Vergangene Landbedeckungsveränderungen analysieren
Um zu verstehen, wie sich Äthiopien aufgrund des Bevölkerungswachstums in den letzten Jahrzehnten verändert hat, verwenden Sie den Assistenten Änderungserkennung, um die Veränderung der Landbedeckung von 1992 bis 2018 zu berechnen.
Landbedeckungs-Layer erkunden
Laden Sie zunächst die komprimierte .zip-Datei mit den für dieses Lernprogramm benötigten Daten herunter.
- Laden Sie den Ordner ChangeInEthiopiaData herunter.
Das Herunterladen der Daten kann einige Zeit in Anspruch nehmen, da der Ordner große Raster-Dateien enthält.
- Suchen Sie den heruntergeladenen Ordner auf Ihrem Computer, und verschieben Sie ihn an einen Speicherort Ihrer Wahl, z. B. in den Ordner Dokumente. Klicken Sie mit der rechten Maustaste auf den Ordner, und extrahieren Sie den Inhalt.
Hinweis:
Je nach Web-Browser werden Sie möglicherweise vor dem Herunterladen aufgefordert, den Speicherort der Datei auszuwählen. In den meisten Browsern werden heruntergeladene Dateien standardmäßig im Ordner "Downloads" gespeichert.
Als Nächstes erstellen Sie ein ArcGIS Pro-Projekt und fügen diesem die heruntergeladenen Daten hinzu.
- Öffnen Sie ArcGIS Pro. Melden Sie sich ggf. bei Ihrem ArcGIS Online-Konto an.
Hinweis:
Wenn Sie über keinen Zugriff auf ArcGIS Pro oder über kein ArcGIS-Organisationskonto verfügen, informieren Sie sich über die Optionen für den Zugriff auf die Software.
Erstellen Sie mit der Vorlage Karte ein Projekt.
- Wählen Sie unter Neues Projekt die Option Karte aus.
- Geben Sie im Fenster Neues Projekt erstellen als Name den Text Change in Ethiopia ein. Übernehmen Sie für Speicherort die Standardeinstellung, oder wählen Sie einen beliebigen Speicherort aus.
- Klicken Sie auf OK.
Das neue Projekt wird erstellt. Als Nächstes fügen Sie die heruntergeladenen Landbedeckungsdaten hinzu.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Layer auf die Schaltfläche Daten hinzufügen.
- Navigieren Sie im Fenster Daten hinzufügen zu dem Speicherort auf Ihrem Computer, in dem Sie den Ordner ChangeInEthiopiaData entzippt haben. Doppelklicken Sie auf ChangeInEthiopiaData, um den Style zu öffnen.
- Klicken Sie bei gedrückter Strg-Taste auf die Datasets Ethiopia_LandCover_1992.crf und Ethiopia_LandCover_2018.crf, um sie auszuwählen.
- Klicken Sie auf OK.
Die zwei Raster-Layer werden der Karte hinzugefügt. Die Karte wird auf Äthiopien, der Ausdehnung des Layers, gezoomt.
Jeder Layer besteht aus einem Landbedeckungs-Dataset, das von den im Rahmen der Climate Change Initiative erstellten Landbedeckungskarten der Europäischen Weltraumbehörde (ESA) abgeleitet wurde. Weitere Informationen finden Sie auf der Seite Elementdetails. Die ESA hat für die Jahre zwischen 1992 und 2018 jeweils eine globale Landbedeckungskarte erstellt.
Der oberste Layer zeigt die Landbedeckungskarte für 2018 an. Beide Layer beinhalten die folgenden generalisierten Landbedeckungsklassen: Ackerland, Wald, Buschland, Grünland, Oberflächenwasser, städtische Gebiete und nackter Boden. Beachten Sie, dass sich ein Großteil des nackten Bodens im Norden Äthiopiens (im Hochland) befindet, während der Süden Äthiopiens überwiegend aus Buschland besteht. Die landwirtschaftlich genutzte Region (rosa), befindet sich in der Mitte des Landes und umgibt das dicht besiedelte Stadtgebiet von Addis Abeba (dunkelrot).
