Logo Logo
FAQ
Contact
Switch language to German
Global irrigation mapping - the role of spatial resolution of current and future earth observation missions
Global irrigation mapping - the role of spatial resolution of current and future earth observation missions
Für die globale Nahrungsmittelproduktion sind bewässerte landwirtschaftliche Flächen von hoher Bedeutung. Ca. 20 % der globalen landwirtschaftlichen Flächen werden bewässert, jedoch werden 40 % der weltweit geernteten Nahrungsmittel auf diesen bewässerten Flächen produziert. Die globale Landwirtschaft ist mit 69 % der größte Süßwasserverbraucher und aufgrund des sich ändernden Klima wird erwartet, dass die bewässerten Flächen zunehmen werden. Ein höherer Wasserverbrauch der Landwirtschaft würde zu Interessenkonflikten zwischen unterschiedlichen Sektoren wie Energiewirtschaft, Industrie und private Haushalte führen. Daher ist ein effizienterer Umgang der Landwirtschaft mit der Ressource Wasser notwendig. Die aktuellen Bewässerungstechniken bestehen zumeist aus Oberflächenbewässerung im Stau- oder Rieselverfahren oder Sprinklerbewässerung. Diese Techniken nutzen die Ressource Wasser nur sehr ineffizient, da ein hoher Anteil am Wasser von der Oberfläche in die Atmosphäre verdunstet und nicht von der Pflanze genutzt werden kann. Um bei einer Verknappung der Ressource Wasser durch ein sich änderndes Klima und den damit einhergehenden landschaftlichen Veränderungen, wie dem Abschmelzen der Gletscher, die landwirtschaftliche Produktion dieser Flächen zu erhalten, wird eine Erhöhung der Wassernutzungseffizient notwendig. Der Wasserkreislauf wird hinsichtlich des Anteils des in den Pflanzen gebundenen Wassers (grünes Wasser) und dem Wasser, welches zurück in den Wasserkreislauf geführt wird, verändern. Um Wasserflüsse dieser Art Modellieren und damit Handlungsempfehlungen für politische Entscheidungen aussprechen zu können, werden Informationen über die bewässerten Flächen und Bewässerungstechniken in einer möglichst hohen räumlichen Auflösung benötigt. Bestehende Datensätze unterscheiden sich in ihrer Aussage über die bewässerten landwirtschaftlichen Flächen. Dies liegt vor allem an der unterschiedlichen Definition („bewässert“ oder „ausgestattet für Bewässerung“), an den Zeitpunkten der ermittelten Flächen und an den unterschiedlichen Methodiken und verwendeten Eingangsdaten. In der vorliegenden Arbeit wird eine neue Methodik entwickelt, die verschiedene Eingangsdaten kombiniert und bewässerte Flächen von nicht bewässerten Flächen unterscheidet. Hierfür werden nationale und sub-nationale Statistiken verwendet, die von den Ländern an die Food and Agriculture Organisation (FAO) gemeldet werden. Die Statistiken werden mit einer räumlichen Auflösung von 0,008333 Grad (ca. 1 km am Äquator) auf landwirtschaftlichen Flächen verteilt. Zusätzlich zu den Statistiken wurde mittels Satellitendaten das Pflanzenwachstum global untersucht und mit einem von Klima- und Bodendaten abgeleiteten Datensatz in Bezug auf die landwirtschaftliche Eignung verglichen. Entspricht die Vegetationsentwicklung auf landwirtschaftlichen Flächen nicht dem von Klima- und Bodendaten zu erwartendem Pflanzenwachstum wird davon ausgegangen, dass landwirtschaftliches Management in Form von Bewässerung zu dem beobachteten Pflanzenwachstum führt. Die Methodik detektiert 18 % mehr bewässerte Flächen als offiziell an die FAO gemeldet werden und deckt damit eine Wissenslücke in der aktuellen Forschung auf. Dies zeigt, dass Handlungsempfehlungen, die auf den offiziell gemeldeten Daten beruhen, nur bedingt praxistauglich sind. Darauf aufbauend vertieft die Arbeit die Frage nach den Unsicherheiten und möglichen Fehlerquellen des