachtungssatelliten der ESA sind über deren Homepage erhältlich. Ebenso wurde

mit ENVISAT und ERS-2 im Jahr 2007/2008 eine Tandem-Mission durchgeführt. Die neueste

Tandem-Mission ist TanDEM-X, welche zusammen mit TerraSAR-X seit 2010 durch die stereo-

graphische Konstellation ein sehr genaues Geländemodell der Erde erstellen kann. Ein fertig

prozessiertes DGM ist zum derzeitigen Stand (2013) noch nicht erhältlich. Daten der beiden

Satelliten können jedoch über das DLR10 mittels Proposal und zusätzlichen Bearbeitungskosten

bezogen werden.

2.6 Laserscan-Daten (ICESat)

Light Detection And Ranging (LiDAR) zählt zu den aktiven Systemen. Der Sensor misst die Lauf-

zeit und damit die Distanz zwischen ihm und der Oberfläche. Messungen können terrestrisch

oder luftgestützt mithilfe von Flugzeugen und Hubschraubern durchgeführt werden. Das Ergebnis

ist eine Punktwolke mit sehr exakten Höhendaten. Laserscan-Systeme sind jedoch mit hohen

Kosten verbunden und Befliegungen nicht in jedem Gebiet durchführbar.

Eine weitere Möglichkeit bietet die Satellitenmission Ice, Cloud and land Elevation Satellite (ICE-

Sat), welche von 2003–2009 hochgenaue Laserdaten lieferte. Das primäre Ziel der Mission war

die Untersuchung der Massenbilanz der polaren Eisschilde. Dafür diente das Instrument Geos-

cience Laser Altimeter System (GLAS), welches alle 172 m Höhenmessungen durchführte (Schutz

u. a., 2005). Das System besteht aus drei Lasern mit einer Wellenlänge von 1064 nm und einer

Frequenz von 40 Hz. Jedoch fiel einer der Laser bereits 2003 aus (Schutz u. a., 2005). Für ein

möglichst genaues Monitoring der Eisschilde wurden jährlich drei Messkampagnen über je 30

Tage durchgeführt. Der Durchmesser des Lasers am Boden beträgt ca. 65 m (Schutz u. a., 2005).

Die vertikale Genauigkeit liegt in flachen Wüstengebieten bei 15 cm, bei schwach geneigten Glet-

schern kann eine Genauigkeit von 1 m erwarten werden. Die horizontale Genauigkeit ist wie bei

LiDAR üblich, mit 15 m deutlich schlechter (Zwally u. a., 2003). Die Daten sind über das National

Snow and Ice Data Center (NSIDC)11 frei erhältlich. Kääb u. a. (2012a) führten mit ICESat-Daten

eine Abschätzung der Höhen- bzw. Volumenänderung für Gletscher im Karakorum durch. Für

rauere Geländeoberflächen werden meist GLA14 Datenprodukte verwendet. Insgesamt lieferte

das an Bord befindliche Instrument GLAS 15 verschiedene Datenprodukte. Für die Berechnung

der Geoidundulation wurde das Tool hsynth WGS8412 verwendet.

10http://sss.terrasar-x.dlr.de/11www.nsidc.org12http://earth-info.nga.mil/GandG/wgs84/gravitymod/egm2008/egm08_wgs84.html

31

http://sss.terrasar-x.dlr.de/

www.nsidc.org

http://earth-info.nga.mil/GandG/wgs84/gravitymod/egm2008/egm08_wgs84.html


2.7 Global Navigation Satellite System (GNSS)

2.7.1 Grundlegendes zur Satellitennavigation

Weltweit gibt es verschiedene satellitengestützte Navigationssysteme, welche sich bereits in der

operationellen Phase (z. B. Global Positioning System (GPS), GLONASS) oder im Aufbau befin-

den (z. B. GALILEO). Alle Systeme werden unter dem Namen GNSS zusammengefasst. Das

Prinzip der Positionsbestimmung beruht auf der Laufzeitmessung der Satellitensignale, welche

sich mit Lichtgeschwindigkeit ausbreiten. Da ein Zeitfehler von 1 µs einen Entfernungsfehler von

300 m verursacht, sind präzise Uhren von zentraler Bedeutung. Dieser Entfernungsfehler wird

als Pseudorange (PSR) bezeichnet. Neben den Koordinaten x, y und z ist die Zeit die vierte

Unbekannte, es werden daher mindestens vier Satelliten zur Positionsbestimmung benötigt.

Jeder GPS-Satellit sendet auf zwei Frequenzen, L1 und L2, welche sich in ihren Wellenlängen

unterscheiden. Auf diese Trägerwelle werden verschiedene Codes aufmoduliert (Phasenmodula-

tion). Die L1-Trägerwelle wiederum sendet im C/A-Code und im P-Code, L2 nur im P-Code. Die

meisten einfachen GPS-Geräte empfangen lediglich den C/A-Code.

2.7.2 Positionsbestimmung

Bei der Positionsbestimmung mithilfe von GNSS wird unterschieden in:

• Codephasenmessung (Laufzeitmessung des Signals mittels C/A-Code)

• Trägerphasenmessung (Auswertung der Wellenlänge)

2.7.3 Fehlereinflüsse

Mehrere Ursachen können zum Gesamtfehler beitragen:

• Satellitenuhren: trotz ständiger Korrektur der vier Atomuhren auf jedem GPS-Satelliten

verursachen kleinste Fehler große Ungenauigkeiten

• Satellitenbahn: die Position der Satelliten ist nur auf ca. 1–5 m bekannt (Zogg, 2009)

• Signalausbreitung: die Lichtgeschwindigkeit ist durch den Einfluss der Ionosphäre und

Atmosphäre nicht konstant. Die Ionisierung ist zeitabhängig, ortsabhängig, inhomogen und

hat den größten Einfluss auf den Messfehler.

• durch Reflexion an Häusern, Autos u.ä. kommt es zur Mehrwegeausbreitung.

• Satellitengeometrie: nicht nur die Anzahl, sondern auch die Position der Satelliten zueinan-

der wirkt sich auf die Genauigkeit aus. Der Einfluss der Satellitengeometrie wird Dilution Of

Precision (DOP) genannt. Position DOP (PDOP) beschreibt den Einfluss auf die Position

im Raum. Die Genauigkeit hängt proportional vom DOP-Wert ab (Zogg, 2009).

• Fehler im Benutzersegment: z. B. Messrauschen

32

2.7 Global Navigation Satellite System

Tabelle 2.13: Ursache von Fehlern bei GPS-Messungen, Quelle: Zogg (2009)

Fehlerursache Fehler in m

Ephemeridendaten 1,5Satellitenuhren 1,5Einfluss der Ionosphäre 3,0Einfluss der Troposphäre 0,7Mehrwegeempfang 1,0Einfluss des Empfängers 1,0

Totaler RMS-Wert 4,0

2.7.4 Möglichkeiten zur Verminderung der Messfehler

2.7.4.1 Zweifrequenzmessung

Da die Änderung der Ausbreitungsgeschwindigkeit durch die Ionosphäre frequenzabhängig ist,

kann sie mithilfe des Einsatzes von Zweifrequenzempfängern kompensiert werden.

2.7.4.2 Differenzielle Korrektur

Das Differential Global Positioning System (DGPS) basiert auf dem Vergleich mit einer oder meh-

reren Referenzstationen, wodurch die Genauigkeit erheblich verbessert werden kann. Dabei wird

eine zeitgleiche Messung eines bekannten Punktes (Referenz) durchgeführt. Die Bestimmung

des neuen Punktes geschieht dann relativ zum Referenzpunkt.

Die Auswertung der Daten kann entweder im Postprocessing oder in Echtzeit erfolgen. Bei letz-

terem werden Korrekturdaten von einer fest installierten Referenzstation an den Empfänger ge-

sendet (via GSM oder Internet), ohne einen zweiten GNSS-Empfänger zu benötigen. Allerdings

nimmt die Genauigkeit mit zunehmendem Abstand zur Referenzstation ab. Alle Fehlerursachen

bis auf Empfängerrauschen und Mehrwegeempfang können so eliminiert werden.

Lokales DGPS Für die Verwendung eines lokalen DGPS muss eine Basestation an einer ex-

akt bekannten Position errichtet werden. Je kürzer die Baseline, also die Entfernung zwischen

Basestation und Rover, desto höher ist die Genauigkeit.

Regionales DGPS Regionale, terrestrische Korrektursysteme wie das deutsche SAPOS-

System bestehen aus einem Netz von Referenzstationen. Die Daten können über UKW-Rundfunk,

Langwelle oder GSM übertragen werden. Diese Dienste sind meist kostenpflichtig.

SBAS Satellite-Based Augmentation System (SBAS) stellt eine Erweiterung der bestehenden

GNSS-Systeme dar und setzt sich aus einer Kombination von Satelliten und Referenzstationen

am Boden zusammen. Sie liefern zusätzliche Informationen über:

33


• die Plausibilität des GNSS-Signals

• die Korrekturen der GNSS-Satellitenuhren und -bahnen

• die Ionosphärenkorrektur

• Navigationsinformationen ähnlich wie GPS

Mithilfe dieser Informationen kann die Genauigkeit von 10 m auf bis zu 1 m verbessert werden.

Fehler durch Dämpfung, Abschattung und Reflexion ist nicht möglich. Es werden meist geostatio-

näre Satelliten verwendet, die bestimmte Bereiche der Erde abdecken. So sind zurzeit verschie-

dene Systeme für USA (WAAS), Europa (EGNOS), Russland (SDCM), Japan (MSAS) und Indien

(GAGAN) in Betrieb oder Aufbau, ohne eine weltweite Abdeckung zu erreichen.

Neben SBAS gibt es kommerzielle Systeme wie Omnistar von Trimble oder Starfire, welche eben-

falls geostationäre Satelliten verwenden. Jedoch erzielen diese eine weltweite Abdeckung mit

Referenzstationen und Satelliten. Aufgrund anderer Datenformate sind diese Dienste nicht frei

zugänglich, dafür ist die resultierende Positionsgenauigkeit höher.

2.7.5 GPS-Messung im Gelände

Für die Vermessung von Passpunkten wurden ein Trimble GeoExplorer 6000 GeoXT und GeoXH

genutzt. Beide verfügen über eine GLONASS-Erweiterung, wobei der GeoXH zusätzlich im L2-

Band aufzeichnet. Eine Submetergenauigkeit ist jedoch bei beiden Geräten gegeben. Messungen

von Passpunkten wurden mindestens 60 sec pro Punkt durchgeführt. Die erfassten Positionen

wurden schriftlich und fotografisch dokumentiert. Zusätzlich wurden Wegpunkte während der

Autofahrt erfasst, um neben den ICESat-Punkten weitere Höhenreferenzwerte zu erhalten, um

die Genauigkeit der Geländemodelle überprüfen zu können. Da über die gesamte Ost-West-

Ausdehnung des Untersuchungsgebietes der Pamir-Highway verläuft, konnten die Passpunkte

mit entsprechend guter horizontaler Verteilung aufgenommen werden, wobei sich eine vertikale

Erstreckung von ca. 2000–4200 m ergab.

2.8 Meteorologische und hydrologische Daten

Tägliche Klima-und Abflussdaten wurden von dem Projektpartner aus Tadschikistan zur Verfü-

gung gestellt. Weiterhin sind tägliche Klimadaten über National Climatic Data Center (NCDC)13

erhältlich. Außerdem bietet das NSIDC14 aufbereitete Niederschlags- und Temperaturdaten

als Monatsmittel speziell für Zentralasien an. Eine weitere Quelle für Monatsmittelwerte ist die

Northern Eurasia Earth Science Partnership Initiative (NEESPI)15. Dies ist ein Programm der

Water Systems Analysis Group (WSAG), welches speziell für Eurasien Temperatur- und Nieder-

schlagsdaten zur Verfügung stellt.

13http://www.ncdc.noaa.gov/oa/climate/ghcn-daily/index.php14http://nsidc.org/data/docs/noaa/g02174_central_asia_data/15http://www.wsag.unh.edu/neespi.html

34

http://www.ncdc.noaa.gov/oa/climate/ghcn-daily/index.php

http://nsidc.org/data/docs/noaa/g02174_central_asia_data/

http://www.wsag.unh.edu/neespi.html

3 Methoden der Fernerkundung zurUntersuchung von Gletscheränderungen

3.1 Grundlegendes zur Gletscherfernerkundung

Die Fernerkundung bietet die Möglichkeit, zahlreiche Gletscherparameter wie Albedo, Oberflä-

chentemperatur, Gleichgewichtslinie, Massenbilanz, Gletscherfläche, -volumen und -geschwindig-

keit mithilfe verschiedener Sensoren und Methoden zu ermitteln (Pellikka u. Rees, 2010). Wei-

terhin bietet die Fernerkundung die Vorteile, arbeitsintensive Feldarbeit zu verkürzen bzw. glazio-

logische Arbeiten in schwer zugänglichen Gebieten (aufgrund politischer, topographischer oder

meteorologischer Situation) überhaupt zu ermöglichen. Ein oftmals entscheidender Faktor ist die

temporäre Spannweite der verfügbaren Daten.

Alle drei genannten Vorzüge der Fernerkundung konnten oder mussten für die vorliegende Arbeit

genutzt werden. So wurde die für den Sommer 2012 geplante Geländearbeit aufgrund eines

Einreiseverbotes nach GBAO infolge von bewaffneten Auseinandersetzungen auf März 2013 ver-

schoben. Durch die hohe Lawinengefahr zu dieser Zeit konnten lediglich Passpunkte mittels DGPS

in Straßennähe vermessen werden. Weiterhin ermöglichte die Größe des Untersuchungsgebietes

nur eine zeiteffiziente Methodik basierend auf Fernerkundungsdaten. Ein weiterer entscheidender

Punkt war die Möglichkeit zur multitemporalen Erfassung der Gletscheränderung in Hinblick auf

die hydrologische Modellierung, da kaum andere Datenarchive zu historischen Gletscherständen

verfügbar waren (lediglich der Katalog Lednikov (1967)).

Racoviteanu u. a. (2008) unterschieden in ihrer Studie drei wesentliche Methoden zur fernerkun-

dungsgestützten Erfassung von Gletscherparametern:

1. Gletscherfläche mittels Klassifizierung multispektraler Daten

2. Volumenänderung basierend auf Geländemodellen

3. Erfassung der Equilibrium Line Altitude (ELA) oder Accumulation Area Ratio (AAR) zur

Bestimmung der Massenbilanz

In der vorliegenden Arbeit wird lediglich auf die ersten beiden Methoden eingegangen, da die

Bestimmung der Massenbilanz zwar eine wichtige Information darstellt, jedoch nicht als Parameter

in dem vom Betreuer Malte Knoche erstellten hydrologischen Modell verwendet wird.

35

3 Methoden der Fernerkundung zur Untersuchung von Gletscheränderungen

3.2 Evaluierung verschiedener Datengrundlagen

Da für die Arbeit teilweise aufbereitete Datengrundlagen wie topographische Karten und Gelände-

modelle zur Verfügung standen, sollten diese vor der Verwendung hinsichtlich ihrer Genauigkeit

überprüft werden. Weiterhin wird das Postprocessing der GPS-Punkte beschrieben, welche für

eine anschließende Untersuchung der Lagegenauigkeit von Google Earth und RapidEye genutzt

werden soll.

3.2.1 Genauigkeit der Generalstabskarte in Hinblick auf Gletschergrenzen undIsohypsen

Topographische Karten werden in zahlreichen glaziologischen Studien verwendet (Khromova

u. a., 2006; Aizen u. a., 2007b; Bolch, 2007). Für das Untersuchungsgebiet ist die sowjetische

Generalstabskarte die einzige historische Kartengrundlage. Diese bietet die Vorteile der flächen-

deckenden Verfügbarkeit im Maßstab 1 : 100 000 aus den 60er–80er Jahren. Da einerseits die

Gletschergröße abgeleitet werden kann und andererseits die Höhenänderung durch Digitalisie-

rung der Isohypsen, wurden beide Parameter untersucht. Metadaten oder wissenschaftliche Stu-

dien zur Genauigkeit der Karten sind dem Autor allerdings nicht bekannt. Daher wurden beide

Parameter (Gletscherfläche und Isohypsen) hinsichtlich ihrer Genauigkeit überprüft.

Als Referenzgrundlage diente dazu die topographische Karte Koh-e-Keshnikhan des Oesterrei-

chischen Alpenvereins (OeAVs), welche im Rahmen der Österreichische Forschungsexpedition in

den Wakhan (1972) im Maßstab 1 : 25 000 erstellt wurde. Das Gebiet liegt ca. 50 km südlich des

Untersuchungsgebietes auf afghanischer Seite des Wakhan-Korridors. Die sowjetische General-

stabskarte war für dieses Gebiet im Maßstab 1 : 50 000 verfügbar und damit in besserer Auflösung

als die Karten des eigentlichen Untersuchungsgebietes. Das Datum der Veröffentlichung ist mit

1981 angegeben, was jedoch keine Aussage über das Jahr der Datengrundlage zulässt.

Um einen Vergleich zu ermöglichen, wurde die OeAV-Karte mit einem Großformatscanner in einer

Auflösung von 300 dpi gescannt. Beide Karten wurden mittels Passpunkten georeferenziert und

die Höhenlinien digitalisiert, um daraus wiederum ein Geländemodell mit dem Tool ‚TopotoRaster‘

in ArcGIS zu berechnen. Zur Überprüfung der Gletscherfläche schien eine visuelle Interpretation

hinreichend. Zum Vergleich der Höheninformation wurden 200 Punkte außerhalb der Gletscher-

fläche (basierend auf der OeAV-Karte) festgelegt und die z-Werte der erstellten Geländemodelle

mit denen von SRTM-Viewfinder verglichen.

3.2.2 Genauigkeit der bestehenden Gletscherinventare

Zur Untersuchung der Gletscherfläche bietet sich neben der Klassifizierung von Fernerkundungs-

daten die Verwendung bestehender Gletscherinventare an. Insbesondere der Katalog Lednikov

(1967), welcher im WGI als digitale Version Eingang gefunden hat, ist aufgrund des Alters und

der manuellen Erstellung von besonderem Interesse. Der (Katalog Lednikov, 1967) wurden daher

in einigen glaziologischen Studien verwendet, beispielsweise in Aizen u. a. (2007a) oder Bolch

36


(2007). Oftmals dienen diese Daten jedoch nur zu Übersichtszwecken (Mergili u. a., 2012). Vor

einer möglichen Verwendung des Katalog Lednikovs/WGI-Datensatzes sollte dieser hinsichtlich

seiner Plausibilität untersucht werden. Für eine erste Orientierung der Genauigkeit dient der

im Datensatz enthaltene Attributwert ‚Area-Accuracy‘, welcher im Mittel einer Genauigkeit von

10 % bis 15 % entspricht. Die Angabe der xy-Koordinaten erfolgt in Dezimalgrad mit nur zwei

Nachkommastellen, woraus sich eine Lageungenauigkeit ergibt. Gletscher an der Grenze des

Untersuchungsgebietes können daher nicht eindeutig zugeordnet werden, was zu weiteren Un-

genauigkeiten in der Gesamtfläche führt. Diese wurde anschließend ermittelt und im Kontext der

eigenen Ergebnisse auf Plausibilität geprüft.

Der Datensatz von GLIMS hingegen repräsentiert die Gletscherfläche ab dem Jahr 2000, welche

meist durch automatische Auswahl der Daten und vollautomatische Klassifizierung ohne manuelle

Korrektur gewonnen wurde. Daher wurde vermutet, eine deutlich höhere Genauigkeit für diesen

Zeitraum mithilfe verhältnismäßig geringen Aufwandes selbst erstellen zu können. Eine visuelle

Kontrolle der GLIMS-Daten zeigte für zahlreiche Gletscher eine enorme räumliche Abweichung

im Vergleich mit den Landsat-Daten von 1998 und 2011. Die Gletscherinventare von GLIMS

und RGI wurden daher nicht für die vorliegende Arbeit verwendet und sollen daher auch nicht

detaillierter hinsichtlich ihrer Genauigkeit überprüft werden.

3.2.3 Vergleich der vertikalen Genauigkeit verschiedener Geländemodelle

Die Verfügbarkeit mehrerer Geländemodelle (siehe Kapitel 2.4.3.1/2.5.1) zieht die Frage nach

sich, welches im Hinblick auf Genauigkeit und Abdeckung am geeignetsten ist. Verschiedene

Studien haben sich mit dieser Thematik auseinandergesetzt. So verglichen Bolch u. a. (2005)

SRTM und ASTER mit dem Fokus auf glaziologische Fragestellungen und stellten eine bessere

Höhengenauigkeit von SRTM, aber mehr Details bei ASTER fest. Zu ähnlichen Ergebnissen ka-

men Frey u. Paul (2011) und Jacobsen (2010), welche die SRTM-Daten als geringfügig besser

einschätzten. In der Studie von Racoviteanu u. a. (2007) übertraf der RMS-Fehler von ASTER

den der SRTM-Daten (23 m) um fast das dreifache. Eine Erfassung der Höhenänderung mittels

ASTER wurde von den Autoren daher nicht durchgeführt. Der in den meisten Studien erwähnte

Nachteil von SRTM sind die für RADAR typischen Datenlücken durch Abschattungen im Gebir-

ge. Dem gegenüber ist eine stereoskopische Auswertung von ASTER-Daten auf kontrastarmen

Schneeflächen kaum möglich.

Da die erwähnten Studien entweder das SRTM3v4 von der CGIAR oder SRTM-Gaps verwende-

ten, jedoch nicht die SRTM-Viewfinder-Daten berücksichtigten, soll dies in der vorliegenden Arbeit

geschehen. Sowohl die lückenhaften Geländemodelle SRTM-X und SRTM-Gaps als auch die

flächendeckenden SRTM-Viewfinder-, SRTM3v4.1- und ASTER GDEM-Daten wurden mit allen

vorhandenen ICESat-Punkten im Untersuchungsgebiet bezüglich des Höhenwertes verglichen.

Trotz der sehr hohen vertikalen Genauigkeit von ICESat-Daten beinhalten sie Ausreißer mit einer

sehr großen Höhenabweichung (Huang u. a., 2013). Daher wurden bei allen Geländemodellen

lediglich die Höhendifferenz ±50 m berücksichtigt.

37


3.2.4 Postprocessing der GPS-Punkte

Die im Gelände erfassten GNSS-Daten wurden mit Pathfinder Office 5.40 von Trimble differen-

ziell korrigiert. Bei den vom Trimble GeoXH aufgezeichneten Punkten konnte neben der Code-

Korrektur noch eine Trägerphasenkorrektur durchgeführt werden. Da keine eigene Basestation

aufgebaut wurde, musste eine Station aus dem bestehenden Messnetz verwendet werden. In-

formationen über vorhandene Referenzstationen im Untersuchungsgebiet stehen unter Trimble1

oder SOPAC2 bereit. Entsprechende Daten für Zentralasien sind u.a. bei UNAVCO 3 erhältlich.

Zwar betreibt UNAVCO eine Station in Khorog, was aufgrund der kurzen Baseline ideal wäre,

jedoch ist diese nur wenige Wochen im Jahr in Betrieb (Kier, 2013, schriftliche Mitteilung). Die

nächstgelegene Standort, welche daher verwendet wurde, war Kazarman in Kirgistan und liegt

ca. 480 km von Khorog entfernt (Herring, 2013).

3.2.5 Analyse über die Verwendbarkeit von Google Earth zur Erfassung vonPasspunkten

Da die Verwendung von Passpunkten zur Orthorektifizierung von Satellitenbildern meist unerläss-

lich ist, eine Vermessung von hochgenauen Punkten per DGPS aufgrund diverser Faktoren wie

Zeit, Geld und Erreichbarkeit jedoch oft nicht möglich ist, stellt sich die Frage nach Alternativen. Ei-

ne Möglichkeit ist die Verwendung von bereits orthorektifizierten Satellitenbildern wie Landsat als

Referenz. Eine andere Alternative ist Google Earth, welche in zahlreichen Studien als Grundlage

für GCPs verwendet wurde (Bitelli u. Girelli, 2009; Casana u. Cothren, 2013). Nur wenige Arbeiten

hingegen beschäftigen sich mit der Lagegenauigkeit der Satellitenbilder von Google Earth. Zwar

verbessert sich die spektrale Auflösung durch den Ankauf von hochauflösenden kommerziellen

Satellitenbildern in vielen Gebieten weltweit, jedoch kann daraus keine Aussage über die Lage-

genauigkeit der Bilder und folglich der GCPs getroffen werden. Potere (2008) hat die horizontale

Positionsgenauigkeit von Google Earth mit Landsat GeoCover verglichen. Dabei hat er für das

Gebiet Zentralasien eine durchschnittliche Abweichung von 31,5 m zwischen 78 Kontrollpunkte in

Google Earth und Landsat berechnet.

Um eine konkretere Aussage über die Verwendbarkeit von Google Earth in Gebirgsräumen treffen

zu können, wurden hochgenaue DGPS-Punkte als Referenz verwendet. Da das Einzugsgebiet

in Google Earth derzeit (Stand 2013) von Satellitenbilder unterschiedlicher Auflösung (SPOT und

Geoeye-1) abgedeckt wird, konnte dieser Aspekt ebenfalls berücksichtigt werden. Die DGPS-

Punkte wurden als kml-Datei in Google Earth importiert, die äquivalenten Punkte manuell digitali-

siert und wiederum in ArcGIS geöffnet. Analog dazu wurde die Lagegenauigkeit von orthorektifi-

zierten RapidEye-Bildern durchgeführt.

1http://www.trimble.com/findtrs.asp2http://sopac.ucsd.edu/maps/3http://www.unavco.org

38

http://www.trimble.com/findtrs.asp

http://sopac.ucsd.edu/maps/

http://www.unavco.org

3.3 Erfassung der planimetrischen Gletscheränderung


Im folgenden Abschnitt soll auf die Methoden zur multitemporalen Erfassung der Gletscherflächen

eingegangen werden. Wesentliche Punkte sind dabei die Auswahl der Daten, deren Preproces-

sing, die Klassifizierung als Hauptpunkt und das Postprocessing der Ergebnisse.

3.3.1 Auswahl der Daten

Voraussetzung für eine möglichst exakte Klassifizierung von Gletschern sind geeignete Aus-

gangsdaten. Die Verfügbarkeit von akzeptablen Szenen scheint in Hinblick auf die enormen

Datenbestände (>3 Millionen Landsat-Bilder laut USGS (2013)) ein geringes Problem zu sein.

Die Anzahl der verwendbaren Satellitenbilder schränkt sich jedoch auf aufgrund einer Vielzahl

von Anforderungen auf einige wenige ein. Satellitendaten sollten:

• einen flächendeckenden Datensatz aus möglichst einer Ablationsperiode aufweisen

• daher eine große räumliche Abdeckung besitzen

• über eine ausreichende räumliche Auflösung zur Detektion von Gletschern bis 0,1 km2

verfügen

• am Ende der Ablationsperiode aufgenommen sein, um möglichst keine saisonale Schnee-

bedeckung zu enthalten

• möglichst frei von Wolkenbedeckung sein, wobei dies sekundär zum vorangegangenen

Punkt ist (Paul u. a., 2010)

• während eines möglichst hohen Sonnenstandes aufgenommen sein, damit Schattenberei-

che minimal sind

Unter Berücksichtigung dieser Kriterien wurden die verfügbaren Datensätze kontrolliert und ge-

eignete Szenen ausgewählt. Bei der Zielsetzung der räumlichen Abdeckung wurde sowohl das

gesamte Untersuchungsgebiet als auch das TEZG Pathkurdara berücksichtigt. Informationen zur

Wolkenbedeckung, Schneedecke, Sonnenstand, Aufnahmequalität und -datum befinden sich teil-

weise in den Metadaten der einzelnen Satelliten. Allerdings basieren die Angaben der Wolken-und

Schneebedeckung auf a) automatisierten Klassifizierungen der b) gesamten Szene. Daher lassen

sich daraus nur eingeschränkt Aussagen über die Situation im Untersuchungsgebiet treffen. Nach

einer Grobauswahl, basierend auf Aufnahmedatum und Bewölkung war eine visuelle Kontrolle

jeder Szene notwendig. Alle verwendeten Daten sind im Anhang C aufgeführt.

3.3.2 Preprocessing

Das Preprocessing dient der Korrektur von geometrischen und radiometrischen Fehlern oder

Ungenauigkeiten. Radiometrische Fehler können durch einen fehlerhaften Sensor verursacht

werden, was sich wie am Beispiel von Landsat 7 in einem Streifenmuster äußert. Geometrische

39


Fehler können systembedingt sein und werden teilweise schon vom Hersteller korrigiert. Un-

systematische Fehler hingegen müssen bei der Vorprozessierung entfernt werden. Dabei kann

einerseits zwischen der Korrektur unterscheiden werden:

• geometrische Korrektur dient zur Behebung von Fehlern der relativen Lage von Pixeln

• radiometrische Korrektur dient zur Behebung von Fehlern der Intensität der Pixelwerte

und andererseits zwischen dem angewendeten Verfahren:

• parametrische Verfahren (Beziehung zwischen Bild und Gelände wird durch Rekonstruktion

der Aufnahmesituation hergestellt)

• nichtparametrische Verfahren (Beziehung zwischen Bild und Gelände wird mithilfe von

Interpolation über Passpunkte hergestellt)

Im ersten Teil soll eine Übersicht häufig notwendiger Schritte des Preprocessing gegeben werden.

Im zweiten Teil wird auf das spezifische Preprocessing für die verwendeten Sensoren eingegan-

gen.

3.3.2.1 Allgemeine Vorgehensweise

Georeferenzierung/Georektifizierung/Orthorektifizierung Die Georeferenzierung dient da-

zu, einen Datensatz im Raum zu verorten. Dabei werden den Bildkoordinaten Realweltkoor-

dinaten zugewiesen. Die Georektifizierung versucht, geometrische Verzerrungen im Bild zu eli-

minieren. Diese können, wie im Beispiel Corona, durch das Aufnahmeprinzip und die Kamera

verursacht sein. Eine weitere Ursache für Verzerrung ist die Geländeoberfläche. Die Kompensati-

on dieses Shifts als eine Funktion der Geländehöhe und Entfernung vom Bildmittelpunkt wird als

Orthorektifizierung bezeichnet (siehe Abbildung 3.1).

Koregistrierung Ziel der Koregistrierung ist die Synchronisierung der räumlichen Lage mehre-

rer Datensätze. Dabei kann es sich um Daten verschiedener Zeitpunkte, Sensoren oder Blickwin-

kel handeln. Anhand von Punkt-, Linien- oder Flächenelementen werden die Datensätze mitein-

ander verknüpft und mithilfe von Transformationsparametern in das gewünschte Koordinatensys-

tem überführt. Dieser Prozess ist grundlegend für einen Vergleich unterschiedlicher Datensätze

(Change Detection), für das Mosaikieren und Layer Stacking. Als Referenz wurden die orthorekti-

fizierten RapidEye-Daten verwendet, da diese die höchste Auflösung und Lagegenauigkeit (siehe

Kapitel 4.1.5) aufweisen.

