Unlocking pattern extraction from geospatial big data - methodological innovations in remote sensing and geospatial analysis for environmental and geoarchaeological research

Boemke, Bruno Johannes; Maier, Andreas; Lehmkuhl, Frank

doi:42938

Unlocking pattern extraction from geospatial big data - methodological innovations in remote sensing and geospatial analysis for environmental and geoarchaeological research

Boemke, Bruno Johannes^RWTH*

2024

Verantwortlichkeitsangabevorgelegt von Bruno Boemke, M.Sc.

ImpressumAachen : RWTH Aachen University 2024

Umfang1 Online-Ressource : Illustrationen

Dissertation, Rheinisch-Westfälische Technische Hochschule Aachen, 2024

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak05

Hauptberichter/Gutachter
Lehmkuhl, Frank (Thesis advisor)^RWTH* ; Maier, Andreas (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2024-01-12

Online
DOI: 10.18154/RWTH-2024-00528
URL: https://publications.rwth-aachen.de/record/977017/files/977017.pdf

Einrichtungen

Thematische Einordnung (Klassifikation)
DDC: 550

Kurzfassung
In den letzten Jahrzehnten ist die Menge frei verfügbarer Geodaten exponentiell gestiegen. Dies ist zu einem großen Teil auf den technologischen Fortschritt in der Satellitenfernerkundung zurückzuführen, die eine weltweite Abdeckung durch eine Vielzahl von Sensoren auf einer sub-täglichen Basis ermöglicht. Darüber hinaus haben die bessere Zugänglichkeit und eine wachsende Nutzerbasis methodische Fortschritte bei der Geodatenanalyse sowie eine Zunahme der Zahl abgeleiteter Produkte wie z. B. Klassifizierungen der Bodenbedeckung begünstigt. Dies eröffnet zwar neue Möglichkeiten für raumbezogene Anwendungen, die riesigen Mengen an Geodaten stellen jedoch auch eine Herausforderung für Studien in Bezug auf Auswahl, Filterung, Harmonisierung, Verarbeitung und Interpretation dar. Um die Möglichkeiten, die die zunehmende Menge an Geodaten bietet, voll auszuschöpfen und gleichzeitig die damit verbundenen Herausforderungen zu bewältigen, werden neue und innovative Methoden für verschiedene Geodatenanwendungen benötigt. Diese kumulative Dissertation ist ein Beitrag zu diesem Ziel in den Bereichen Umweltwissenschaften und Geoarchäologie. Sie stellt über drei neuartige und experimentelle Ansätze vor, wie man eine große Vielfalt und/oder lange Zeitreihen von Geodatensätzen effektiv nutzen und im Rahmen einer spezifischen Forschungsfrage sinnvoll auswerten kann. Der erste Ansatz untersucht die Möglichkeiten und Limitierungen der Erfassung von Morphologie und Morphodynamik komplexer äolischer Dünenfelder anhand von Radarsatellitendaten. Diese Studie stützt sich auf die Sentinel-1-Mission, die Daten in einer Größenordnung von etwa 600 Gigabyte pro Tag sammelt. Zur Analyse dieses kontinuierlichen Stroms von Geodaten werden in der Studie die wichtigsten Interaktionsmechanismen zwischen C-Band-Radar und Sanddünen untersucht und eine Methode zur visuellen Musterextraktion auf der Grundlage eines kontinuierlichen Wavelet-Transfers eingeführt. Diese neuartige Methode wird auf das westmongolische Dünenfeld Bor Khyar angewendet. Die Ergebnisse geben neue Einblicke in die zeitliche und räumliche Dynamik der äolischen Formen auf unterschiedlicher Skalenebene und ihre Reaktion auf äolische Aktivitäten, indem sie lokale Unterschiede sowie inter- und intra-jährliche Variationen in der Dünenmorphologie aufzeigen. Der zweite Ansatz ist ein methodischer Beitrag im geoarchäologischen Fachbereich des predictive modelling. Die größte Herausforderung dieser Studie ist die Extraktion eines thematischen Musters aus einer kleinen Stichprobe von 23 verfügbaren oberpaläolithischen Fundstellen in Niederösterreich. Dies wird durch einen neuartigen Ansatz erreicht, der eine klassische deduktive Methode mit den Möglichkeiten des maschinellen Lernens kombiniert. Auf diese Weise werden zehn räumliche Prädiktoren, die morphologische, hydrologische und sedimentologische Faktoren der Paläo-Umgebung repräsentieren, auf optimale, tragbare und nicht tragbare Wertebereiche untersucht und mathematisch kombiniert. Das daraus resultierende Vorhersagemodell beleuchtet verschiedene räumliche Dynamiken der Standortwahrscheinlichkeit und weist eine hohe Übereinstimmung mit bekannten Standorten im Untersuchungsgebiet auf. Im Gegensatz zu dieser Studie, die primär durch die geringe Anzahl verfügbarer Fundstellen limitiert ist, wird in der dritten Studie eine geoarchäologische Musterextraktion auf der Grundlage eines wesentlich größeren Datensatzes von fast 4200 europäischen jung- und spätpaläolithischen Fundstellen durchgeführt. Das Hauptziel dieser Studie ist es, zu untersuchen, ob die Verteilung der Fundstellen repräsentativ für die Verteilung der Menschen in der Paläolandschaft ist oder ob Stichprobenverzerrungen diese Informationen überlagern. Zu diesem Zweck werden acht paneuropäische Geodatensätze, die sowohl siedlungsrelevante Faktoren der Paläoumwelt als auch entdeckungsrelevante Verzerrungen der modernen bis zeitgenössischen Landschaft repräsentieren, mit einer Kombination aus räumlichen und geostatistischen Methoden analysiert. Die Ergebnisse zeigen, dass die tatsächliche Verteilung der Fundstellen am stärksten von Stichprobenverzerrungen beeinflusst zu sein scheint. Der Einfluss des Siedlungsfaktors ist jedoch immer noch signifikant beim Vergleich zwischen Teilmengen von Fundstellen aus verschiedenen Regionen, verschiedenen oberpaläolithischen Perioden und insbesondere zwischen Freiland- und Höhlenfundstellen. Die Auswirkungen dieser Studie sind für zukünftige geoarchäologische Ansätze von großer Bedeutung, da der Stichprobenfehler als Faktor, der die Verteilung der bekannten Fundstellen aktiv beeinflusst, oft übersehen oder unterschätzt wird.Alle drei Ansätze stellen einen neuartigen methodischen Ansatz in ihrem jeweiligen Fachgebiet dar und vermitteln einen klar definierten Arbeitsablauf, der in zukünftigen Studien angepasst und weiter ausgebaut werden kann. Um einem breiten Publikum zugänglich zu sein, sind alle Studien frei verfügbar als Open Access veröffentlicht. Darüber hinaus stehen die Ergebnisse der zwei geoarchäologischen Ansätze als Open Data in universell nutzbaren Geodatenformaten zum Download bereit. Dadurch können sie als Grundlage und Inspiration für viele künftige Studien dienen, die geospatial big data für Umwelt- und geoarchäologische Forschungsansätze nutzen.