entwickelten Datensatzes. Hierbei wird systematisch für drei verschiedene Regionen der Einfluss der räumlichen Auflösung des Sensors an Bord des Satelliten analysiert. Der entwickelte Datensatz basierst auf dem Sensor SPOT-VGT mit einer räumlichen Auflösung von ca. 1 km. Um den Einfluss der räumlichen Auflösung systematisch zu quantifizieren, wurden hochaufgelöste Satellitendaten von Sentinel-2 von 10 m schrittweise auf 1 km skaliert und erneut die Bewässerung detektiert. Für die Durchführung des Experiments wurde, um Rechenzeit zu sparen, drei Regionen ausgewählt. Es konnte gezeigt werden, dass in zwei der Regionen (USA und Sudan) mit abnehmender räumlicher Auflösung auch eine Abnahme der detektierten bewässerten Flächen erfolgte. In China bleibt die detektierte Fläche konstant. Eine Analyse zeigt, dass je nach Lage und Verteilung der bewässerten Flächen, diese detektiert werden. Dichte, zusammenhängende Felder werden detektiert, lose im Raum verteilte Felder werden bei einer gröberen räumlichen Auflösung vernachlässigt. Dies konnte in der Studie mit Landschaftsmetriken erklärt werden, mit denen ein regional unabhängiger Zusammenhang zwischen dem Verlust von bewässerten Flächen bei gröberer Auflösung und dem „Landscape Shape Index“ (LSI) hergestellt werden konnte. Der Index ist ein Aggregationsindex und berechnet wie komplex eine Klasse (in diesem Fall „bewässerte Fläche“) gegenüber einer anderen Klasse in einer Landschaft (in diesem Fall „nicht bewässerte Fläche“) ist. Anhand dieser Erkenntnis können Regionen identifiziert werden, die anfällig für die Unterschätzung bewässerter Flächen sind und daraufhin mit feiner aufgelösten Satellitendaten korrigiert werden können. Die räumliche Auflösung eines Sensors ist immer eine Abwägung zwischen technischer und finanzieller Umsetzbarkeit, Handhabung, Einsatzgebiet und Forschungsfragen. Bestehende Multi- und Hyperspektrale Satellitenmissionen mit Fokus auf Fragen über die Umwelt und Landwirtschaft weisen Sensor Auflösungen von 10 m (Sentinel-2) bis 30 m (EnMAP, LANDSAT) auf. Inwiefern sich diese Auflösungen für die Analysen landwirtschaftlicher Flächen eignen, wurde bisher noch nicht systematisch untersucht und ist Teil der vorliegenden Arbeit. Hierfür wurden Feldgrenzen der deutschen Bundesländer Bayern und Niedersachsen und der Niederlande in eine Sentinel-2 Geometrie umgewandelt und in die Auflösungen von 5 m, 10 m, 20 m, 30 m und 50 m gebracht. Die Felder wurden dahingegen analysiert, bei welcher Auflösung diese noch von einem Satelliten abgebildet werden können und sich so für die Analyse landwirtschaftlicher Fragestellungen eignen. Zudem wurde analysiert wie viele Felder sich für Precision Farming Anwendungen eignen, um gezielt innerhalb des Felders zu bewässern oder zu düngen. Hierfür wurde ein Minimum von 50 Pixel pro Feld angenommen, welche notwendig sind, um Precision Farming Anwendungen einzusetzen. Die Analyse zeigt, dass bei einer Sentinel-2 Auflösung von 10 m 2-4 % der Felder nicht abgedeckt werden können und 20-50 % nicht für die Anwendung von Precision Farming zur Verfügung stehen. In die Analyse wurden zudem die Feldfruchtarten miteinbezogen, um besser zu verstehen, welche Fruchtarten für das Monitoring mit Satellitendaten zur Verfügung stehen werden. Die Arbeit stellt eine Grundlage zur Entscheidungsfindung zukünftiger Satellitenmissionen dar und hilft die Umsetzbarkeit von Anwendungen mit den aktuellen Satellitenmissionen einzuschätzen. Insgesamt stellt die Arbeit die hohe Bedeutung von Informationen über globale Bewässerung in den Vordergrund und verdeutlicht die hohe Komplexität der Detektion bewässerter Flächen. Mit der Entwicklung eines neuen Datensatzes konnte die