Pansharpening Beim Pansharpening wird ein hochaufgelöstes panchromatisches Bild mit ei-

nem geringer aufgelösten multispektralen Bild kombiniert, um als Ergebnis ein hochaufgelöstes

multispektrales Bild zu erhalten. Dafür eignen sich speziell Satellitendaten wie Landsat ETM+

oder ASTER, welche einen panchromatischen Kanal haben.

40


Abbildung 3.1: Prinzip der Orthorektifizierung, Quelle: Geoimage (2013)

Radiometrische Korrektur Strahlungsmessungen werden aufgrund der Wirkung der zwischen

Sensor und Objekt liegenden Atmosphäre und unterschiedlichen Beleuchtungsverhältnissen stark

beeinflusst. Trotz gleicher spektraler Eigenschaften können Objekte vollkommen andere Intensi-

tätswerte besitzen. Gerade in multitemporalen Datensätzen sind neben spezifischen Atmosphä-

renverhältnissen auch die unterschiedlichen Sonnenstände zu berücksichtigen. Die radiometri-

sche Korrektur versucht diese Effekte einzugrenzen, um ein möglichst gutes Klassifizierungser-

gebnis erzielen zu können. Es wird unterschieden in:

• Illuminationskorrektur (topographisch bedingte Beleuchtungs- und Abschattungseffekte, die

eine quantitative Interpretation der Oberfläche erschweren)

• Atmosphärenkorrektur (Interaktion der Strahlung mit der Atmosphäre durch Absorption und

Streuung)

Radianz Die Strahldichte oder Radianz, entspricht der Intensität der Strahlung in eine bestimm-

te Richtung. Es ist also die Strahlungskomponente, welche am Sensor erfasst wird. Sie setzt

sich aus der von der Oberfläche reflektierten Strahlung und dem durch Streuung verursachten

Rauschen zusammen. Diese wurde bei der Analog-Digital-Wandlung in einen Grauwert (Digital

Number (DN)) umgerechnet. Für weitere Berechnungen ist die Rückführung des Grauwertes in

den physikalischen Messwert der Strahldichte erforderlich.

Reflektanz Der Reflexionsgrad oder Reflektanz, ist das Verhältnis der reflektierten Strahlung

zur einfallenden Strahlung. Diesen Wert lässt sich über die Strahldichte, die einfallende Strahlung

41


und der Aufnahmeposition berechnen. Weiterhin muss der Einfluss der Atmosphäre berücksichtigt

werden, welche die Strahlung teilweise absorbiert und streut. Die Strahldichte am Satelliten muss

daher mithilfe einer Atmosphärenkorrektur in die Strahldichte an der Oberfläche umgerechnet

werden. Im Gegensatz zu Grauwerten bietet die Reflektanz die Möglichkeit, die für Oberflächen

charakteristischen Eigenschaften unabhängig von den Sensoreigenschaften, der Aufnahmegeo-

metrie, der Beleuchtung und den Atmosphärenbedingungen wiederzugeben. Da jedoch viele

Informationen nur ungenau vorliegen, kann keine absolute Berechnung erfolgen, sondern stets

nur eine Annäherung.

Mosaikieren Das Mosaikieren umfasst das Zusammenfügen benachbarter Szenen zu einem

Gesamtprodukt, wobei die Lage konstant bleibt. Abweichende Grauwerte benachbarter Szenen,

welche beispielsweise aus unterschiedlichen Aufnahmezeitpunkten resultieren, können mithilfe

geeigneter Methoden (z. B. Histogram Matching) korrigiert werden. Die Mosaikierung erfolgte

sowohl mit Mosaic Pro in ERDAS Imagine als auch mit Orthoengine von PCI Geomatica 2013.

In allen Fällen wurden Wolken manuell extrahiert und Szenen mit geringer Schneebedeckung

bevorzugt. Das Untersuchungsgebiet liegt auf der Grenze zwischen der UTM Zone 42 und 43.

Aus praktischen Gründen wurden alle mosaikierten Szenen als UTM Zone 43 projiziert, welche

den deutlich größeren Anteil am EZG einnimmt.

3.3.2.2 Sensorspezifische Vorgehensweise

Corona Corona-Daten bieten zwar einerseits die ältesten verfügbaren Datensätze, aber auch

die höchste geometrische Verzerrung, was zu einem zeitintensiven Preprocessing führt. Da es

sich um Stereobilder handelt, wurden die Bilder zur Erstellung eines DGMs genutzt und daraus

wiederum Orthobilder abgeleitet. Die Vorgehensweise des Preprocessing ist daher in Kapitel 3.4.3

näher beschrieben.

Landsat MSS, TM und ETM+

Georeferenzierung Alle verwendeten Landsat-Daten liegen als L1T-Produkt vor und wurden

somit bereits automatisch georeferenziert und orthorektifiziert. Mehrere hundert Szenen wurden

dabei zu Blöcken zusammengefasst und anhand von über 350 geodätischen Kontrollpunkten

ausgerichtet. Die geometrische Genauigkeit liegt unter 50 m. Der Orthorektifizierung lag haupt-

sächlich das SRTM-Geländemodell zugrunde (Narama u. a., 2010).

Koregistrierung Für Landsat wurde keine Koregistrierung durchgeführt, da die Lagegenauigkeit

in etwa der räumlichen Auflösung entspricht.

42


Destriping von Landsat SLC off Aufgrund eines technischen Defektes des SLC sind die Bilder

von Landsat 7 ab 2003 fehlerhaft. Um diese wichtige Datenquelle dennoch verwenden zu können,

kann ein Destriping durchgeführt werden. Verschiedene Lösungsansätze wurden innerhalb der

letzten Dekade entwickelt4. Entweder werden die Lücken mithilfe a) anderer Landsat 7-Daten des

möglichst gleichen Jahres geschlossen, b) geeignete Daten anderer Satelliten wie Landsat TM

werden verwendet oder c) die Löcher werden mittels geostatistischem Ansatz interpoliert. Erst-

genannter Ansatz a) scheitert an der Verfügbarkeit passender Landsat ETM-Szenen. Ansatz b)

führt das Problem mit sich, spektral und geometrisch ähnlich aufgelöste Daten aus dem möglichst

gleichen Zeitraum zu verwenden, welche ebenfalls nicht ausreichend zur Verfügung stehen. Der

geostatistische Ansatz c) zeigte ein wie erwartet unbefriedigendes Ergebnis. Landsat 7 konnte

daher nicht verwendet werden.

Radiometrische Korrektur Mit der folgenden Formel und den Informationen aus den Metada-

ten kann für jedes Band die Radianz berechnet werden (Irish, 2008):

Lλ =LMAXλ − LMINλ

QCALMAX −QCALMIN∗ (QCAL−QCALMIN) + LMINλ

oder

Lλ = Gain ∗DNλ +Bias

Die Berechnung der Reflektanz für Landsat erfolgte nach den Vorgaben des Landsat 7 Handbu-

ches (Irish, 2008). Basierend auf Koeffizienten zur radiometrischen Kalibrierung (siehe Tabelle

3.1) kann mit folgender Formel die Reflektanz ρλ berechnet werden:

ρλ =π ∗ Lλ ∗ d2

ESUNλ ∗ cos θS

Die Berechnung erfolgte in allen Fällen mit dem Spatial Modeler von ERDAS Imagine. Eine

Übersicht zum Workflow des gesamten Preprocessing ist in Abbildung 3.2 dargestellt.

Tabelle 3.1: Koeffizienten zur radiometrischen Kalibrierung für Landsat TM 5, Quelle: Chander u. a.(2009)

Band Gain Bias ESUN

1 0,765827 -2,29 19832 1,448189 -4,29 17963 1,043976 -2,21 15364 0,876024 -2,39 10315 0,120354 -0,49 2206 0,055376 1,18 N/A7 0,065551 -0,22 83,44

4http://landsat.usgs.gov/sci_an.php

43

http://landsat.usgs.gov/sci_an.php


Abbildung 3.2: Workflow des Preprocessings von Landsat-Daten

ASTER

Georeferenzierung Es wurde der Versuch unternommen, L1B-Daten mithilfe von ERDAS 2013

zu orthorektifizieren. Da es jedoch zu einem Fehler beim Einlesen der Metadaten kam, welcher

auf Anfrage beim ERDAS-Support Österreich einen nicht umgehbaren Bug darstellt, konnten die

L1B-Daten nicht prozessiert werden (Leska, 2013, schriftliche Mitteilung). Für die multispektrale

Analyse der ASTER-Daten wurde daher die bereits orthorektifizierte und radiometrisch kalibrierte

Version 14DMO verwendet. Die geometrische Genauigkeit liegt vergleichbar mit Landsat unter

50 m (Iwasaki u. Fujisada, 2005).

Koregistrierung Für ASTER-Daten ist eine Koregistrierung sinnvoll, da der Lagefehler von

<50 m ein Vielfaches der Pixelgröße von 15 m ist. Da die Koregistrierung mit ERDAS Autosync ei-

ne ähnliche Wellenlänge der verwendeten Kanäle von Referenz (RapidEye) und Input voraussetzt,

wurden zuvor die drei spektralen Bereiche von ASTER (VNIR, SWIR, TIR) zusammengefügt.

Dabei wurde der SWIR und TIR, analog zu der Vorgehensweise von Kääb u. a. (2002), mittels

bilinearer Interpolation auf 15 m resampelt.

Mosaikierung Die Abdeckung der mosaikierten ASTER-Szenen eines Jahres wurden in Tabelle

3.2 aufgelistet. Wie ersichtlich decken ASTER-Szenen in keinem Jahr das Untersuchungsgebiet

vollständig ab. Um ASTER-Szenen nicht nur für die Veränderung von Pathkurdara verwenden

zu können, wurde 2006 und 2007 kombiniert. Die dabei verbleibenden Lücken lagen im Bereich

des östlichen Hochplateaus ohne Gletscheranteil und am westlichen Rand mit einem geringen

Anteil. Eine Übersicht zum Workflow des Preprocessing der ASTER-Daten ist in Abbildung 3.3

dargestellt.

Radiometrische Korrektur Die ASTER-Produkte L1B und 14DMO werden radiometrisch korri-

giert geliefert und bedürfen daher keiner weiteren Prozessierung.

44


Tabelle 3.2: Übersicht über die temporale und räumliche Abdeckung der ASTER-Daten im Untersu-chungsgebiet

Jahr Anzahl der Datensätze Abdeckung in %

2000 2 21,152001 2 22,022002 4 43,182003 0 -2004 2 4,092005 2 21,992006 2 20,692007 13 76,83

Abbildung 3.3: Workflow des Preprocessings von ASTER-Daten

RapidEye

Georeferenzierung Die RapidEye-Daten wurden als Level 1B-Produkte geliefert und sind damit

nicht georeferenziert. Für die Orthorektifizierung werden normalerweise genaue Ground Control

Point (GCP) und ein Digitales Geländemodell (DGM) benötigt. Aufgrund der sehr präzisen La-

geinformationen der RapidEye-Satelliten ist jedoch eine Orthorektifizierung ohne Passpunkte

möglich. Cheng u. Sustera (2009) verglichen die Prozessierung mit und ohne Kontrollpunkte in

mehreren gering reliefierten Gebieten und zeigten einen nur geringfügig größeren RMS-Fehler

ohne GCPs, welcher im Bereich der Auflösung von 6,5 m liegt. Da die Mindestgenauigkeit der

Referenzpunkte bei 1/3 der Auflösung des Satellitenbildes liegen sollte, ist im Falle von RapidEye

mit einer Auflösung von 6,5 m eine Genauigkeit ∼2 m erforderlich. Aufgrund der Verfügbarkeit

von submetergenauen Passpunkten konnte die Überprüfung der Lagegenauigkeit auch für das

Untersuchungsgebiet durchgeführt werden. Dazu wurde eine geometrische Korrektur von fünf

überlappenden Szenen mit insgesamt 13 GCPs durchgeführt. Einmal wurden die Passpunkte

lediglich zur Kontrolle verwendet, beim zweiten Mal zur tatsächlichen Korrektur. Um die größt-

mögliche Genauigkeit mit angemessenem Arbeitsaufwand zu erhalten, wurden die Passpunkte

für den Zeitschnitt mit der größten Flächenabdeckung (2011) manuell gesucht. Die Prozessie-

rung erfolgte dabei mit Orthoengine von PCI Geomatica 2013. Für die restlichen Zeitschnitte

wurden die Kacheln mithilfe von automatisch erstellten GCPs und Tie-Points lagekorrigiert. Die

Orthorektifizierung wurde in allen Fällen mit einem auf 30 m interpolierten SRTM-Geländemodell

durchgeführt.

45


Reflektanz Da bei der Klassifizierung von RapidEye-Daten nicht ausschließlich ein Ratio ver-

wendet werden kann, müssen die Szenen eines Mosaiks spektral möglichst gut aufeinander

abgestimmt sein. Dies kann über ein Histogram-Matching erreicht werden, was zu einer Verände-

rung der Pixelwerte führt, was sich wiederum negativ auf die Klassifizierung auswirken kann. Die

geeignetere Methode ist die Berechnung der Reflektanz, welche die Eigenschaften der Oberflä-

che unabhängig von der Beleuchtungssituation wiedergibt. Diese wurde in Geomatica 2013 mit

dem Modul ATCOR (Atmospheric Correction) umgesetzt.

3.3.3 Klassifizierungsmethoden zur Erfassung der Gletscherfläche

Klassifizierung bezeichnet den Prozess, bei dem die Pixel anhand ihrer Werte einer bestimmten

Anzahl von unterschiedlichen Klassen zugeordnet werden. Das Bild wird also in spektral ähnliche

Cluster aufgeteilt.

Die spektralen Eigenschaften von Schnee und Eis ermöglichen eine gute Abgrenzung zu an-

deren Oberflächen wie Fels oder Vegetation (siehe Tabelle 3.3). Doch schon der Gletscher

allein beinhaltet oft ein breites radiometrisches Spektrum, da dessen Oberfläche aus trockenem

oder nassem Schnee, Firn, blankem, ruß-, staub- oder debrisbedecktem Eis bestehen kann. Die

Reflexion von frischem Schnee kann bis zu 95 % im sichtbaren Bereich betragen (Paul, 2002).

Sie ist stark abhängig von Staub und Ruß, jedoch besteht nur eine sehr geringe Korrelation zur

Korngröße. Im nahen Infrarot hingegen verhält sich die Situation umgekehrt. Zum einen nimmt

die Reflexion mit zunehmender Wellenlänge stark ab, zum anderen nimmt die Abhängigkeit zur

Korngröße zu bzw. zu Verunreinigungen ab. Aufgrund dieses unterschiedlichen Verhaltens ist es

sinnvoll, bei einer Klassifizierung stets Informationen sowohl aus dem sichtbaren Licht als auch

dem Infrarot-Bereich zu verwenden.

Für große Untersuchungsgebiete empfiehlt sich aufgrund des geringen Zeitaufwandes eine auto-

matische Klassifizierung. Die größte Genauigkeit wird in der Regel bei manueller Klassifizierung

erreicht (Bolch u. a., 2008; Gjermundsen u. a., 2011). Jedoch sind manuelle Klassifizierungen

nicht nur arbeitsintensiv, sie sind auch nicht reproduzierbar, da das Ergebnis bei jeder Digitalisie-

rung variiert (Paul u. a., 2013). Ergebnisse einer manuellen Klassifizierung sind daher inkonsistent

und stets generalisiert. Außerdem werden bei der manuellen Klassifizierung kleine Gletscher

oftmals nicht mit berücksichtigt (Barry u. a., 2010).

Folgende Punkte enthalten Empfehlungen zur Klassifizierung von Gletschern:

• Identifizierung von Schneeflecken ohne blankes Eis (Paul u. a., 2010; Mergili u. a., 2012)

• automatische Klassifizierungsmethoden verwenden und diese anschließend manuell korri-

gieren, da bei einer ausschließlich manuellen Digitalisierung kleine Gletscher oft vernach-

lässigt werden (Barry u. a., 2010)

• statt normalisierten Index besser grenzwertbasierte Ratios verwenden (z. B. TM3/TM5)

(Barry u. a., 2010)

46


• bei Daten mit 15–30 m Auflösung sollten nur Gletscher >0,01 km2 berücksichtigt werden

(Paul u. a., 2010)

• Flächenangabe in Quadratkilometer mit drei Nachkommastellen (Barry u. a., 2010)

Tabelle 3.3: Übersicht zur Anwendung verschiedener Wellenlängenbereiche am Beispiel LandsatTM in Hinblick auf Gletscherkartierung, Quelle: nach Pellikka u. Rees (2010)

Band λ in µm Bezeichnung Anwendung

TM1 0,45–0,52 Blau Schnee/Eis in Schattenbereichen, GletscherseenTM2 0,52–0,60 Grün ähnlich TM1, geringere Reflexion, NDSI, RatiosTM3 0,63–0,69 Rot ähnlich TM1, geringere Reflexion, NDSI, NDVI, RatiosTM4 0,76–0,90 NIR geringere Reflektanz von Schnee, Eis erscheint dunkler,

NDVI, NDWITM5 1,55–1,75 SWIR fast vollständige Absorption auf Eis, notwendiges Band

für NDVI/RatiosTM6 10,4–12,5 Thermal geeignet für dünne Debrisbedeckung/starke Verschmut-

zungTM7 2,08–2,35 SWIR ähnlich TM5, aber mehr Rauschen in Schattenbereichen

3.3.3.1 (Un)überwachte Klassifizierung

Sowohl die überwachte als auch die unüberwachte Klassifizierung unterteilen die Pixel anhand

ihrer Helligkeitswerte in eine bestimmte Anzahl von Klassen. Wie die Unterscheidung in beiden

Methoden erfolgt, wird im Folgenden beschrieben.

Unüberwachte Klassifizierung Bei der unüberwachten Klassifizierung werden die Daten auto-

matisch von der Software in eine vom Benutzer vorgegebene Anzahl von Klassen unterteilt. Die

Clusterbildung findet in einem n-dimensionalen Merkmalsraum statt (abhängig von der Anzahl

der Bänder). Die Vorteile sind die schnelle und einfache Klassifizierung, welche spektral reine

Klassen ohne Overlap produziert. Jedoch resultieren aus der Klassifizierung keine Informatio-

nen über den Klassentyp. Die Klassen müssen daher manuell vom Benutzer zugeordnet werden.

Ein weiterer Nachteil ist die Unterrepräsentierung kleiner Flächenanteile (wie z. B. debrisbedeck-

te Gletscher), da die Klassifizierung stets für das gesamte Bild durchgeführt wird. Als Lösung

müsste die Anzahl der Klassen erhöht werden, was wiederum die manuelle Arbeit der Klassenzu-

weisung vergrößert. Große Probleme entstehen in diffusen Bereichen debrisbedeckter Zungen

und Schattenbereichen, homogene Flächen wie Seen werden jedoch meist sehr gut erfasst.

Überwachte Klassifizierung Bei der überwachten Klassifizierung hingegen ist der Einfluss des

Benutzers deutlich größer. Anhand von Trainingsgebieten, welche manuell vorgegeben werden

und bestimmte Landbedeckungen repräsentieren, sucht die Software Pixel mit ähnlichen spektra-

len Signaturen und klassifiziert sie entsprechend. Die Trainingsgebiete, auch Samples genannt,

sind Musterklassen, welche bekannte thematische Sachverhalte repräsentieren. Sie sollten zu-

dem repräsentativ, homogen (ohne Mischpixel) und ausreichend groß (mindestens neun Pixel)

47


sein. Sie dienen somit als Interpretationsschlüssel. Diese Methode ist deutlich arbeitsintensiver

und schwieriger reproduzierbar. Auch hier treten Probleme im Bereich von Schatten und Debris

auf. Gerade bei einer multitemporalen Untersuchung übersteigt der Arbeitsaufwand die Qualität

des Resultates.

3.3.3.2 Ratio-Bildung

Einer der am häufigsten verwendeten Ansätze zur Klassifizierung von Schnee und Eis ist die

Bildung eines Ratios. Es wird dabei der Unterschied zwischen der hohen Reflexion im sichtbaren

Bereich und der geringen Reflexion im Infrarotbereich genutzt, z. B. Landsat TM3/TM5 (siehe

Abbildung 3.8) (Andreassen u. a., 2008) oder TM4/TM5 (Paul, 2002). Das Verhältnis zwischen

Rot/SWIR (TM3/TM5) zeigt im Vergleich zu NIR/SWIR (TM4/TM5) jedoch eine bessere Perfor-

mance in Schattenbereichen und bei dünner Debrisbedeckung (Andreassen u. a., 2008). Diese

Methode wird daher für die Erstellung von Gletscherinventaren aus Fernerkundungsdaten von

WGMS und GLIMS empfohlen (Barry u. a., 2010; Paul u. a., 2010; Racoviteanu u. a., 2009).

Eine andere Variante stellt der Normalized Difference Snow Index (NDSI) dar. Dieser wird wie

folgt berechnet:

NDSI =V IS −NIR

V IS +NIR

Typische NDSI-Grenzwerte von Gletschern liegen zwischen 0,5–0,7 (Pellikka, 2007), Grenzwerte

für Landsat TM3/TM5 liegen zwischen 1,8 und 2,0 (Paul u. a., 2013). Zur Optimierung des Grenz-

wertes kann das Klassifizierungsergebnis mit der Falschfarbendarstellung verglichen werden. Zur

Erkennung von debrisbedeckten Gletscherzungen wird dieser Ansatz meist in Kombination mit

einer morphometrischen Klassifizierung (siehe Kapitel 3.3.3.3 und/oder dem thermalen Band

verwendet (Paul u. a., 2004)).

Die Vorteile dieser Methode liegen in der einfachen Anwendung und der Robustheit der Ergebnis-

se. Außerdem minimieren Ratios Unterschiede aufgrund der Beleuchtungsverhältnisse. Dennoch

kommt es im Bereich von Abschattungen (durch Wolken oder Topographie) häufig zu Fehlklassifi-

kation. Eine Lösung ist, aus dem Sonnenstand und einem DGM eine Schattenkarte zu berechnen

und diese Bereiche zu extrahieren (Huggel u. a., 2002). Eine andere Möglichkeit ist, die Neigung

als weiteres Kriterium hinzuzuziehen, um damit die schattigen Hangbereiche zu eliminieren.

Ein weiteres bekanntes Problem sind proglaziale Seen, welche aufgrund ihrer Trübung ähnliche

Ratio-Werte aufweisen und daher oft falsch klassifiziert werden (Bolch u. a., 2008; Raup u. a.,

2007). Ein Lösungsansatz besteht in der Verwendung des Normalized Difference Water Index

(NDWI) zur Detektion von Wasserkörpern (Huggel u. a., 2002). Es bietet sich hier die Verwendung

eines Kanals mit maximaler Reflexion an (blau) und einer mit minimaler Reflexion (NIR). Der

NDWI wird analog zum NDSI berechnet:

NDWI =NIR−Blau

NIR+Blau

48


3.3.3.3 Morphometrische Klassifizierung

Für die Klassifizierung von schuttbedeckten Gletschern wird neben den spektralen Informationen

häufig auf Reliefinformationen zurückgegriffen, da eine Unterscheidung zwischen Debrisbede-

ckung und eisfreiem Moränenmaterial mithilfe von multispektralen Daten kaum möglich ist. Ledig-

lich der thermale Kanal bietet bei geringen Mächtigkeiten der Debrisbedeckung eine Möglichkeit

zur Unterscheidung, da das darunterliegende Eis das Schuttmaterial kühlt. Doch im Bereich von

Schlagschatten ist die Oberflächentemperatur von Geröll geringer als die der Debrisbedeckung

(Bolch u. a., 2007). Zudem verfügt der thermale Kanal häufig über eine deutlich geringere räum-

liche Auflösung als die Kanäle im VNIR oder NIR (ASTER, Landsat TM und ETM). Oft werden

daher zusätzliche Informationen über die Neigung verwendet. Das zugrunde liegende DGM sollte

neben einer ausreichenden räumlichen Auflösung aus der gleichen Dekade wie das verwendete

multispektrale Bild stammen (Paul u. a., 2004). Einen automatisierten Ansatz zur Klassifizierung

von debrisbedeckten Gletschern stellten Bolch u. a. (2007) vor. Sie nutzten ASTER-Daten, um ei-

nerseits Informationen des thermalen Kanals mit 90 m Auflösung berücksichtigen zu können und

andererseits aus den Stereodaten ein Geländemodell zu erzeugen, mit welchem die Gletscher

anhand ihrer charakteristischen Oberfläche abgegrenzt werden können.

3.3.3.4 Umgang mit debrisbedeckten Gletschern

Wie im vorangehenden Abschnitt beschrieben, stellt die Klassifizierung von debrisbedeckten

Gletschern eine große Herausforderung dar. Mit den vorliegenden ASTER-Daten wäre eine

Durchführung des von Bolch u. a. (2007) beschriebenen Ansatzes zwar möglich, jedoch nicht

flächendeckend für das gesamte Untersuchungsgebiet und nicht für alle Zeitschnitte. Landsat TM

bietet ebenfalls einen thermischen Kanal, allerdings wären die Geländeinformationen für 2011

über zehn Jahre alt (unter Verwendung von SRTM-Daten). Debrisbedeckte Zungen bei Landsat

MSS und RapidEye müssten vollständig manuell digitalisiert werden. Die Klassifizierung von

Corona müsste ebenfalls manuell erfolgen, wäre jedoch aufgrund der vorhandenen Geländeinfor-

mation und der hohen Auflösung sehr gut möglich. Die Verwendung von verschiedenen Methoden

würde damit eine inhomogene Ergebnisqualität vermuten lassen. Paul u. a. (2013) verglichen die

manuellen Klassifizierungen von debrisbedeckten Gletschern verschiedener Bearbeiter und konn-

ten eine große Variabilität der Flächengrößen von bis zu 30 % feststellen, unabhängig von der

räumlichen Auflösung der verwendeten Datengrundlage. Zu einer ähnlichen Aussage kommen

Mergili u. a. (2012), welche die Abgrenzung von debrisbedeckten Gletschern trotz vorhandener

Ansätze (Paul u. a., 2004; Bolch u. a., 2007) als schwierig und unscharf beschreiben. Da das Ziel

der Arbeit jedoch die Untersuchung der zeitlichen Veränderung der Gletscher ist, wurde versucht,

den Faktor der Unsicherheit möglichst gering zu halten.

Nach den Angaben im WGI beträgt die debrisbedeckte Gletscherfläche im EZG 5 % der Gesamt-

fläche (vgl. die Gletscherfläche in der Khumbu-Region ist laut Bolch u. a. (2008) zu rund 1/3

debrisbedeckt, für die gesamte Region Karakorum-Himalaya wird der Anteil auf 10 % geschätzt

(Bolch u. a., 2012)). Aufgrund der hohen Unsicherheit und dem sehr geringen Flächenanteil wur-

den stark schuttbedeckte Zungen konsequent nicht berücksichtigt.

49


3.3.3.5 Sensorspezifische Besonderheiten

Corona Da es sich bei Corona KH 4B um panchromatische Bilder handelt, ist zwar die räum-

liche Auflösung besser, dafür ist eine automatische Klassifizierung nicht möglich. Aufgrund des

geringen Kontrastes in schneebedeckten Bereichen ist selbst eine manuelle Klassifizierung sehr

erschwert. Daher wurden die Klassifizierungsergebnisse von ASTER zur Abgrenzung des Ak-

kumulationsbereiches verwendet und die Gletscherzungen manuell editiert. Infolge der hohen

Auflösung ist das Erkennen des Bergschrundes bei einer Vielzahl von Gletschern als bemerkens-

werter Vorteil hervorzuheben. Somit wird eine exakte Unterscheidung zwischen Gletscher und

Schneeflächen ermöglicht.

Landsat MSS Die Verwendung eines geeigneten Ratios bei Bildern des Sensors MSS ist auf-

grund des fehlenden SWIR-Bereiches nicht möglich, was eine automatische Klassifizierung deut-

lich erschwert. Da Landsat MSS die ersten verfügbaren multispektralen Daten bietet, soll auf die

Verwendung jedoch nicht verzichtet werden. Diese Daten wurden in einer Vielzahl von glaziologi-

schen Studien erfolgreich eingesetzt. Bei einer multitemporalen Gletscheruntersuchung in Peru

wurde eine manuelle Gletscherdigitalisierung basierend auf MSS-Daten durchgeführt (Silverio u.

Jaquet, 2012). Li u. a. (1998) hingegen führten eine überwachte Klassifizierung durch, welche

jedoch manuell korrigiert werden musste. Gratton u. a. (1990) führten ebenfalls eine Kombination

aus visueller und automatischer Klassifizierung durch und erreichten eine Genauigkeit von 24 %.

Haq u. a. (2012) führte sowohl eine überwachte als auch eine unüberwachte Klassifizierung von

MSS-Daten durch. Svoboda u. Paul (2009) hingegen verfolgten eine semi-automatische Klassifi-

zierung basierend auf einem Entscheidungsbaum.

Letztgenannter Ansatz wurde für die vorliegende Arbeit verwendet und ist in Abbildung 3.4 sche-

matisch dargestellt. Daneben wurde eine unüberwachte Klassifizierung mit 100 Klassen bei 15

Iterationen durchgeführt (siehe Abbildung 3.5). Die entstandenen Klassen mussten anschließend

manuell in Gletscher und Nicht-Gletscher unterschieden werden. Das in Abbildung 3.5 dargestell-

te Postprocessing wurde für beide Klassifizierungen verwendet.

Abbildung 3.4: Workflow zur Klassifizierung des Landsat MSS Datensatzes nach Svoboda u. Paul(2009) mit anschließendem Postprocessing

50


Abbildung 3.5: Workflow zur unüberwachten Klassifizierung des Landsat MSS Datensatzes mitanschließendem Postprocessing

Landsat TM Untersuchungen zur Klassifizierung basierend auf Landsat TM-Daten präferierten

die Ratio-Bildung aus Kanal 4/5 (Paul, 2002) oder Kanal 3/5 (Bolch u. a., 2010; Andreassen u. a.,

2008). Letzteres Verhältnis soll speziell für Schatten und debrisbedeckte Gebiete exaktere Resul-

tate erzielen, weshalb dieser Ansatz gewählt wurde. Um eine bessere Abgrenzung proglazialer

Seen zu ermöglichen, wurde zusätzlich der NDWI gebildet. Da dieser nicht nur dunkle Seeflächen,

sondern auch dunkle Schattenbereiche klassifiziert, wurde dieser Effekt über die Einbeziehung

der Neigungsinformation eingedämmt. Der Workflow zur Klassifizierung inklusive Postprocessing

ist in Abbildung 3.6 schematisch dargestellt.