Nun vergleichen Sie die beiden Layer.
- Wählen Sie ggf. im Bereich Inhalt den Layer Ethiopia_LandCover_2018.crf aus.
Hinweis:
An der .crf-Erweiterung des Layers erkennen Sie, dass das Dataset im Cloud-Raster-Format (CRF) vorliegt. Dies ist das native Rasterformat von Esri, das für das Schreiben und Lesen großer Dateien in einer verteilten Verarbeitungs- und Speicherumgebung optimiert ist
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer. Klicken Sie in der Gruppe Vergleichen auf Ausblenden.
- Beginnen Sie oben auf der Karte, und ziehen Sie den Mauszeiger nach unten, um den darunter liegenden Layer einzublenden. Ziehen Sie den Mauszeiger vor und zurück, um die zwei Layer zu vergleichen.
Der obere Layer zeigt die Landbedeckung von 2018, der darunter liegende Layer die Landbedeckung von 1992.
Einige Teile des Landes haben sich sichtbar verändert. Die Hauptstadt Addis Abeba zum Beispiel wird mit einer Reihe von dunkelroten Pixeln in der Mitte des Landes dargestellt. Sie hat sich in den 26 Jahren deutlich vergrößert.
Hinweis:
Beide Layer bestehen aus kategorisierten Raster-Datasets. In kategorisierten Raster-Daten weist jedes Pixel einen Wert auf, der für eine Klasse oder Kategorie repräsentativ ist. Sie werden manchmal als diskontinuierliche Daten, thematische Daten oder diskrete Daten bezeichnet und in GIS häufig für die Darstellung von Landbedeckung, Landnutzung oder anderen zonalen Informationen, z. B. Risikostufen, verwendet. In diesem Fall handelt es sich bei den dargestellten Kategorien um Landbedeckungstypen, wie z. B. Ackerland, Wald, Wasser und Stadt.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf die Schaltfläche Erkunden, um den Modus "Ausblenden" zu beenden.
- Klicken Sie auf der Symbolleiste für den Schnellzugriff auf die Schaltfläche Speichern.
Landbedeckungsveränderungen berechnen
Ermitteln Sie jetzt mithilfe des Assistenten Änderungserkennung die Veränderungen im gesamten Land im Zeitraum von 1992 bis 2018. Konzentrieren Sie sich dabei auf Veränderungen, die aller Wahrscheinlichkeit nach auf das Bevölkerungswachstum zurückzuführen sind.
- Wählen Sie im Bereich Inhalt den Layer Ethiopia_LandCover_1992.crf aus.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Analyse auf die Schaltfläche Änderungserkennung, und wählen Sie die Option Assistent "Änderungserkennung" aus.
Der Bereich Assistent "Änderungserkennung" wird angezeigt.
- Klicken Sie im Assistenten "Änderungserkennung" im Bereich Konfigurieren auf das Dropdown-Menü Methode der Änderungserkennung, um die verfügbaren Optionen für die Änderungserkennung anzuzeigen.
Die Option Kategorische Änderung wird verwendet, um Änderungen zu identifizieren, die zwischen zwei thematischen (oder kategorisierten) Rastern erfolgt sind, z. B. bezüglich der Bodenbedeckung oder Risikozone. Die Option Pixelwertänderung wird verwendet, um den Unterschied der Pixelwerte zwischen zwei kontinuierlichen Rastern, z. B. Temperatur-Raster oder Multiband-Bilddaten, zu berechnen. Die Option Zeitserienänderung wird verwendet, um das Änderungsdatum in einer Zeitserie von Bildern zu identifizieren.