räumliche Auflösung verbessert werden und es wurde aufgezeigt, dass in vielen Regionen die bewässerte Fläche deutlich unterschätzt wird. Zudem wurde der Einfluss der räumlichen Auflösung analysiert und es konnte aufgezeigt werden, welche Sensor Auflösung zukünftiger Satellitenmissionen landwirtschaftliche Felder in Europa am besten abbilden können., Irrigated agricultural area is of high importance for global food production. Approximately 20 % of global agricultural area is irrigated, but 40 % of the world's harvested food is produced on these irrigated area. Global agriculture is the largest consumer of freshwater (69 %) and due to a changing climate, irrigated area is expected to increase. Increased water consumption by agriculture would lead to conflicts of interest between sectors such as energy, industry, and households. Therefore, a more efficient use of water by agriculture becomes necessary. Current irrigation techniques mostly consist of surface or sprinkler irrigation. Both techniques use the resource water only very inefficiently, since a high proportion of the water evaporates from the surface into the atmosphere. In order to maintain the agricultural production of these areas in the case of a scarcity of the resource water due to a changing climate and the accompanying landscape changes, such as the melting of the glaciers, an increase in the water use efficiency becomes necessary. In order to model water flows and to analyze future changes for recommendations for policy decisions, information on irrigated area and irrigation techniques, at a high spatial resolution, is needed. Existing data set differ in the extent of global irrigated area. Reasons are the different definition ("irrigated" or "equipped for irrigation"), the investigated time period, and the different methodologies and input data. In the present work, a new methodology is developed that combines different input data and distinguishes irrigated areas from non-irrigated areas. National and sub-national statistics reported by countries to the Food and Agriculture Organization (FAO) are one input. This information is spatially distributed on agricultural area at a spatial resolution of 0.008333 degrees (approximately 1 km at the equator), the only available dataset with a spatial resolution of 1 km. In addition to the statistics, satellite data were used to examine plant growth globally and compare it to agricultural suitability derived from climate and soil data. If the vegetation development on agricultural area does not correspond to the plant growth expected from climate and soil data, it is assumed, that agricultural management, like irrigation, leads to the observed plant growth. The methodology detects 18 % more irrigated areas than officially reported to FAO, revealing a knowledge gap in current research and showing that recommendations for action based on officially reported data are limited. Based on these issues, this thesis delves into the question of uncertainties and possible sources of error in the dataset. The influence of the spatial resolution of the sensor is analyzed systematically for three different regions. The developed data set is based on the SPOT-VGT sensor with a spatial resolution of about 1 km. To systematically quantify the influence of spatial resolution, high-resolution satellite data from Sentinel-2 were scaled from 10 m to 1 km stepwise and irrigation was detected. To save computational time, three regions were selected for the conduction of the experiment. It was shown that in two of the regions (USA and Sudan), decreasing spatial resolution leads to decreasing of detected irrigated area. In China the detected area remains