Kurzfassung
Sentinel-1 ist eine Konstellation von Erdbeobachtungssatelliten, die mittels Radarsensoren die Erdoberfläche unabhängig von Wetter und Sichtverhältnissen kontinuierlich beobachtet. Damit können dynamische Veränderungen der Erdoberfläche mit einer räumlichen Auflösung von 20 m erfasst werden. Globale Auswertungen der Sentinel-1 Daten illustrieren, wie sehr die Menschheit die Landoberfläche bereits nach ihren Bedürfnissen umgestaltet hat. Ebenso dokumentieren sie das Ausmaß klimatischer Extremereignisse wie Dürren und Fluten. In diesem Beitrag gebe ich einen Überblick über die an der TU Wien durchgeführten Forschungsarbeiten zur Nutzung von Sentinel-1 für die Beobachtung der Landoberfläche und klimatischer Extremereignisse wie beispielsweise die im Sommer 2022 aufgetretene Dürre in Europa und die verheerenden Überflutungen in Pakistan.

Abstract
Sentinel-1 is a satellite constellation that uses radar sensors to observe the Earth’s surface day and night under all weather conditions. This allows monitoring dynamic changes of the Earth’s land surface at a spatial resolution of 20 m. A worldwide Sentinel-1 image mosaic illustrates how strongly humanity has already transformed the continental land surface areas according to its needs. Sentinel-1 also helps documenting the severity of climate extremes such as droughts and flooding. In this article, I review research which has been carried out at TU Wien to use Sentinel-1 data for the monitoring of soil, vegetation and inland water, showing some results for summer 2002 when European was plagued by drought conditions and Pakistan hit by devastating flooding.

Kurzfassung
Im vorliegenden Beitrag wird die objektorientierte Klassifikation von Gebäuden und Vegetation auf Basis von hochauflösenden Orthofotos und Airborne Laserscanning Daten vorgestellt. Durch die Kombination von Bilddaten mit Höhendaten konnte die Klassifizierungswahrscheinlichkeit gegenüber der ausschließlichen Verwendung von Bilddaten signifikant gesteigert werden.

Abstract
This paper is introducing the object oriented classification of buildings and vegetation based on digital Orthofotos and Airborne Laserscanning data.The reliability of classification compared to the exclusively utilization of orthofotos was improved due to the usage of image and elevation data.