Die Methode Kategorische Änderung ist standardmäßig ausgewählt, da es sich bei dem Raster-Layer, der beim Start des Assistenten im Bereich Inhalt ausgewählt wurde, um kategorisierte Raster-Daten handelt.
- Vergewissern Sie sich, dass für Von Raster der Layer Ethiopia_LandCover_1992.crf ausgewählt ist. Wählen Sie für In Raster den Layer Ethiopia_LandCover_2018.crf aus.
Durch Auswählen dieser Option stellen Sie sicher, dass der Layer Ethiopia_LandCover_1992.crf mit dem Layer Ethiopia_LandCover_2018.crf verglichen wird.
- Klicken Sie auf Weiter.
Im Bereich Klassenkonfiguration können Sie den zu verwendenden Filtertyp, die in die Analyse einzubeziehenden Klassen und die Rendering-Methode für die Ergebnisse auswählen. Sie möchten, dass nur die veränderten Bereiche und nur die Änderungen, die aller Wahrscheinlichkeit nach auf das Bevölkerungswachstum zurückzuführen sind, angezeigt werden.
- Vergewissern Sie sich, dass unter Filtermethode die Option Nur veränderte Bereiche ausgewählt ist. Lassen Sie in der Liste Von Klassen alle Klassen ausgewählt.
- Zeigen Sie in der Liste In Klassen mit der Maus auf die Kategorie Stadtgebiet und klicken Sie auf nur.
In der Liste ist jetzt nur die Klasse Stadtgebiet ausgewählt. Doch nicht nur das Städtewachstum kann ein Hinweis auf eine Veränderung aufgrund des Bevölkerungswachstums sein. Die Erweiterung von Ackerland könnte ebenfalls auf ein Bevölkerungswachstum schließen lassen.
- Aktivieren Sie das Kontrollkästchen neben Ackerland.
Sie möchten alle Flächen identifizieren, die sich in die Bodenbedeckungsarten "Stadtgebiet" oder "Ackerland" geändert haben. Für Farbmethode der Übergangsklasse übernehmen Sie den Standardwert Durchschnitt. Dieser Parameter bestimmt, wie die Ausgabeklassen gerendert werden.
- Klicken Sie auf die Schaltfläche Vorschau.
Im Bereich Inhalt wird der Layer Preview_ComputeChange hinzugefügt. Dieser Layer wird dynamisch erstellt und wirdnicht gespeichert. Sie erstellen den Layer für dauerhafte Änderungen in einem späteren Workflow-Schritt.
- Deaktivieren Sie im Bereich Inhalt die Layer Ethiopia_LandCover_2018.crf und Ethiopia_LandCover_1992.crf. Vergrößern Sie die Karte mit dem Mausrad, um die Hauptstadt Addis Abeba zu betrachten.
Die Pixelansammlung kennzeichnet veränderte Flächen.
- Klicken Sie auf der Karte auf einige Pixel, die auf eine Veränderung hinweisen.
Für das Pixel, auf das Sie geklickt haben, wird ein Pop-up geöffnet, das den Typ der jeweiligen Veränderung anzeigt.
Die meisten Änderungen scheinen von Ackerland, Buschland, Grünland oder Wald zu städtischen Gebieten erfolgt zu sein. Die Stadt hat sich zwischen 1992 und 2018 deutlich vergrößert.
- Schließen Sie alle geöffneten Pop-ups. Klicken Sie im Bereich Assistent "Änderungserkennung" auf Weiter.
Der Bereich Erzeugung der Ausgabe wird angezeigt. Speichern Sie nun Ihre Ausgabe auf dem Computer.
Der Standardparameter für Glättungsnachbarschaft lautet Keine. Mit diesem Parameter können Sie Ihre Ergebnisse zur besseren Visualisierung glätten. In diesem Fall sollen die Ergebnisse nicht geglättet werden, da Sie die Landbedeckungsfläche berechnen möchten und eine Glättung der Ergebnisse die Pixelwerte verändern würde.