constantly. An analysis of the spatial distribution of the irrigated area shows that the mapping result depends on the spatial arrangement and distribution of the irrigated area. Dense, contiguous fields are detected, loosely distributed fields are neglected at a coarser spatial resolution. The study demonstrated, that the negative areal change can be explained by landscape metrics. The application of landscape metrics showed a regionally independent relationship between the loss of irrigated areas at coarser resolution and the "Landscape Shape Index" (LSI). The index is an aggregation index and calculates how complex one class (in this case "irrigated area") is compared to another class in a landscape (in this case "non-irrigated area"). This finding can be used to identify regions that are prone to underestimating irrigated area, for further analysis using high resolution satellite data. The spatial resolution of a sensor is always a trade-off between technical and financial feasibility, handling, scope of application, and research questions. Existing multi- and hyperspectral satellite missions focused on environment and agriculture have sensor resolutions ranging from 10 m (Sentinel-2) to 30 m (EnMAP, LANDSAT). The suitability of these resolutions for the analysis of agricultural areas has not yet been systematically investigated and is part of this thesis. Field boundaries of the German states Bavaria and Lower Saxony and the Netherlands were converted into a Sentinel-2 geometry and rescaled to the resolutions of 5 m, 10 m, 20 m, 30 m, and 50 m. The fields are analyzed regarding at which resolution the fields can be recorded completely by a satellite and are thus suitable for the analysis of agricultural questions. In addition, it was analyzed how many fields are suitable for precision farming applications in order to establish an in-field management monitored by satellites. Therefore, a minimum of 50 pixels per field was assumed, which are necessary to use precision farming applications. The analysis shows that at a Sentinel-2 resolution of 10 m, 2-4 % of the fields cannot be covered and 20-50 % are not available for precision farming applications. Field crop types were also included in the analysis for a better understanding which crop types will be available for a satellite-based monitoring. This thesis provides a basis for decision making for future satellite missions and helps to assess the feasibility of applications with current satellite missions. Overall, this thesis highlights the high importance of global irrigation information and the high complexity of methods detecting irrigated area. With the development of a new dataset, the spatial resolution could be improved and it was shown that in many regions the irrigated area is significantly underestimated. Furthermore, the influence of spatial resolution was analyzed and it could be shown how the spatial resolution of current and future satellite missions affects the possibility of agricultural monitoring in Europe and the possibility of in-field management and precision farming applications.
Irrigation, Global Agriculture, Climate Change, Climate Adaptation, Scale, Landscape Metrics, NDVI, Pixel Spacing, Common Agriculture Policy, Earth Observation
Meier, Jonas
2023
English
Universitätsbibliothek der Ludwig-Maximilians-Universität München
Meier, Jonas (2023): Global irrigation mapping - the role of spatial resolution of current and future earth observation missions. Dissertation, LMU München: Faculty of Geosciences
[thumbnail of Meier_Jonas.pdf] PDF
Meier_Jonas.pdf

15MB

Abstract

