A Unified Framework for Advancing Soil Erosion and Flood Assessment Through Deep Learning and Process-Based Modeling

Abstract

Soil erosion by water remains one of the most pressing environmental challenges for sustainable land management, agricultural productivity, and water quality protection. In Central Europe, and particularly in Germany, the problem is becoming more urgent as climate change intensifies rainfall extremes, agricultural landscapes become more homogenized, and traditional empirical standards increasingly fail to represent contemporary erosive conditions. Accurate assessment of rainfall erosivity, reliable simulation of sediment transport, and rapid identification of erosion- and flood-affected areas are therefore essential for evidence-based soil conservation planning. This dissertation addresses these challenges by integrating process-based modeling, deep learning, and remote sensing into a unified framework for erosion assessment and environmental monitoring in Germany. The first part of the dissertation focuses on rainfall erosivity, the climatic driver of water erosion. Conventional approaches in Germany, in the absence of high-resolution precipitation data, are based on empirical relationships derived from historical precipitation conditions and do not adequately capture recent shifts in rainfall intensity. To address this limitation, a deep learning-based framework was developed to reconstruct historical rainfall erosivity and project future changes across Germany at high spatial resolution. By combining RADKLIM radar precipitation data with a Hypernetwork-Enhanced CNN model for historical reconstruction and a ConvLSTM encoder-decoder for near-term projection, the study produced a continuous century-scale erosivity dataset from 1931 to 2043. The results revealed a clear long-term increase in erosive forcing. This work demonstrates that data-driven models can serve as effective alternatives for estimating and forecasting rainfall erosivity in the absence of high temporal resolution data. The second part of the dissertation evaluates the performance of the spatially distributed erosion and sediment transport model WaTEM/SEDEM under soil conservation conditions. Six highly instrumented micro-scale watersheds in Southern Germany, monitored over eight years, were used to test the model’s ability to reproduce low sediment yields in landscapes characterized by conservation-oriented management and structural sediment control measures. A Generalized Likelihood Uncertainty Estimation framework (GLUE) was applied to assess parameter uncertainty and model plausibility across different spatiotemporal scales. The results show that WaTEM/SEDEM can reproduce the approximate magnitude of long-term sediment yields, but its performance is limited at annual and micro-watershed scales, especially where sediment fluxes are very low and landscape structures strongly influence connectivity. These findings highlight the importance of scale-aware model evaluation and demonstrate that model suitability depends not only on statistical fit, but also on the intended management application. The third part of the dissertation addresses the challenge of automated environmental monitoring through deep learning-based image segmentation. Two related studies were conducted: the first developed Erosion-SAM, a fine-tuned adaptation of the Segment Anything Model for delineating water erosion and deposition features in high-resolution aerial imagery; the second compared fine-tuned SAM and U-Net architectures with ResNet backbones for rapid flood mapping from UAV and helicopter imagery. Both studies show that transfer learning and foundation models can substantially reduce the need for large labeled datasets while maintaining strong segmentation performance. For erosion mapping, the adapted SAM successfully identified visually heterogeneous erosion structures across different land cover types. For flood mapping, both SAM-based and U-Net-based models achieved high accuracy, with strong practical potential for rapid post-event assessment and disaster response. Together, these studies demonstrate the value of modern computer vision methods for generating spatially explicit environmental observations that can support both scientific analysis and operational decision-making. Taken together, the dissertation presents an integrated approach that links climatic forcing, process-based erosion modeling, and automated image-based monitoring. The overarching contribution lies in showing how deep learning can be used not as a replacement for environmental theory, but as a powerful complement to classical soil erosion science. The results provide improved tools for rainfall erosivity estimation, a critical evaluation of model performance under conservation conditions, and new methods for the rapid mapping of erosion and flood impacts. In doing so, the dissertation contributes to a more adaptive, data-rich, and spatially explicit framework for soil conservation planning, climate change impact assessment, and natural hazard management.