- Überprüfen Sie, ob unter Ergebnis speichern als die Option Raster-Dataset ausgewählt ist.
- Klicken Sie für Ausgabe-Dataset auf die Schaltfläche Durchsuchen.
- Klicken Sie im Fenster Ausgabe-Dataset auf Ordner, und doppelklicken Sie dann auf Change in Ethiopia. Geben Sie als Name Ethiopia_LandCoverChange_1992_2018.tif ein.
- Klicken Sie auf Speichern. Klicken Sie im Bereich Assistent "Änderungserkennung" auf Ausführen.
Das geänderte Dataset wird der Karte hinzugefügt.
- Klicken Sie im Assistenten "Änderungserkennung" auf Fertig stellen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Ethiopia_LandCoverChange_1992_2018.tif, und wählen Sie Auf Layer zoomen aus.
- Speichern Sie Ihr Projekt.
Die Ergebnisse analysieren
Sie haben nun ein Raster für Landbedeckungsveränderungen erstellt. Als Nächstes werten Sie die Ergebnisse aus und erstellen ein Diagramm.
Zuerst entfernen Sie die Vorschau, die Sie erstellt haben, da Sie sie nicht mehr benötigen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Preview_ComputeChange, und wählen Sie Entfernen aus.
Hinweis:
Wenn Sie nicht auf Fertig stellen geklickt haben und der Assistent "Änderungserkennung" deshalb nicht geschlossen wurde, kann der Vorschau-Layer nicht entfernt werden.
- Klicken Sie mit der rechten Maustaste auf Ethiopia_LandCoverChange_1992_2018.tif, und wählen Sie Attributtabelle aus.
Die Attributtabelle wird geöffnet.
Im Feld Class_name werden verschiedene Übergänge zu den Klassen "Ackerland" und "Stadtgebiet" aufgeführt. Das Feld Anzahl gibt die Gesamtzahl der Pixel in jeder Kategorie an. Das Feld Fläche gibt die Gesamtfläche an, die diese darstellen (in Quadratmetern). Die Fläche kann berechnet werden, da das Dataset in einem projizierten Koordinatensystem mit linearen Einheiten in Metern dargestellt wird.
Hinweis:
Bei der Berechnung von Flächen ist es wichtig, mit Raster-Datasets zu beginnen, die sich in einer flächenerhaltenden bzw. flächentreuen Projektion befinden. In diesem Fall basieren die Landbedeckungs-Layer auf der Projektion "South America Albers Equal Area Conic".
- Klicken Sie in der Attributtabelle mit der rechten Maustaste auf Überschrift des Feldes Area, und wählen Sie Absteigend sortieren aus.
Die Zeilen sind nun nach der Fläche sortiert, wobei der Übergang der größten Fläche an erster Stelle aufgeführt ist.
Die erste Zeile mit dem Class_name-Wert Sonstiges steht für alle Übergänge, die von 1992 bis 2018 stattgefunden haben und nicht in die Analyse einbezogen wurden. Die zweite Zeile mit dem Wert Keine Änderung repräsentiert die Pixel, bei denen kein Übergang stattgefunden hat, sondern die gleich geblieben sind.
Sie benötigen diese Zeilen nicht, deshalb löschen Sie sie aus der Tabelle.
- Drücken Sie in der Attributtabelle die STRG-Taste, und klicken Sie auf den Anfang der beiden Zeilen, um sie auszuwählen.
- Drücken Sie die ENTF-Taste. Klicken Sie im Fenster Löschen auf Ja.
Die zwei Zeilen werden gelöscht. Speichern Sie diese Änderung.
- Klicken Sie auf dem Menüband auf die Registerkarte Bearbeiten. Klicken Sie in der Gruppe Änderungen verwalten auf Speichern.
- Klicken Sie ggf. im Fenster Änderungen speichern auf Ja.