Für die globale Nahrungsmittelproduktion sind bewässerte landwirtschaftliche Flächen von hoher Bedeutung. Ca. 20 % der globalen landwirtschaftlichen Flächen werden bewässert, jedoch werden 40 % der weltweit geernteten Nahrungsmittel auf diesen bewässerten Flächen produziert. Die globale Landwirtschaft ist mit 69 % der größte Süßwasserverbraucher und aufgrund des sich ändernden Klima wird erwartet, dass die bewässerten Flächen zunehmen werden. Ein höherer Wasserverbrauch der Landwirtschaft würde zu Interessenkonflikten zwischen unterschiedlichen Sektoren wie Energiewirtschaft, Industrie und private Haushalte führen. Daher ist ein effizienterer Umgang der Landwirtschaft mit der Ressource Wasser notwendig. Die aktuellen Bewässerungstechniken bestehen zumeist aus Oberflächenbewässerung im Stau- oder Rieselverfahren oder Sprinklerbewässerung. Diese Techniken nutzen die Ressource Wasser nur sehr ineffizient, da ein hoher Anteil am Wasser von der Oberfläche in die Atmosphäre verdunstet und nicht von der Pflanze genutzt werden kann. Um bei einer Verknappung der Ressource Wasser durch ein sich änderndes Klima und den damit einhergehenden landschaftlichen Veränderungen, wie dem Abschmelzen der Gletscher, die landwirtschaftliche Produktion dieser Flächen zu erhalten, wird eine Erhöhung der Wassernutzungseffizient notwendig. Der Wasserkreislauf wird hinsichtlich des Anteils des in den Pflanzen gebundenen Wassers (grünes Wasser) und dem Wasser, welches zurück in den Wasserkreislauf geführt wird, verändern. Um Wasserflüsse dieser Art Modellieren und damit Handlungsempfehlungen für politische Entscheidungen aussprechen zu können, werden Informationen über die bewässerten Flächen und Bewässerungstechniken in einer möglichst hohen räumlichen Auflösung benötigt. Bestehende Datensätze unterscheiden sich in ihrer Aussage über die bewässerten landwirtschaftlichen Flächen. Dies liegt vor allem an der unterschiedlichen Definition („bewässert“ oder „ausgestattet für Bewässerung“), an den Zeitpunkten der ermittelten Flächen und an den unterschiedlichen Methodiken und verwendeten Eingangsdaten. In der vorliegenden Arbeit wird eine neue Methodik entwickelt, die verschiedene Eingangsdaten kombiniert und bewässerte Flächen von nicht bewässerten Flächen unterscheidet. Hierfür werden nationale und sub-nationale Statistiken verwendet, die von den Ländern an die Food and Agriculture Organisation (FAO) gemeldet werden. Die Statistiken werden mit einer räumlichen Auflösung von 0,008333 Grad (ca. 1 km am Äquator) auf landwirtschaftlichen Flächen verteilt. Zusätzlich zu den Statistiken wurde mittels Satellitendaten das Pflanzenwachstum global untersucht und mit einem von Klima- und Bodendaten abgeleiteten Datensatz in Bezug auf die landwirtschaftliche Eignung verglichen. Entspricht die Vegetationsentwicklung auf landwirtschaftlichen Flächen nicht dem von Klima- und Bodendaten zu erwartendem Pflanzenwachstum wird davon ausgegangen, dass landwirtschaftliches Management in Form von Bewässerung zu dem beobachteten Pflanzenwachstum führt. Die Methodik detektiert 18 % mehr bewässerte Flächen als offiziell an die FAO gemeldet werden und deckt damit eine Wissenslücke in der aktuellen Forschung auf. Dies zeigt, dass Handlungsempfehlungen, die auf den offiziell gemeldeten Daten beruhen, nur bedingt praxistauglich sind. Darauf aufbauend vertieft die Arbeit die Frage nach den Unsicherheiten und möglichen Fehlerquellen des entwickelten Datensatzes. Hierbei wird systematisch für drei verschiedene Regionen der Einfluss der räumlichen Auflösung des Sensors an Bord des Satelliten analysiert. Der entwickelte Datensatz basierst auf dem Sensor SPOT-VGT mit einer räumlichen Auflösung von ca. 1 km. Um den Einfluss der räumlichen Auflösung systematisch zu quantifizieren, wurden