In recent decades, the amount of openly available geodata has increased exponentially. To a large part, this can be attributed to the technological progress in satellite remote sensing, producing world-wide coverage from a large variety of sensors on a sub-daily basis. In addition, improved accessibility and a growing user base have favoured methodological advances in geospatial analysis as well as an increase in the number of derived products such as, e.g., land cover classifications. While this opens up new opportunities for geospatial applications, the vast amounts of geodata also challenge studies in terms of selection, filtering, harmonizing, processing and interpretation. To fully utilize the opportunities that the increasing amount of geodata offers while tackling its challenges, new and innovative methodologies for different geospatial applications are needed. This cumulative dissertation is a contribution to this goal in the fields of environmental science and geoarchaeology. It presents three novel and experimental approaches on how to effectively utilize a large variety and/or long time series of geodatasets and analyse them sensibly within the framework of a specific research question. The first approach explores the possibilities and limitations of assessing complex aeolian dune field morphology and evolution using synthetic aperture radar (SAR) satellite data. This study relies on the Sentinel-1 mission, which acquires data in volumes of approximately 600 gigabytes per day. To analyse this continuous stream of geospatial big data, the study examines the key interaction mechanism between C-Band radar and sand dunes and introduces a visual pattern extraction method based on continuous wavelet transfer. This novel method is applied to the Western Mongolian dune field Bor Khyar. The results give new insights into the temporal and spatial dynamics of dune scales and their response to aeolian activity, revealing local differences as well as inter- and intra-annual variations in the dune morphology. The second approach is a methodological contribution to the field of archaeological predictive modelling. The main challenge of this study is the extraction of a thematic pattern from a small sample of 23 available Upper Palaeolithic sites in Lower Austria. This is achieved using a novel approach combining a classical deductive method with the capabilities of machine learning. This way, ten spatial predictors representing morphological, hydrological, and sedimentological factors of the paleo-environment are analysed for optimal, viable, and non-viable value ranges and combined mathematically. The resulting predictive model reveals several spatial dynamics of site probability and shows high compliance with known sites in the study area. In stark contrast to this study, which is challenged by the small number of available sites, the third study conducts geoarchaeological pattern extraction based on a substantially bigger dataset of close to 4200 European Upper and Final Palaeolithic sites. The main aim of this study is to explore whether the site distribution is representative of human distribution in the paleo-landscape or if sampling biases obscure this information. To this goal, eight Pan-European geodatasets representing both settlement-relevant factors of the paleo-environment and discovery-relevant biases of the modern to contemporary landscape are analysed using a combination of geospatial and geostatistical methods. The results show that the actual distribution of sites seems to be most strongly influenced by sampling biases. The influence of the settlement factor, however, is still significant when comparing site subsets from different regions, different Upper Palaeolithic periods, and, especially, between open-air and cave sites. The implications of this study are substantial for geoarchaeological approaches, as the sampling bias is often overlooked or underestimated as a factor actively influencing the distribution of known sites. All three approaches present a novel methodological approach in their respective field of study and outline a workflow that can be adapted and built on. For the availability to a broader audience, all studies are published as open access. In addition, the results of both geoarchaeological approaches are distributed as open data in universally usable geodata formats. As such, they can serve as foundation and inspiration for many future studies that utilize geospatial big data for environmental and geoarchaeological research.

OpenAccess:
PDF
(additional files)