Abbildung 3.6: Workflow zur Klassifizierung von Landsat TM mit anschließendem Postprocessing

Terra ASTER Gjermundsen u. a. (2011) untersuchten verschiedene Methoden zur Klassifizie-

rung von Gletschern mit ASTER-Daten. Im Vergleich zur überwachten Klassifizierung und dem

NDSI erwies sich das Verhältnis zwischen Band 3/4 mit einem Grenzwert von 2,0 als geeignetster

Ansatz. Dieses Ergebnis deckt sich mit anderen Ergebnissen von Bolch u. a. (2007) und Kääb

u. a. (2002). Daneben wird die Bandkombination 2/4 empfohlen (Barry u. a., 2010), wobei in jeden

Fall die Auflösung von Band 4 auf 15 m resampelt werden muss. Alle Methoden weisen Probleme

bei der Klassifizierung von debrisbedeckten Gletschern auf. In der vorliegenden Arbeit wurde die

Kanalkombination 3/4 gewählt, wobei der Grenzwert individuell angepasst wurde.

RapidEye Ziele der RapidEye-Mission sind eine hohe räumliche Auflösung und eine spektrale

Auflösung zur Detektierung von Vegetation, was mithilfe des Red-Edge Bandes sehr gut möglich

ist. Für die Klassifizierung von Gletschern ist allerdings ein Band im SWIR sehr hilfreich, da es hier

zu einer Umkehr des Reflexionsverhaltens kommt. Während Eis und vor allem Schnee eine sehr

hohe Reflexion im sichtbaren Bereich aufweisen, absorbiert Gletschereis kurzwellige Infrarotstrah-

lung fast vollständig (Pellikka u. Rees, 2010). Eine automatische Klassifizierung von Gletschern

51


Abbildung 3.7: Workflow zur Klassifizierung von RapidEye mit anschließendem Postprocessing

ohne spektrale Informationen im SWIR-Bereich ist daher limitiert. Abbildung 3.8 veranschaulicht

die spektralen Eigenschaften von RapidEye im Vergleich zu Landsat TM. Die oftmals fehlende

Abdeckung des SWIR-Bereiches räumlich sehr hochauflösender Daten wurde auch von Paul u. a.

(2013) thematisiert. Eine Möglichkeit stellt der automatische Klassifizierungsansatz von Svoboda

u. Paul (2009) dar, welcher ursprünglich für Landsat MSS-Daten entwickelt wurde. Aufgrund der

ähnlichen spektralen Eigenschaften wurde dieser Ansatz in modifizierter Form verwendet (siehe

Abbildung 3.7).

Landsat TM, 2011 (5-4-3) Landsat TM, 2011 (3-3-3) Landsat TM, 2011 (5-5-5)

RapidEye, 2011 (5-4-3) RapidEye, 2011 (3-3-3) RapidEye, 2011 (5-5-5)Sensor, Aufnahmejahr (Kanalkombination) ±0 1 20,5 km

Abbildung 3.8: Vergleich der spektralen Eigenschaften von Landsat TM (oben) und RapidEye (unten)in Hinblick auf die Klassifizierung von Gletschern

52


3.3.4 Postprocessing der Klassifizierung

Das Klassifizierungsergebnis kann mit geeigneten Filtern verbessert werden. Einzelpixel außer-

halb von Gletschern (üblicherweise Schneefelder) können somit entfernt, aber auch Fehlpixel in

Gletschern (z. B. durch Debris) geschlossen werden. Hierbei kommt häufig der 3x3 Medianfilter

zum Einsatz (Paul u. a., 2002; Svoboda u. Paul, 2009; Racoviteanu u. a., 2009). Der gewonnene

Rasterdatensatz kann nun in ein Vektorformat umgewandelt werden. Hier kann die gewünschte

minimale Gletschergröße festgelegt werden. Üblicherweise wird unter Verwendung von Landsat

TM/ETM+ oder ASTER ein Grenzwert von 0,01 km2 (entspricht ca. neun Pixel bei Landsat TM)

empfohlen (Racoviteanu u. a., 2009). Kleinere Gletscher können aufgrund der begrenzten Pixel-

größe nur ungenau kartiert werden. Wird ein höherer Grenzwert gewählt, bleibt eine Vielzahl von

Gletschern unberücksichtigt. Beispielsweise sind 59 % aller Gletscher in Tirol kleiner als 1 km2

(Paul, 2002). Ein weiterer Aspekt ist die Beobachtung eines schnelleren Gletscherrückganges

bei kleinen Gletschern, wie Paul (2002) für die österreichischen Alpen darlegte. Da allerdings

Landsat MSS-Daten benutzt wurden und das verwendete Modell zur Abschätzung des Gletscher-

volumens nur mit Gletscherflächen > 0,1 km2 arbeitet, wurde für alle Datensätze dieser Grenzwert

berücksichtigt.

Um Gletscher hydrologisch abzugrenzen, wurde ein auf Bolch u. a. (2010) basierender Ansatz

verwendet (siehe Abbildung 3.9). Dazu wurde ein Buffer um jedes Gletscherpolygon erstellt und

damit das SRTM ausgeschnitten. Mithilfe der Arc Hydro Tools wurde aus dem extrahierten DGM

das Einzugsgebiet des Gunts berechnet. Ungenauigkeiten infolge von falschen Höhenwerten

des DGMs mussten anschließend manuell korrigiert werden. Dies erfolgte auf Grundlage von

RapidEye-Daten. Die Gletscherpolygone wurden anschließend mit den Gletschereinzugsgebieten

verschnitten.

Abbildung 3.9: Workflow zur Erstellung der Gletscher-Einzugsgebiete, basierend auf Bolch u. a.(2010)

3.3.5 Abschätzung der Unsicherheiten der Ergebnisse

Informationen über die Genauigkeit der aus Fernerkundungsdaten abgeleiteten Gletschergrößen

sind von enormer Wichtigkeit, stellen jedoch eine große Herausforderung dar. Hochgenaue Refe-

renzdaten sind selten verfügbar. Bei einem Vergleich zwischen Referenz und dem Ergebnis nach

einer manuellen Korrektur würde vielmehr die Genauigkeit des Bearbeiters als die des Algorith-

mus bewertet werden. Nach den Empfehlungen der UN sind für die Validierung der Ergebnisse

hochauflösende Bilder (ca. 1 m) ausgewählter Standorte notwendig (Mason, 2007). Doch Satel-

litenbilder in dieser Auflösung sind bisher nur über kommerzielle Anbieter erhältlich und daher

mit hohen Kosten verbunden. Silverio u. Jaquet (2012) berechneten die Unsicherheit lediglich

53


auf Grundlage der Pixelgröße der verwendeten Daten. Im Vergleich zwischen RapidEye- und

ASTER-Daten wird deutlich, dass neben der räumlichen auch die spektrale Auflösung eine wichti-

ge Rolle in Hinblick auf die Genauigkeit der Gletscherklassifikation spielt. Eine Abschätzung der

Unsicherheiten wurde daher nicht durchgeführt.

3.4 Erfassung der volumetrischen Gletscheränderung

Die Erfassung der flächenhaften Gletscheränderung ist zwar dank Satellitenmissionen wie Land-

sat TM und Terra ASTER trotz automatischer Klassifizierung mit einer verhältnismäßig hohen

Genauigkeit verbunden, doch besitzen Informationen zur Flächenänderung nur eine beschränkte

Aussagekraft. So sind gerade die Zungen debrisbedeckter Gletscher weniger durch horizontalen

Rückgang geprägt bzw. ist deren Änderung aufgrund der Bedeckung kaum erkennbar. Vielmehr

sind solche Gletscher durch vertikales Abschmelzen („downwasting“) gekennzeichnet (Kadota

u. a., 2000). Die z-Komponente spielt daher bei der Erfassung der Gletscheränderung eine sehr

wichtige Rolle.

Das Gletschervolumen ist nicht nur für die hydrologische Modellierung der wohl wichtigste Parame-

ter, sondern auch für viele andere Prognosen und Modellierungen wie die des Meeresspiegelan-

stieges oder der lokalen Wasserverfügbarkeit. Dabei spielt einerseits die Änderung des Volumens

und andererseits das gesamte vorhandene Eisvolumen eine wichtige Rolle. Beide Größen stel-

len jedoch eine große Herausforderung bei der Erhebung basierend auf Fernerkundungsdaten

dar bzw. sind mit enormen Arbeitsaufwand bei in-situ-Messungen verbunden. Folgende zwei

Methoden wurden verwendet und werden im entsprechenden Abschnitt näher vorgestellt:

1. Berechnung der Differenz zweier Geländemodelle zur Erfassung der Volumenänderung

2. Volume-Area-Scaling zur Abschätzung des vorhandenen Eisvolumens zu einem bestimm-

ten Zeitpunkt

Weitere Methoden, wie die Berechnung der Differenz zwischen SRTM und ICESat, werden in der

Literatur beschrieben (Kääb u. a., 2012a), in der vorliegenden Arbeit allerdings nicht verwendet.

3.4.1 Auswahl der Daten

Für die Erfassung der volumetrischen Änderung müssen die verwendeten Daten möglichst ge-

naue Höheninformationen enthalten. Daher wurde der Evaluierung der Geländemodelle und

Kartengrundlagen in Kapitel 3.2 große Aufmerksamkeit geschenkt. Neben flächendeckenden Ge-

ländemodellen stellen ICESat-Daten eine wichtige Ergänzung dar. Diese Laserscan-Daten bieten

die höchste vertikale Genauigkeit unter den verfügbaren Datensätzen. Daneben sind optische

Stereodaten wie Corona und ASTER eine weitere Datenquelle, aus denen sich Höheninformatio-

nen gewinnen lassen. Für diese Stereodaten sind die Auswahlkriterien analog zu denen in Kapitel

3.3.1.

54


3.4.2 Preprocessing

3.4.2.1 Preprocessing ICESat-Daten

ICESat-Daten können kostenfrei über das NSIDC bezogen werden. Das Datenprodukt GLA14

liegt im binären Format vor. Für die Umwandlung in das ASCII-Format stellt ebenfalls das NSIDC

verschiedene Tools bereit. Mit NSIDC GLAS Altimetry elevation extractor Tool (NGAT) werden

folgende Informationen zur Lage und Höhe extrahiert:

• Record Number: Spezifische ID

• Date: Datum der Aufnahme

• Time: Zeitpunkt der Aufnahme

• Latitude: geographische Breite (in Grad)

• Longitude: geographische Länge (in Grad)

• Elevation: Höhe der Erdoberfläche nach Korrektur des Instrumentes, der Atmosphäre und

des Gezeiteneinflusses

• Geoid: Die Höhe des Geoides über dem Ellipsoid

• Delta Ellipsoid: Höhe (T/P Ellipsoid) - Höhe (WGS84 Ellipsoid)5

Höhenangaben können entweder auf das Geoid (orthometrische Höhe H) oder auf das Refe-

renzellipsoid (ellipsoidische Höhe h) bezogen sein (Abbildung 3.10). Die Abweichung zwischen

beiden wird als Geoidundulation N bezeichnet. Da im Fall von ICESat die Höhe über dem Ellipsoid

gemessen wird, muss die Differenz zum Geoid berücksichtigt werden. Da diese Differenz N, wie

in Abbildung 3.10 dargestellt, an jedem Punkt unterschiedlich ist, muss sie für jeden ICESat-Punkt

berechnet werden. Dafür wurde das Tool „EGM2008 Harmonic Synthesis Program“ von Pavlis

u. a. (2008) verwendet, welches über die National Geospatial Intelligence-Agency (NGA)6 frei

beziehbar ist.

3.4.2.2 Preprocessing SRTM-Daten

Transformation Alle Datensätze wurden in die UTM Projektion Zone 43N transformiert. Das

horizontale Datum ist WGS84, das vertikale Datum EGM96.

5Das Referenzellipsoid ist TOPEX/Poseidon und muss daher in das WGS84 Ellipsoid umgerechnet werden. Die verti-kale Abweichung wird unter Delta Ellipsoid angegeben und beträgt 0,705 m. Die dadurch entstehende horizontaleVerschiebung liegt unter einem Meter und ist daher vernachlässigbar.

6www.earth-info.nga.mil/GandG/wgs84/gravitymod/egm2008/egm08_wgs84.html7www.esri.com/news/arcuser/0703/geoid1of3.html

55

www.earth-info.nga.mil/GandG/wgs84/gravitymod/egm2008/egm08_wgs84.html

www.esri.com/news/arcuser/0703/geoid1of3.html


Abbildung 3.10: Höhendifferenzen zwischen Geländeoberfläche, Geoid und Ellipsoid, Quelle: ESRI7

Resampling Der SRTM3-Datensatz der NASA wurde unter Verwendung der mittleren Zelle ei-

nes 3x3-Rasters des SRTM-1 berechnet. Zur Verbesserung der Auflösung kann daher aus dem

90 m-DGM ein 30 m-DGM rekonstruiert werden. In der Studie von Keeratikasikorn u. Trisirisata-

yawong (2008) wurde eine minimale Abweichung zwischen dem auf 30 m interpolierten SRTM3

und dem Original SRTM1 nachgewiesen. Dabei wurde eine bikubische polynomiale Interpolation

verwendet. Dieser Ansatz wurde in der vorliegenden Arbeit übernommen. Zwar entspricht eine

Bogensekunde im Bereich von Tadschikistan nur 28,3 m, doch ist die Zellgröße von Landsat TM

ebenfalls 30 m.

3.4.3 Erstellung von Geländemodellen (mittels Stereophotogrammetrie)

Zur Erstellung von Geländemodellen dienen Methoden der Photogrammetrie, der Interferometrie

und das Laserscanning. Auf die zwei erstgenannten Methoden stützen sich die verwendeten

Geländemodelle, wobei keine Prozessierung von RADAR-Daten vorgenommen wurde, sondern

fertige Produkte verwendet wurden. Im Folgenden soll daher auf die photogrammetrische Aus-

wertung von Stereo-Satellitenbildern eingegangen werden.

Basierend auf den xy-Koordinaten zweier Bilder können mithilfe der Triangulation die 3D-

Koordinaten eines Punktes berechnet werden. Somit können aus zwei sich überlappenden

Bildern metrische Informationen im 3D-Raum extrahiert werden. Voraussetzungen dafür sind,

neben den entsprechenden Bilddaten mit möglichst unterschiedlichem Blickwinkel (z. B. Coro-

na KH-4B, ASTER), ein ausreichender Kontrast und Referenzpunkte mit xyz-Koordinaten. Auf

kontrastarmen Schneeflächen ist folglich nahezu keine photogrammetrische Auswertung mög-

lich. Daher bieten sich im Bereich glaziologischer Fragestellungen vor allem debrisbedeckte

Gletscherzungen an. Da die größten Volumenänderungen bei Talgletschern im Bereich der

Zunge stattfinden, ist diese Einschränkung nur von untergeordneter Bedeutung, vorausgesetzt

die verwendeten Bilddaten sind am Ende der Ablationsperiode bei geringer Schneebedeckung

aufgenommen (Bolch u. a., 2008).

56


Abbildung 3.11: Zwei Corona-Bildstreifen und der betrachtete Ausschnitt (rot umrandet)

Corona Laut den Ausführungen von Bolch u. a. (2008), ist die Berechnung von Geländemodel-

len aus Corona KH-4 Stereodaten infolge vielfältiger Probleme eine komplexe und zeitintensive

Arbeit. Aufgrund dieser einmaligen Datengrundlage in Hinblick auf Auflösung (∼2 m) und Aufnah-

mezeitpunkt (1968) und der Verwendbarkeit sowohl für die planimetrische als auch volumetrische

Auswertung, wurde dennoch der Versuch unternommen, die Bilder auszuwerten. Die zentralen

Herausforderungen sollen inklusive Lösungsansatz im Folgenden näher betrachtet werden.

Bildlänge Da die Länge der Negative 76 cm beträgt, sind die Diastreifen zu lang, um kom-

plett eingescannt zu werden (Hamandawana u. a., 2007). Daher werden vier einzelne Teile

mit einer kleinen Überlappung gescannt. Für die digitale Weiterverarbeitung, insbesondere der

Georeferenzierung, bietet es sich an, die Bildteile zusammenzusetzen. Dies wurde mit dem Bild-

bearbeitungsprogramm Photoshop 12.1 durchgeführt. Die einzelnen Tiff-Dateien wurden mit dem

Tool Photomerge repositioniert. Bei dieser Funktion werden die Bilder lediglich verschoben, ohne

die Pixelwerte zu verändern. Die visuelle Kontrolle zeigt ein pixelgenaues Ergebnis. Anschließend

wurde in Photoshop eine Belichtungskorrektur, insbesondere der hellen Bereiche, durchgeführt.

Geometrische Verzerrung und Georeferenzierung Infolge der Panoramaaufnahme entste-

hen nicht nur sehr lange Bildstreifen, sondern auch große Verzerrungen, welche zum Rand hin

zunehmen (siehe Abbildung 3.12). Um extreme Verzerrungen zu vermeiden, wurde daher nur ein

zentraler Bildausschnitt verwendet (siehe Abbildung 3.11).

Heutige Satelliten verfügen nicht nur über eine exakt kalibrierte Kamera, sondern auch über hoch-

genaue Lageinformationen des Sensors. Wie am Beispiel von RapidEye gezeigt, lässt sich somit

ohne jede Verwendung von Passpunkten eine Orthorektifizierung durchführen. Für Corona-Daten

stehen jedoch weder Informationen zur Kamerakalibrierung noch die Ephemeridendaten bereit.

Lediglich Angaben zur Brennweite f (609,602 mm), Flughöhe h (150 km), Stereowinkel (30°), Ab-

tastwinkel (70,16°) sind in der Literatur zu finden (Dashora u. a., 2007). Nach dem Strahlensatz

einer zentralperspektivischen Abbildung

Bodenelement (m) = h (m)/f (µm) ∗Bildelement (µm)

entspricht ein Pixel einem Bodenelement von 1,72 m, bei einer gegebenen Auflösung des Scan-

ners von 7 µm.

Die restlichen Parameter zur inneren und äußeren Orientierung müssen auf der Triangulation

basierend aus den GCPs abgeleitet werden. Eine ausreichende Anzahl gut verteilter Passpunkte

57


Simulation parameters Specification

Image coordinates of principal point (xp, yp) (0, 0) [mm]

Focal length (f) 300 [mm]

Initial scan angle (αto) 45 [deg.]

Scan rate -30[deg.sec.

]

Scan time 3 [sec.]Azimuth, pitch, and roll (θA, θP , θR) (0,0,0) [deg.]

Sensor position (Xo, Yo) (0, 0) [m]

Flight height (Zo) 4000 [m]

Flight distance (D) 600 [m]

Table 4.1: Panoramic camera specification for simulation

coordinates has a wave form which is a symmetric shape only with respect to the

diagonal directions.

−250 −200 −150 −100 −50 0 50 100 150 200 250−100

−80

−60

−40

−20

0

20

40

60

80

100

x Pan Coord. [mm]

y P

an C

oord

. [m

m]

Figure 4.1: Simulated panoramic image coordinates

55

Abbildung 3.12: Simulation der Bildkoordinaten einer Panoramakamera, basierend auf Corona KH-4A, Quelle: Shin (2003)

mit einer möglichst hohen Genauigkeit ist daher notwendig. Jedoch ist die Vermessung von Pass-

punkten mittels DGPS gerade in peripheren Gebirgsregionen fast unmöglich. Häufig verwendete

Alternativen sind analoge Karten mit entsprechend hohem Maßstab (Bolch u. a., 2008; Narama

u. a., 2006), Google Earth (Bitelli u. Girelli, 2009; Casana u. Cothren, 2013) oder Satellitendaten

mit sehr hoher Auflösung wie ALOS PRISM (Lamsal u. a., 2011), oder SPOT (Casana u. Cothren,

2008).

Da der Aufnahmezeitpunkt der Corona-Bilder rund 40 Jahre älter ist als die Daten von Google

Earth oder anderen hochauflösenden Bildern wie RapidEye, ist das Auffinden von Passpunkten

jedoch deutlich erschwert. Gleiches gilt für eine automatische Koregistrierung. Weiterhin bietet

keine kommerzielle Software ein Kameramodell für Corona an. Lediglich die Remote Sensing soft-

ware package Graz (RSG) Software8 bietet eine verbesserte Möglichkeit zur Prozessierung von

Corona-Daten (Bolch u. a., 2008, 2011), ist jedoch aufgrund ihrer Komplexität nur mit einer kos-

tenpflichtigen Einschulung verfügbar (Raggam, 2012, schriftliche Mitteilung). Die Prozessierung

wurde daher mit Leica Photogrammetric Suite (LPS) von ERDAS Imagine 2013 durchgeführt.

Auf den Ergebnissen aus Kapitel 4.1.5 aufbauend, wurden orthorektifizierte RapidEye-Daten

als geometrische Referenzgrundlage verwendet. Insgesamt wurden für vier sich überlappende

Bildausschnitte 113 (56 Stereopunkte und 1 Einzelpunkt) Passpunkte manuell gesucht und 202

Tiepoints automatisch bestimmt.

Die gesamte Prozesskette zur Auswertung der Corona-Daten ist in Abbildung 3.13 dargestellt.

8http://dib.joanneum.at/rsg/

58

http://dib.joanneum.at/rsg/


Abbildung 3.13: Übersicht des Workflows zur Prozessierung der Corona-Daten

ASTER Der Alongtrack-Sensor von ASTER ist für die Erstellung von Geländemodellen aus-

gelegt. Trotz der komplexen Topographie von Hochgebirgen konnten Kääb u. a. (2002) einen

RMS-Fehler von 60 m erreichen, für ebene Oberflächen wurde eine Genauigkeit von 15 m er-

wartet. Sowohl Level 1A- als auch 1B-Daten können für die photogrammetrische Auswertung

verwendet werden. In der vorliegenden Arbeit wurden für die DGM-Berechnung von zwei Kacheln

jeweils 25–40 GCPs, basierend auf RapidEye und SRTM-Viewfinder, verwendet. Die Prozessie-

rung wurde mithilfe von Geomatica 2013 durchgeführt. Das Ergebnis wurde mit dem DGM des

14DMO-Produktes verglichen.

3.4.4 Differenz zweier Geländemodelle

Entscheidende Voraussetzung für diese Methode ist, dass die Höhenänderung der Gletscher über

der vertikalen Genauigkeit der Geländemodelle liegt. Dies gilt insbesondere in Hinblick auf spezi-

fische Fehlerquellen im Gebirge. Daher müssen Geländemodelle mit bestmöglicher Genauigkeit

gewählt werden (siehe Kapitel 3.2.3) und mit ausreichend großer zeitlicher Differenz. Paul u. Hae-

berli (2008) zeigten für die Schweizer Alpen eine Höhenabnahme >80 m im Bereich tiefliegender

Gletscherzungen zwischen 1985 und 2000. Unter Verwendung des Corona-Geländemodelles von

1968 und SRTM von 2000 kann daher eine Höhenänderung von bis zu 100 m erwartet werden,

was die vertikale Genauigkeit um ein Vielfaches übertreffen würde. Die Durchführung schien

daher sinnvoll und wurde in ähnlicher Art und Weise mehrfach in der Literatur beschrieben (Bolch

u. a., 2008, 2011; Pieczonka u. a., 2011). Eine Höhenänderung anhand von SRTM und ASTER ist

aufgrund des geringen Unterschiedes des Aufnahmezeitpunktes weniger vielversprechend und

daher in der Literatur auch kaum zu finden. Für Zeitdifferenzen <10 Jahren sind hochauflösendere

Stereodaten wie SPOT (Berthier u. a., 2007) oder ALOS PRISM (Hang Y., 2010) sinnvoller.

3.4.5 Eisdicken-Modellierung

Informationen über die Topographie von Gletscherbetten sind nur punktuell unter hohem Arbeits-

aufwand mittels GPR-Messungen möglich, welche wiederum inter-und extrapoliert werden müs-

sen. Da Gletscher gleicher Größe aufgrund unterschiedlicher Neigung auch unterschiedliche

Volumina haben, ist die Abschätzung des Volumens von großer Bedeutung für die hydrologi-

sche Modellierung. Die Diskrepanz zwischen der Notwendigkeit über Informationen zu globalen

Eisvolumen einerseits und dem enormen Arbeitsaufwand zur Erhebung von Daten zur Eismäch-

tigkeit andererseits, hat den Wunsch nach einer geeigneten Modellierung gestärkt. Mehrere ver-

schiedene Ansätze zur Abschätzung der Eisdickenverteilung haben sich in den letzten Jahren

durchgesetzt:

59


• Volume-Area-Scaling (Bahr u. a., 1997)

• neigungsabhängige Eisdickenverteilung (Haeberli u. Hoelzle M., 1995)

• physikalisch basierte Modelle (Linsbauer u. a., 2012; Farinotti u. a., 2009b)

• künstliche neuronale Netze (Clarke u. a., 2009)

In der vorliegenden Arbeit wurde die von Frey u. a. (2013) überarbeitete Version des Models Gla-

cier bed Topography (GlabTop) verwendet, welche auf dem Ansatz von Paul u. Linsbauer (2012)

basiert. Es handelt sich dabei um ein rasterbasiertes GIS-Modell, welches zur Modellierung der

Topographie von Gletscherbetten auf regionaler Ebene geeignet ist. Das physikalische Prinzip die-

ses Modells basiert auf der Studie von Haeberli u. Hoelzle M. (1995) und der Arbeit von Paterson

(1994), welche besagt, dass die Gletscherdicke bei konstanter Schubspannung hauptsächlich

neigungsabhängig ist. Damit gilt für die Gletscherhöhe h folgende Gleichung:

h = τ/ρ ∗ g ∗ f ∗ sinα

Dabei steht ρ für die Eisdichte, welche mit 900 kg/m3 angenommen wird, g ist die Erdbeschleu-

nigung (9,81 m/s2) und f der Formfaktor (0,8), welcher für alle Gletscher als konstant betrachtet

wird. Dieser beschreibt die Gletscherbreite und Dicke, welche wiederum relevant für die Reibung

am Gletscherrand ist (Paterson, 1994). Die basale Schubspannung τ kann wahlweise für alle

Gletscher als konstant angegeben werden, oder der Studie von Haeberli u. Hoelzle M. (1995)

folgend, für jeden Gletscher einzeln aus seiner Höhenerstreckung H nach folgender Gleichung

abgeleitet werden:

τ = 0, 005 + 1, 598 ∆H − 0, 435∆H2

Allerdings ist die Festlegung einer maximalen Scherspannung von 150 kPa sinnvoll (Paul u. Lins-

bauer, 2012). Weiterhin ist das Modell nur für Gletscher >0,1 km2 geeignet. Während das Modell

GlabTop von Linsbauer u. a. (2012) noch Fließlinien als Input benötigte, welche zeitaufwendig

digitalisiert werden mussten, wurde das Modell nun als vollautomatische Version weiterentwickelt

(Frey u. a., 2013). Als einzige Inputdaten sind nun ein DGM und die Gletschergrenzen notwendig.

Für zufällig ausgewählte Punkte wird die Eishöhe modelliert und diese anschließend mittels

Inverse Distance Weighting (IDW) interpoliert.

Da zur Kalibrierung Eisdickenmessungen notwendig wären, welche allerdings für das EZG nicht

vorliegen, konnte lediglich eine Validierung der Modellergebnisse vorgenommen werden. Dazu

wurde das modellierte Volumen ausgewählter Gletscher im EZG mit dem Volumen vermessener

Gletscher anderer Gebiete bzw. mit kalibrierten Modellergebnissen verglichen (siehe Tabelle 3.4).

Sowohl bei der Bildung der Differenz zweier Geländemodelle als auch bei GlabTop werden Hö-

heninformationen abgeleitet. Werden diese mit der Gletscherfläche multipliziert, resultiert daraus

das Gletschervolumen. Für die Umrechnung in das Wasseräquivalent muss das Volumen mit der

Dichte von Eis multipliziert werden. Analog zu der Studie von Paul u. Haeberli (2008) wurde eine

einheitliche Dichte von 0,9 kg/m3 angenommen. Zur Berechnung der spezifischen Massenbilanz

muss die Gesamtbilanz durch die Gesamtfläche dividiert werden.

60

3.5 Auswertung der hydrometrischen und meteorologischen Daten

Tabelle 3.4: Übersicht über ausgewählte Gletschervolumen basierend auf GPR-Messungen undkalibrierten Modellergebnissen sowie eigene Ergebnisse

Gletscher/Gebiet Landf Flächein km2

Volumen inkm3

Jahr Quelle

Hallstädter Gletscher A 3,04 0,148 2007 Helfricht (2009)Austre Lovenbree N 4,6 0,35 2010 Saintenoy u. a. (2013)Gunt TJ 4,73 0,33 2011 eigene ErgebnisseGriesgletscher CH 4,97 0,34±0,11 2007 Farinotti u. a. (2009a)1

Zinalgletscher CH 13,41 0,89±0,15 2006 Farinotti u. a. (2009a)1

Rhonegletscher CH 15,94 2,11±0,38 2007 Farinotti u. a. (2009a)1

Gunt TJ 16,21 2,24 2011 eigene ErgebnisseMorteratsch CH 16,58 1,25±0,32 1991 Farinotti u. a. (2009a)1

Pasterze A 17,3 1,7 2006 Lieb u. Slupetzky (2011)Gunt TJ 19,09 2,705 2011 eigene ErgebnisseUnteraargletscher CH 22,71 3,75±0,87 2003 Farinotti u. a. (2009a)1

Terskey Alatau KS 52,2 2,8 2007 Hagg u. a. (2012)1

Pathkur TJ 55,51 3,9 2011 eigene ErgebnisseNaryn KS 470,6 33,3 2007 Hagg u. a. (2012)1

Gunt TJ 707,15 49,93 1998 eigene Ergebnisse∑62 Gletscher CH 724,03 65,48±7,32 – Farinotti u. a. (2009a)2

3.5 Auswertung der hydrometrischen und meteorologischen Daten

Alle Klimadaten wurden mit der Statistiksoftware R (R Core Team, 2012) und entsprechenden

Paketen ausgewertet.

3.5.1 Abfluss

Zur Auswertung der Tagesabflusswerte wurde eine Komponentenzerlegung durchgeführt. Dazu

wurde eine Zeitreihe erstellt, fehlende Daten linear interpoliert und anschließend mit ‚stl‘ in R

ausgewertet. Die Zeitreihe wird dabei in Saison-, Trend- und Restkomponente zerlegt. So kön-

nen neben den temperatur- und niederschlagsbedingten saisonalen Schwankungen langfristige

Trends erkannt werden.

3.5.2 Niederschlag und Temperatur

Für die Erstellung der Klimadiagramme in Abbildung 1.5 und Abbildung A.1 wurden sowohl Tages-

werte von Hydromet (2012) als auch aufbereitete Monatsmittel vom NSIDC verwendet. Für die

Tagestemperaturwerte wurden alle Ausreißer entfernt bzw. korrigiert, lückenhafte Daten (<15 Ta-

ge) interpoliert und anschließend Monatsmittelwerte berechnet. Die Niederschlagswerte wurden

entsprechend aufsummiert. Mithilfe des Paketes ‚climatol‘ wurden die Klimadiagramme geplottet.

1Modellergebnisse, Kalibrierung mittels GPR-Messungen durchgeführt.2Teilweise Modellergebnisse, Kalibrierung mittels GPR-Messungen durchgeführt.