hochaufgelöste Satellitendaten von Sentinel-2 von 10 m schrittweise auf 1 km skaliert und erneut die Bewässerung detektiert. Für die Durchführung des Experiments wurde, um Rechenzeit zu sparen, drei Regionen ausgewählt. Es konnte gezeigt werden, dass in zwei der Regionen (USA und Sudan) mit abnehmender räumlicher Auflösung auch eine Abnahme der detektierten bewässerten Flächen erfolgte. In China bleibt die detektierte Fläche konstant. Eine Analyse zeigt, dass je nach Lage und Verteilung der bewässerten Flächen, diese detektiert werden. Dichte, zusammenhängende Felder werden detektiert, lose im Raum verteilte Felder werden bei einer gröberen räumlichen Auflösung vernachlässigt. Dies konnte in der Studie mit Landschaftsmetriken erklärt werden, mit denen ein regional unabhängiger Zusammenhang zwischen dem Verlust von bewässerten Flächen bei gröberer Auflösung und dem „Landscape Shape Index“ (LSI) hergestellt werden konnte. Der Index ist ein Aggregationsindex und berechnet wie komplex eine Klasse (in diesem Fall „bewässerte Fläche“) gegenüber einer anderen Klasse in einer Landschaft (in diesem Fall „nicht bewässerte Fläche“) ist. Anhand dieser Erkenntnis können Regionen identifiziert werden, die anfällig für die Unterschätzung bewässerter Flächen sind und daraufhin mit feiner aufgelösten Satellitendaten korrigiert werden können. Die räumliche Auflösung eines Sensors ist immer eine Abwägung zwischen technischer und finanzieller Umsetzbarkeit, Handhabung, Einsatzgebiet und Forschungsfragen. Bestehende Multi- und Hyperspektrale Satellitenmissionen mit Fokus auf Fragen über die Umwelt und Landwirtschaft weisen Sensor Auflösungen von 10 m (Sentinel-2) bis 30 m (EnMAP, LANDSAT) auf. Inwiefern sich diese Auflösungen für die Analysen landwirtschaftlicher Flächen eignen, wurde bisher noch nicht systematisch untersucht und ist Teil der vorliegenden Arbeit. Hierfür wurden Feldgrenzen der deutschen Bundesländer Bayern und Niedersachsen und der Niederlande in eine Sentinel-2 Geometrie umgewandelt und in die Auflösungen von 5 m, 10 m, 20 m, 30 m und 50 m gebracht. Die Felder wurden dahingegen analysiert, bei welcher Auflösung diese noch von einem Satelliten abgebildet werden können und sich so für die Analyse landwirtschaftlicher Fragestellungen eignen. Zudem wurde analysiert wie viele Felder sich für Precision Farming Anwendungen eignen, um gezielt innerhalb des Felders zu bewässern oder zu düngen. Hierfür wurde ein Minimum von 50 Pixel pro Feld angenommen, welche notwendig sind, um Precision Farming Anwendungen einzusetzen. Die Analyse zeigt, dass bei einer Sentinel-2 Auflösung von 10 m 2-4 % der Felder nicht abgedeckt werden können und 20-50 % nicht für die Anwendung von Precision Farming zur Verfügung stehen. In die Analyse wurden zudem die Feldfruchtarten miteinbezogen, um besser zu verstehen, welche Fruchtarten für das Monitoring mit Satellitendaten zur Verfügung stehen werden. Die Arbeit stellt eine Grundlage zur Entscheidungsfindung zukünftiger Satellitenmissionen dar und hilft die Umsetzbarkeit von Anwendungen mit den aktuellen Satellitenmissionen einzuschätzen. Insgesamt stellt die Arbeit die hohe Bedeutung von Informationen über globale Bewässerung in den Vordergrund und verdeutlicht die hohe Komplexität der Detektion bewässerter Flächen. Mit der Entwicklung eines neuen Datensatzes konnte die räumliche Auflösung verbessert werden und es wurde aufgezeigt, dass in vielen Regionen die bewässerte Fläche deutlich unterschätzt wird. Zudem wurde der Einfluss der räumlichen Auflösung analysiert und es konnte aufgezeigt werden, welche Sensor Auflösung zukünftiger Satellitenmissionen landwirtschaftliche Felder in Europa am besten abbilden können.

