Natural and potentially hazardous events occur on the Earth’s surface every day. The most destructive of these processes must be monitored, because they may cause loss of lives, infrastructure, and natural resources, or have a negative effect on the environment. A variety of remote sensing technologies allow the recoding of data to detect these processes in the first place, partly based on the diagnostic landforms that they form. To perform this effectively, automatic methods are desirable. Universal detection of natural hazards is challenging due to their differences in spatial impacts, timing and longevity of consequences, and the spatial resolution of remote-sensing data. Previous studies have reported that topographic metrics such as roughness, which can be captured from digital elevation data, can reveal landforms diagnostic of natural hazards, such as gullies, dunes, lava fields, landslides and snow avalanches, as these landforms tend to be more heterogeneous than the surrounding landscape. A single roughness metric is often limited in such detections; however, a more complex approach that exploits the spatial relation and the location of objects, such as object-based image analysis (OBIA), is desirable. In this thesis, I propose a topographic roughness measure derived from an airborne laser scanning (ALS) digital terrain model (DTM) and discuss its performance in detecting landforms principally diagnostic of natural hazards. I further develop OBIA-based algorithms for the detection of snow avalanches using near-infrared (NIR) aerial images, and the size (changes) of mountain lakes using LANDSAT satellite images. I quantitatively test and document how the level of difficulty in detecting these very challenging landforms depends on the input data resolution, the derivatives that could be evaluated from images and DTMs, the size, shape and complexity of landforms, and the capabilities of obtaining the information in the data. I demonstrate that surface roughness is a promising metric for detecting different landforms in diverse environments, and that OBIA assists significantly in detecting parts of lakes and snow avalanches that may not be correctly assigned by applying only the thresholding of spectral properties of data and their derivatives. The curvature-based surface roughness parameter allows the detection of gullies, dunes, lava fields and landslides with a user’s accuracy of 0.63, 0.21, 0.53, and 0.45, respectively. The OBIA algorithms for detecting lakes and snow avalanches obtained user’s accuracy of 0.98, and 0.78, respectively. Most of the analysed landforms constituted only a small part of the entire dataset, and therefore the user’s accuracy is the most appropriate performance measure that should be given in a such classification, because it tells how many automatically-extracted pixels in fact represent the object that one wants to classify, and its calculation does not take the second (background) class into account. One advantage of the proposed roughness parameter is that it allows the extraction of the heterogeneity of the surface without the need for data detrending. The OBIA approach is novel in that it allows the classification of lakes regardless of the physical state of their water, and also allows the separation of frozen lakes from glaciers that have very similar water indices used in purely optical remote sensing applications. The algorithm proposed for snow avalanches allows the detection of release zones, tracks, and deposition zones by verifying the snow heterogeneity based on a roughness metric evaluated from a water index, and by analysing the local relation of segments with their neighbouring objects. This algorithm contains few steps, which allows for the simultaneous classification of avalanches that occur on diverse mountain slopes and differ in size and shape. This thesis contributes to natural hazard research as it provides automatic solutions to tracking six different landforms that are diagnostic of natural hazards over large regions. This is a step toward delineating areas susceptible to the processes producing these landforms and the improvement of hazard maps. Naturgefahren und potenziell gefährliche Ereignisse der Erdoberfläche treten jeden Tag auf. Prozesse mit Zerstörungswirkungen sollten identifiziert werden, weil sie Gefahren für besiedelte Gebiete sowie menschliches Leben haben können. Naturgefahren haben erhebliche Einflüsse auf die Umwelt. Eine Vielzahl von Fernerkundungstechnologien, die heutzutage verfügbar