In der vorliegenden Arbeit wurden die Einsatzmöglichkeiten von Carbon Footprints in Großküchen untersucht. Dabei wurden sowohl methodische Aspekte und Herausforderungen ihrer Erhebung untersucht als auch mögliche Kennzeichnungsformate (Label) evaluiert. Zunächst wurde am Beispiel Hochschulgastronomie eine vollständige Carbon Footprint Studie nach DIN 14067 für sechs exemplarische Gerichte (PCF) sowie angelehnt an DIN 14064 für den Mensabetrieb (CCF) durchgeführt. Es zeigte sich, dass die gewichteten durchschnittlichen Emissionen pro Teller, unter Einbezug der verwendeten Rohstoffe und des Energiebedarfs, 1,8 kg CO2eq pro Teller betragen (Mgew=1,78 kg CO2eq; [0,22-3,36]). Zur Vereinfachung des Erhebungsprozesses wurden anknüpfend an diese Ergebnisse Pauschalisierungsansätze zur vereinfachten Emissionsallokation im Gastrosektor evaluiert und in Form eines appgestützten Berechnungstools umgesetzt. Es konnte verifiziert werden, dass der Energiebedarf und die daraus resultierenden Emissionen unabhängig von der Beschaffenheit der Gerichte auf die Anzahl produzierter Gerichte alloziert werden können und die Ausgabewerte dennoch hinreichend belastbar sind (Abweichung <10 %). In dieser Studie konnte gezeigt werden, dass am untersuchten Standort Skaleneffekte hinsichtlich der Anzahl produzierter Gerichte und Strombedarf pro Gericht auftreten. Beide Faktoren korrelieren stark negativ miteinander (r=-.78; p<.05). Zur Verifikation der Ergebnisse wurde eine Datenabfrage unter allen deutschen Studierendenwerken (N=57) hinsichtlich des Energiebedarfs und der Produktionsmengen in Hochschulmensen durchgeführt. Aus den Daten von 42 Standorten konnten für das Jahr 2018 prognostizierte Gesamtemissionen in Höhe von 174.275 Tonnen CO2eq, verursacht durch etwa 98 Millionen verkaufte Gerichte, ermittelt werden. Im Gegensatz zur durchgeführten Standort-Studie konnten die Skaleneffekte, d.h. sinkender Strombedarf pro Teller bei steigender Produktionszahl, bei der deutschlandweiten Datenerhebung statistisch nicht nachgewiesen werden (r=-.29; p=.074). Im Anschluss wurden mögliche Label-Formate für Carbon Footprints evaluiert, indem vier vorbereitete Label unterschiedlicher Beschaffenheit (absolute Zahlen, einordnend, vergleichend und wertend) in sechs Fokusgruppen mit insgesamt 17 Teilnehmer:innen im Alter zwischen 20 und 31 Jahren (M=25,12; SD=3,31) diskutiert wurden. Im Ergebnis zeigte sich, dass bei den Teilnehmer:innen ein breiter Wunsch nach der Ausweisung absoluter Zahlen bestand. Zur besseren Einordnung sollte ein Label zudem einordnende Elemente enthalten. Wertende Label in Form von Ampelsymbolen oder Smileys mit unterschiedlichen Emotionen wurden überwiegend abgelehnt. Ableitend aus den Erkenntnissen konnten zwei synthetisierende Label-Vorschläge entwickelt werden.

Agricultural monitoring is necessary. Since the beginning of the Holocene, human agricultural practices have been shaping the face of the earth, and today around one third of the ice-free land mass consists of cropland and pastures. While agriculture is necessary for our survival, the intensity has caused many negative externalities, such as enormous freshwater consumption, the loss of forests and biodiversity, greenhouse gas emissions as well as soil erosion and degradation. Some of these externalities can potentially be ameliorated by careful allocation of crops and cropping practices, while at the same time the state of these crops has to be monitored in order to assess food security. Modern day satellite-based earth observation can be an adequate tool to quantify abundance of crop types, i.e., produce spatially explicit crop type maps. The resources to do so, in terms of input data, reference data and classification algorithms have been constantly improving over the past 60 years, and we live now in a time where fully operational satellites produce freely available imagery with often less than monthly revisit times at high spatial resolution. At the same time, classification models have been constantly evolving from distribution based statistical algorithms, over machine learning to the now ubiquitous deep learning. In this environment, we used an explorative approach to advance the state of the art of crop classification. We conducted regional case studies, focused on the study region of the Eifelkreis Bitburg-Prüm, aiming to develop validated crop classification toolchains. Because of their unique role in the regional agricultural system and because of their specific phenologic characteristics we focused solely on maize fields. In the first case study, we generated reference data for the years 2009 and 2016 in the study region by drawing polygons based on high resolution aerial imagery, and used these in conjunction with RapidEye imagery to produce high resolution maize maps with a random forest classifier and a gaussian blur filter. We were able to highlight the importance of careful residual analysis, especially in terms of autocorrelation. As an end result, we were able to prove that, in spite of the severe limitations introduced by the restricted acquisition windows due to cloud coverage, high quality maps could be produced for two years, and the regional development of maize cultivation could be quantified. In the second case study, we used these spatially explicit datasets to link the expansion of biogas producing units with the extended maize cultivation in the area. In a next step, we overlayed the maize maps with soil and slope rasters in order to assess spatially explicit risks of soil compaction and erosion. Thus, we were able to highlight the potential role of remote sensing-based crop type classification in environmental protection, by producing maps of potential soil hazards, which can be used by local stakeholders to reallocate certain crop types to locations with less associated risk. In our third case study, we used Sentinel-1 data as input imagery, and official statistical records as maize reference data, and were able to produce consistent modeling input data for four consecutive years. Using these datasets, we could train and validate different models in spatially iv and temporally independent random subsets, with the goal of assessing model transferability. We were able to show that state-of-the-art deep learning models such as UNET performed significantly superior to conventional models like random forests, if the model was validated in a different year or a different regional subset. We highlighted and discussed the implications on modeling robustness, and the potential usefulness of deep learning models in building fully operational global crop classification models. We were able to conclude that the first major barrier for global classification models is the reference data. Since most research in this area is still conducted with local field surveys, and only few countries have access to official agricultural records, more global cooperation is necessary to build harmonized and regionally stratified datasets. The second major barrier is the classification algorithm. While a lot of progress has been made in this area, the current trend of many appearing new types of deep learning models shows great promise, but has not yet consolidated. There is still a lot of research necessary, to determine which models perform the best and most robust, and are at the same time transparent and usable by non-experts such that they can be applied and used effortlessly by local and global stakeholders.