Abstract

Irrigated agricultural area is of high importance for global food production. Approximately 20 % of global agricultural area is irrigated, but 40 % of the world's harvested food is produced on these irrigated area. Global agriculture is the largest consumer of freshwater (69 %) and due to a changing climate, irrigated area is expected to increase. Increased water consumption by agriculture would lead to conflicts of interest between sectors such as energy, industry, and households. Therefore, a more efficient use of water by agriculture becomes necessary. Current irrigation techniques mostly consist of surface or sprinkler irrigation. Both techniques use the resource water only very inefficiently, since a high proportion of the water evaporates from the surface into the atmosphere. In order to maintain the agricultural production of these areas in the case of a scarcity of the resource water due to a changing climate and the accompanying landscape changes, such as the melting of the glaciers, an increase in the water use efficiency becomes necessary. In order to model water flows and to analyze future changes for recommendations for policy decisions, information on irrigated area and irrigation techniques, at a high spatial resolution, is needed. Existing data set differ in the extent of global irrigated area. Reasons are the different definition ("irrigated" or "equipped for irrigation"), the investigated time period, and the different methodologies and input data. In the present work, a new methodology is developed that combines different input data and distinguishes irrigated areas from non-irrigated areas. National and sub-national statistics reported by countries to the Food and Agriculture Organization (FAO) are one input. This information is spatially distributed on agricultural area at a spatial resolution of 0.008333 degrees (approximately 1 km at the equator), the only available dataset with a spatial resolution of 1 km. In addition to the statistics, satellite data were used to examine plant growth globally and compare it to agricultural suitability derived from climate and soil data. If the vegetation development on agricultural area does not correspond to the plant growth expected from climate and soil data, it is assumed, that agricultural management, like irrigation, leads to the observed plant growth. The methodology detects 18 % more irrigated areas than officially reported to FAO, revealing a knowledge gap in current research and showing that recommendations for action based on officially reported data are limited. Based on these issues, this thesis delves into the question of uncertainties and possible sources of error in the dataset. The influence of the spatial resolution of the sensor is analyzed systematically for three different regions. The developed data set is based on the SPOT-VGT sensor with a spatial resolution of about 1 km. To systematically quantify the influence of spatial resolution, high-resolution satellite data from Sentinel-2 were scaled from 10 m to 1 km stepwise and irrigation was detected. To save computational time, three regions were selected for the conduction of the experiment. It was shown that in two of the regions (USA and Sudan), decreasing spatial resolution leads to decreasing of detected irrigated area. In China the detected area remains constantly. An analysis of the spatial distribution of the irrigated area shows that the mapping result depends on the spatial arrangement and distribution of the irrigated area. Dense, contiguous fields are detected, loosely distributed fields are neglected at a coarser spatial resolution. The study demonstrated, that the negative areal change can be explained by landscape metrics. The application of landscape metrics showed a regionally independent relationship between the loss of irrigated areas at coarser resolution and the "Landscape Shape Index" (LSI). The index is an aggregation index and calculates how complex one class (in this case "irrigated area") is compared to another class in a landscape (in this case "non-irrigated area"). This finding can be used to identify regions that are prone to underestimating irrigated area, for further analysis using high resolution satellite data. The spatial resolution of a sensor is always a trade-off between technical and financial feasibility, handling, scope of application, and research questions. Existing multi- and hyperspectral satellite missions focused on environment and agriculture have sensor resolutions ranging from 10 m (Sentinel-2) to 30 m (EnMAP, LANDSAT). The suitability of these resolutions for the analysis of agricultural areas has not yet been systematically investigated and is part of this thesis. Field boundaries of the German states Bavaria and Lower Saxony and the Netherlands were converted into a Sentinel-2 geometry and rescaled to the resolutions of 5 m, 10 m, 20 m, 30 m, and 50 m. The fields are analyzed regarding at which resolution the fields can be recorded completely by a satellite and are thus suitable for the analysis of agricultural questions. In addition, it was analyzed how many fields are suitable for precision farming applications in order to establish an in-field management monitored by satellites. Therefore, a minimum of 50 pixels per field was assumed, which are necessary to use precision farming applications. The analysis shows that at a Sentinel-2 resolution of 10 m, 2-4 % of the fields cannot be covered and 20-50 % are not available for precision farming applications. Field crop types were also included in the analysis for a better understanding which crop types will be available for a satellite-based monitoring. This thesis provides a basis for decision making for future satellite missions and helps to assess the feasibility of applications with current satellite missions. Overall, this thesis highlights the high importance of global irrigation information and the high complexity of methods detecting irrigated area. With the development of a new dataset, the spatial resolution could be improved and it was shown that in many regions the irrigated area is significantly underestimated. Furthermore, the influence of spatial resolution was analyzed and it could be shown how the spatial resolution of current and future satellite missions affects the possibility of agricultural monitoring in Europe and the possibility of in-field management and precision farming applications.