61


Die Temperatur- und Niederschlagstrends für Khorog in Abbildung 4.18 wurden analog zur Be-

rechnung des Abflusstrends durchgeführt.

3.5.3 Seefläche und -spiegel

Seen besitzen einen wesentliche Puffer- und Speicherfunktion. Eine Erfassung der Veränderung

dieser Komponente ist wichtig für die spätere hydrologische Modellierung. Gerade in Zentralasien

ist die Entstehung von proglazialen Seen durch den Rückgang von Gletschern ein typischer Effekt

(Ageta u. a., 2000).

Zur Untersuchung der Seefläche wurden alle Wasserflächen in Landsat TM (1998 und 2011) mit

der in Kapitel 3.3.3.5 beschriebenen Methode klassifiziert. Anschließend wurden alle proglazialen

Seen manuell ausgewählt, um deren Änderung separat betrachten zu können.

Die Erfassung des Seespiegels mithilfe von ICESat-Daten wurde bereits mehrfach beschrieben

(Zhang u. a., 2011; Wang u. a., 2013). Jedoch besitzt nur ein See im Untersuchungsgebiet eine

ausreichende Größe, um genügend ICESat-Punkte zu erhalten. Dieser See wurde jedoch ab

2005 künstlich reguliert. Daher wurde keine Untersuchung des Seespiegels durchgeführt.

62

4 Ergebnisse


4.1.1 Genauigkeit der Generalstabskarte in Hinblick auf Gletschergrenzen undIsohypsen

Die Überprüfung der Generalstabskarte erfolgte unter den Aspekten Gletschergrenzen und Iso-

hypsen. Zur Beurteilung von ersterem diente ein visueller Vergleich der Generalstabskarte mit der

OeAV-Karte aus dem Jahr 1970 als Referenz. Ein deutliches Beispiel einer sehr unwahrscheinli-

chen Gletscherausdehnung zeigt Abbildung 4.1. Beide Gletscherzungen der Generalstabskarte,

deren Datum mit 1981 angegeben ist, übertreffen die Zungen in der Alpenvereinskarte um meh-

rere Kilometer. Da in der OeAV-Karte Hochweiden und Felder in dem Bereich eingezeichnet sind,

wo sich Gletscher in der Generalstabskarte befinden, kann vermutet werden, dass entweder die

Datengrundlage der sowjetischen Karte deutlich älter oder die Kartierung sehr ungenau ist. Beide

Fälle sprechen nicht für die Verwendung der Daten in Hinblick auf flächenhafte Gletscherände-

rung.

Da die Generalstabskarte in der Arbeit von Ender (2011) als Grundlage für ein DGM genutzt

wurde, sollte auch diese Möglichkeit überprüft werden. Doch beide Kartengrundlagen zeigen im

Vergleich mit den SRTM-Daten eine Standardabweichung (STD) von ca. 60 Höhenmeter auf

(siehe Abbildung 4.2). Damit wäre selbst die verhältnismäßig exakt kartierte Alpenvereinskarte

nicht verwendbar. Die Höheninformationen der sowjetischen Generalstabskarte werden daher

nicht berücksichtigt.

4.1.2 Genauigkeit der bestehenden Gletscherinventare

Da die Gletscherinventare von GLIMS und RGI aus im Kapitel 3.2.2 genannten Gründen nicht

verwendet werden, wird an dieser Stelle lediglich auf das WGI eingegangen. Aus der Summe der

angegebenen Gletscherfläche aller Punkte im Untersuchungsgebiet ergibt sich für den Zeitraum

von ca. 1960–1970 eine Gesamtfläche von 613,59 km2. Dem gegenüber steht eine Gletscherflä-

che von 877,84 km2 im Jahr 1977, basierend auf Daten von Landsat MSS. Aufgrund dieser großen

Diskrepanz wurden die Flächeninformationen des WGI nicht berücksichtigt. Andere Parameter,

wie die Debrisbedeckung, wurden hingegen für die Beschreibung des Untersuchungsgebietes

genutzt.

63

4 Ergebnisse

kk

kk0 1 20,5 km ±Hoher Hindukush, Koh-e-Keshnikhan

1970, 1 : 25 000Sowj. Generalstabskarte1981, 1 : 50 000

Abbildung 4.1: Vergleich der Gletschergrenzen der topographischen Karte vom OeAV (Hoher Hindu-kush, Koh-e-Keshnikhan, links) und der Generalstabskarte (rechts). Das Ende der Gletscherzungeist jeweils mit einem schwarzen Pfeil markiert.

OeAV

Höhendifferenz in m

Anz

ahl V

ergl

eich

spun

kte

−200 −100 0 100 200

010

2030

4050

60

Mittelwert = −4.8

Median = 1.4

STD = 56

Generalstabskarte

Höhendifferenz in m

Anz

ahl V

ergl

eich

spun

kte

−200 −100 0 100 200

010

2030

4050

60

Mittelwert = −3

Median = −17.8

STD = 60

Differenz zwischen SRTM und Karte

Abbildung 4.2: Höhendifferenz zwischen SRTM-Geländemodell und Höhenmodell aus digitalisiertenIsohypsen der Kartengrundlage basierend auf 200 Vergleichspunkten außerhalb der Gletscher derOeAV-Karte

64


4.1.3 Vergleich der vertikalen Genauigkeit verschiedener Geländemodelle

Der Vergleich der Geländemodelle zeigt einen deutlichen Unterschied bei der vertikalen Genau-

igkeit (siehe Abbildung 4.3). So ist zwar der Mittelwert des häufig verwendeten SRTM3v4.1 und

des ASTER GDEM mit jeweils 0,5 am geringsten, doch zeigen beide Höhenmodelle eine sehr

hohe STD von 20,5 m bzw. 12,8 m. Im Vergleich dazu liegt das SRTM-Viewfinder-DGM mit ei-

ner STD von 7,5 m noch unter der des lückenhaften SRTM-X-Datensatzes. Sowohl Boxplot als

auch Histogramm zeigen damit einen signifikanten Unterschied in der Qualität der Geländemo-

delle im Bereich des Untersuchungsgebietes. Da sowohl für die Orthorektifizierung als auch für

die Berechnung des Volumens ein lückenloses DGM notwendig ist, wurde, soweit nicht anders

angegeben, der SRTM-Viewfinder-Datensatz verwendet.

SRTM_X SRTM_Gaps SRTM_Viewfinder SRTM_v4.1 ASTER_GDEM

−40

−20

020

40

Differenz zwischen Geländemodell und ICESat (± 50 m)

Datengrundlage des Geländemodelles

Höh

endi

ffere

nz in

m

Abbildung 4.3: Differenz zwischen den Höhenwerten verschiedener Geländemodelle und ICESat-Daten (max. Abweichung ±50 m). Boxplot mit 50 % Interquartilsabstand (IQR), Whisker bei max.1,5 x IQR

Eine visuelle Kontrolle der Profillinien von SRTM und ICESat zeigt eine sehr gute Übereinstim-

mung der Höhenwerte, sowohl in steilen Hanglagen als auch in Kammbereichen (siehe Abbildung

4.4). Die Evaluierung der Höhengenauigkeit von Rasterdaten mittels laserscanbasierten Punktda-

ten schien daher als geeignet.

65

4 Ergebnisse

Entfernung in km

Höh

e in

m a

.s.l.

0 20 40 60 80

3000

3500

4000

4500

5000

5500

6000

Vergleich eines Höhenprofils basierend auf SRTM und ICESat

Entfernung in km

Höh

e in

m a

.s.l.

ICESat

SRTM

Abbildung 4.4: Vergleich einer Profillinie von SRTM-Viewfinder und ICESat

4.1.4 Postprocessing der GPS-Punkte

Die Ergebnisse der differenziellen Korrektur waren trotz einer langen Baseline von >400 km den-

noch ausreichend genau. Von insgesamt 53 erhobenen Passpunkten beträgt der Mittelwert der

vertikalen Präzision 0,71 m und 0,57 m für die horizontale Präzision. Tabelle 4.1 bietet eine Über-

sicht über die Ergebnisse der Differenzialkorrektur aller Punkte, inklusive der getrackten Wegpunk-

te.

Tabelle 4.1: Übersicht über Ergebnisse der Differenzialkorrektur mittels Pathfinder Office für dieverwendeten GPS-Geräte GeoXT und GeoXH

Bereich in cm Genauigkeit GeoXT (Anteil in %) Genauigkeit GeoXH (Anteil in %)

0–5 - -5–15 - -15–30 - 1,6030–50 18,93 19,5650–100 42,18 21,39100–200 32,38 18,85200–500 6,32 25,70

>500 0,19 12,91

Punkte 31606 17084

66


4.1.5 Geometrische Referenz - Vergleich von Google Earth und RapidEye

Wie bereits in Kapitel 3.2.5 erwähnt, ist eine möglichst exakte geometrische Referenz ent-

scheidend für die Ergebnisse der Orthorektifizierung und photogrammetrischen Auswertung der

Stereodaten. Im Vorfeld wurde die geometrische Korrektur der RapidEye-Daten mit und ohne

Passpunkten überprüft. Die Ergebnisse in Tabelle 4.2 zeigen im Vergleich zur Studie von Cheng

u. Sustera (2009) eine deutlich höhere geometrische Abweichung ohne Passpunkte. Unter Ver-

wendung von GCPs konnte jedoch eine Genauigkeit im Subpixelbereich erzielt werden.

Tabelle 4.2: RMS-Fehler der geometrischen Korrektur von RapidEye mittels RPC-Modell mit undohne Passpunkten unter Verwendung von fünf Szenen und 13 GCPs

Orthorektifizierung X-RMS in m Y-RMS in m

ohne GCPs 22,62 17,55mit GCPs 3,80 5,38

Für den eigentlichen Vergleich wurde sowohl die horizontale als auch die vertikale Genauigkeit

von Google Earth und RapidEye/SRTM kontrolliert. Dazu wurde die Differenz zwischen DGPS-

Punkten (Genauigkeit <1 m) und der jeweiligen Datengrundlage berechnet. Die Mittelwerte des

Betrages der vertikalen und horizontalen Differenz für Google Earth und der orthorektifizierten

RapidEye-Bilder sind in Tabelle 4.3 dargestellt. Da in Google Earth sowohl SPOT- als auch

Geoeye-1-Daten vorlagen, konnten beide Satelliten getrennt voneinander betrachtet werden. Ein

deutlicher Unterschied der horizontalen Differenz zwischen SPOT (∼17 m) und Geoeye-1 (∼8 m)

wird sichtbar. Die horizontale Genauigkeit von Geoeye-1 liegt trotz der höheren Auflösung knapp

unter der von RapidEye.

Tabelle 4.3: Mittelwert des Betrages der horizontalen und vertikalen Differenz zwischen DGPS-Referenzpunkten und Google Earth (SPOT und Geoeye-1) bzw. RapidEye

Satellit Gebiet HorizontaleAbweichung in m

VertikaleAbweichung in m

Anzahl GCPs

SPOT Khorog 16,72 4,80 9Geoeye-1 Gunt 7,52 3,55 15RapidEye Gunt 6,50 2,66 14

Als Höhendaten wurde bei RapidEye auf SRTM-Viewfinder zurückgegriffen. Google Earth bietet

neben den Bildinformationen auch Höhenwerte zu jedem Punkt an, welche zum Großteil eben-

falls auf SRTM-Daten basieren. Die auf 30 m interpolierten SRTM-Viewfinder-Daten besitzen mit

2,66 m die geringste Abweichung. Die Unterschiede in der vertikalen Differenz resultieren teilwei-

se aus dem horizontalen Lagefehler.

Da die Verwendung von Google Earth als geometrische Referenz dennoch ein großes Potential

bietet, wurde die horizontale Abweichung näher betrachtet. Dazu wurde neben dem Abstand auch

der Winkel zwischen den Punktepaaren berechnet (Abbildung 4.5). Die Referenzpunkte wurden

bei SPOT lediglich im Gebiet Khorog gewählt, bei Geoeye-1 im gesamten Untersuchungsgebiet.

67

4 Ergebnisse

Aufgrund der kleinräumigen Betrachtung ist bei SPOT ein systematischer Lagefehler sichtbar.

Wird ein größerer Ausschnitt gewählt (Geoeye-1), so ergibt sich eine diffusere Streuung.

90°

180°

270°

0 5 10 15 20 m

DGPS vs. Google (SPOT, Gebiet Khorog)

90°

180°

270°

0 5 10 15 20 m

DGPS vs. Google (Geoeye, Gebiet Gunt)

Abbildung 4.5: Horizontaler Abstand und Winkel zwischen DGPS-Punkten und Google Earth; links:9 Punkte basierend auf SPOT-Daten innerhalb des Stadtgebietes von Khorog; rechts: 15 Punktebasierend auf Geoeye-1 im gesamten Einzugsgebiet des Gunts

4.2 Planimetrische Gletscheränderung

0 0,2 0,40,1 km

LegendeCorona KH-4B, 1968Landsat MSS, 1977Landsat TM, 1998ASTER, 2002ASTER, 2007Landsat TM, 2011RapidEye, 2011

±

RapidEye 2011Red: Band 5Green: Band 3Blue: Band 2

Projektion: UTM Zone 43 NEllipsoid: WGS84

Abbildung 4.6: Gletscherrückgang am Beispiel einer Gletscherzunge am Nordrand des EZG. Farbi-ge Linien stellen den Gletscherstand des jeweiligen Jahres dar.

68


4.2.1 Flächenänderung im EZG Gunt

Nach Erstellung der Gletscherpolygone für alle optischen Daten konnte die Änderung qualitativ

und quantitativ erfasst werden. Abbildung 4.6 zeigt den Gletscherrückgang von 1968 bis 2011.

Infolge des Rückganges um ca. 1 km, formte sich ein proglazialer See, was in mehreren Fällen

beobachtet werden konnte. Auf die Änderung der Seefläche wird in Kapitel 4.4.3 eingegangen.

Die ermittelte Gletscherfläche für das EZG des Gunts ist in Tabelle 4.4 dargestellt. Dabei wur-

de einerseits die Flächengröße für jeden Zeitschnitt angegeben und andererseits nach jedem

Bearbeitungsschritt. Die Größe nach der Klassifizierung bezieht sich auf das Ergebnis ohne Post-

processing. Bei der 3x3-Median-Filterung kam es in allen Fällen zu einer leichten Zunahme der

Gletscherfläche. Da bei der hydrologischen Abgrenzung die Gletscher unterteilt wurden, entstan-

den Polygone mit einer Fläche <0,1 km2, welche ausgeschlossen wurden. Folglich nahm die

Gletscherfläche bei diesem Prozessierungsschritt in allen Fällen geringfügig ab. Die Auswirkun-

gen der manuellen Korrektur lagen bei Landsat TM im Bereich weniger Quadratkilometer, was

hauptsächlich durch falsch klassifizierte Seen, Abschattungen oder Wolken verursacht wurde. Da-

hingegen ist die Flächenabnahme bei Landsat MSS mit über 100 km2 sehr hoch. Primär wurden

sensorbedingte Fehlerpixel als Gletscher klassifiziert, was in ArcGIS halbautomatisch korrigiert

wurde.

Tabelle 4.4: Gletscherfläche im EZG des Gunts nach jedem Prozessierungsschritt mit Angabenzum Aufnahmejahr und Sensor

Landsat-Datensatz 1977 (MSS) 1998 (TM) 2011 (TM)

nach Klassifizierung (in km2) 908,507 705,871 612,352nach Filterung (in km2) 937,613 710,491 615,132nach hydrologischer Abgrenzung (in km2) 935,901 704,735 611,353nach manueller Korrektur (in km2) 800,487 707,149 610,862

Anzahl der Gletscher 847 827 764

Zusätzlich wurde die Änderung der Gletscherfläche für den gesamten Betrachtungszeitraum und

die Zeiträume T1 (1977–1998) sowie T2 (1998–2011) berechnet (siehe Tabelle 4.5). Der Rück-

gang von 1977–2011 beträgt fast 190 km2, was einer jährlichen Abnahme von 5,6 km2 entspricht.

Werden die Zeiträume getrennt betrachtet, ergibt sich eine Beschleunigung des Gletscherrück-

ganges (siehe auch Abbildung 4.7).

Tabelle 4.5: Gesamter und jährlicher Rückgang der Gletscherfläche im EZG des Gunts

Datensatz 1977–1998 1998–2011 1977–2011

Rückgang gesamt in km2 93,338 96,287 189,620Rückgang gesamt in % 11,660 13,620 23,690ø Rückgang pro Jahr in km2 a−1 4,445 7,407 5,577ø Rückgang pro Jahr in % 0,555 1,047 0,697

69

4 Ergebnisse

4.2.2 Flächenänderung im TEZG Pathkurdara

Da eine flächendeckende Erfassung des Untersuchungsgebietes mit Corona- und ASTER-Daten

nicht möglich war, wurden diese Daten nur für das TEZG Pathkurdara herangezogen. Die gerin-

gere Flächengröße ermöglichte eine genauere manuelle Korrektur, die Erstellung einer dichteren

Zeitreihe und damit eine detailliertere Aussage über die zeitliche Veränderung des Gletscher-

rückganges (siehe Abbildung 4.7). Analog zum EZG Gunt findet auch im TEZG Pathkurdara

ein langsamerer Gletscherrückgang bis zum Jahr 2002 statt und verläuft dann bis 2012 deutlich

schneller.

1970 1980 1990 2000 2010

5560

6570

Gle

tsch

erflä

che

in k

m²

Gletscheränderung von 1968−2012

Pathkurdara

1970 1980 1990 2000 2010

650

700

750

800

Gle

tsch

erflä

che

in k

m²

Gunt

Abbildung 4.7: Veränderung der Gletscherfläche von 1968–2012 für das TEZG Pathkurdara (basie-rend auf Corona 1968, Landsat MSS 1977, Landsat TM 1998 und 2011, ASTER 2002 und 2007und RapidEye 2012) und das EZG Gunt (basierend auf Landsat MSS 1977 und Landsat TM 1998und 2011)

4.2.3 Betrachtung relevanter Gletscherparameter

Zum besseren Verständnis der Gletscher bzw. des Gletscherrückganges bietet es sich an, be-

stimmte Parameter näher zu beleuchten.

70


4.2.3.1 Größenverteilung

Das Histogramm in Abbildung 4.8 zeigt eine sehr hohe Anzahl von Gletschern <1 km2. Der

Flächenanteil dieser Gletscher liegt für das Jahr 2011 bei 35,1 %. Lediglich zwölf Gletscher sind

größer als 5 km2.

0

50

100

150

200

0 5 10 15 20Fläche in km²

Anz

ahl d

er G

lets

cher

Verteilung der Gletschergröße, basierend auf Landsat TM 2011

Abbildung 4.8: Histogramm zur Verteilung der Gletschergrößen, basierend auf den Ergebnissenvon Landsat TM aus dem Jahr 2011

4.2.3.2 Flächen-Höhenverteilung

In Abbildung 4.9 ist die Flächen-Höhenverteilung (Hypsographie) der Gletscher zum Zeitpunkt

1977 und 2011 dargestellt. Die weißen Balken entsprechen der Hypsographie für das Jahr

1977, die grauen Balken der von 2011. Deutlich sichtbar ist die maximale Flächenabnahme im

Bereich der mittleren Gletscherhöhe bei rund 5000 m. Mit zunehmender Höhe nimmt der pro-

zentuale Gletscherrückgang geringfügig ab. Dahingegen sind niedrig gelegene Gletscherflächen

anteilig stärker zurückgegangen. So liegt die prozentuale Abnahme auf einer Höhe zwischen

4000–4500 m bei 38,7 %, auf einer Höhe von 5500–6000 m nur noch bei 20,8 %. Die mittlere

Gletscherhöhe ist im Zeitraum 1977–2011 von 4912,43 m auf 4921,68 m angestiegen.

71

4 Ergebnisse

4000

4500

5000

5500

6000

6500

0 20 40 60Fläche in km²

Höh

enst

ufen

in m

a.s

.l.Änderung der Flächen−Höhenverteilung von 1977−2011

Abbildung 4.9: Veränderung der hypsographischen Verteilung der Gletscherfläche im EZG desGunts zwischen 1977 (weiß) und 2011 (grau), basierend auf Landsat und SRTM

4.2.3.3 Exposition

Ein weiterer interessanter Parameter ist die Exposition der Gletscher. Da die dominante Fließ-

richtung des Gunts von Ost nach West verläuft, können die orographisch links (recht) liegenden

TEZG als überwiegend nordexponiert (südexponiert) angesehen werden. Abbildung 4.10 verdeut-

licht die Exposition der Gletscher, unterteilt nach nord- und südexponiertem Hang, wobei hier auf

einen deutlichen Unterschied in der Strahlungsbilanz der Gletscher geschlossen werden kann.

Daraus resultiert eine differenzierte Hypsometrie beider Gebiete (siehe Abbildung 4.10 rechts).

Sowohl die Gesamtgröße als auch die vertikale Erstreckung der nordexponierten Gletscher ist

größer. Südexponierte Gletscher besitzen hingegen einen größeren Flächenanteil unterhalb von

4500 m. Mögliche Ursachen für dieses Verhalten sollen im Kapitel 5.2.1 diskutiert werden.

72

4.3 Volumetrische Gletscheränderung

Exposition der Gletscher

N

S

EW10 %

20 %30 %

40 %

NordhangSüdhang

Lage der Gletscher

(a)

4000

4500

5000

5500

6000

6500

0 10 20 30Flächedindkm²

Höhe

nstuf

endin

dmda.

s.l.

Hypsometriedinddendnord−dunddsüdexponiertendGebieten

(b)

Abbildung 4.10: a) Exposition der Gletscher im Untersuchungsgebiet und b) Flächen-Höhenverteilung der Gletscher. Beide sind untergliedert in orographisch rechte Seite/südexponiert(blau) und orographisch linke Seite/nordexponiert (rot).


4.3.1 Methodische Ergebnisse

4.3.1.1 Resampling SRTM

Da der SRTM-Datensatz wie in Kapitel 4.1.3 beschrieben, genaue Höheninformationen liefert,

jedoch außerhalb der USA nur in einer Auflösung von rund 90 m erhältlich ist, wurden die Daten

auf 30 m resampelt. Abbildung 4.11 zeigt die Hillshades des 90 m-SRTM3, des 30 m-SRTM3 und

des ASTER GDEM mit 28 m Auflösung. Ein Gewinn an Details durch die Interpolation ist deutlich

sichtbar.

±0 1 20,5 km

A B C

Abbildung 4.11: Ergebnis des Resampling im Vergleich mit ASTER GDEM, A Hillshade des SRTM3mit 90 m Auflösung, B Hillshade des interpolierten SRTM mit 30 m Auflösung, C Hillshade desASTER GDEM V2 mit 28 m Auflösung

73

4 Ergebnisse

4.3.1.2 Prozessierung von Corona

Aufgrund der komplexen Prozessierung der Corona-Daten sollen an dieser Stelle die Ergebnis-

se der photogrammetrischen Auswertung erwähnt werden. Die Triangulation ergab einen RMS-

Fehler von 4,26 m (RMSEX=2,68 m, RMSEY=4,12 m). Die Extraktion des Geländemodelles wur-

de mit den LPS-Modulen Automatic Terrain Extraction (ATE) und enhanced Automatic Terrain

Extraction (eATE) von ERDAS berechnet. In Tabelle 4.6 werden die Ergebnisse der photogram-

metrischen Auswertung mit denen anderer Studien verglichen.

Beim Vergleich der resultierenden Geländemodelle mit ICESat-Werten, ergibt sich für die Berech-

nung mit LPS ATE eine mittlere Abweichung von -16,2 m, für eATE -17,4 m (siehe Abbildung 4.12).

Dieser hohe Fehler deckt sich mit dem vertikalen RMSE von 19,28 m.

Tabelle 4.6: Ergebnisse der photogrammetrischen Auswertung von Corona im Vergleich mit anderenStudien, alle Angaben zum RMSE in Meter

Studie Corona-Mission RMSE-X RMSE-Y RMSE-Z RMSE GCP

vorliegende KH-4B 4,12 3,338 19,28 4,26 113Schneider u. a. (2001) KH-4B 27,6 19,7 14,2 16Narama u. a. (2006) KH-4B <30 >60Bitelli u. Girelli (2009) KH-4A <15 50Bolch u. a. (2008) KH-4 56,5 15 >100Lamsal u. a. (2011) KH-4A <2 151

Corona_ATE Corona_eATE SRTM_Viewfinder

−40

−20

020

40

Differenz zwischen Geländemodell und ICESat (± 50 m)

Datengrundlage des Geländemodelles

Höh

endi

ffere

nz in

m

Mittelwert = −16.2 Mittelwert = −17.4

Abbildung 4.12: Ergebnis der Evaluierung der vertikalen Genauigkeit von Corona mittels ICESat-Daten unter Verwendung von ERDAS ATE und ERDAS eATE. Boxplot mit 50 % Interquartilsabstand(IQR), Whisker bei max. 1,5 x IQR

1Statt der gesamten Szene wurden kleine Ausschnitte bearbeitet.

74


4.3.1.3 Prozessierung von ASTER

Für zwei Kacheln wurden Geländemodelle berechnet und anschließend mit denen im 14DMO-

Produkt enthaltenen DGMs verglichen. Die manuelle Bearbeitung erzielte keine nennenswerte

Verbesserung gegenüber der automatisch prozessierten Version.

4.3.2 Änderung des Gletschervolumens

4.3.2.1 Volumenänderung basierend auf Geländemodellen

Zur Berechnung des Gletschervolumens wurden das SRTM von dem erstellten Corona-DGM

subtrahiert (vgl. Abbildung 5.3). Die stärkste Höhenabnahme von über 100 m konnte im Bereich

der Zunge beobachtet werden. In kontrastarmen Gebieten wie Schnee und Schatten kommt zu

unplausiblen Höhenwerten. Durch den Effekt des Radar-Schattens entstehen zusätzliche Fehler

an Berghängen.

Da ein flächendeckendes Corona-DGM weder für das gesamte Untersuchungsgebiet noch für

das TEZG Pathkurdara berechnet werden konnte, wurden die Volumendaten für drei großen

Talgletscher im nördlichen Teil des EZG bestimmt und diese anschließend mit den Ergebnissen

von GlabTop verglichen (siehe Tabelle 4.7). Die Massenbilanz, basierend auf GlabTop, zeigt einen

deutlich geringeren Gletscherrückgang. Auf die Modellergebnisse von GlabTop wird im Folgenden

näher eingegangen.

Tabelle 4.7: Vergleich der Ergebnisse von der Volumenberechnung basierend auf Geländemodellen(1968–1999) und GlabTop (Zeitraum T1: 1977–1998, T2: 1988–2011)

Datensatz Corona-SRTM GlabTop T1 GlabTop T2

Volumenänderung in km3 -0,390 -0,09 -0,148spezifische MB (WE) in m a−1 -0,618 -0,340 -0,560

4.3.3 Volumenänderung basierend auf GlabTop

Um flächendeckende Informationen über die Volumenänderung zu erhalten, wurde eine Modellie-

rung des Gletscherbettes mittels GlabTop durchgeführt. In Abbildung 4.13 ist die Änderung der

Gletscherfläche und -volumen für das TEZG Pathkurdara dargestellt. Beide Parameter verhalten

sich sehr ähnlich zueinander.

Da Bohrungen oder GPR-Messungen auf Gletschern im Untersuchungsgebiet bisher nicht

durchgeführt wurden, konnte das Modell nicht kalibriert werden. Für eine Validierung wurden

Modellergebnisse aus den Schweizer Alpen von Farinotti u. a. (2009a) verwendet. Diese wurden

teilweise mit GPR-Messungen kalibriert. Im Vergleich mit den eigenen Modellergebnissen zeigt

sich eine gute Übereinstimmung (siehe Abbildung 4.14).

75

4 Ergebnisse

1970 1980 1990 2000 2010

5055

6065

70

Jahr

Gle

tsch

erflä

che

in k

m²

Gletscheränderung im Pathkur−Einzugsgebiet von 1968−2012

4.0

4.5

5.0

5.5

Gle

tsch

ervo

lum

en in

km

³

Fläche

Volumen

Abbildung 4.13: Volumetrische und planimetrische Gletscheränderung im Teileinzugsgebiet Pathkurzwischen 1977–2012

0 5 10 15 20

0.0

0.5

1.0

1.5

2.0

2.5

3.0

Gletschervolumen

Gletscherfläche in km²

Gle

tsch

ervo

lum

en in

km

³

Referenzmodellierung mit GPR−Messung

Referenzmodellierung ohne GPR−Messung

Modellierung EZG Gunt

Abbildung 4.14: Abhängigkeit des Gletschervolumens von der Gletscherfläche. Modellergebnissevon Farinotti u. a. (2009a) mit und ohne GPR-Messungen zur Kalibrierung (Schweizer Alpen) undeigene Modellergebnisse EZG Gunt. Lineare Regressionsgerade in entsprechender Farbe.

76


In Abbildung 4.15 ist die Abnahme der Gletscherfläche und des -volumens für das EZG des Gunts

dargestellt. Die Messergebnisse basierend auf Landsat wurden mithilfe des Paketes ‚forecast‘

in R linear bis zum Jahr 2100 extrapoliert. Das Gletschervolumen nahm von 56,5 km3 (1977)

auf 44,1 km3 (2011) ab, was einer Änderung von 22 % entspricht (0,65 % a−1). Die Änderung für

den Zeitraum von 1998–2011 liegt bei 12 % (0,90 % a−1). Bei Betrachtung der Extrapolation in

Abbildung 4.15, kann eine Differenz zwischen Fläche und Volumen festgestellt werden. Bereits

im Jahr 2100 ist die gesamte Gletscherfläche verschwunden. Für die Extrapolation des Gletscher-

volumens ergibt sich für das Jahr 2100 hingegen ein Volumen von ca. 5 km2.

Gletscheränderung im EZG des Gunts von 1977−2011 (Trend bis 2100)

Gle

tsch

erflä

che

in k

m²

1980 2000 2020 2040 2060 2080 2100

020

040

060

080

0

Gle

tsch

ervo

lum

en in

km

³

1980 2000 2020 2040 2060 2080 2100

010

2030

4050

60

Abbildung 4.15: Ergebnisse der planimetrischen und volumetrischen Gletscheränderung von 1977,1998 und 2011 basierend auf Landsat (rote Vierecke bzw. blaue Kreise). Messwerte linear in-terpoliert und Trend linear extrapoliert bis 2100. Konfidenzintervall mit Konfidenzniveau von 95 %(dunkelgrauer Bereich) und 80 % (hellgrauer Bereich).

In Tabelle 4.8 sind neben dem Gletschervolumen auch die Gesamtmasse, das Wasseräquivalent

und deren jährliche Änderungen sowie die spezifische Massenbilanz angegeben.

Ein weiterer Aspekt ist die räumliche Verteilung der Eisdicke bzw. der Höhenänderung, welche in

Abbildung 4.16 für einen ausgewählten Gletscher dargestellt ist. Die Höhenunterschied zwischen

Corona und SRTM zeigt eine Abnahme von bis zu 125 m im unteren Teil der Gletscherzunge.