sind, erlauben die Aufnahme und Speicherung von Datensätzen, die bei der Erkennung solcher Naturgefahren helfen können. Eine wichtige Grundlage dafür stellt die diagnostische Landform dar, welche die Naturgefahr ausbildet. Für eine effiziente Analyse sind automatische Methoden wünschenswert. Die Verwendung einer universellen Methode zur Erkennung von Naturgefahren ist deshalb eine Herausforderung, weil die räumlichen Ausdehnungen unterschiedlich sind. So können diese unterschiedlichen Alters sein und verschiedene räumliche Auflösungen in Fernerkundungsdaten besitzen. Dies beeinflusst den Detailierungsgrad bei der Abbildung der Erdoberfläche. Frühere Studien zeigen, dass Ableitungen wie beispielweise die Rauheit, die von Fernerkundungsdaten erfasst werden kann, es erlauben, Naturgefahrenphänomene wie z. B. Erosionsrinnen, Dünen, Lavafelder, Erdrutsche und Schneelawinen zu erkennen, weil sie heterogener sind als umgebende Objekte. Dennoch ist es nicht zulässig, allein mittels der eigenständigen Rauheit eine Unterscheidung zwischen den erfassten Landschaftsformen vorzunehmen. Hier ist ein komplexer Ansatz wie die Objektbasierte Bildanalyse (OBIA) wünschenswert, weil ein solcher sowohl die räumliche Relation als auch die Lage von Objekten verwendet. In dieser Dissertation schlage ich einen Oberflächenrauhigkeitsindex, abgeleitet aus einem durch Airborne Laserscanning (ALS) erfassten digitalen Geländemodells (DTM), vor und diskutiere die Faktoren, die die Darstellung von Naturgefahrenphänomenen mittels dieser Variable beeinflussen. Ich präsentiere auch OBIA-basierte, automatische Algorithmen für die Erkennung von Schneelawinen welche aus Nah-Infrarot (NIR) Luftbildern ausgewertet wurden sowie den Verlauf einer Seegrenze, die auf LANDSAT Satellitenbildern abgebildet wird. Ich zeige weiterhin, dass der Schwierigkeitsgrad für die Erfassung der analysierten Phänomene variabel und abhängig von den Dateneigenschaften, der Komplexität der getrackten Phänomene sowie von den qualitativen Ausprägungen des Informationsgehaltes ist. Ferner werde ich zeigen, dass die vorgeschlagene Oberflächenrauhigkeit die räumliche Ausdehnung der verschiedenen Phänomene zu bestimmen erlaubt, und dass der OBIA-Ansatz deutlich bei der Erkennung von Objekten und derjenigen Teile hilft, die nicht korrekt nur durch Verwendung spektraler Eigenschaften von Daten und deren Derivaten zugewiesen werden konnten. Der krümmungsbasierte Oberflächenrauhigkeitindex ermöglicht die Erkennung von Erosionsrinnen, Dünen, Lavafeldern, und Erdrutschen mit einer Benutzergenauigkeit von: 0.63, 0.21, 0.53 und 0.45. Vergleichend dazu erzielen die vorgestellten OBIA-Algorithmen für die Erfassung von Seen und Schneelawinen eine Benutzergenauigkeit von 0.98 und 0.78. Die in dieser Arbeit analysierten Landformen stellen einen Ausschnitt aus dem Gesamtspektrum vorkommender Strukturen dar. Die Benutzergenauigkeit stellt dabei den am besten geeigneten Leistungsindex dar, auf dem basierend eine Klassifikation durchgeführt werden kann. Die Benutzergenauigkeit gibt an, wie viele der automatisch extrahierten Pixel das zu klassifizierende Objekt tatsächlich repräsentieren. Eine Betrachtung einer zweiten (Hintergrund-) Klasse muss durch diesen Ansatz nicht erfolgen. Ein Vorteil des vorgeschlagenen Oberflächenrauhigkeitindex ist, dass er die Extraktion der Heterogenität der Oberfläche ohne die Notwendigkeit eines Daten-detrendings ermöglicht. Der OBIA-Ansatz für die Erfassung von Seegrenzen erlaubt es einerseits, Seen ungeachtet der physikalischen Zustände des Wassers zu klassifizieren und anderseits gefrorene Seen von den Gletschern zu unterschieden, welche ähnliche Eigenschaften beim Wasserindex aufweisen. Der für Schneelawinen vorgeschlagene Algorithmus wiederum ermöglicht insgesamt die Erfassung von Anbruchgebieten, Sturzbahnen und Ablagerungszonen durch Verifikation der Schneeheterogenität sowie die lokalen Beziehungen zu benachbarten Objekten. Dieser Algorithmus enthält einige Schritte, die es erlauben, gleichzeitig Lawinen zu klassifizieren, die in verschiedenen Berghängen auftreten und unterschiedliche Größen und Formen haben. Diese Dissertation trägt zur Naturgefahrenforschung bei, da sie automatische Lösungen für das Monitoring von sechs verschiedenen Landformen bietet, die typisch für Naturgefahren sind. Es wird somit dazu beigetragen, Gebiete abgrenzbar zu machen, welche für das Auftreten von Gefahrenphänomenen besonders anfällig sind. Zudem können damit auch Verbesserungen bei der Erstellung von Gefahrenkarten erreicht werden.