Im Rahmen entwicklungspolitischer Ansätze für Drittländer wird zur Gewinnung von Grundlageninformationen in zunehmendem Maße auch von digitalen Satellitendaten Gebrauch gemacht. Mit Hilfe von Satellitendaten können quantifizierbare Angaben über spektrale Reflektionseigenschaften von Erdoberflächen gemacht werden und somit u.a. Art und Umfang von Vegetationsbeständen identifiziert und dessen Zustand beurteilt werden. Die Anwendungsmöglichkeiten von Fernerkundungsdaten für vegetationskundliche Interpretationsaufgaben sind für viele Fernerkundungssensoren bereits untersucht und verifiziert worden. In dieser Studie wurden die Möglichkeiten und erzielbaren Genauigkeiten von vier unterschiedlichen Fernerkundungssystemen für Landnutzungsklassifikation/Landbedeckungsklassifikation untersucht. Bei den selektierten Systemen handelt es sich um den modularen Optoelektronischen Multispektralscanner (MOMS-01), eine deutsche Entwicklung von Messerschmidt-Bölkow-Blohm (MBB), Landsat Thematic Mapper (TM), Landsat Multisektral Scanner (MSS) und den Advanced Very High Resolution Radiometer (AVHRR). Als Testareale wurden zwei semiaride Gebiete in Niger ausgewählt. Die Bildbearbeitung wurde an dem digitalen Bildanalysegerät GEMS durchgeführt. Im Verlaufe der Bearbeitungsschritte wurden zur Datenkompression relevante Ausschnitte aus den Originaldaten gewählt, welche in spektraler Hinsicht für TM und MSS weiter komprimiert wurden durch Principal Component Analysis (PCA), ohne den ursprünglichen Informationsgehalt der Bilder zu verringern. Ferner wurden Fernerkundungsdaten anhaftende Fehlerquellen, wie. Bildelementabweichungen vom geometrisch korrekten Ort sowie radiometrische Störungen bei der Bildaufnahme durch Entzerrungen bzw. Datenfilterung beseitigt. Die Klassifikation von stofflich homogenen Arealen erfolgte mittels der präzisen automatischen Maximum Likelihood Klassifikation. Um Rückschlüsse über die Güte der Klassifikationen zu ermöglichen, wurden Verwechselungsmatrizen angefertigt, im Zuge derer stichprobenartig 256 Punkte in den jeweiligen Falschfarbendarstellungen sowie Klassifikationen identifiziert und tabellarisch gegenübergestellt wurden. Mit Hilfe des Kappa coefficient of agreement, einer statistischen Methode zur Fehlerquantifizierung, wurde basierend auf die Verwechselungsmatrizen die Klassifikationsgenauigkeit bestimmt. MOMS, wie auch TM, ermöglichten eine Unterscheidung von acht verschiedenen Landnutzungs-/Landbedeckungsklassen. Die statistische Genauigkeit der Klassifizierung war für diese beiden Scanner mit hohem räumlichen Auflösungsvermögen sehr gut, nur zeigte die MOMS-Klassifizierung ein mangelndes Unterscheidungsvermögen zwischen zwei Klassen (Brousse Tigree und Laterite Outwash), welches das insgesamt gute Klassifizierungsvermögen des ersten optischen Zeilenabtasters jedoch nicht schmälerte. Diese Verwechselung dürfte vornehmlich auf die geringe spektrale Bandbreite (zwei Kanäle) und die geringe radiometrische Auflösung (sechs Bit) des MOMS-01 Experiments zurückzuführen sein und soll für den geplanten MOMS-02 verbessert werden. Der Landsat Multispektral Scanner unterschied nur fünf Klassen mit einer allgemein geringeren Genauigkeit als TM und MOMS, was durch das zu geringe räumliche Auflösungsvermögen (56 x 79 m) für dieses relativ inhomogene Gebiet mit wechselnden Vegetationsdichten begründet ist. Die AVHRR-Klassifizierung wurde aufgrund ungenügender Bodeninformation nur visuell interpretiert, zeigte aber, soweit bekannt, eine gute Unterscheidung homogener großflächiger Gebiete, mit dem Vorzug eines häufigeren Bildangebots (täglicher Wiederkehrzyklus). Insgesamt läßt sich feststellen, daß TM und in etwas eingeschränktem Maße auch MOMS-01 für Landnutzungs-/Landbedeckungskartierungen in regionalem Maßstab in einem semiariden Gebiet geeignet sind, während MSS nur bedingt tauglich ist. Eine Weiterentwicklung von MOMS-01, wie geplant, mit größerer radiometrischer Auflösung und Einbezug eines zweiten Infrarotkanales erscheint sinnvoll. AVHRR eignet sich für großflächige Kartierungen homogener Gebiete. Die Nutzung von Scannern mit hohem räumlichen Auflösungsvermögen wie MOMS oder TM wird jedoch wegen dem daraus resultierenden Datenumfang für den routinemäßigen Gebrauch für Kartierungen großer Gebiete limitiert sein und vorwiegend auf die Kalibrierung der mehr geeigneten AVHRR-Daten ausgerichtet sein. Abschließend ist zu bemerken, daß ein direkter Vergleich der Klassifizierungsergebnisse erschwert ist, da die Satellitenbilder der verschiedenen Scanner von verschiedenen Zeitpunkten und Gebieten stammen. ; The usefulness of MOMS data for digital land-use/landcover mapping in a semi-arid environment, compared with TM, MSS and AVHRR data was examined. Image Processing was carried out using the interactive image analysis packages on a GEMS image processing system. The MOMS scene was geometrically corrected. MSS was geometrically matched with TM and resampled to 30 m pixel size. Feature selection was carried out for the MSS and TM scenes using Principal Component Analysis. Pre- and post-classification median filtering was performed on all images and the unsupervised maximum likelihood classification approach was used for land-use/land-cover classification. For the drawing up of confusion matrices random sampling was carried out on the false colour composites, of the MOMS, TM and MSS images, and their classifications. The Kappa coefficient of agreement was used to determine classification accuracies. For MOMS and TM eight land-use/land-cover classes were tested and found to be separable. The statistical accuracy was very high for TM (K = 0.77). Due to a high confusion between two classes in the MOMS classification the accuracy was reduced for MOMS (K = 0.53). MSS separated five classes with limited accuracy (K = 0.51). The AVHRR image was only visually interpreted and did show good separation of homogeneaus areas. Overall, ping in could be MOMS demonstrated Niger. Additional useful capabilities for bands as planned land-use map with MOMS-02. The direct comparison of the accurcies is difficult, as the images are taken in different seasons and areas.