Daneben sind maximale positive und negative Höhenänderungen im Akkumulationsbereich

sichtbar, welche jedoch auf Fehler bei der Stereoauswertung zurückzuführen sind. Das Ergebnis

der Eisdickenmodellierung zeigt die höchsten Eisdicken von bis zu 500 m im Akkumulationsgebiet

in Bereichen mit geringer Neigung, wobei die Verteilung sehr kleinräumig ist.

77

4 Ergebnisse

Abbildung 4.16: 3D-Visualisierung von Corona und RapidEye mit der Höhendifferenz zwischenSRTM und Corona-DEM bzw. dem Ergebnis der Eisdickenmodellierung

78

4.4 Zusammenhang zwischen Umweltparametern und Gletscherrückgang

Tabelle 4.8: Gesamtes Gletschervolumen und Gletschermasse zu drei Zeitpunkten. Volumen- bzw.Massenänderung (pro Jahr) für Zeitraum T1 (1977–1998) und T2 (1988–2011) für das EZG desGunts

Datensatz 1977 1998/T1 2011/T2

Volumen in km3 56,505 49,928 44,089Masse in Gt 50,855 44,935 39,681Volumenänderung in km3 a−1 – -0,313 -0,449Massenbilanz in Gt a−1 – -0,282 -0,404spezifische MB (WE) in m a−1 – -0,399 -0,662kumulative MB (WE) in m – -8,379 -8,606

4.4 Zusammenhang zwischen Umweltparametern und

Gletscherrückgang

Neben den Daten zum Gletscherrückgang sollen auch die Parameter beleuchtet werden, welche

auf Gletscher einwirken (Niederschlag und Temperatur) bzw. durch Gletscher beeinflusst werden

(Abfluss und Seefläche).

4.4.1 Niederschlag und Temperatur

In Abbildung 4.17 ist der zeitliche Verlauf der Temperaturanomalie von Tadschikistan und dem

globalen Mittel von 1880–2010 dargestellt. Die Werte von Tadschikistan beruhen auf 46 Stations-

daten, aufbereitet durch das NSIDC. GISTEMP wurde als globaler Datensatz gewählt. Für Tadschi-

kistan ist eine Abnahme der Temperaturkurve bis zur ersten Hälfe des 20. Jahrhunderts sichtbar,

welche jedoch in der zweiten Hälfte über das Ausgangsniveau ansteigt. Die GISTEMP-Kurve zeigt

hingegen einen fast konstanten Anstieg um 1 ◦C von 1880 bis heute. Trotz der Verwendung meh-

rerer Stationsdaten konnte kein geschlossener Temperaturdatensatz für Tadschikistan erzeugt

werden.

Ein ähnliches Verhalten zeigt der Temperaturtrend von der Station Khorog in Abbildung 4.18. Der

Temperaturtrend steigt von 1965–2010 ebenfalls um ca. 1 ◦C. Der zunehmende Temperaturan-

stieg ab ca. 1990 ist jedoch mit einem größeren Konfidenzintervall behaftet, da hier die Datenreihe

lückenhaft ist.

Die Veränderung des Niederschlages zeigt für die Station Khorog einen weniger ausgeprägten

Trend. Für den genannten Zeitraum ist eine gering signifikante Zunahme von rund 5 mm festzu-

stellen.

79

4 Ergebnisse

−A

N

A

2

−A

N

A

2

TadschikistanGISTEMP

A88N A92N A96N 2NNNJahre

Temp

eratur

anom

alie°i

n°°C

Temperaturanomalie°für°aB°Tadschikistan°und°bB°global°,GISTEMPB4Baseline:°A963−A984;°Datenquelle:°NSIDC°,46°StationenB4°NASA

Abbildung 4.17: Vergleich der Temperaturanomalie von Tadschikistan und dem globalen Mittel(GISTEMP) mit geglätteten Mittelwerten (blaue Linie) und 95 %-Konfidenzintervall (grauer Bereich)

4.4.2 Abfluss

Der in Abbildung 4.18 dargestellte Abflusstrend des Gunts korreliert sowohl mit der Temperatur

als auch mit dem Niederschlag. Während des Betrachtungszeitraumes nimmt der Abfluss um ca.

15 m3/s zu.

4.4.3 Seefläche

Die Änderung der Fläche aller proglazialen Seen im EZG hat von 1998–2011 um 20,16 % bzw.

0,23 km2 zugenommen. Die Anzahl der Seen ist dabei von 23 auf 27 gestiegen.

Tabelle 4.9: Änderung von Fläche und Anzahl der proglazialen Seen im EZG des Gunts zwischen1998–2011 basierend auf Landsat TM

Jahr Fläche in km2 Anzahl der Seen

1998 1,136 232011 1,365 27

80

4.4 Zusammenhang zwischen Umweltparametern und Gletscherrückgang

4.0

4.4

4.8

5.2

Gle

tsch

ervo

lum

en in

km

³

7

8

9

10

11

Tem

pera

tur

in °

C

10

20

30

40

50

Nie

ders

chla

g in

mm

80

100

120

140

160

1970 1980 1990 2000 2010Jahr

Abf

luss

in m

³/s

Abnahme des Gletschervolumenens und Trend von Temperatur,Niederschlag und Abfluss des Gunts, jeweils Station Khorog

Abbildung 4.18: Gletschervolumen und Trendkomponente von Temperatur, Niederschlag und Ab-fluss des Gunts (Station Khorog) mit linearer Regressionsgeraden (rote Linie). Rote Punkte stellenJahre mit Ergebnissen zum Gletschervolumen dar. Datenquellen: Hydromet (2012), NSIDC undNEESPI

81

5 Diskussion

5.1 Geeignete Daten und Methoden zur Erfassung der

Gletscheränderung

5.1.1 Evaluierung der Datengrundlage

Die Evaluierung der Datengrundlagen brachte wichtige Erkenntnisse darüber, welche Daten für

welchen Zweck sinnvoll verwendet werden können. So zeigte sich die Qualität der Generalstabs-

karte zu heterogen, als dass sie hätte verwendet werden können.

Das WGI wurde hingegen als nützliche Datenquelle in Hinblick auf Gletscherparameter wie

Debrisbedeckung bewertet. Für die Verwendung der Informationen zur Gletscherfläche schien

jedoch die enorme Abweichung zu den eigenen Ergebnissen zu groß. Als Grund hierfür wird

einerseits die von Barry u. a. (2010) angeführte Unterschätzung der Gletscherfläche bei manueller

Klassifizierung vermutet. Außerdem können unterschiedliche Abgrenzungskriterien eine große

Rolle spielen. Eine weitere Quelle der Unsicherheit ist die ungenaue Positionsangabe der Punkte,

wodurch Gletscher nicht exakt dem Untersuchungsgebiet zugeordnet werden konnten.

Ein zentraler Teil der Evaluierung war die Auswertung der Geländemodelle, da diese für eine

Vielzahl von Berechnungen genutzt wurden. Wie bereits in Kapitel 3.2.3 beschrieben, werden

SRTM-Daten gegenüber ASTER als geringfügig besser eingeschätzt. Für Studien zur Berech-

nung des Gletschervolumens basierend auf Geländemodellen wurden sowohl das unbearbeitete

SRTM der NASA (Surazakov u. Aizen, 2006; Paul u. Haeberli, 2008), das SRTM3v4 des CGIAR

(Kääb u. a., 2012b)1 als auch ASTER-Stereodaten verwendet (Bolch u. a., 2008). Aus den Ergeb-

nissen in Kapitel 4.1.3 geht SRTM-Viewfinder als lückenloses DGM mit der höchsten Präzision

und Genauigkeit hervor. Nachteilig ist die ungenaue Dokumentation, wie und mit welchen Daten

die Lücken geschlossen wurden. Eine vollständige Nachvollziehbarkeit ist damit nicht gegeben.

In Anbetracht der hohen STD von SRTM3v4 und ASTER GDEM wurde der Viewfinder-Datensatz

als Referenz gewählt.

Bei der Evaluierung geeigneter Passpunkte wies RapidEye eine sehr gute geometrische Ge-

nauigkeit auf. Google Earth zeigte entsprechend seiner heterogenen Datengrundlage eine weite

Streuung bei der horizontalen Genauigkeit. Werden ausschließlich Bildausschnitte von Geoeye-1

verwendet, liegt die zu erwartende Genauigkeit unter 10 m. Bilddaten von Google Earth bieten

daher ein großes Potential für die Fernerkundung, sollten aber vor einer Verwendung stets kritisch

geprüft werden.

1Interpolierte Bereiche wurden nicht berücksichtigt.

83

5 Diskussion

5.1.2 Daten und Methoden zur Erfassung der Gletscherfläche

Die Klassifizierung von Gletschern mithilfe von multispektralen Daten scheint auf den ersten

Blick eine simple Abfolge weniger Arbeitsschritte zu sein. Es müssen zwei Kanäle dividiert, ein

Grenzwert festgelegt, Raster in Polygone umgerechnet und deren Größe notiert werden. Doch

die Praxis sieht leider anders aus. Allein bei der Datenakquirierung hat kann aus über 3 Millionen

Landsat-Szenen gewählt werden (USGS, 2013). Daneben gibt es unzählige weitere Satelliten-

missionen, deren Daten teilweise kostenfrei, teilweise mittels Beantragung für wissenschaftliche

Nutzung zugänglich sind. Alle Daten unterscheiden sich im Rohformat, in der spektralen und

räumlichen Auflösung, in der geometrischen Genauigkeit und haben unter Umständen diverse

Sensorfehler. Trotz des enormen Datenangebotes ist der Anteil der verwendbaren Daten in der

Gletscherfernerkundung gering. Nur eine kurze Periode im Jahr weist minimale Schneebede-

ckung auf. Zusätzlich sind Wolken und Sonnenstand ein wichtiges Kriterium. Da keine Bilder

perfekt sind, ergeben sich stets Probleme bei der Klassifizierung.

Wie können perennierende oder saisonale Schneefelder ausgeschlossen werden, wie werden

Gletscher unter Wolken oder im Schatten klassifiziert, wie Toteis oder debrisbedeckte Zungen?

Werden Gletscher als Einheit betrachtet oder nach ihrem EZG untergliedert und wenn ja, wie?

Zählt Eis oberhalb des Bergschrundes zum Gletscher und wie wird es von Schnee unterschie-

den? Gletscher sind keine losgelösten Elemente in der Natur, sondern stehen in Interaktion mit

ihrer Umgebung. Eine eindeutige Zuordnung ist wie in vielen Bereichen mit Ungenauigkeiten

verbunden, welche stets bedacht werden müssen. Ein Klassifizierungsergebnis ist daher auch

nicht die unumstößliche Wahrheit einer einfachen Gleichung, sondern vielmehr die subjektive

Einschätzung des Bearbeiters. Für eine multitemporale Analyse ist daher die Konsistenz der

Bearbeitung von hoher Wichtigkeit. Einheitliche Vorgaben der GLIMS-Initiative dienten dabei als

Vorlage (Raup u. Khalsa, 2010).

5.1.2.1 Corona

Corona-Daten stellen eine herausragende Datengrundlage in Hinblick auf glaziologische Frage-

stellungen dar. Zwar ist die Aufbereitung vergleichsweise arbeitsintensiv und eine Klassifizierung

der Gletscher nur manuell möglich, doch kann aufgrund der hohen Auflösung ein sehr exaktes

Ergebnis erzielt werden. So ermöglichen Corona-Daten das Erkennen des Bergschrundes, was

eine eindeutige Abgrenzung der Gletscher im Akkumulationsbereich erlaubt. Einen weiteren

Vorteil stellt die große Anzahl an Missionen und Datenmaterial dar, wodurch für das Untersu-

chungsgebiet zahlreiche Szenen in geeigneter Qualität vorlagen. Eine lückenlose Abdeckung des

EZG wäre allerdings mit einer Vielzahl an Filmstreifen und entsprechenden Kosten verbunden.

Außerdem hätte der Arbeitsaufwand den Rahmen dieser Arbeit überstiegen. Eine Verwendung

der Daten ist bei großskaligen Untersuchungen aufgrund des Arbeitsaufwandes kaum geeignet.

Auf die Prozessierung der Daten wird analog zum Methodenteil näher im Kapitel 5.1.3.3 einge-

gangen.

84

5.1 Geeignete Daten und Methoden zur Erfassung der Gletscheränderung

5.1.2.2 Landsat

Landsat MSS bietet die ersten verfügbaren multispektralen Daten und wurde daher für die Auswer-

tung verwendet. Jedoch resultiert aus der geringen räumlichen Auflösung eine hohe Unsicherheit

bei kleinen Gletschern. Ein weiteres Problem sind häufige Fehlerpixel, welche eine Vielzahl von

Szenen unbrauchbar machen und eine Korrektur der Klassifizierung im Postprocessing erfor-

dern. Neben der räumlichen Auflösung erschwert der fehlende SWIR-Bereich eine automatische

Klassifizierung. Der Ansatz von Svoboda u. Paul (2009) erzielte geringfügig bessere Ergebnisse

als eine unüberwachte Klassifizierung, ist jedoch weniger arbeitsintensiv und ermöglicht eine

bessere Reproduzierbarkeit. Aufgrund der geringeren räumlichen und spektralen Auflösung ist

es schwierig die Ergebnisse von Landsat MSS und TM zu vergleichen (Paul, 2002).

Im Preprocessing von Landsat TM wurde eine radiometrische Korrektur durchgeführt, welche

zwar ein homogeneres Bild bei der Mosaikierung lieferte, doch konnte bei der Klassifizierung

ein besseres Ergebnis mit DN-Werten erreicht werden. So verzichteten auch Pellikka (2007) auf

eine radiometrische Korrektur der Landsat-Daten im Vorfeld der Klassifizierung. Mit der in Kapitel

3.3.3.5 beschriebenen Methode konnten sehr gute Ergebnisse mit geringem manuellen Aufwand

erreicht werden. Manuelle Korrekturen waren lediglich in Schattenbereichen, bei Wolkenbede-

ckung und vereinzelt bei proglazialen Seen notwendig.

Landsat ETM+ konnte aus im Kapitel 3.3.2.2 genannten Gründen nicht verwendet werden.

5.1.2.3 ASTER

Analog zu Landsat TM-Daten war die Klassifizierung mithilfe der angeführten Methode sehr robust

und der manuelle Aufwand im Postprocessing gering. Je nach Verwendung des Datentyps ist

das Preprocessing deutlich aufwändiger. Unter Nutzung der orthorektifizierten 14DMO-Daten lag

der Schwerpunkt auf der Auswahl und Mosaikierung geeigneter Daten. Aufgrund der geringeren

Schwadbreite als Landsat wurden mindestens 10 Kacheln für die Abdeckung des Untersuchungs-

gebietes benötigt (statt 2 für Landsat). Da in keinem Jahr ausreichend geeignete Daten zur

Verfügung standen, konnten ASTER-Daten nur für das TEZG Pathkurdara verwendet werden.

5.1.2.4 RapidEye

RapidEye bietet neben einer besseren räumlichen Auflösung als ASTER zusätzlich eine höhere

Schwadbreite, was die Mosaikierung deutlich erleichtert. Die Verwendung von fünf baugleichen

Satelliten ermöglicht eine große Anzahl an Daten, was die Verfügbarkeit geeigneter Szenen deut-

lich erhöht. Einen weiteren Vorteil bei der Datenakquise stellen die umfassenden Metadaten dar,

welche Informationen zur Wolken- und Schneebedeckung sowie über die Qualität der Aufnahme

liefern. Jedoch erschwert der fehlende SWIR-Bereich, analog zu Landsat MSS, die automatische

Klassifizierung. Die beschriebene Methode erzielte zwar verwendbare Ergebnisse, doch war der

Aufwand einer manuellen Korrektur deutlich größer als bei Landsat TM oder ASTER.

85

5 Diskussion

a

dc

b Legende

0 1 20,5 km

b

c d

Projektion: UTM Zone 43 NEllipsoid: WGS 84

±

RapidEye, 2011

1,03 < Band4/Band5 < 2,0Band5 < 11Band1 > 21Gletscherfläche > 0,1 km²

Red: Band 3Green: Band 2Blue: Band 1

ll

Abbildung 5.1: Ergebnis der Klassifizierung von RapidEye: (a) Klassifizierung von Ablationsbereichmit leichter Schuttbedeckung, (b) Klassifizierung von proglazialen Seen und Schattenbereichen, (c)Klassifizierung von Akkumulations- und Ablationsbereich ohne Schuttbedeckung, (d) Endergebnis(Kombination aus a–c), schwarze Pfeile markieren fehlerhafte Bereiche.

Abbildung 5.1 zeigt die Teilschritte (a–c) und das Endergebnis (d) der Klassifizierung von

RapidEye für einen ausgewählten Gletscher. Neben Schattenbereichen verursachten eine Schutt-

bedeckung der Gletscher und angrenzende Schotterflächen die größten Probleme. Die Abgren-

zung von Gletscherseen ist gut möglich. Für großskalige Untersuchungen sind RapidEye-Daten

aufgrund der notwendigen manuellen Korrektur weniger geeignet. Als geometrische Referenz für

die Prozessierung von Corona waren diese Daten jedoch von großer Bedeutung.

In Abbildung 5.2 werden die spektralen Auflösungen der verwendeten Sensoren und das Resul-

tat der jeweiligen Klassifizierung abschließend verglichen. Corona bietet im Vergleich mit allen

anderen Datensätzen den geringsten Kontrast im Ablationsbereich, was eine automatische Ab-

grenzung der Gletscher kaum möglich macht. Landsat MSS und RapidEye bieten hingegen eine

bessere visuelle Unterscheidbarkeit von Gletscher und Nicht-Gletscher, Landsat TM und ASTER

eine nahezu eindeutige.

86


0 2 41 Km

Corona KH4B, 1968 (1) Landsat MSS, 1977 (4-3-2) Landsat TM, 1998 (5-4-3)

ASTER, 2007 (5-4-3) Landsat TM, 2011 (5-4-3) RapidEye, 2011 (4-3-2)Sensor, Aufnahmejahr (Kanalkombination) ±Gletschergrenze

Abbildung 5.2: Vergleich der Klassifizierungsergebnisse (rote Linie) von Corona, Landsat MSS,Landsat TM, ASTER und RapidEye mit dazugehörigem Satellitenbild in geeigneter Bandkombinati-on zur Erkennung von Gletschern

5.1.2.5 Postprocessing

Die verwendete Methode zur Erstellung von Gletschereinzugsgebieten zur hydrologischen Ab-

grenzung (siehe Kapitel 3.3.4) schien zwar als sehr geeignet, jedoch verursachte die Ungenau-

igkeit der Geländemodelle keine exakte Abgrenzung. Eine manuelle Korrektur war daher not-

wendig, was bei der Größe des Untersuchungsgebietes sehr zeitintensiv war. Die Verfügbarkeit

eines präziseren DGMs, würde eine große Bereicherung für die Fernerkundung in der Glaziologie

bedeuten.

5.1.3 Daten und Methoden zur Erfassung des Gletschervolumens

5.1.3.1 ICESat

ICESat-Daten bieten sehr genaue Höhendaten und sind daher für Untersuchungen von Glet-

scherhöhen grundsätzlich geeignet. Basierend auf drei Messkampagnen pro Jahr von 2003–

2009 konnten Kääb u. a. (2012a) raum-zeitliche Trends in der Massenbilanz für das Gebiet Hindu

87

5 Diskussion

Kush-Karakoram-Himalaya (HKKH) nachweisen. Aufgrund der geringen Punktdichte im Untersu-

chungsgebiet sind Aussagen über zeitliche Trends der Höhenänderung nicht sehr belastbar. Für

größere Betrachtungsebenen ist diese Methode jedoch gut geeignet.

5.1.3.2 SRTM

Da die Eindringtiefe des C-Bandes abhängig von der Beschaffenheit des Schnees bzw. Eises ist,

kann diese von 1 m bis 10 m schwanken (Rignot u. a., 2001). Als weitere mögliche Fehlerquelle

wird der höhenabhängige Bias gesehen, welcher von Berthier u. a. (2006) beschrieben wurde. Auf

Grundlage der Diskussion von Paul (2008) wurde in dieser Arbeit keine Korrektur der Höhenwerte

vorgenommen.

5.1.3.3 Corona

Volumenabschätzungen basierend auf Höhenänderungen sind generell durch die Genauigkeit

und den Aufnahmezeitpunkt der Daten limitiert. So stehen für die letzte Dekade zwar ausreichend

optische Daten zur Berechnung sehr genauer Geländemodelle zur Verfügung, doch übersteigt

deren vertikaler Fehler meist die Höhenabnahme von Gletschern innerhalb weniger Jahre. Unter

Verwendung von optischen Satellitendaten eignet es sich daher, den Betrachtungszeitraum zu

vergrößern. Corona-Daten bieten hier eine einmalige Möglichkeit in Hinblick auf Aufnahmezeit-

punkt, Auflösung auf Aufnahmewinkel.

Die Erstellung von Geländemodellen aus Corona-Daten wird in der Literatur als zeitintensiv be-

schrieben (Bolch u. a., 2008). Wird lediglich ein kleinskaliges Untersuchungsgebiet betrachtet, so

beschränkt sich einerseits die Suche von Passpunkten auf wenige Szenen und es kann ande-

rerseits auf stärker verzerrte Randbereiche verzichtet werden. Sowohl die DGM-Berechnung als

auch die Orthorektifizierung zeigten sehr gute Ergebnisse. Es wurde lediglich eine grundsätzli-

che Unterschätzung der Höhen bei Corona festgestellt (vgl. Abbildung 4.12). Bolch u. a. (2008)

stellten bei der DGM-Berechnung von Corona KH-4 ebenfalls zu niedrige Höhenwerte fest. Als

Grund hierfür wird u.a. die Lage der Passpunkte gesehen. Da diese teilweise auf Gipfeln und

Graten gesetzt wurden, die vertikale Referenz (SRTM) jedoch mit einer Auflösung von ehemals

90 m diese Höhen nicht repräsentieren kann, kam es zu einer Unterschätzung dieser Werte.

Grundsätzlicher Nachteil von Stereo-Geländemodellen ist, dass lediglich kontrastreiche Gletscher-

zungen ausgewertet werden können. Akkumulations- und Schattenbereiche führen aufgrund des

geringen Kontrastes zu hohen Fehlern und einem meist unbrauchbaren Ergebnis (siehe Abbil-

dung 5.3). Im Vergleich von RADAR-Daten mit optischen Daten kann folglich nur die Änderung der

Gletscherzunge zuverlässig berechnet werden. Paul u. Haeberli (2008) bestimmten für über 1000

Gletscher der Schweizer Alpen die geodätische Massenbilanz mittels zweier DGMs und konnten

die größten Höhenabnahmen im Bereich der Gletscherzungen nachweisen. Eine ungenaue bzw.

fehlende Berücksichtigung der Akkumulationsgebiete wirkt sich daher wenig auf die Volumenän-

derung des gesamten Gletschers aus, womit sich der Nachteil dieser Methode relativiert. Dies

gilt jedoch nicht bei einer positiven Massenbilanz, da es in diesem Falle zu einer Höhenzunahme

im Akkumulations- und Ablationsbereich kommt.

88


Gletschergrenze 1968Corona KH-4B, 1968Grauwerte

High : 255

Low : 0

kk

0 1 20,5 km

k

k

±Differenz SRTM-CoronaHöhenunterschied in m

High : 150

Low : -150

Abbildung 5.3: Höhenunterschied zwischen Corona und SRTM (links) und Gletscherstand basierendauf Corona-KH4B von 1968 (rechts). Kontrastarme Gebiete/Fehlerbereich sind durch schwarzePfeile markiert.

5.1.3.4 ASTER

Trotz erheblicher Ungenauigkeiten bei der Erstellung von ASTER-DGMs in Bereichen komplexer

Topographie (Kääb u. a., 2002) wurden diese bisher in einigen Studien zur Bestimmung des

Gletschervolumens genutzt (Bolch u. a., 2008; Kääb, 2008). Die photogrammetrische Auswertung

von zwei Stereobildpaaren zeigte in dieser Arbeit gute Ergebnisse. Die resultierende Genauigkeit

lag im Bereich des ASTER GDEM (siehe Kapitel 2.4.3.1). Da jedoch keine flächendeckenden

ASTER-Daten für den Überlappungsbereich mit den Corona-Daten zur Verfügung standen, fanden

diese Daten für die Volumenberechnung keine Verwendung.

5.1.3.5 GlabTop

Die Modellierung des Gletschervolumens war im Rahmen dieser Arbeit die einzige Möglichkeit,

flächendeckende Informationen zur Massenbilanz der Gletscher zu erhalten. Diese Methode wird

besonders für makroskalige bis globale Untersuchungen häufig verwendet (Farinotti u. a., 2009a;

Frey u. a., 2013; Huss u. Farinotti, 2012). Jedoch hat die Abschätzung des Volumens basierend

auf der Fläche Defizite, welche berücksichtigt werden müssen.

Da das Volumen aus Fläche und Gletscherhöhe berechnet wird, ergibt sich aus deren mathema-

tischer Beziehung eine scheinbar hohe Korrelation zwischen Volumen und Fläche. Eine Differenz

im Bereich des Zehnfachen zwischen der Höhe von Gletschern gleicher Fläche zeigten Frey

u. a. (2013). Weiterhin sollte berücksichtigt werden, dass das „gemessene“ Gletschervolumen

89

5 Diskussion

auf interpolierten GPR-Messungen beruht und dieses oft überschätzt wird, da bei Messungen

spaltenfreie und flache Teile des Gletschers (ungewollt) präferiert werden (Fischer, 2009). Ein

Vergleich zwischen gemessenem und modelliertem Volumen ist daher vielmehr eine Evaluierung

statt eine Validierung.

Neben der Gletscherfläche und einem DGM als Input wird das Modell durch die Schubspannung

τ als entscheidenden Parameter gesteuert. Die Unsicherheiten in der Bestimmung von τ liegen

im Bereich von ±30 %, was gleichzeitig für die modellierte Gletscherdicke gilt (Linsbauer u. a.,

2012). Ebenso hat die hydrologische Separierung zusammenhängender Eisflächen einen großen

Einfluss auf die Berechnung des Volumens. Falls die Abgrenzung nicht stattfindet, kann das

Gletschervolumens bis zu 70–80 % überschätzt werden (Huss u. Farinotti, 2012).

5.2 Veränderung von Gletscherfläche und -volumen

5.2.1 Veränderung der Gletscherfläche

Khromova u. a. (2006) zeigten für den östlichen Pamir im Zeitraum von 1978–2001 einen Glet-

scherrückgang von fast 20 % bzw. rund 1 % a−1 auf. Dies liegt geringfügig über den für das EZG

Gunt ermittelten Werten. Hier nimmt die Gletscherfläche von 1977–2011 um 23,7 % ab, was

einem jährlichen Rückgang von 0,7 % entspricht. Der jährliche Gletscherrückgang für den süd-

westlichen Pamir liegt laut Mergili u. a. (2012) bei rund 0,56 % a−1 (1969–2007), was sich, unter

Berücksichtigung des Betrachtungszeitraumes, mit den eigenen Ergebnissen deckt. Eine Verstär-

kung des Gletscherrückganges während der letzten Dekade konnte in dieser Studie ebenfalls

beobachtet werden. Diese Verstärkung kann sowohl für das EZG Gunt als auch das TEZG Pa-

thkurdara festgestellt werden (vgl. Abbildung 4.13). Durch die höhere Dichte der Zeitschnitte im

TEZG ist die zeitliche Veränderung der Gletscherfläche detaillierter sichtbar. Für den Zeitraum

2002–2007 wurde ein rapider Rückgang detektiert, welcher sich in den Folgejahren verlangsamte.

Dieser Effekt kann auf den Jahrhundertsommer 2003 in Kombination mit einem positiven Eis-

Albedo-Feedback zurückgeführt werden. Paul u. a. (2005) berechneten für die Alpen unter den

meteorologischen Bedingungen von 2003 einen dreimal höheren Massenverlust im Vergleich zum

klimatischen Mittel. Ein weiterer Grund sind die idealen Aufnahmebedingungen im Jahr 2007. Der

Anteil von Schneefeldern und Lawinenbahnen im Akkumulationsbereich war deutlich niedriger als

in den restlichen Aufnahmejahren, was zu einer geringeren Gletscherfläche führte.

Die im Ergebnisteil (Kapitel 4.2.3) dargelegten Gletscherparameter geben Einblick in den Zu-

sammenhang zwischen Gletscher, Gletscherrückgang und Topographie. So ist das Verhalten von

Gletschern auf Änderungen der Temperatur und Niederschlag stark von deren Größe abhängig.

Laut den Ergebnissen von Paul (2002), tragen Gletscher in Tirol mit einer Größe unter 1 km2 zu

59 % des Gletscherrückganges bei, besitzen aber nur einen Flächenanteil von 1/3. Der Flächen-

anteil dieser Gletscher deckt sich mit den Ergebnissen für das Untersuchungsgebiet (35,1 %).

Wird der Einfluss der Exposition auf die Gletscher betrachtet, bestätigt sich die Vermutung, dass

nordexponierte Gletscher einen größeren Flächenanteil besitzen und aufgrund der geringeren Ein-

strahlung bis in niedrigere Höhen reichen. Eine Besonderheit stellt der höhere Flächenanteil der

90

5.2 Veränderung von Gletscherfläche und -volumen

südexponierten Gletscher unter 4500 m dar. Als Grund hierfür werden die höheren Niederschlags-

summen am Nordrand des EZG gesehen, welche trotz der höheren Einstrahlung tiefliegende

Talgletscher ermöglichen.

5.2.2 Veränderung des Gletschervolumens

Die Arbeit von Lambrecht (2012) verdeutlicht die mögliche Diskrepanz zwischen Gletscherfläche

und -volumen. So wurde die Änderung des Fedchenko-Gletschers während der letzten 80 Jahre

untersucht und ein Flächenrückgang von 0,4 % bei einem Massenverlust von 3,8 % ermittelt. Als

Grund für den geringen Gletscherrückgang wird von den Autoren die isolierende Wirkung der

starken Schuttbedeckung gesehen. Die Gletscher im EZG unterscheiden sich in Größe, Lage und

Debrisbedeckung deutlich vom Fedchenko-Gletscher und weisen einen höheren prozentualen

Massenverlust auf. So liegt die Volumenänderung zwischen 1977–2011 bei −22 % bzw. bei

0,55 % a−1 für den Zeitraum 1977–1998 und bei 0,90 % a−1 für 1998–2011. Im Vergleich dazu

wird der volumetrische Gletscherrückgang der Alpen auf 25 % für den Zeitraum von 1975–2000

geschätzt (1 % a−1) bzw. 10–15 % von 2000–2005 (2–3 % a−1) (Haeberli u. a., 2007). Zu ähnli-

chen Ergebnissen kamen Paul u. Haeberli (2008), welche für die Schweizer Alpen im Zeitraum

1985–1999 eine kumulative Massenbilanz von −11 m Wasseräquivalent (WE) berechneten. Dem

gegenüber stehen −8,379 m WE für den Zeitraum 1977–1998 im EZG des Gunts.