Laut der Attributtabelle erfolgte der flächenmäßig größte Klassenübergang von Buschland zu Ackerland. Ihrer Analyse zufolge wurden 5.537.592.079,12 Quadratmeter (bzw. etwa 5.538 Quadratkilometer) Buschland zwischen 1992 und 2018 in Ackerland umgewandelt. Zudem wurde eine recht große Waldfläche in Ackerland umgewandelt, was darauf hindeutet, dass natürliche Vegetation durch Ackerland ersetzt wurde, um das Bevölkerungswachstum zu unterstützen.
Die vierte Zeile weist darauf hin, dass eine große Fläche Ackerland in städtisches Bauland umgewandelt wurde. Dies stimmt mit den Erkenntnissen überein, dass die schnelle städtische Ausbreitung eine Gefährdung der fruchtbaren landwirtschaftlichen Flächen um Addis Abeba darstellt (Deribew, 2020).
Sie erstellen ein Balkendiagramm, das diese Ergebnisse zusammenfasst.
- Schließen Sie die Attributtabelle.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Ethiopia_LandCoverChange_1992_2018.tif, zeigen Sie auf Diagramm erstellen, und wählen Sie Balkendiagramm aus.
Der Bereich Diagrammeigenschaften wird angezeigt, und im unteren Bereich des Projekts wird ein leeres Diagramm angezeigt.
- Legen Sie im Bereich Diagrammeigenschaften folgende Parameter fest:
- Wählen Sie für Kategorie oder Datum den Eintrag Class_From.
- Wählen Sie für Aggregation den Eintrag Summe aus.
- Klicken Sie für Numerische Felder auf Auswählen, und aktivieren Sie das Kontrollkästchen Fläche. Klicken Sie auf Übernehmen.
- Wählen Sie für Unterteilen nach die Option Class_To aus.
Das Diagramm wird aktualisiert. Die X-Achse zeigt die Landbedeckungstypen Class_From, und die Y-Achse zeigt die Fläche (in m2) jeder Kategorie, die in Ackerland (hellblaue Balken) oder Stadtgebiet (dunkelblaue Balken) übergegangen ist.
Als Nächstes verbessern Sie das Aussehen des Diagramms, um es an die Symbolisierung in den Daten anzupassen.
- Klicken Sie im Bereich Diagrammeigenschaften auf die Registerkarte Reihe. Wählen Sie für Anzeigen mehrerer Reihen als die Option Gestapelt aus.
Die Balken für Ackerland und Stadtgebiet sind nun übereinander gestapelt. Als Nächstes ändern Sie die Balkenfarben, damit sie mit den Symbolen übereinstimmen, die in den Landbedeckungsdaten verwendet wurden.
- Klicken Sie in der Tabelle Reihe auf das Symbol für Ackerland, und wählen Sie Farbeigenschaften aus.
- Legen Sie im Fenster Farb-Editor die folgenden Werte fest:
- Legen Sie Rot auf 247 fest.
- Wählen Sie für Grün den Wert 198 aus.
- Legen Sie Blau auf 196 fest.
- Stellen Sie für Transparenz die Einstellung 0% ein.
- Klicken Sie auf OK, um die Farbe anzuwenden.
- Ändern Sie die Farbe des Balkens für die Landbedeckung "Stadtgebiet" wie folgt:
- Legen Sie Rot auf 175 fest.
- Wählen Sie für Grün den Wert 55 aus.
- Legen Sie Blau auf 46 fest.
- Stellen Sie für Transparenz die Einstellung 0% ein.
- Klicken Sie im Bereich Diagrammeigenschaften auf die Registerkarte Allgemein. Legen Sie die folgenden Parameter fest:
- Geben Sie als Diagrammtitel den Text Cropland and Urban Growth in Ethiopia ein.
- Geben Sie als Titel der X-Achse den Text Original Class (1992) ein.
- Geben Sie als Titel der Y-Achse den Text Total Area (m2) ein.