Bodenerosion durch Wasser bleibt eines der drängendsten Umweltprobleme für nachhaltige Landnutzung, landwirtschaftliche Produktivität und den Schutz der Wasserqualität. In Mitteleuropa und insbesondere in Deutschland verschärft sich das Problem, da der Klimawandel extreme Niederschläge verstärkt, landwirtschaftliche Flächen zunehmend homogenisiert werden und traditionelle empirische Standards die gegenwärtigen Erosionsbedingungen immer weniger angemessen abbilden. Eine präzise Erfassung der Niederschlagserosivität, eine zuverlässige Simulation des Sedimenttransports sowie die schnelle Identifikation von erosions- und hochwasserbetroffenen Flächen sind daher essenziell für eine evidenzbasierte Boden- und Landschaftsschutzplanung. Diese Dissertation adressiert diese Herausforderungen durch die Integration von prozessbasierter Modellierung, Deep Learning und Fernerkundung in einen einheitlichen Rahmen für die Erosionsbewertung und das Umweltmonitoring in Deutschland. Der erste Teil der Dissertation konzentriert sich auf die Niederschlagserosivität, dem klimatischen Treiber der Wassererosion. Da in Deutschland hochauflösende Niederschlagsdaten fehlen, basieren konventionelle Ansätze auf empirischen Zusammenhängen, die aus historischen Niederschlagsbedingungen abgeleitet wurden und jüngste Veränderungen der Niederschlagsintensität nicht ausreichend erfassen. Um diese Einschränkung zu überwinden, wurde ein Deep-Learning-basiertes Framework entwickelt, das die historische Niederschlagserosivität rekonstruiert und zukünftige Veränderungen deutschlandweit mit hoher räumlicher Auflösung projiziert. Durch die Kombination von RADKLIM-Radarniederschlagsdaten mit einem Hypernetwork-gestützten CNN-Modell zur historischen Rekonstruktion und einem ConvLSTM-Encoder-Decoder zur kurzfristigen Projektion entstand ein kontinuierlicher Datensatz der Erosivität über ein Jahrhundert hinweg (1931–2043). Die Ergebnisse zeigen einen deutlichen langfristigen Anstieg der erosiven Kraft. Diese Arbeit zeigt, dass datengestützte Modelle als effektive Alternativen zur Abschätzung und Vorhersage der Niederschlagserosivität dienen können, wenn keine Daten mit hoher zeitlicher Auflösung verfügbar sind. Der zweite Teil der Dissertation bewertet die Leistungsfähigkeit des räumlich verteilten Erosions- und Sedimenttransportmodells WaTEM/SEDEM unter Bedingungen des Bodenschutzes. Sechs intensiv überwachte kleinräumige Einzugsgebiete in Süddeutschland, die über acht Jahre beobachtet wurden, dienten der Untersuchung der Fähigkeit des Modells, geringe Sedimentfrachten in Landschaften mit konservierender Bodenbewirtschaftung und strukturellen Sedimentrückhaltemaßnahmen abzubilden. Ein Generalized Likelihood Uncertainty Estimation-Framework (GLUE) wurde eingesetzt, um die Parameterunsicherheit und Modellplausibilität über verschiedene raum-zeitliche Skalen zu bewerten. Die Ergebnisse zeigen, dass WaTEM/SEDEM die ungefähre Größenordnung langfristiger Sedimentfrachten reproduzieren kann, seine Leistungsfähigkeit jedoch auf jährlicher und kleinräumiger Ebene eingeschränkt ist, insbesondere dort, wo die Sedimentflüsse sehr gering sind und die Landschaftsstrukturen die Vernetzung stark beeinflussen. Diese Ergebnisse unterstreichen die Bedeutung einer skalenbewussten Modellbewertung und zeigen, dass die Eignung eines Modells nicht nur vom statistischen Fit, sondern auch vom geplanten Managementeinsatz abhängt. Der dritte Teil der Dissertation behandelt die Herausforderung der automatisierten Umweltüberwachung durch Deep-Learning-basierte Bildsegmentierung. Zwei zusammenhängende Studien wurden durchgeführt: Erstens wurde Erosion-SAM entwickelt, eine feinabgestimmte Adaption des Segment Anything Models zur Abgrenzung von Wassererosions- und Sedimentablagerungsstrukturen in hochauflösenden Luftbildern; zweitens wurden feinabgestimmte SAM- und U-Net-Architekturen mit ResNet-Backbones für die schnelle Hochwasserkartierung aus UAV- und Hubschrauberbildern verglichen. Beide Studien belegen, dass Transfer Learning und Foundation Models den Bedarf an großen annotierten Datensätzen erheblich reduzieren können, ohne die Segmentierungsleistung zu beeinträchtigen. Für die Erosionskartierung identifizierte das angepasste SAM erfolgreich visuell heterogene Erosionsstrukturen über verschiedene Landnutzungstypen hinweg. Für die Hochwasserkartierung erreichten sowohl SAM- als auch U-Net-basierte Modelle hohe Genauigkeiten mit großem praktischem Potenzial für eine schnelle Lagebeurteilung nach einem Ereignis sowie für die Katastrophenhilfe. Zusammen zeigen diese Studien das Potenzial moderner Computer-Vision-Methoden für die Erstellung räumlich expliziter Umweltbeobachtungen, die sowohl wissenschaftliche Analysen als auch operative Entscheidungsprozesse unterstützen können. Insgesamt stellt die Dissertation einen integrierten Ansatz vor, der klimatische Einflussfaktoren, prozessbasierte Erosionsmodellierung und automatisiertes bildgestütztes Monitoring miteinander verknüpft. Der übergreifende Beitrag besteht darin, zu zeigen, wie Deep Learning nicht als Ersatz für umweltwissenschaftliche Theorien, sondern als leistungsstarke Ergänzung der klassischen Bodenerosionsforschung eingesetzt werden kann. Die Ergebnisse liefern verbesserte Werkzeuge zur Abschätzung der Niederschlagserosivität, eine kritische Bewertung der Modellleistung unter Bodenschutzbedingungen und neue Methoden zur schnellen Kartierung von Erosions- und Hochwasserschäden. Damit leistet die Dissertation einen Beitrag zu einem anpassungsfähigeren, datenreichen und räumlich expliziteren Rahmen für die Bodenschutzplanung, die Bewertung von Klimawandelfolgen und das Management von Naturgefahren.