Unter Betrachtung des Gletscherrückganges in angrenzenden Gebirgsregionen stellt man deut-

liche räumliche Unterschiede fest. So weist das Karakorum laut einer Studie von Gardelle u. a.

(2012) eine geringfügig positive Massenbilanz von 0,11 ± 0,22 m a−1 auf (Zeitraum 1999–2008).

In einer Studie über die Region HKKH basierend auf ICESat-Daten von 2003–2009 stellten Kääb

u. a. (2012a) eine konstante bis minimal negative Massenbilanz für den Karakorum fest. Maximale

Massenverluste von 0,66 ± 0,09 m a−1 ergaben sich hingegen für das Gebiet Jammu-Kashmir.

Die spezifische Massenbilanz des Untersuchungsgebietes beträgt für den Zeitraum 1998–2011

−0,662 m a−1, was sich mit den Werten von Jammu-Kashmir deckt. Berthier u. a. (2007) fanden für

den westlichen Himalaya zwischen 1999–2004 einen jährlichen Massenverlust von rund 0,8 m a−1

(WE) heraus, was geringfügig über den eigenen Ergebnissen liegt. In der Region Khumbu lag die

Massenbilanz zwischen 1970 und 2007 hingegen bei nur −0,32 ± 0,08 m a−1 (Bolch u. a., 2011).

Direkte Massenbilanzmessungen für einen Gletscher im Alai-Gebirge ergaben ein WE von

−0,57 m a−1 (1969–1994), im Tien Shan variierten die Werte zwischen −0,55 m a−1 und −0,17 m a−1

(Sorg u. a., 2012). Diese Ergebnisse decken sich mit der Studie von Jacob u. a. (2012), welche

anhand von gravimetrischen Daten (GRACE) Massenverluste von −0,32 ± 0,39 m a−1 für den

Tien Shan (2003–2010) nachweisen konnten. Hagg u. a. (2012) modellierten das Eisvolumen in

einem Gebiet im Tien Shan mittels Volume-Area-Scaling und GPR-Messungen und schätzten

den Rückgang während der letzten 50 Jahre auf rund 20 %.

Die in Abbildung 4.15 dargestellte Extrapolation des Gletscherrückganges zeigt einen vollständi-

gen Schwund der Gletscherfläche bis 2100. Betrachtet man das Gletschervolumen, so verbleiben

bis zu diesem Zeitpunkt noch ca. 5 km2. Marzeion u. a. (2012) modellierten die zukünftigen

Massenbilanzen weltweit und kamen für die Gletscher im südlichen Zentralasien zu einer Volu-

menabnahme um 30–50 % (je nach verwendetem Representative Concentration Pathway (RCP))

91

5 Diskussion

bis zum Jahr 2100. Für den gleichen Zeitraum berechneten Linsbauer u. a. (2013) einen Rück-

gang der Gletscherfläche von 60–80 % für die Schweizer Alpen. Le Meur u. a. (2007) modellierten

das vollständige Abschmelzen eines Alpengletschers mit einer Fläche von ca. 3 km2 bis zum Jahr

2070.

5.3 Korrelation mit hydrometrischen und meteorologischen Daten

Die Ergebnisse der Gletscheränderung lassen im Kontext mit hydrometeorologischen Daten eine

deutliche Abhängigkeit erkennen (vgl. Abbildung 4.18). Daher soll im Folgenden der Zusammen-

hang zwischen Gletschern und Niederschlag, Temperatur, Seefläche und Abfluss näher diskutiert

werden.

Die Jahresdurchschnittstemperatur nahm in Khorog von 1965–2010 um 1 ◦C zu, während der

Niederschlag nicht signifikant stieg (vgl. Abbildung 4.18). Diese Ergebnisse decken sich mit denen

von Khromova u. a. (2006) für die Station Fedchenko und den Daten des hydrometeorologischen

Dienstes von Tadschikistan, welche in Kayumov (2011) publiziert sind. Daraus resultiert eine

negative Massenbilanz, welche zu einem Gletscherrückgang führt, was sich wiederum auf die

Albedo des Gletschers auswirkt. Eine Abnahme der Albedo führt zu einer höheren Absorption

der Strahlung und einer Beschleunigung des Gletscherrückganges. Die Zunahme der Debrisbe-

deckung kann ab einem bestimmten Punkt wiederum isolierend wirken. Ein weiterer wichtiger

Aspekt ist die jahreszeitliche Verteilung der Niederschläge. So reagieren Gletscher, welche durch

Sommerniederschlag/Monsun geprägt sind, sensitiver gegenüber Sommertemperaturen, da ein

Temperaturanstieg den Anteil des festen Niederschlages reduziert (Fujita, 2008). Ein Rückgang

der sommerlichen Schneebedeckung hat wiederum großen Einfluss auf die Albedo. Die Gletscher

im Untersuchungsgebiet sind jedoch hauptsächlich durch die Westwindströmung geprägt. Folg-

lich überwiegt der theoretische Einfluss des Winterniederschlages dem der Sommertemperatur.

Bei einer Zunahme der Seefläche um 0,23 km2 (1998–2011) und einer hypothetischen mittleren

Seetiefe von 10 m ergibt sich ein Volumen von 0,0023 km3. Dies entspricht 0,044 % des Gletscher-

rückganges im gleichen Zeitraum. Von einer kompensierenden Wirkung durch die Entstehung von

proglazialen Seen kann daher nicht ausgegangen werden. In Hinblick auf das Gefahrenpotential

von Gletscherseeausbrüchen spielt deren Erfassung und Monitoring jedoch eine sehr wichtige

Rolle (Huggel u. a., 2002; Mergili u. Schneider, 2011; Mergili u. a., 2013).

Der mittlere Abfluss des Gunts an der Station Khorog liegt für den Zeitraum 1960–2005 bei

104,8 m2 s−1. Das entspricht einer jährlichen Durchflussmenge von 3,305 km3. Der mittlere

sommerliche Abfluss (Juli–September) liegt bei 200,9 m2 s−1, was einer Durchflussmenge von

insgesamt 1,597 km3 entspricht. Bei einem Eisverlust von 0,404 Gt a−1 (1998–2011) beträgt allein

der Anteil des Gletscherrückganges am Jahresabfluss 12,2 %. Unter der Berücksichtigung, dass

die Gletscherschmelze fast ausschließlich im Sommer stattfindet, würde sich ein Anteil von 25,3 %

am sommerlichen Abfluss ergeben.

92

6 Schlussfolgerung

Gletscher gehören nicht nur zu den wichtigsten Indikatoren der Klimaerwärmung, sondern bieten

auch die Lebensgrundlage für einen großen Teil der Bevölkerung, speziell in Zentralasien (Kaser

u. a., 2010). Schmelzwasser hat eine wichtige Bedeutung auf lokaler (Trinkwasser, Bewässerung),

regionaler (Wasserkraft) und globaler Ebene (Meeresspiegel). Der Untersuchung der Gletscher-

änderung kommt damit in vielerlei Hinsicht eine wichtige Rolle zu. Für das EZG des Gunts

(Tadschikistan) wurde der Rückgang der Gletscherfläche basierend auf Daten und Methoden der

Fernerkundung untersucht und anschließend das Gletschervolumen modelliert.

Bei der Klassifizierung von Gletschern in großskaligen Gebieten hat sich Landsat TM als die

geeignetste Grundlage erwiesen. Ist eine jahrgenaue Erfassung von sekundärer Bedeutung, stellt

ASTER ab dem Jahr 2000 die wichtigste Datenquelle dar. Für die satellitengestützte geodätische

Methode zur Untersuchung der Massenbilanz eignen sich Corona-Bilder in Kombination mit dem

SRTM-Höhenmodell unter Voraussetzung eines hinreichend kleinen Untersuchungsgebietes.

Unter Berücksichtigung der Unsicherheiten stellt die Modellierung des Eisvolumens eine wichtige

Ergänzung zur Klassifizierung der Gletscherfläche dar und bietet wertvolle Informationen zur

Abschätzung der Massenbilanz.

Die Gletscherfläche hat zwischen 1977 und 2011 um 23,7 % abgenommen, wobei es zu einem

beschleunigten Gletscherrückgang während der letzten 15 Jahre kam. Das modellierte Volumen

nahm im Zeitraum 1977–2011 von 56,5 km3 auf 44,1 km3 ab, was einem Rückgang von 22 %

entspricht (0,65 % a−1). Bei einer angenommenen Eisdichte von 0,9 kg/m3 resultiert daraus ein

Massenverlust von 11,17 Gt bzw. eine kumulative Massenbilanz von -16,99 m Wasseräquivalent.

Der Anteil des Gletscherrückganges am jährlichen Abfluss des Gunts beträgt damit 12,2 %. Unter

der Annahme, dass sich der gegenwärtige Trend fortsetzt, wären die Gletscher im EZG in ca. 100

Jahren vollständig abgeschmolzen. Dies würde den Abfluss in den Sommermonaten um ca. 25 %

reduzieren.

Die wichtigsten Punkte für ein zukünftiges fernerkundungsbasiertes Gletschermonitoring stellen

a) die Fortführung von erfolgreichen Satellitenmissionen wie der Start von Landsat 8, b) ergän-

zende Missionen wie TanDEM-X für genauere und aktuelle Höhendaten und c) die Verbesserung

und Erweiterung des bisherigen Methodenspektrums dar. Dabei gilt es, die Auswahl geeigneter

Daten zu erleichtern und Algorithmen zur automatischen Klassifizierung zu verbessern.

93

7 Literaturverzeichnis

[Ageta u. a. 2000] AG E TA, Y. ; I WATA S. ; YA B U K I, H. ; N A I T O, N. ; S A K A I, A. ; N A R A M A, C.

; K A R M A, T.: Expansion of glacier lakes in recent decades in the Bhutan Himalayas. In: IAHS

Publication (2000), S. 165–176

[Aizen u. a. 2007a] A I Z E N, V. B. ; A I Z E N, E. M. ; K U Z M I C H O N O K, V. A.: Glaciers and hydrolo-

gical changes in the Tien Shan: simulation and prediction. In: Environmental Research Letters

2 (2007), Nr. 4, S. 045019

[Aizen u. a. 2007b] A I Z E N, V. B. ; K U Z M I C H E N O K, V. A. ; S U R A Z A KOV, A. B. ; A I Z E N, E. M.:

Glacier changes in the Tien Shan as determined from topographic and remotely sensed data.

In: Global and Planetary Change 56 (2007), Nr. 3, S. 328–340

[Aizen u. a. 2009] A I Z E N, V. B. ; M AY E W S K I, P. A. ; A I Z E N, E. M. ; J O S W I A K, D. R. ; S U R A Z -

A KOV, A. B. ; K A S PA R I, S. ; G R I G H O L M, B. ; K R A C H L E R, M. ; H A N D L E Y, M. ; F I N A E V,

A.: Stable-isotope and trace element time series from Fedchenko glacier (Pamirs) snow/firn

cores. In: Journal of Glaciology 55 (2009), Nr. 190, S. 275–291

[Andreassen u. a. 2008] A N D R E A S S E N, L. M. ; PAU L, F. ; K Ä Ä B, A. ; H AU S B E R G, J. E.:

Landsat-derived glacier inventory for Jotunheimen, Norway, and deduced glacier changes since

the 1930s. In: The Cryosphere 2 (2008), Nr. 2, S. 131–145

[Arendt u. a. 2012] A R E N D T, A. ; B O L C H, T. ; C O G L E Y, G. ; G A R D N E R, A. ; H A G E N, J. O. ;

H O C K, R. ; K A S E R, G. ; PAU L, F. ; R A D I C, V. ; B L I S S, A. u. a.: Randolph Glacier Inventory:

A Dataset of Global Glacier Outlines: Version: 2.0: GLIMS Technical Report. In: Boulder

Colorado, USA. Digital Media (2012)

[Armstrong u. a. 2005] A R M S T R O N G, R. ; R AU P, B. ; K H A L S A, S. J. ; B A R RY, R. ; K A R G E L, J.

; H E L M, C. ; K I E F F E R, H.: GLIMS glacier database. Boulder, Colorado USA: National Snow

and Ice Data Center. (2005)

[ASTER GDEM Validation Team 2011a] A S T E R G D E M VA L I D AT I O N T E A M: ASTER GDEM

Version 2 Validation Report: Japan’s Validation Report. (2011)

[ASTER GDEM Validation Team 2011b] A S T E R G D E M VA L I D AT I O N T E A M: ASTER Global

Digital Elevation Model Version 2 – Summary of Validation Results. (2011)

[Bahr u. a. 1997] B A H R, D. B. ; M E I E R, M. F. ; P E C K H A M, S. D.: The physical basis of glacier

volume-area scaling. In: Journal of Geophysical Research 102 (1997), Nr. B9, S. 20355–20362

95


[Barry u. a. 2010] B A R RY, R. G. ; C O G L E Y, J. G. ; F R E Y, H. ; H A E B E R L I, W. ; O H M U R A, A. ;

O M M A N N E Y, C. S. L. ; R AU P, B. ; R I V E R A, A. ; Z E M P, M.: Guidelines for the compilation of

glacier inventory data from digital sources. In: Annals of Glaciology 10 (2010), Nr. 01, S. 01–23

[Bedford u. Haggerty 1996] B E D F O R D, D. ; H A G G E R T Y, C.: New digitized glacier inventory for

the former Soviet Union and China. In: Earth System Monitor 6 (1996), Nr. 3, S. 8–10

[Bertelsmann Stiftung 2012] B E R T E L S M A N N S T I F T U N G: BTI 2012 - Tajikistan Country Report.

In: Gütersloh: Bertelsmann Stiftung (2012)

[Berthier u. a. 2007] B E R T H I E R, E. ; A R N AU D, Y. ; K U M A R, R. ; A H M A D, S. ; WA G N O N,

P. ; C H E VA L L I E R, P.: Remote sensing estimates of glacier mass balances in the Himachal

Pradesh (Western Himalaya, India). In: Remote Sensing of Environment 108 (2007), Nr. 3, S.

327–338

[Berthier u. a. 2006] B E R T H I E R, E. ; A R N AU D, Y. ; V I N C E N T, C. ; R E M Y, F.: Biases of SRTM

in high-mountain areas: Implications for the monitoring of glacier volume changes. In: Geophys.

Res. Lett 33 (2006), Nr. 8

[Bitelli u. Girelli 2009] B I T E L L I, G. ; G I R E L L I, V. A.: Metrical use of declassified satellite imagery

for an area of archaeological interest in Turkey. In: Journal of Cultural Heritage 10 (2009), S.

35–40

[Bolch 2007] B O L C H, T.: Climate change and glacier retreat in northern Tien Shan (Kazakhs-

tan/Kyrgyzstan) using remote sensing data. In: Global and Planetary Change 56 (2007), Nr.

1-2, S. 1–12

[Bolch u. a. 2008] B O L C H, T. ; B U C H R O I T H N E R, M. ; P I E C Z O N K A, T. ; K U N E R T, A.: Plani-

metric and volumetric glacier changes in the Khumbu Himal, Nepal, since 1962 using Corona,

Landsat TM and ASTER data. In: Journal of Glaciology 54 (2008), Nr. 187, S. 592–600

[Bolch u. a. 2007] B O L C H, T. ; B U C H R O I T H N E R, M. F. ; K U N E R T, A. ; K A M P, U.: Automated

delineation of debris-covered glaciers based on ASTER data. In: GeoInformation in Europe

(2007), S. 403–410

[Bolch u. a. 2005] B O L C H, T. ; K A M P, U. ; O L S E N H O L L E R, J.: Using ASTER and SRTM DEMs

for studying geomorphology and glaciation in high mountain areas. In: New Strategies for

European Remote Sensing (2005), S. 119–127

[Bolch u. a. 2012] B O L C H, T. ; K U L K A R N I, A. ; K A A B, A. ; H U G G E L, C. ; PAU L, F. ; C O -

G L E Y, J. G. ; F R E Y, H. ; K A R G E L, J. S. ; F U J I TA, K. ; S C H E E L, M. ; B A J R A C H A RYA, S. ;

S T O F F E L, M.: The State and Fate of Himalayan Glaciers. In: Science 336 (2012), Nr. 6079, S.

310–314

[Bolch u. a. 2010] B O L C H, T. ; M E N O U N O S, B. ; W H E AT E, R.: Landsat-based inventory of

glaciers in western Canada, 1985-2005. In: Remote Sensing of Environment 114 (2010), Nr.

1, S. 127–137

96


[Bolch u. a. 2011] B O L C H, T. ; P I E C Z O N K A, T. ; D I, B.: Multi-decadal mass loss of glaciers in

the Everest area (Nepal Himalaya) derived from stereo imagery. In: The Cryosphere 5 (2011),

Nr. 2, S. 349–358

[Breu u. a. 2003] B R E U, T. ; H U R N I, H. ; S T U C K I, A. W.: The Tajik Pamirs: Challenges of

sustainable development in an isolated mountain region. Geographica Bernensia, 2003

[Casana u. Cothren 2008] C A S A N A, J. ; C O T H R E N, J.: Stereo analysis, DEM extraction and

orthorectification of CORONA satellite imagery: archaeological applications from the Near East.

In: Antiquity 82 (2008), Nr. 317, S. 732–749

[Casana u. Cothren 2013] C A S A N A, J. ; C O T H R E N, J.: The CORONA Atlas Project: Orthorec-

tification of CORONA Satellite Imagery and Regional-Scale Archaeological Exploration in the

Near East. (2013)

[Chander u. a. 2009] C H A N D E R, G. ; M A R K H A M, B. L. ; H E L D E R, D. L.: Summary of current

radiometric calibration coefficients for Landsat MSS, TM, ETM+, and EO-1 ALI sensors. In:

Remote Sensing of Environment 113 (2009), Nr. 5, S. 893–903

[Chen u. a. 2011] C H E N, J. ; Z H U, X. ; VO G E L M A N N, J.E ; G A O, F. ; J I N, S.: A simple and

effective method for filling gaps in Landsat ETM+ SLC-off images. In: Remote Sensing of

Environment 115 (2011), Nr. 4, S. 1053–1064

[Cheng u. Sustera 2009] C H E N G, P. ; S U S T E R A, J.: Using RapidEye data without ground control

- automated high-speed high-accuracy. In: Geomatics (2009)

[CIA 2013] C I A: The World Factbook. 2013. – https://www.cia.gov/library/publications/

the-world-factbook/index.html. Zuletzt besucht 08.04.2013

[Clarke u. a. 2009] C L A R K E, G. K. C. ; B E R T H I E R, E. ; S C H O O F, C. G. ; J A R O S C H, A. H.:

Neural networks applied to estimating subglacial topography and glacier volume. In: Journal of

Climate 22 (2009), Nr. 8, S. 2146–2160

[Dashora u. a. 2007] DA S H O R A, A. ; L O H A N I, B. ; M A L I K, J.N: A repository of earth resource

information-CORONA satellite programme. In: Current science 92 (2007), Nr. 7, S. 926–932

[DLR 2012] D L R ; G E R M A N A E R O S PA C E C E N T E R ( D L R ) (Hrsg.): SRTM Products. 2012.

– http://www.dlr.de/eoc/en/desktopdefault.aspx/tabid-5515/9214_read-17716/. Zuletzt besucht

01.12.2012

[Ender 2011] E N D E R, A.: Glacier volume and mass balance in the Ala Archa National Park

(Kyrgyz Ala-Too/Kyrgyzstan). Dresden, TU Dresden, Diss., 2011

[ESA EO 2012] E S A E O: Project Proposal id13421 (Lindner) - Final Acceptance, 06.12.2012

E-Mail. 2012

[Eschment 2011] E S C H M E N T, B.: Wasserverteilung in Zentralasien: Ein unlösbares Problem?

Berlin : Friedrich-Ebert-Stiftung, Referat Mittel- und Osteuropa, 2011 (Studie / Friedrich-Ebert-

Stiftung)

97

https://www.cia.gov/library/publications/the-world-factbook/index.html

https://www.cia.gov/library/publications/the-world-factbook/index.html

http://www.dlr.de/eoc/en/desktopdefault.aspx/tabid-5515/9214_read-17716/


[Farinotti u. a. 2009a] FA R I N O T T I, D. ; H U S S, M. ; B AU D E R, A. ; F U N K, M.: An estimate of

the glacier ice volume in the Swiss Alps. In: Global and Planetary Change 68 (2009), Nr. 3, S.

225–231

[Farinotti u. a. 2009b] FA R I N O T T I, D. ; H U S S, M. ; B AU D E R, A. ; F U N K, M. ; T R U F F E R, M.: A

method to estimate the ice volume and ice-thickness distribution of alpine glaciers. In: Journal

of Glaciology 55 (2009), Nr. 191, S. 422–430

[Finsterwalder 1932] F I N S T E R WA L D E R, R.: Geodätische, topographische und glaziologische

Ergebnisse. Wissenschaftliche Ergebnisse der Alai-Pamir Expedition 1928. In: Teil I; Bd. 2.

Berlin (1932)

[Fischer 2009] F I S C H E R, A.: Calculation of glacier volume from sparse ice-thickness data,

applied to Schaufelferner, Austria. In: Journal of Glaciology 55 (2009), Nr. 191, S. 453–460

[Frey u. a. 2013] F R E Y, H. ; M A C H G U T H, H. ; H U S S, M. ; B A J R A C H A RYA, S. ; B O L C H, T.

; H U G G E L, C. ; K U L K A R N I, A. ; L I N S B AU E R, A. ; S A L Z M A N N, N. ; S T O F F E L, M.: Ice

volumes in the Himalaya-Karakoram region: evaluating different assessment methods. In:

Cryosphere (to be submitted) (2013)

[Frey u. Paul 2011] F R E Y, H. ; PAU L, F.: On the suitability of the SRTM DEM and ASTER GDEM

for the compilation of topographic parameters in glacier inventories. In: International Journal of

Applied Earth Observation and Geoinformation (2011)

[Frey u. a. 2012] F R E Y, H. ; PAU L, F. ; S T R O Z Z I, T.: Compilation of a glacier inventory for the

western Himalayas from satellite data: methods, challenges, and results. In: Remote Sensing

of Environment 124 (2012), S. 832–843

[Fujita 2008] F U J I TA, K.: Effect of precipitation seasonality on climatic sensitivity of glacier mass

balance. In: Earth and Planetary Science Letters 276 (2008), Nr. 1–2, S. 14–19

[Galiatsatos 2004] G A L I AT S AT O S, N.: Assessment of the CORONA Series of Satellite Image-

ry for Landscape Archaeology: A Case Study from the Orontes Valley, Syria. University of

Durham, 2004

[Gardelle u. a. 2012] G A R D E L L E, J. ; B E R T H I E R, E. ; A R N AU D, Y.: Slight mass gain of

Karakoram glaciers in the early twenty-first century. In: Nature Geoscience (2012)

[Geoimage 2013] www.geoimage.com.au/images/services/page11_Ortho-Graphic.jpg. Zuletzt

besucht 15.07.2013

[Gjermundsen u. a. 2011] G J E R M U N D S E N, E. F. ; M AT H I E U, R. ; K A A B, A. ; C H I N N, T. ;

F I T Z H A R R I S, B. ; H A G E N, J. O.: Assessment of multispectral glacier mapping methods and

derivation of glacier area changes, 19782002, in the central Southern Alps, New Zealand, from

ASTER satellite data, field survey and existing inventory data. In: Journal of Glaciology 57

(2011), Nr. 204, S. 667–683

[Gorbunov 1990] G O R B U N OV, A. P.: Permafrost in the arid mountains of middle asia—the

eastern pamirs, USSR. In: Permafrost and Periglacial Processes 1 (1990), Nr. 3-4, S. 309–312

98

www.geoimage.com.au/images/services/page11_Ortho-Graphic.jpg


[Granit u. a. 2010] G R A N I T, J. ; J Ä G E R S KO G, A. ; L Ö F G R E N, R. ; B U L L O C K, A. ; G O O I J E R,

G. d. ; P E T T I G R E W, S. ; L I N D S T R Ö M, A.: Regional water intelligence report central Asia:

baseline report. (2010)

[Gratton u. a. 1990] G R AT T O N, D.J ; H O WA R T H, P.J ; M A R C E AU, D.J: Combining DEM Para-

meters With Landsat MSS And TM Imagery In A GIS For Mountain Glacier Characterization.

In: IEEE Transactions on Geoscience and Remote Sensing 28 (1990), Nr. 4, S. 766–769

[Haeberli u. a. 2007] H A E B E R L I, W. ; H O E L Z L E, M. ; PAU L, F. ; Z E M P, M.: Integrated moni-

toring of mountain glaciers as key indicators of global climate change: the European Alps. In:

Annals of Glaciology 46 (2007), Nr. 1, S. 150–160

[Haeberli u. Hoelzle M. 1995] H A E B E R L I, W. ; H O E L Z L E M .: Application of inventory data for

estimating characteristics of and regional climate change effects on mountain glaciers: a pilot

study with the European Alps. In: Annals of Glaciology (1995), Nr. 21, S. 206–212

[Hagg u. a. 2012] H A G G, W. ; M AY E R, C. ; L A M B R E C H T, A. ; K R I E G E L, D. ; A Z I Z OV, E.:

Glacier changes in the Big Naryn basin, Central Tian Shan. In: Global and Planetary Change

(2012)

[Hamandawana u. a. 2007] H A M A N D AWA N A, H. ; E C K A R D T, F. ; R I N G R O S E, S.: Proposed

methodology for georeferencing and mosaicking Corona photographs. In: International Journal

of Remote Sensing 28 (2007), Nr. 1, S. 5–22

[Hang Y. 2010] H A N G Y.: Monitoring Glacier Elevation Changes Over the Tibetan Plateau Using

ALOS PRISM and ICESat, TU Delft, Diss., 2010

[Haq u. a. 2012] H A Q, M. A. ; J A I N, K. ; M E N O N, K. P. R.: Change Monitoring of Gangotri

Glacier using Remote Sensing. In: International Journal of Soft Computing 1 (2012), Nr. 6

[Haritashya u. a. 2009] H A R I TA S H YA, U. K. ; B I S H O P, M. P. ; S H R O D E R, J. F. ; B U S H, A. B. G.

; B U L L E Y, H. N. N.: Space-based assessment of glacier fluctuations in the Wakhan Pamir,

Afghanistan. In: Climatic Change 94 (2009), Nr. 1-2, S. 5–18

[Helfricht 2009] H E L F R I C H T, K.: Veränderungen des Massenhaushaltes am Hallstätter Glet-

scher seit 1856. Innsbruck, Universität Innsbruck, Diss., 2009

[Hergarten 2004] H E R G A R T E N, C.: Investigations on Land Cover and Land Use of Gorno

Badakhshan (GBAO) by Means of a Land Cover Classification Making Use of Remote Sensing

and GIS Techniques. Bern and Switzerland, University of Bern, Diss., 2004

[Herring 2013] H E R R I N G, T.: : UNAVCO, Boulder, CO, GPS Continuous Station Data Set. 2013

[Hoeck u. a. 2007] H O E C K, T. ; D R O U X, R. ; B R E U, T. ; H U R N I, H. ; M A S E L L I, D.: Rural

energy consumption and land degradation in a post-Soviet setting – an example from the west

Pamir mountains in Tajikistan. In: Energy for Sustainable Development 11 (2007), Nr. 1, S.

48–57

99


[Hoffmann u. Walter 2006] H O F F M A N N, J. ; WA LT E R, D.: How complementary are SRTM-X

and-C band digital elevation models? In: Photogrammetric engineering and remote sensing 72

(2006), Nr. 3, S. 261–268

[Huang u. a. 2013] H U A N G, X. ; X I E, H. ; Z H A N G, G. ; L I A N G, T.: A novel solution for outlier

removal of ICESat altimetry data: a case study in the Yili watershed, China. In: Frontiers of

Earth Science (2013), S. 1–10

[Huggel u. a. 2002] H U G G E L, C. ; K Ä Ä B, A. ; H A E B E R L I, W. ; T E Y S S E I R E, P. ; PAU L, F.:

Remote sensing based assessment of hazards from glacier lake outbursts: a case study in the

Swiss Alps. In: Canadian Geotechnical Journal 39 (2002), Nr. 2, S. 316–330

[Huss u. Farinotti 2012] H U S S, M. ; FA R I N O T T I, D.: Distributed ice thickness and volume of all

glaciers around the globe. In: Journal of Geophysical Research 117 (2012), Nr. F04010

[Hydromet 2012] H Y D R O M E T: State Administration for Hydrometeorology of Tajikistan. Dushan-

be, 2012

[ILO 2010] I L O: Migrant remittances to Tajikistan: The potential for savings, economic invest-

ment and existing financial products to attract remittances. Moscow : International Labour

Organization, 2010

[Immerzeel u. a. 2010] I M M E R Z E E L, W. W. ; B E E K, L. P. H. ; B I E R K E N S, M. F. P.: Climate

Change Will Affect the Asian Water Towers. In: Science 328 (2010), Nr. 5984, S. 1382–1385

[Immerzeel u. a. 2012] I M M E R Z E E L, W. W. ; P E L L I C C I O T T I, F. ; S H R E S T H A, A. B.: Glaciers

as a Proxy to Quantify the Spatial Distribution of Precipitation in the Hunza Basin. In: Mountain

Research and Development 32 (2012), Nr. 1, S. 30–38

[IPCC WG1 2007] I P C C W G 1 (Hrsg.): Climate change 2007-the physical science basis: Wor-

king group I contribution to the fourth assessment report of the IPCC. Cambridge University

Press, 2007

[Irish 2008] I R I S H, R. R. ; N A S A (Hrsg.): Landsat 7 science data users handbook. 2008

[Iwasaki u. Fujisada 2005] I WA S A K I, A. ; F U J I S A D A, H.: ASTER geometric performance. In:

Geoscience and Remote Sensing, IEEE Transactions on 43 (2005), Nr. 12, S. 2700–2706

[Jacob u. a. 2012] J A C O B, T. ; WA H R, J. ; P F E F F E R, W. T. ; S W E N S O N, S.: Recent contributi-

ons of glaciers and ice caps to sea level rise. In: Nature 482 (2012), Nr. 7386, S. 514–518

[Jacobsen 2005] J A C O B S E N, K.: Analyses of SRTM elevation models. In: University of Hanno-

ver, Germany (2005)

[Jacobsen 2010] J A C O B S E N, K.: Vergleich von ASTER GDEM-mit SRTM-Höhenmodellen. In:

DGPF Tagungsband 19 (2010)

[Jarvis u. a. 2008] J A RV I S, A. ; R E U T E R, H.I ; N E L S O N, A. ; G U E VA R A, E.: Hole-filled

seamless SRTM data V4. In: International Centre for Tropical Agriculture (CIAT) (2008)

100


[Kääb 2005] K Ä Ä B, A.: Combination of SRTM3 and repeat ASTER data for deriving alpine glacier

flow velocities in the Bhutan Himalaya. In: Remote Sensing of Environment 94 (2005), Nr. 4, S.