- Geben Sie als Legendentitel den Text New Class (2018) ein.
- Deaktivieren Sie die Option Beschreibung.
Das Diagramm wird aktualisiert und mit seinem endgültigen Aussehen dargestellt.
Ein Großteil des Rückgangs der Kategorien "Nackter Boden", "Wald", "Weideland", "Buschland" und "Wasser" erfolgte zugunsten der Klasse "Ackerland". Wenn Sie mit der Maus auf den Balken für Ackerland zeigen, können Sie sehen, dass etwa 468 Millionen Quadratmeter (468 Quadratkilometer) Ackerland in städtische Gebiete umgewandelt wurden. Zugleich wurden neue Ackerlandflächen größtenteils zulasten von Buschland, gefolgt von Wald und dann von Grünland geschaffen. Aus dem Diagramm geht hervor, dass das Bevölkerungswachstum in Äthiopien zwischen 1992 und 2018 in erster Linie zu einem erheblichen Anstieg der landwirtschaftlichen Bodennutzung beigetragen hat. Städtewachstum ist zwar gegeben, spielt aber eine untergeordnete Rolle.
- Schließen Sie das Diagramm und den Bereich Diagrammeigenschaften. Speichern Sie das Projekt.
Sie haben vergangene Landbedeckungsveränderungen in Äthiopien analysiert. Als Nächstes analysieren Sie aktuelle Veränderungen der Vegetation.
Aktuelle Veränderungen in der Vegetation analysieren
Um sich einen Überblick über die Auswirkungen einer gewaltigen Heuschreckeninvasion auf Äthiopien zu verschaffen, verwenden Sie Landsat 8-Satellitenbilder und vergleichen die Vegetationsindexwerte vor und nach dem Beginn der Invasion miteinander, die im Dezember 2019 in Kenia begann und sich in den Monaten danach in den angrenzenden Ländern ausgebreitet hat.
Bilddaten-Layer erkunden
Erstellen Sie zunächst in Ihrem Projekt eine Karte, und fügen Sie dieser Karte zwei Landsat 8-Bilder hinzu.
- Klicken Sie auf dem Menüband auf die Registerkarte Einfügen. Klicken Sie in der Gruppe Projekt auf die Schaltfläche Neue Karte.
Dem Projekt wird neben der ersten Karte eine neue Karte mit dem Namen Karte1 hinzugefügt.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Layer auf die Schaltfläche Daten hinzufügen.
- Navigieren Sie im Fenster Daten hinzufügen zu dem Speicherort des entzippten Ordners ChangeInEthiopiaData.
- Drücken Sie die STRG-Taste, und wählen Sie die Datasets Landsat8_2019_10_15.tif und Landsat8_2020_11_18.tif aus. Klicken Sie auf OK.
Die beiden Landsat 8-Bilder werden der Karte hinzugefügt.
Beim ersten Layer handelt es sich um ein Bild, das am 15. Oktober 2019 vor Beginn der Invasion aufgenommen wurde. Das zweite Bild wurde am 18. November 2020 aufgenommen, nachdem die Invasion über die Region hinweggefegt war. Auf den Bildern sind Addis Ababa und die umliegenden ländlichen Gebiete bis zur Grenze des Wildschutzgebiets Aledeghi zu sehen.
Optimieren Sie das Rendering der beiden Bilder, und vergleichen Sie sie miteinander.
- Wählen Sie ggf. im Bereich Inhalt den Layer Landsat8_2020_11_18.tif aus.
- Klicken Sie auf dem Menüband auf die Registerkarte Raster-Layer. Klicken Sie in der Gruppe Rendering auf die Schaltfläche Symbolisierung.