463–474

[Kääb 2008] K Ä Ä B, A.: Glacier Volume Changes Using ASTER Satellite Stereo and ICESat

GLAS Laser Altimetry. A Test Study on Edge Oya, Eastern Svalbard. In: IEEE Transactions on

Geoscience and Remote Sensing 46 (2008), Nr. 10, S. 2823–2830

[Kääb u. a. 2012a] K Ä Ä B, A. ; B E R T H I E R, E. ; N U T H, C. ; G A R D E L L E, J. ; A R N AU D, Y.:

Contrasting patterns of early twenty-first-century glacier mass change in the Himalayas. In:

Nature 488 (2012), Nr. 7412, S. 495–498

[Kääb u. a. 2012b] K Ä Ä B, A. ; B E R T H I E R, E. ; N U T H, C. ; G A R D E L L E, J. ; A R N AU D, Y.:

Contrasting patterns of early twenty-first-century glacier mass change in the Himalayas: Sup-

plementary Information. In: Nature 488 (2012), Nr. 7412, S. 495–498

[Kääb u. a. 2002] K Ä Ä B, A. ; H U G G E L, C. ; PAU L, F. ; W E S S E L S, R. ; R AU P, B. ; K I E F F E R, H.

; K A R G E L, J.: Glacier monitoring from ASTER imagery: accuracy and applications. 11 (2002),

Nr. 13.3

[Kadota u. a. 2000] K A D O TA, T. ; S E KO, K. ; AO K I, T. ; I WATA S. ; YA M A G U C H I, S.: Shrinkage

of the Khumbu Glacier, east Nepal from 1978 to 1995. In: IAHS Publication (2000), S. 235–244

[Kaser u. a. 2010] K A S E R, G. ; G R O S S H AU S E R, M. ; M A R Z E I O N, B.: Contribution potential

of glaciers to water availability in different climate regimes. In: Proceedings of the National

Academy of Sciences 107 (2010), Nr. 47, S. 20223–20227

[Katalog Lednikov 1967] K ATA L O G L E D N I KOV: Glacier Inventory of the USSR. In: Vol. 13, 14

Leningrad, Hydrometeoizdat. In Russian. (1967-1982)

[Kayumov 2011] K AY U M OV, A.: Glaciers resources of Tajikistan in condintion of the climate

change. In: State Agency for Hydrometeorology of Tajikistan (2011)

[Keeratikasikorn u. Trisirisatayawong 2008] K E E R AT I K A S I KO R N, C. ; T R I S I R I S ATAYAW O N G,

I.: Reconstruction of 30m DEM from 90m SRTM DEM with bicubic polynomial interpolation

method. In: The International Archives of the Photogrammetry, Remote Sensing and Spatial

Information Sciences 37 (2008), S. 791–794

[Khromova u. a. 2006] K H R O M OVA, T. E. ; O S I P OVA, G. B. ; T S V E T KOV, D. G. ; DY U R G E R OV,

M. B. ; B A R RY, R. G.: Changes in glacier extent in the eastern Pamir, Central Asia, determined

from historical data and ASTER imagery. In: Remote Sensing of Environment 102 (2006), Nr.

1-2, S. 24–32

[Kier 2013] K I E R, Rebecca B.: GNSS-Daten from Manem, Pamir: schriftliche Mitteilung, 26.03.

2013

[Kohler u. Maselli 2009] KO H L E R, T. ; M A S E L L I, D.: Mountains and Climate Change: From

Understanding to Action. CDE, 2009

101


[Kotlyakov 1980] KO T LYA KOV, V. M.: Problems and results of studies of mountain glaciers in the

Soviet Union. In: IAHS Publication 126 (1980), S. 129–136

[Kotlyakov u. a. 2008] KO T LYA KOV, V. M. ; O S I P OVA, G. B. ; T S V E T KOV, D. G.: Monitoring

surging glaciers of the Pamirs, central Asia, from space. In: Annals of Glaciology 48 (2008), Nr.

1, S. 125–134

[Lambrecht 2012] L A M B R E C H T, A. C. Mayer V. Aizen D. Floricioiu A. S.: The Fedchenko glacier

evolution in the Pamir during eight decades. In: Journal of Glaciology in 2nd review, submitted

in November 2012 (2012)

[Lamsal u. a. 2011] L A M S A L, D. ; S AWA G A K I, T. ; WATA N A B E, T.: Digital terrain modelling

using Corona and ALOS PRISM data to investigate the distal part of Imja Glacier, Khumbu

Himal, Nepal. In: Journal of Mountain Science 8 (2011), Nr. 3, S. 390–402

[Le Meur u. a. 2007] L E M E U R, E. ; G E R B AU X, M. ; S C H Ä F E R, M. ; V I N C E N T, C.: Disap-

pearance of an Alpine glacier over the 21st Century simulated from modeling its future surface

mass balance. In: Earth and Planetary Science Letters 261 (2007), Nr. 3–4, S. 367–374

[Leska 2013] L E S K A, R.: Orthorektifizierung ASTER L1B mit ERDAS, 02.05.2013: E-Mail. 2013

[Li u. a. 1998] L I, Z. ; S U N, W. ; Z E N G, Q.: Measurements of Glacier Variation in the Tibetan

Plateau Using Landsat Data. In: Remote Sensing of Environment 63 (1998), Nr. 3, S. 258–264

[Lieb u. Slupetzky 2011] L I E B, G. K. ; S L U P E T Z K Y, H.: Die Pasterze: Gletscher am Gross-

glockner. Salzburg : A. Pustet, 2011

[Linsbauer u. a. 2012] L I N S B AU E R, A. ; PAU L, F. ; H A E B E R L I, W.: Modeling glacier thickness

distribution and bed topography over entire mountain ranges with GlabTop: Application of a fast

and robust approach. In: Journal of Geophysical Research: Earth Surface (2003–2012) 117

(2012), Nr. F3

[Linsbauer u. a. 2013] L I N S B AU E R, A. ; PAU L, F. ; M A C H G U T H, H. ; H A E B E R L I, W.: Compa-

ring three different methods to model scenarios of future glacier change in the Swiss Alps. In:

Annals of Glaciology 54 (2013), Nr. 63, S. 241

[Marzeion u. a. 2012] M A R Z E I O N, B. ; J A R O S C H, A. H. ; H O F E R, M.: Past and future sea-level

change from the surface mass balance of glaciers. In: The Cryosphere 6 (2012), Nr. 6, S.

1295–1322

[Mason 2007] M A S O N, P. Reading B. (Hrsg.): Systematic Observation Requirements for

Satellite-based Products for Climate. 2007

[Mergili u. a. 2012] M E R G I L I, M. ; KO P F, C. ; M Ü L L E B N E R, B. ; S C H N E I D E R, J. F.: Changes of

the Cryosphere and Related Geohazards in the High-Mountain Areas of Tajikistan and Austria:

A Comparison. In: Geografiska Annaler: Series A, Physical Geography 94 (2012), Nr. 1, S.

79–96

102


[Mergili u. a. 2013] M E R G I L I, M. ; M Ü L L E R, J. P. ; S C H N E I D E R, J. F.: Spatio-temporal deve-

lopment of high-mountain lakes in the headwaters of the Amu Darya River (Central Asia). In:

Global and Planetary Change 107 (2013), Nr. 0, S. 13–24

[Mergili u. Schneider 2011] M E R G I L I, M. ; S C H N E I D E R, J. F.: Regional-scale analysis of lake

outburst hazards in the southwestern Pamir, Tajikistan, based on remote sensing and GIS. In:

Natural Hazards and Earth System Sciences 11 (2011), Nr. 5, S. 1447–1462

[Mukherjee u. a. 2013] M U K H E R J E E, S. ; J O S H I, P. K. ; M U K H E R J E E, S. ; G H O S H, A. ; G A R G,

R. D. ; M U K H O PA D H YAY, A.: Evaluation of vertical accuracy of open source Digital Elevation

Model (DEM). In: International Journal of Applied Earth Observation and Geoinformation 21

(2013), Nr. 0, S. 205–217

[Narama u. a. 2010] N A R A M A, C. ; K Ä Ä B, A. ; D U I S H O N A K U N OV, M. ; A B D R A K H M AT OV,

K.: Spatial variability of recent glacier area changes in the Tien Shan Mountains, Central Asia,

using Corona (1970), Landsat (2000), and ALOS (2007) satellite data. In: Global and Planetary

Change 71 (2010), Nr. 1–2, S. 42–54

[Narama u. a. 2006] N A R A M A, C. ; S H I M A M U R A, Y. ; N A K AYA M A, D. ; A B D R A K H M AT OV,

K.: Recent changes of glacier coverage in the western Terskey-Alatoo range, Kyrgyz Republic,

using Corona and Landsat. In: Annals of Glaciology 43 (2006), Nr. 1, S. 223–229

[Nuth u. Kääb 2011] N U T H, C. ; K Ä Ä B, A.: Co-registration and bias corrections of satellite

elevation data sets for quantifying glacier thickness change. In: The Cryosphere 5 (2011), Nr.

1, S. 271–290

[Österreichische Forschungsexpedition in den Wakhan 1972] Ö S T E R R E I C H I S C H E F O R -

S C H U N G S E X P E D I T I O N I N D E N WA K H A N: Hindukusch. Hoher Hindukusch Koh-e-

Keshnikhan map: Vienna, Kartographische Anstalt Freytag-Berndt und Artaria, 1:25,000, 1972

[Paterson 1994] PAT E R S O N, William S. B.: The physics of glaciers. 3. Oxford [u.a.] : Pergamon,

1994

[Paul 2002] PAU L, F.: Changes in glacier area in Tyrol, Austria, between 1969 and 1992 derived

from Landsat 5 Thematic Mapper and Austrian Glacier Inventory data. In: International journal

of remote sensing 23 (2002), Nr. 4, S. 787–799

[Paul 2008] PAU L, F.: Calculation of glacier elevation changes with SRTM: is there an elevation

dependent bias? In: Journal of Glaciology 54 (2008), Nr. 188, S. 945–946

[Paul u. a. 2013] PAU L, F. ; B A R R A N D, N. ; B E R T H I E R, E. ; B O L C H, T. ; C A S E Y, K. ; F R E Y,

H. ; J O S H I, S. P. ; KO N OVA L OV, V. ; B R I S, R. L. ; M Ö L G, N.: On the accuracy of glacier

outlines derived from remote sensing data. In: Annals of Glaciology 54 (2013)

[Paul u. a. 2010] PAU L, F. ; B A R RY, R.G ; C O G L E Y, J.G ; F R E Y, H. ; H A E B E R L I, W. ; O H M U -

R A, A. ; O M M A N N E Y, C.S.L ; R AU P, B. ; R I V E R A, A. ; Z E M P, M.: Recommendations for the

compilation of glacier inventory data from digital sources. In: Annals of Glaciology 50 (2010),

Nr. 53, S. 119–126

103


[Paul u. Haeberli 2008] PAU L, F. ; H A E B E R L I, W.: Spatial variability of glacier elevation changes

in the Swiss Alps obtained from two digital elevation models. In: Geophysical Research Letters

35 (2008), Nr. 21

[Paul u. a. 2004] PAU L, F. ; H U G G E L, C. ; K Ä Ä B, A.: Combining satellite multispectral image

data and a digital elevation model for mapping debris-covered glaciers. In: Remote Sensing of

Environment 89 (2004), Nr. 4, S. 510–518

[Paul u. a. 2002] PAU L, F. ; K Ä Ä B, A. ; M A I S C H, M. ; K E L L E N B E R G E R, T. ; H A E B E R L I, W.:

The new remote-sensing-derived Swiss glacier inventory: I. Methods. In: Annals of Glaciology

34 (2002), Nr. 1, S. 355–361

[Paul u. Linsbauer 2012] PAU L, F. ; L I N S B AU E R, A.: Modeling of glacier bed topography from

glacier outlines, central branch lines, and a DEM. In: International Journal of Geographical

Information Science 26 (2012), Nr. 7, S. 1173–1190

[Paul u. a. 2005] PAU L, F. ; M A C H G U T H, H. ; K Ä Ä B, A.: On the impact of glacier albedo under

conditions of extreme glacier melt: the summer of 2003 in the Alps. In: EARSeL eProc 4 (2005),

Nr. 2, S. 139–149

[Pavlis u. a. 2008] PAV L I S, N. K. ; H O L M E S, S. A. ; K E N YO N, S. C. ; FA C T O R, J. K.: An earth

gravitational model to degree 2160: EGM2008. In: EGU General Assembly (2008), S. 13–18

[Pellikka 2007] P E L L I K K A, P.: Semi-automatic glacier delineation from Landsat imagery over

Hintereisferner in the Austrian Alps. In: Image Rochester NY 41 (2007), S. 55–75

[Pellikka u. Rees 2010] P E L L I K K A, P. ; R E E S, G.: Remote sensing of glaciers: Techniques for

topographic, spatial, and thematic mapping of glaciers. Boco Raton [Fla.] : CRC Press, 2010

[Pieczonka u. a. 2011] P I E C Z O N K A, T. ; B O L C H, T. ; B U C H R O I T H N E R, M.: Generation and

evaluation of multitemporal digital terrain models of the Mt. Everest area from different optical

sensors. In: ISPRS Journal of photogrammetry and remote sensing (2011)

[Potere 2008] P O T E R E, D.: Horizontal Positional Accuracy of Google Earth’s High-Resolution

Imagery Archive. In: Sensors 8 (2008), Nr. 12, S. 7973–7981

[Prigent 2010] P R I G E N T, C.: Precipitation retrieval from space: an overview. In: Comptes

Rendus Geoscience 342 (2010), Nr. 4, S. 380–389

[Quantum GIS Development Team 2013] Q U A N T U M G I S D E V E L O P M E N T T E A M: Quantum

GIS Geographic Information System. Open Source Geospatial Foundation Project. 2013. –

http://qgis.osgeo.org. Zuletzt besucht 24.06.2013

[R Core Team 2012] R C O R E T E A M: R: A language and environment for statistical computing.

R Foundation for Statistical Computing. Vienna and Austria, 2012. – http://www.R-project.org/.

Zuletzt besucht 24.06.2013

[Racoviteanu u. a. 2007] R A C OV I T E A N U, A. E. ; M A N L E Y, W. F. ; A R N AU D, Y. ; W I L L I A M S,

M. W.: Evaluating digital elevation models for glaciologic applications: An example from Nevado

Coropuna, Peruvian Andes. In: Global and Planetary Change 59 (2007), Nr. 1-4, S. 110–125

104

http://qgis.osgeo.org

http://www.R-project.org/


[Racoviteanu u. a. 2009] R A C OV I T E A N U, A. E. ; PAU L, F. ; R AU P, B. ; K H A L S A, S.J.S ;

A R M S T R O N G, R.: Challenges and recommendations in mapping of glacier parameters from

space: results of the 2008 Global Land Ice Measurements from Space (GLIMS) workshop,

Boulder, Colorado, USA. In: Annals of Glaciology 50 (2009), Nr. 53, S. 53–69

[Racoviteanu u. a. 2008] R A C OV I T E A N U, A.E ; W I L L I A M S, M.W ; B A R RY, R.G: Optical remote

sensing of glacier characteristics: a review with focus on the Himalaya. In: Sensors 8 (2008),

Nr. 5, S. 3355–3383

[Raggam 2012] R A G G A M, Hannes: : schriftliche Mitteilung vom 28.11.2012. 2012

[Raup u. a. 2007] R AU P, B. ; K Ä Ä B, A. ; K A R G E L, J. S. ; B I S H O P, M. P. ; H A M I LT O N, G.

; L E E, E. ; PAU L, F. ; R AU, F. ; S O LT E S Z, D. ; K H A L S A, S. J. ; B E E D L E, M. J. ; H E L M,

C.: Remote sensing and GIS technology in the Global Land Ice Measurements from Space

(GLIMS) Project. In: Computers & Geosciences 33 (2007), Nr. 1, S. 104–125

[Raup u. Khalsa 2010] R AU P, B. ; K H A L S A, S.J.S: GLIMS analysis tutorial. 2010. – http://www.

glims.net/MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf. Zuletzt besucht 24.06.2013

[Reich u. Thiel 2002] R E I C H, M. ; T H I E L, K. H.: Vergleich von Digitalen Höhenmodel-

len. In: Publikation der Deutschen Gesellschaft für Photogrammetrie und Fernerkundung.

22.Wissenschaftlich-Technische Jahrestagung der DGPF, (2002), Nr. 11

[Rignot u. a. 2001] R I G N O T, E. ; E C H E L M E Y E R, K. ; K R A B I L L, W.: Penetration depth of

interferometric synthetic–aperture radar signals in snow and ice. In: Geophysical Research

Letters 28 (2001), Nr. 18, S. 3501–3504

[Rodriguez u. a. 2005] R O D R I G U E Z, E. ; M O R R I S C. S . ; B E L Z J . E . ; C H A P I N E . C.

; M A R T I N J . M . ; DA F F E R W. ; H E N S L E Y S. ; J E T P R O P U L S I O N L A B O R AT O RY

PA S A D E N A C A L I F O R N I A 1 4 3 (Hrsg.): An assessment of the SRTM topographic products:

Technical Report. 2005

[Saintenoy u. a. 2013] S A I N T E N OY, A. ; F R I E D T, J-M ; B O O T H, A. D. ; TO L L E, F. ; B E R N A R D,

E. ; L A F F LY, D. ; M A R L I N, C. ; G R I S E L I N, M.: Deriving ice thickness, glacier volume and

bedrock morphology of Austre Lovénbreen (Svalbard) using GPR. In: Near Surface Geophysics

(2013), Nr. 1, S. 1–10

[Schneider u. a. 2001] S C H N E I D E R, T. ; J A C O B S E N, K. ; S E I T Z, R. ; F Ö R S T E R, B.: Remote

sensing based parameter extraction for erosion control purposes in the Loess plateau of China.

In: High Resolution Mapping from Space (2001)

[Schutz u. a. 2005] S C H U T Z, B. E. ; Z WA L LY, H. J. ; S H U M A N, C. A. ; H A N C O C K, D. ; D I -

M A R Z I O, J. P.: Overview of the ICESat Mission. In: Geophysical Research Letters 32 (2005),

Nr. 21

[Shin 2003] S H I N, S. W.: Rigorous Model of Panoramic Cameras, Ohio State University, Diss.,

2003

105

http://www.glims.net/MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf

http://www.glims.net/MapsAndDocs/assets/GLIMS_Analysis_Tutorial_a4.pdf


[Silverio u. Jaquet 2012] S I LV E R I O, W. ; J A Q U E T, J. M.: Multi-temporal and multi-source

cartography of the glacial cover of Nevado Coropuna (Arequipa, Peru) between 1955 and 2003.

In: International journal of remote sensing 33 (2012), Nr. 18, S. 5876–5888

[Sohn u. a. 2004] S O H N, H. G. ; K I M, G. H. ; YO M, J. H.: Mathematical modelling of historical

reconnaissance CORONA KH-4B Imagery. In: The Photogrammetric Record 19 (2004), Nr.

105, S. 51–66

[Sorg u. a. 2012] S O R G, A. ; B O L C H, T. ; S T O F F E L, M. ; S O L O M I N A, O. ; B E N I S T O N, M.:

Climate change impacts on glaciers and runoff in Tien Shan (Central Asia). In: Nature Climate

Change 2 (2012), Nr. 10, S. 725–731

[Surazakov u. Aizen 2006] S U R A Z A KOV, A.B ; A I Z E N, V.B: Estimating volume change of

mountain glaciers using SRTM and map-based topographic data. In: IEEE Transactions on

Geoscience and Remote Sensing 44 (2006), Nr. 10, S. 2991–2995

[Svoboda u. Paul 2009] S V O B O D A, F. ; PAU L, F.: A new glacier inventory on southern Baffin

Island, Canada, from ASTER data: I. Applied methods, challenges and solutions. In: Annals of

Glaciology 50 (2009), Nr. 53, S. 11–21

[Travaglia u. Dainelli 2003] T R AVA G L I A, C. ; DA I N E L L I, N.: Groundwater search by remote

sensing: A methodological approach. In: Environment and Natural Resources Working Paper

No. 13 (2003), Nr. 13

[UN 2004] U N ; U N I T E D N AT I O N S (Hrsg.): Environmental performance reviews series: Taji-

kistan. New York and Geneva, 2004

[UNDP 2010] U N D P ; U N I T E D N AT I O N S D E V E L O P M E N T P R O G R A M M E (Hrsg.): Millenni-

um Development Goals Tajikistan Progress Report. 2010

[UNDP 2013] U N D P ; U N I T E D N AT I O N S D E V E L O P M E N T P R O G R A M M E (Hrsg.): Human

Development Report. New York and USA, 2013

[USGS 2013] U S G S: Landsat - A Global Land-Imaging Mission. In: U.S. Department of the

Interior U.S. Geological Survey Fact Sheet (2013)

[Wang u. a. 2013] WA N G, X. ; G O N G, P. ; Z H A O, Y. ; X U, Y. ; C H E N G, X. ; N I U, Z. ; L U O, Z.

; H U A N G, H. ; S U N, F. ; L I, X.: Water-level changes in China’s large lakes determined from

ICESat/GLAS data. In: Remote Sensing of Environment 132 (2013), Nr. 0, S. 131–144

[Watt 2005] WAT T, D.: Sovjet military mapping. (2005)

[WGMS u. NSIDC 1989] W G M S ; N S I D C: World Glacier Inventory: Compiled and made

available by the World Glacier Monitoring Service, Zurich, Switzerland, and the National Snow

and Ice Data Center, Boulder CO, U.S.A. 1989 - 2012

[Williams u. Konovalov 2008] W I L L I A M S, M. W. ; KO N OVA L OV, V.: Central Asia Temperature

and Precipitation Data, 1879-2003. Boulder and Colorado: USA National Snow and Ice Data

Center, 2008

106


[Yale University 2013] YA L E U N I V E R S I T Y: Environmental Performance Index 2012. 2013. –

http://epi.yale.edu/dataexplorer/countryprofiles?iso=114TJK. Zuletzt besucht 16.06.2013

[Zhang u. a. 2011] Z H A N G, G. ; X I E, H. ; K A N G, S. ; Y I, D. ; AC K L E Y, S. F.: Monitoring lake

level changes on the Tibetan Plateau using ICESat altimetry data (2003–2009). In: Remote

Sensing of Environment 115 (2011), Nr. 7, S. 1733–1742

[Zogg 2009] Z O G G, J. M.: GPS und GNSS: Grundlagen der Ortung und Navigation mit Satelliten.

2009

[Zwally u. a. 2003] Z WA L LY, H. J. ; S C H U T Z R . ; B E N T L E Y C. ; B U F T O N J . ; H E R R I N G T.

; M I N S T E R J . ; S P I N H I R N E J . ; T H O M A S R .: GLAS/ICESat L2 Antarctic and Greenland

Ice Sheet Altimetry Data V001. Boulder and CO, 2003

107

http://epi.yale.edu/dataexplorer/countryprofiles?iso=114TJK

Anhang

109

A Kartographische Darstellungen

111

A Kartographische Darstellungen

Lairon, 2008 m Lahs, 2002 m Altyn-Mazar, 2782 m Fedchenko, 4196 m Savnob, 2955 m

Karakul, 3932 m

Akbaital Pass, 4655 m

Murghab, 3576 m

Shaymak, 3840 mBulunkul, 3744 mIrkht, 3276 mDshavshangoz, 3438 mIskhashim, 2510 mKhorog, 2077 m

Novobod, 2576 m

Rushan, 1980 m

Humragi, 1737 m

Kala-i-Khumb, 1231 m

Abbildung A.1: Kartographische Darstellung aller Klimastationen in der Umgebung des EZG mit dazugehörigen Klimadiagrammen. EZG schwarz umrandet mit Landsat TM von 2011 (Kanalkombination 5-4-3), Geländemodellbasierend auf SRTM v4.1 im Hintergrund. Räumliche Anordnung der Klimadiagramme basierend auf geographischer Lage der Klimastation. Darstellung der Klimadiagramme nach Walter/Lieth

112

B Verwendete Software

Folgende Software wurde für die Prozessierung und Auswertung und Darstellung der Daten und

Ergebnisse verwendet:

• ArcGIS Desktop 10.1 von ESRI

• Geomatica 2013 von PCI

• ERDAS Imagine 2013 von Intergraph

• QGIS 1.8.0 (Quantum GIS Development Team, 2013)

• SAGA 2.1

• GlabTop

• R 3.0.1 (R Core Team, 2012) und RStudio IDE v.0.97 inklusive diverser Pakete

• IDL 8.2 und IDL Virtual Machine von Exelis VIS

• Pathfinder Office 5.40 von Trimble

• hsynth WGS84

• NGAT 0.14 (NSIDC GLAS Altimetry elevation extractor Tool)

• Photoshop 12.1 von Adobe

113

C Verwendete Satellitendaten

C.1 Corona

Tabelle C.1: Verwendete Szenen von CORONA KH-4B

Bezeichnung Aufnahmedatum Auflösung in m Kamera

DS1104-2169DF107 18.08.1968 1,8 Stereo High ForwardDS1104-2169DF106 18.08.1968 1,8 Stereo High ForwardDS1104-2169DA112 18.08.1968 1,8 Stereo High BackwardDS1104-2169DA113 18.08.1968 1,8 Stereo High Backward

115


C.2 Landsat

Tabelle C.2: Datensatz Landsat MSS 1977

Bezeichnung Aufnahme-datum

Lage Sonnenstandin °

Bewölkungin %

LM21620341977216AAA02 04.08.1977 Ost 51,3 20LM21630341977271AAA02 28.09.1977 West 39,2 0

Tabelle C.3: Datensatz Landsat TM 1998



Bewölkungin %

LT51500341998232BIK00 20.08.1998 Ost 55,4 1,24LT51510341998255BIK04 12.09.1998 West 49,7 34,63LT51510341998287XXX01 14.10.1998 West 39,9 10

Tabelle C.4: Datensatz Landsat TM 2011



Bewölkungin %

LT51500342011236KHC00 24.08.2011 Ost 56,0 0,47LT51510342011227KHC00 15.08.2011 West 58,1 34,37LT51510342011275KHC00 02.10.2011 West 44,7 0,88

116

C.3 ASTER

C.3 ASTER

Tabelle C.5: Datensätze ASTER


ast_l1b_00308172000061320_20120910035547_22489 17.08.2000ast_l1b_00308042001060625_20120910035547_22485 04.08.2001ast_l1b_00309222002061210_20120910035557_22713 22.09.2002ast_l1b_00309222002061218_20120910035557_22711 22.09.2002ast_l1b_00309222002061227_20120910035557_22708 22.09.2002ast_l1b_00309112004061013_20120910060116_26693 11.09.2004ast_l1b_00309112004061022_20120910060116_26691 11.09.2004ast_l1b_00309232005060341_20120910060116_26695 23.09.2005ast_l1b_00309232005060350_20120910060105_26493 23.09.2005ast_l1b_00309232005060359_20120910060105_26487 23.09.2005ast_l1b_00309102006060417_20120910060105_26477 10.09.2006ast_l1b_00308192007061119_20120910060126_27211 19.08.2007ast_l1b_00309222007055841_20120910060126_27206 22.09.2007ast_l1b_00309222007055850_20120910060105_26494 22.09.2007ast_l1b_00309292007060450_20120910062449_954 29.09.2007ast_l1b_00309292007060458_20120910062449_959 29.09.2007ast_l1b_00309292007060507_20120910062449_968 29.09.2007ast_l1b_00310082007055834_20120910062449_971 08.10.2007ast_l1b_00310222007061045_20120910062459_1128 22.10.2007

117


C.4 RapidEye

Tabelle C.6: Übersicht RapidEye über die verfügbaren Datensätze mit Metadaten zum Aufnahme-zeitpunkt und Wolkenbedeckung

Name Aufnahme-datum

Wolkenbe-deckung in

%

2009-08-12T064010_RE1_1B-NAC_11492954_151265 12.08.2009 4.002009-08-14T064030_RE3_1B-NAC_11492959_151265 14.08.2009 7.002009-08-21T064704_RE5_1B-NAC_11495031_151265 21.08.2009 4.002009-08-26T065149_RE5_1B-NAC_11493515_151265 26.08.2009 18.002009-08-28T065538_RE2_1B-NAC_11494915_151265 28.08.2009 11.002010-08-20T064908_RE2_1B-NAC_11492866_151265 20.08.2010 11.002010-08-30T065842_RE2_1B-NAC_11492955_151265 30.08.2010 29.002010-09-10T064707_RE4_1B-NAC_11493245_151265 10.09.2010 4.002011-07-20T070006_RE2_1B-NAC_11494118_151265 20.07.2011 11.002011-07-26T070317_RE3_1B-NAC_11497401_151265 26.07.2011 12.002011-08-17T070754_RE1_1B-NAC_11495675_151265 17.08.2011 27.002011-08-19T070648_RE3_1B-NAC_11495238_151265 19.08.2011 3.002011-08-20T070705_RE4_1B-NAC_11492940_151265 20.08.2011 21.002011-08-23T065104_RE3_1B-NAC_11497360_151265 23.08.2011 2.002011-09-03T070103_RE4_1B-NAC_11494019_151265 03.09.2011 28.002011-09-04T070326_RE5_1B-NAC_11492794_151265 04.09.2011 6.002011-09-05T070619_RE1_1B-NAC_11492956_151265 05.09.2011 27.002011-09-06T070649_RE2_1B-NAC_11492793_151265 06.09.2011 22.002011-09-17T065449_RE4_1B-NAC_11493646_151265 17.09.2011 23.002011-09-21T065906_RE3_1B-NAC_11492864_151265 21.09.2011 27.002011-10-01T064820_RE4_1B-NAC_11493911_151265 01.10.2011 3.002012-07-13T065020_RE4_1B-NAC_11492863_151265 13.07.2012 12.002012-07-28T070442_RE4_1B-NAC_11497709_151265 28.07.2012 9.002012-07-29T070718_RE5_1B-NAC_11495676_151265 29.07.2012 41.002012-07-30T065052_RE2_1B-NAC_11493921_151265 30.07.2012 11.002012-07-30T071007_RE1_1B-NAC_11493514_151265 30.07.2012 23.002012-08-01T064857_RE4_1B-NAC_11492949_151265 01.08.2012 30.002012-08-09T070009_RE2_1B-NAC_11497850_151265 09.08.2012 29.002012-08-24T065147_RE3_1B-NAC_11497488_151265 24.08.2012 5.002012-09-16T065611_RE2_1B-NAC_11492865_151265 16.09.2012 9.00

118

D Projektanträge

D.1 RapidEye

119

Proposal Rapideye

Titel des Projektes: Hochauflösende Erfassung aktueller Gletscherausdehnungen in einem kalt-

ariden Einzugsgebiet im Pamir-Gebirge, Zentralasien

Anwendungsgebiet: Hydrologie, Glaziologie

Geographische Lage (WGS84): UL: 71.5 E 38.0N LR: 74.3 E 36.89N

Das Einzugsgebiet des Flusses Gunt im Osten Tadschikistans, Pamir ca. 14 000 km2

1 Team Erfahrung

Das Team setzt sich zusammen aus Wissenschaftlern unterschiedlicher Fachgebiete, die ihr

Wissen in der Catchment Hydrologie zusammenführen.

Dr. Tino Roediger und Malte Knoche verfügen über mehrjährige Erfahrung in der hydrologischen

Modellierung (semi-) arider Einzugsgebiete in Äthiopien, Israel, Jordanien und Saudi-Arabien.

Dabei verwenden sie regelmäßig verschiedene Satellitendatensätze. Prof. Ralf Merz ist ein aus-

gewiesener hydrologischer Modellierer in alpinen Gebieten Mitteleuropas. Er kann zahlreiche

ISI-Publikationen auf dem Gebiet der hydrologischen Modellierung vorweisen. Martin Lindner ver-

fasst seine Master-Arbeit auf dem Gebiet der Glaziologie an der Universität Innsbruck. Er verfügt

über detaillierte Kenntnisse in der Gletscherfernerkundung, Stereophotogrammetrie und kann in

Innsbruck auf ein Netzwerk von Experten der Gletscherforschung zurückgreifen. Dem gegenüber

steuern Dr. Stephan Weise und Christiane Ebert ihre Kompetenz aus der Hydrologie stabiler

und radioaktiver Isotope als Umwelttracer bei. Deren umfangreiches Monitoringnetz an Oberflä-

chengewässern im Einzugsgebiet dient der Charakterisierung und Trennung der verschiedenen

Abflusskomponenten (Gletscher-, Schneeschmelze, Grundwasser, Evaporation, Seewasser). Dr.

Weise ist ein ausgewiesener Fachmann auf dem Gebiet der Isotopenhydrologie und Hydrochemie

und kann zahlreiche ISI-Publikationen vorweisen.

2 Team Organisation

Das Projekt PAMIRWater wird geleitet von Dr. Stephan Weise. Stephan Weise ist zugleich ver-

antwortlich für den Teilbereich Monitoring/Isotopenhydrologie und Fachbetreuer der Doktorandin

Christiane Ebert.

Dr. Tino Rödiger ist befasst mit dem Teilbereich Hydrometrie. Er ist Fachbetreuer des Doktoranden

Malte Knoche.

Prof. Ralf Merz ist der Leiter des Departments Catchment Hydrology am Helmholtz-Zentrum

für Umweltforschung (UFZ) in Halle (Saale). Er koordiniert Forschung und Entwicklung auf dem

Gebiet der hydrologischen Modellierung. Ralf Merz betreut die Promotionen beider Doktoranden

an der Martin-Luther-Universität Halle-Wittenberg.

1

Der Antragssteller Malte Knoche (Diplom-Geoökologe) wird in seiner Promotion den Wasserkreis-

lauf eines kalt-ariden, vergletscherten Einzugsgebietes modellieren, welches repräsentativ für

die Hochgebirge Zentralasiens ist. Für den Modellzeitraum 1960–2012 sollen die Gletscherres-

sourcen in hoher zeitlicher Auflösung erfasst werden. Martin Lindner (BSc Geographie) wird

dies anhand verschiedener Fernerkundungs-Datengrundlagen unternehmen. Die Bearbeitung

der RapidEye-Datensätze wird von Martin Lindner und Malte Knoche durchgeführt. Christiane

Ebert befasst sich in ihrer Dissertation mit der hydrochemischen Charakterisierung der Gletscher-

schmelze und anderer Wässer. Das Projekt PamirWater wird durch das BMBF gefördert und ist

Teil des Clusters „Central Asian Monsoon Dynamics and Ecosystems“ CAME.

3 Teammitglieder

Knoche, Malte, [email protected],UFZHalle, Catchment Hydrology

Lindner, Martin, [email protected], Universität Innsbruck, Glaziologie

Ebert, Christiane, [email protected], UFZ Halle, Catchment Hydrology

Merz, Ralf, Prof. Dr., [email protected], UFZ Halle, Catchment Hydrology

Weise, Stephan, Dr., [email protected], UFZ Halle, Catchment Hydrology

Rödiger, Tino, Dr., [email protected], UFZ Halle, Catchment Hydrology

4 Innovativer Charakter auf Forschungsgebiet

Das Forschungsprojekt PAMIRWater erforscht interdisziplinär den Wasserhaushalt eines Fluss-

einzugsgebietes im Pamir-Hochgebirge. Das vergletscherte, kalt-aride Einzugsgebiet erhält fast

ausschließlich Winterniederschläge und ist damit repräsentativ für die Hochgebirge Zentralasiens

und das Einzugsgebiet des Aralsees. Die schnelle Schneeschmelze und niederschlagsfreie Som-

mer sowie Permafrost, gepaart mit typischen Bodeneigenschaften arider Gebiete (Wüstenpflaster,

Bodenverkrustung, Infiltrationsexzess) stellen einen Spezialfall in der Hydrologie dar. Dieser Spe-

zialfall kann durch bestehende hydrologische Modellkonzepte kaum repräsentiert werden. Die

Zielstellung des Projektes besteht daher in der Entwicklung

1. eines effektiven Monitoring-Netzes unter Nutzung stabiler und radioaktiver Isotope zum

Zweck der Abfluss-Trennung.

2. eines hydrologischen Modellkonzeptes für zentralasiatische Hochgebirge unter Nutzung

von Multi Response Data Calibration .

Dabei sollen die Informationen aus 1) sowie MOD11C1 Snow-Cover Daten und die Gletscherfern-

erkundung (RapidEye u.a.) mit Durchflussdaten seit 1960 zur Kalibrierung des hydrologischen

Modells verwendet werden. Dieser „Multi-Response-Daten“ -Ansatz trägt der Tatsache Rechnung,

dass in praktisch allen zentralasiatischen Einzugsgebieten zu wenige Abfluss-Zeitreihen existie-

ren, um hydrologische Modelle angemessen kalibrieren zu können. Zielsetzung dabei ist, alle

2

Abflusskomponenten einzeln zu erfassen und zu kalibrieren. Nur so kann eine spätere Modellie-

rung von (Klima-) Szenarien gewährleistet werden. Erstmals werden langjährige hydrologische

und glaziologische Datenreihen für dieses Gebiet erfasst, zusammengetragen und ausgewertet.

Wir beabsichtigen, insbesondere auch die Gletscherausdehnungen des Einzugsgebietes als jähr-

liche Zeitreihen zu erfassen. Mit der Erstellung eines detaillierten Gletscherinventars kann ein

wichtiger Beitrag zu GLIMS (Global Land Ice Measurement from Space) geleistet werden.

5 Beitrag zu Missionszielen

Die Anwendung der RapidEye-Daten erfolgt in der hydrologischen Grundlagenforschung und

soll in der Thematik „dealing with data scarcity“ bzw. „predictions in ungauged basins (PUB)“

publiziert und präsentiert werden. Da wir auf der Suche nach neuen innovativen hydrologischen

Modellansätzen sind, wird die Anwendung der RapidEye Daten auf jeden Fall einem größeren

Wissenschaftlerkreis zugänglich gemacht - innerhalb und außerhalb der Helmholtz-Gesellschaft.

Für Regionen mit sehr eingeschränkter Datenverfügbarkeit (PUB) weisen wir auf die Nutzung

neuer Datengrundlagen hin und erweitern so den potentiellen Anwenderkreis von RapidEye Pro-

dukten. Dies gilt insbesondere für alle Projekte im BMBF-Cluster CAME und deren ausländische

Projektpartner. Da beide Dissertationen des Projektes als kumulative Doktorarbeiten angelegt

sind, ist eine wissenschaftliche Publikation der RapidEye Anwendung gewährleistet. Wir werden

im Sommer 2013 vor Ort mindestens 50 Ground Control Points aufnehmen, um die 1B-Daten

zu rektifizieren. Konkret wird im Science Plan von RapidEye das Monitoring der natürlichen Res-

sourcen als Ziel verankert. In Zentralasien ist gerade Wasser eine besonders knappe Ressource,

wobei der Nutzungskonflikt sich infolge des Globalen Wandels weiter verschärfen kann. Ein umfas-

sendes Monitoring dieser Ressource bildet damit auch eine Grundlage für erfolgreiche Abkommen

zwischen Ober- und Unterlieger in Zentralasien und hat somit eine große sicherheitspolitische

Relevanz, auch für Europa. Für die Erfassung der Gletscheränderung und der Klassifizierung der

Landnutzung sind die Daten der Rapideye-Mission in hohem Maße geeignet.

6 Kurzfassung des Proposals

Ziel des Verbundprojektes PAMIRWater ist die Untersuchung der hydrologischen Schlüsselpro-

zesse im Einzugsgebiet des Gunt Flusses im Pamir-Hochgebirge als exemplarische Modellregion

des Aralsee-Einzugsgebietes. Das Projekt ist in das BMBF-Forschungsprogramm „Central Asian

monsoon dynamics and ecossystems“ (CAME) eingebettet und wird durch das BMBF bis 2014

finanziert. Mit einem breiten methodischen Spektrum soll das durch Winterniederschlag und Glet-

scherrückgang gekennzeichnete semi-aride hydrologische System erfasst und die Auswirkungen

des Klimawandels auf die Großregion modellierend extrapoliert werden. Neben der Durchfüh-

rung detaillierter Grundwasserstudien und Abflussmessungen werden Methoden der Fernerkun-

dung für die Analyse der planimetrischen und volumetrischen Gletscheränderung verwendet. Bei

3

der Modellierung des Schnee-Wasser-Äquivalents und der Gletscherschmelze kommen multi-

temporale Satellitendaten für die Modellkalibrierung zum Einsatz. Während für die Kalibrierung

der Schneebedeckung tägliche MODIS-Daten (MOD11C1) ausreichen, ist für die Erfassung von

Gletscherveränderungen hochauflösendes Bildmaterial unerlässlich. Als hochauflösenden Refe-

renzdatensatz für die Repräsentation eines möglichst aktuellen Ist-Zustandes sollen Bilder der

RapidEye-Satelliten verwendet werden. Der Einsatz der RapidEye-Daten wird komplettiert durch

die Aufnahme von Ground Control Points im Sommer 2013.

7 Zeitplan

Sommer 2011: Projektstart, 1. Geländekampagne. Erfassung aller hydrometrischen und meteo-

rologischen Stationen. Aufbau des Monitoring-Netzes. Orientierung

Sommer 2012: Phase 1/Datenakquise ist weit voran geschritten. Alle hydrometeorologischen

Daten, einschließlich Fernerkundung sind erschlossen. Die isotopenhydrologischen Zeitreihen

(monatlich) werden fortwährend aufgezeichnet von lokalen Projektpartnern. Erste Ergebnisse

wurden auf dem CAME Jahrestreffen 2012 in Frankfurt/Main vorgestellt.

Phase 2: Modellierung beginnt. Analyse von Wasserproben ist fortgeschritten. Datenakquise

(Phase 1) konzentriert sich jetzt ganz auf die Gletschererfassung

Sommer 2013: 2.Geländekampagne: Aufbau hydrometeorologischer Stationen, Ground Control

Points, Wasserprobenahme.

Ende 2013: Phase 3: Ergebnisse, Publikation, Report Zwischenbericht

Sommer 2014: Phase 3: Report Endergebnisse, Publikation

8 Detaillierte Beschreibung

Das Projekt PAMIRWater ist eingebunden in das vom BMBF geförderte Verbundprojekt „WTZ

Zentralasien – Monsundynamik & Geoökosysteme“ (CAME) mit dem Förderkennzeichen FKZ

03G0815. In Kooperation mit dem Staatsamt für Hydrometeorologie in Tadschikistan wird das

Projekt durch das UFZ Halle (Department Catchment Hydrology) und der TU Freiberg (Institut

für Geologie, Remote Sensing Group) durchgeführt. Ziel ist es, die hydrologischen Schlüssel-

prozesse im Einzugsgebiet des Gunt Flusses in Tadschikistan zu untersuchen, um den Einfluss

der Klimaveränderung sowie den anthropogenen Einfluss auf die Wasserressourcen zu erfas-

sen. Es werden detaillierte Grundwasserstudien insbesondere der Neubildungsgebiete mittels

Fernerkundungstechniken und isotopenhydrologischen Methoden durchgeführt. Die langjährigen

hydrologischen, meteorologischen und glaziologischen Datenreihen werden in ein hydrologisches

Modell implementiert. Damit lassen sich der Oberflächenabfluss und die Grundwasserneubildung

in hoher räumlicher und zeitlicher Auflösung bestimmen.

4

Hier ist das angestrebte Verfahren zur Kalibrierung und Validierung der einzelnen Abflusskom-

ponenten von besonderer Bedeutung (Stichworte „mimicking“ und „equifinality“ in der hydrolog.

Modellierung). Abflussseparationen auf Basis stabiler/radioaktiver Isotope sowie multi-temporale

Fernerkundung von Schnee- und Eisflächen stellen dabei eine ideale Ergänzung klassischer

Kalibriertechniken dar. Nur wenn Gletscherschmelze, Schneeschmelze und Basisabfluss einzeln

modelliert, kalibriert und validiert werden, können später wissenschaftlich verwertbare Klimasze-

narien berechnet werden. Der besondere Vorteil der Nutzung von Fernerkundungsdaten in der

Kalibrierung eines hydrologischen Modells liegt in der räumlichen Erfassung eines Parameters

(hier: Schneedecke, Schmelztemperatur, Gletschervolumenveränderung), während klassische

Kalibrierverfahren auf punktuelle Informationen zurückgreifen und Parameter daher grundsätzlich

als homogen für ein (Teil-) Einzugsgebiet angesehen werden. Die systematische Trennung der

Abflüsse aus Schneeschmelze und Gletscherschmelze erfolgt in den meisten hydrologischen

Modellierungen nicht. Diese Trennung ist aber unerlässlich, will man die zukünftigen Wasserres-

sourcen einer Zielregion (hier: Zentralasien) zuverlässig abschätzen. Hier liefert die Isotopenhy-

drologie zuverlässige Daten, z.B. ist Gletschereis Tritium-frei, während Schnee atmosphärisches

Tritium enthält. Allerdings sind isotopenhydrologische Messreihen nicht vorhanden und müssen

vom Projektteam erst erzeugt werden. Dass schränkt diese Datengrundlage auf die Jahre 2011,

2012 und 2013 ein, während Fernerkundungsdaten etwa seit 1972 existieren. RapidEye Daten

bieten uns hier die Möglichkeit, im selben Zeitraum mit sehr hoher Raum-Zeit-Auflösung die Glet-

scherentwicklung geodätisch zu erfassen, hydrologisch zu modellieren, und isotopenhydrologisch

zu validieren. Das ist eine einmalige Chance, durch drei verschiedene Methoden die Modellunsi-

cherheit deutlich zu reduzieren.

Die glaziologische Datenreihe besteht bisher aus dem Gletscherkatalog der UdSSR (1947), wel-

cher im Rahmen des World Glacier Inventory digitalisiert wurde. Weiterhin werden, den Empfeh-

lungen von GLIMS (Global Land Ice Measurement from Space) folgend, multispektrale Daten von

Landsat (ab 1972) und ASTER (ab 2000) für die flächenhafte Erfassung der Gletscheränderung

verwendet. Für die Analyse der volumetrischen Gletscheränderung werden einerseits bestehende

Geländemodelle (z.B. SRTM-Daten im C-und X-Band) verwendet und andererseits mittels Stereo-

photogrammmetrie Geländemodelle aus ASTER-Daten berechnet. Sowohl für die flächenhafte

als auch für die volumetrische Änderung sind RapidEye-Daten sehr gut geeignet. Zwar ist bei

hochauflösenden Sensoren mit einer geringen Schwadbreite eine flächendeckende Verfügbarkeit

von schnee-und wolkenfreien Szenen innerhalb einer Ablationsperiode sehr schwierig. Doch auf-

grund der einmaligen Konstellation von RapidEye, kann durch die Verwendung von fünf Satelliten

und der daraus resultierenden täglichen Überfliegung dieses Problem erfolgreich umgangen wer-

den. Damit bietet RapidEye die Möglichkeit einer detaillierten Aussage über den Ist-Zustand der

Gletscher und der Landbedeckung des Untersuchungsgebietes. Während einer Geländekampa-

gne im Sommer 2013 sollen ausreichend viele Ground Control Points mittels dGPS eingemessen

werden, um die 1B-Daten rektifizieren zu können.

5

9 Spezifische Anforderung

Für die Klassifizierung der Gletscher muss das Untersuchungsgebiet nicht nur wolken-, sondern

auch möglichst schneefrei sein. Daher sind Aufnahmen von August und September grundsätzlich

am besten geeignet. Idealerweise sollte die Situation eines Jahres beschrieben werden. Da eine

flächendeckende Verfügbarkeit von schnee-und wolkenfreien Kacheln trotz hoher geometrischer

Auflösung für den Zeitraum von einem Jahr kaum von anderen Satelliten ermöglicht werden kann,

eignen sich die Daten von RapidEye aufgrund ihrer besonderen Konstellation hervorragend. Ein

weiteres Ziel ist die Berechnung eines digitalen Geländemodells aus Stereobildern, was allerdings

die Anzahl der benötigten Szenen erhöht. Es werden 1B Daten der Monate August/September

mit einer Bewölkung unter 30 % (aufgrund der Probleme der automatischen Wolkenklassifizierung

bei Schnee) bevorzugt. Falls eine zu starke Bewölkung keine flächendeckende stereophotogram-

metrische Auswertung zulässt, können auch Szenen aus dem Monat Juli verwendet werden. Wir

beantragen die Nutzung von RapidEye Daten aus den Monaten Juni - September 2011 und 2012.

Falls es möglich ist, auch aus den Jahren 2009 und 2010 (Juni–September) RapidEye Daten zu

erhalten, würden wir uns sehr darüber freuen. Daraus ergäbe sich für uns die Möglichkeit über

vier Jahre mit maximaler Raum-Zeit-Auflösung die Gletscheränderung zu erfassen, was einen

enormen Mehrwert für die Kalibrierung bieten würde. Hier könnte ein direkter Methodenvergleich

zwischen Geodäsie, Modellierung und Isotopenhydrologie stattfinden.

6

D Projektanträge

D.2 SPOT

126

Proposal SPOT

Title: Space-based planimetric and volumetric glacier changes in a cold-arid catchment in thePamir Mountains, Central Asia

Primary Domain: Ice

Secondary Domain: Hydrology

Study Area: Asia

1 Executive Summary

Main goal of the project PAMIRWater is the investigation of hydrological key processes in thecatchment of the river Gunt in the Pamir Mountains as a model region of the Aral Sea catch-ment. The project is embedded in the research program “Central Asian monsoon dynamicsand ecosystems” (CAME) and will be financed until 2014 by the German Federal Ministry ofEducation and Research (BMBF). The semi-arid catchment, characterized by winter precipita-tion and glacier retreat, shall be comprehended by a broad methodological spectrum. Besidesa detailed study of groundwater meltwater, several remote sensing methods are used for aplanimetric and volumetric analysis of glacier change. For modeling snow water equivalent,snowmelt and glacier melt multi-temporal satellite data is used for model calibration. Whiledaily snow cover data (MOD10C1, AMSR-E SWE) are sufficient for calibration of the snowcover, high spatial and temporal resolution data is obligatory for the detection of planimetricglacier change. Glacier outlines will be mapped from Corona (1968), Landsat (1977, 1998,2011), Rapideye and ideally SPOT. The analysis of volumetric changes is based on digitalelevation models. Those are SRTM and stereo images from Corona and ASTER

2 Innovation

The research project PAMIRWater explores the water budget of a river catchment in thePamir Mountains in an interdisciplinary way. The glaciated cold-arid catchment obtains mostlywinter precipitation and is therefore representative for the high mountains of Central Asiaand the catchment of the shrinking Aral Sea. The short thawing period, the low precipitationin summer, together with permafrost and typical soil properties of arid regions (desertpavements, infiltration excess) displays a special case in hydrology. This case cannot berepresented through current hydrological model concepts.

The separated runoff components as well as remote sensing snow cover data, lake level anddischarge data since 1960 will be used for the calibration of the hydrological model. This multi-response-data-approach represents a possibility for calibration in Central Asian catchmentswith typically few discharge time series. Various optical and radar data (Corona, Landsat,

1

Aster, Rapideye, SRTM and others) are to be used to identify the glacier development.Nevertheless, these data sources are still incomplete and though our ability to identify glaciermelt is still challenging. Main goal is to model and calibrate all runoff components discretely.The modeling of climate change impacts on the water cycle of the Aral Sea basin can beimproved.

For the first time longstanding hydrological and glaciological data series are recorded, col-lected and analyzed for the Central and Southern Pamirs. The acquisition of time series asdense as possible, especially for glacier areas, is intended.

3 Team Composition

Principal Investigator:

Lindner, Martin, [email protected], 0043-68120529889, University Innsbruck,Geography, Innrain 52 6020 Innsbruck, Austria

Co-Investigators:

Malte Knoche: [email protected] |tel. +49 345 558 5490Christiane Ebert: [email protected]. Dr. Ralf Merz: [email protected]. Stephan Weise: [email protected]. Tino Rödiger: [email protected]: Helmholtz Center for Environmental Research – UFZ, Department Catchment Hydrology,Theodor-Lieser-Str. 4, D-06120 Halle (Germany)

The project PAMIRWater is headed by Dr. Stephan Weise. He is responsible for the sectionMonitoring/Isotope Hydrology and supervisor of PhD candidate Christiane Ebert. Dr. TinoRödiger is responsible for the section Hydrometry. He is supervisor of PhD candidate MalteKnoche.

Prof. Ralf Merz is the head of the Department Catchment Hydrology at the HelmholtzCentre for Environmental Research (UFZ) in Halle, Germany. He coordinates research anddevelopment on the subject of hydrological modeling. Ralf Merz supervises the dissertationof both PhD students at the Martin-Luther University Halle-Wittenberg.

Christiane Ebert deals with the isotopic and hydrochemical characterization of the catchment’swater cycle components.

Malte Knoche will model the water cycle of the glaciated cold-arid catchment within his PhDthesis. For the time frame 1960-2012 glacier change will be acquired in high temporal andspatial resolution. B.Sc. Martin Lindner, the PI of the proposal, will do this based on multipleremote sensing datasets.

2

The project PAMIRWater is funded by the German Federal Ministry of Research and Education(BMBF) and is part of the cluster “Central Asian Monsoon Dynamics and Ecosystems”CAME.

4 Experience of the Team

The team is composed of scientists from different divisions, who merge their experience in theCatchment Hydrology. Dr. Tino Rödiger and Malte Knoche are experienced in hydrologicalmodeling of (semi-) arid catchments in Ethiopia, Israel, Jordan, and Saudi-Arabia. Prof. RalfMerz is a hydrological modeler of alpine catchments in Central Europe. He has published arange of ISI publications. Martin Lindner writes his master thesis in the field of space-basedmapping of glacier change. He is skilled at remote sensing, glaciology and hydrologicalmodeling and has access to a network of experts in glacier research at the University ofInnsbruck. Dr. Stephan Weise and Christiane Ebert contribute their knowledge about isotopehydrology and the usage of stable and radioactive isotopes as environmental tracers. Theirextensive monitoring network at surface water bodies helps to characterize and separatethe different discharge components (glacier melt, snowmelt, groundwater, evaporation, lakewater). Dr. Weise is an expert on the subject of isotope hydrology and hydrochemistry withseveral ISI publications.

5 Contribution to the Mission Objectives

Our project contributes directly to SPOTs mission objective to allow a more effective analysis,monitoring and management of the Earths resources. The mission is an essential elementin providing longterm continuous data sets that are crucial for addressing environmentaland climatological issues. Since 1986, when the first SPOT satellite was launched, SPOTconstellation has been supplying high-resolution and wide area imagery. The suitable ap-plication of SPOT imagery for remote sensing glacier mapping will be made available to abroad spectrum of scientists. We intend to publish our results in international peer-reviewedjournals. The results will be presented on the EGU conference 2014 and internal meetingsof the CAME Cluster, related to the German Federal Ministry of Education and Research(BMBF).

6 Detailed Description

The project PAMIRWater is embedded in the research program “Central Asia: Monsoondynamics and ecosystems” (CAME). CAME addresses recent problems in the areas ofclimate change, geodynamics, geo-resources (including water), and geo-hazard potential.The investigations on the interdisciplinary projects are carried out in international cooperation.

3

In cooperation with the Government Office for Hydrometeorology in Tajikistan, the project isrealized by the Helmholtz Center for Environmental Research Halle (Department CatchmentHydrology) and the Technical University Freiberg (Remote Sensing Group).

The main goal is to investigate the key processes in the catchment of the River Gunt in theTajik Pamir Mountains to determine the influence of climate change to the water resources.Especially the origins of groundwater are carried out with methods of remote sensing,isotope hydrology and hydrological modeling. Long-term hydrological, meteorological andglaciological data series will be implemented in a hydrological model. Consequently it ispossible to determine surface runoff and groundwater formation in high spatial and temporalresolution.

The targeted methods for calibration and validation of the particular discharge componentshave special meaning (keyword “mimicking” and “equifinality”). Discharge separation basedon stable/radioactive isotopes together with multitemporal remote sensing snow and glacierareas present an ideal addition to classical calibration approaches in hydrology. Only if glaciermelt, snow melt and baseflow are modeled, calibrated and validated individually, scientificallyvaluable climate scenarios can be calculated. The special benefit of using remote sensingdata for calibrating the hydrological model is the spatial recognition of a single parameter(here: snow cover, glacier change). In contrast normal calibration approaches rely on pointinformation and therefore parameters are assumed to be homogenous for a (sub-) basin.There is no systematic segregation of discharges from snow and glacier melt in most of thehydrological model approaches in Central Asia and the Tibet Plateau. But this segregation isessential for a credible assessment of present and future water resources in the target region.For that, isotope hydrology delivers reliable data. However, isotope hydrological measurementseries have to be acquired in the field. This restricts the data basis to the years 2011 to 2013,whereas remote sensing data goes back to the 1960s/1970s. Therefore, remote sensing in ahigh space and time resolution is the only possibility to identify glacier melt contribution to thewater cycle.

The glacier data series consist furthermore of a glacier catalogue from the USSR (1947),which is digitized and available through the World Glacier Inventory. Since 1972 the radiometerMulti-Spectral Scanner (MSS) have been acquiring calibrated data with high resolution.Suitable Landsat MSS data from 1977 is available for the study area. A decision tree classifierwas applied to derive the glacier outline. Following the recommendations of GLIMS (GlobalLand Ice Measurement from Space), multispectral data from Landsat Thematic Mapper (TM)from 1998 and 2011 are used in addition for glacier mapping (Barry u. a., 2010). The glaciermapping approach includes Landsat TM3/TM5-ratio images, an enhanced NDWI (normalizeddifferent water index) combined with morphometric analysis using DEMs generated fromASTER and SRTM data. Hence, we have glacier areas for the whole catchment from fourdates over a period from 1947 to 2011.

Given the size and the remoteness of glaciers in Central Asia, remote sensing glacier mappingis a suitable means to obtain a comprehensive sampling of their evolution. Several studieshave mapped glaciers using various multispectral satellite data and measured its retreat, in

4

most cases between two or three dates (Haritashya u. a., 2009; Narama u. a., 2010). ButBhambri u. a. (2012) have shown high temporal differences in glacier retreat for a singleglacier in the Himalayas. Especially for hydrological modeling more detailed information aboutthe temporal change of glacier change is necessary. Therefore, we want to carry out ananalysis with a higher spatial and temporal resolution on subbasin scale. We have chosenthree south-facing and three north-facing subbasins inside the River Gunt catchment. Withthe declassification of the Corona program, high resolution stereo images since 1968 weremade available by the US government. Four Corona KH-4B images with a spatial resolutionof 2 m cover the selected subbasins. The glacier extend will be manually delineated. Fordelineating the actual state of the glaciers with similar spatial resolution, Rapideye data (6,5m) will be used. They will be rectified based on Ground Control Points (GCPs), which will becollected in 2013 using Differential GPS.

SPOT data is required to close the temporal gap between Corona and Rapideye havinga comparable spatial resolution. SPOT provides high-resolution imagery since 1986. Itis therefore the excellent choice to achieve temporal continuity in high resolution spaceimagery between the early 1970s and today. SPOT High Resolution Visible (HRV) data willbe orthorectified with GCPs which will be collected in 2013. If sufficient numbers of GCPswill not be available for all scenes, image-to-image registration with Rapideye serves asalternative. The glacier outline from panchromatic SPOT images will be obtained by manualdelineation. Multispectral HRV images provide the possibility of automatic classification, butwith a lower spatial resolution. Glacier outlines derived from various sensors with differentspatial and spectral resolution, obtained under different snow, cloud and shadow conditionsresult in different levels of accuracy. Hence, the estimation of uncertainties is important toknow about accuracy and significance of the results. To assess the positional uncertainty, aspecific number of points will be identified on the base of Rapideye data in each scene ofCorona and SPOT, and the horizontal shift will be calculated.

The high-resolution glacier outlines on subbasin scale will be compared to medium resolutionglacier outlines on catchment scale. Measurements of volume changes for selected glacierswill be compared to volume changes for the whole catchment, which will be derived fromvolume-area scaling approaches. Thus, an assessment of the accuracy and significance ofthe entire glacier volume change will be possible.

For volumetric glacier changes, SRTM data and stereo imageries from Corona and TerraASTER are used to generate digital elevation models for selected glaciers. This provides highaccuracy and a maximum time interval.

7 Schedule

Summer 2011: Project launch, first field trip (capture of all hydrological and meteorologicalstations, buildup of the isotopic monitoring network)

5

Summer 2012: Phase 1: Data acquisition, isotope-hydrological time series are recorded bylocal project partners, first results are presented at CAME annual meeting 2012 in Frankfurt

Phase 2: Start of the modeling, analysis of water samples, and data acquisition with focus onglacier change

March 2013: Second field trip: Installation of water level recorders, collecting ground controlpoints, water sampling

Summer 2013: Third field trip: Installation of a meteorological station, snow pack analyser;collecting ground control points, water sampling

End of 2013: Phase 3: Results, publications, interim report

Summer 2014: Phase 4: Publications, final results

8 Data Requirements Products

For glacier mapping, there are special requirements to the data. Because errors are large,when seasonal snow is mapped instead of glaciers, images, acquired at the end of theablation period are preferred. Cloud cover also complicates glacier mapping.

SPOT-1 provides multispectral data from 1986 for the study area, but with a cloud cover of5 % and a large amount of snow. Delineation of valley glacier tongues would be possible.SPOT-3 delivers panchromatic data from 1995 and 1996, with cloud cover of 0-2 % and anideal snow situation (snow cover quotes from 0-1). The scene quality is always excellent. For2005, there are area-wide panchromatic data from SPOT-2 in also excellent condition withrespect to snow and clouds. For the years 2006 and 2008, SPOT 5 delivers suitable data withexcellent conditions. The evaluation of cloud cover, snow cover and image quality facilitatesthe selection process. Altogether, we request 60 archived Level 1B products and no newacquisition.

6

Documents

Rezente Gletscheränderung im Einzugsgebiet des Gunts ... · PDF file3.10 Höhendifferenzen zwischen Geländeoberﬂäche, Geoid und Ellipsoid, Quelle: ESRI 56 3.11 Zwei Corona-Bildstreifen