Der Bereich Symbolisierung wird angezeigt. Die Option Primäre Symbolisierung ist auf "RBG" festgelegt. Die multispektralen Bilddaten von Landsat 8 haben ursprünglich 11 Spektralbänder. Die Bilder, die Sie heruntergeladen haben, weisen jedoch nur 7 Spektralbänder auf. Die Kanäle Rot, Grün und Blau sind derzeit auf die Bänder 1 (Küstenaerosol), 2 (Blau) bzw. 3 (Grün) festgelegt. Hierbei handelt es sich um eine Standardbandkombination, die sich aus der ursprünglichen Bandreihenfolge ergibt. Ändern Sie die Symbolisierung, um das Bild in einer natürlichen Farbwiedergabe anzuzeigen, für die die Bänder 4 (Rot), 3 (Grün) und 2 (Blau) verwendet werden.
- Legen Sie im Bereich Symbolisierung die folgenden Kanäle fest:
- Ändern Sie Rot in sr_band4.
- Ändern Sie Grün in sr_band3.
- Ändern Sie Blau in sr_band2.
Der Layer wird in der Karte aktualisiert. Nun werden die Vegetation in Grün, der vegetationslose Boden in Braun oder Braungrau, Wasser in Blau oder Blaugrau und städtische Gebiete in Hellgrau angezeigt.
Hinweis:
Wolken und Schatten von Wolken auf den Bildern wurden mithilfe des bei der Landsat 8-Oberflächenreflexion verfügbaren Qualitätsbewertungsbandes als NoData-Werte festgelegt. Diese Bereiche sind scheinbar leer, und an diesen Stellen wird möglicherweise der darunter liegende Layer angezeigt.
- Klicken Sie im Bereich Inhalt auf den Layer Landsat8_2019_10_15.tif. Legen Sie im Bereich Symbolisierung die folgenden Kanäle fest:
- Ändern Sie Rot in sr_band4.
- Ändern Sie Grün in sr_band3.
- Ändern Sie Blau in sr_band2.
Verwenden Sie das Werkzeug "Vergleichen", um die beiden Bilder vor und nach der Heuschreckeninvasion miteinander zu vergleichen.
- Klicken Sie im Bereich Inhalt auf den Layer Landsat8_2020_11_18.tif, um ihn auszuwählen.
- Klicken Sie auf dem Menüband auf der Registerkarte Raster-Layer in der Gruppe Vergleichen auf Ausblenden.
- Ziehen Sie den Mauszeiger von oben nach unten, um das obere Bild abzulösen und das zweite darunter liegende Bild sichtbar zu machen.
Auf dem Bild von 2019 ist deutlich mehr Vegetation vorhanden als auf dem Bild von 2020.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Navigieren auf Erkunden.
- Speichern Sie die Karte.
Die Pixelwertdifferenz berechnen
Nachdem Sie den Unterschied zwischen den beiden Bildern visualisiert haben, berechnen Sie nun den Unterschied in der Vegetation. Verwenden Sie hierzu den NDVI-Vegetationsindex im Assistenten Änderungserkennung.
- Klicken Sie auf dem Menüband auf die Registerkarte Bilddaten. Klicken Sie in der Gruppe Analyse auf Änderungserkennung, und wählen Sie Assistent "Änderungserkennung" aus.
Die Methode der Änderungserkennung ist standardmäßig auf Pixelwertänderung festgelegt. Diesmal war diese Option bereits ausgewählt, da es sich um kontinuierliche Bilddaten handelt.
- Wählen Sie für Von Raster das Bild von 2019 aus. Wählen Sie für In Raster das Bild von 2020 aus.
- Klicken Sie auf Weiter.
Der Bereich Banddifferenz wird angezeigt. Hier können Sie verschiedene Optionen auswählen, die sich auf den Pixelwertänderungsmodus beziehen.
Die Option Differenztyp ist standardmäßig auf Absolut festgelegt. Bei der absoluten Differenz handelt es sich um den mathematischen Unterschied zwischen den Pixelwerten der jeweiligen Bilder. Bei der relativen Differenz werden dagegen die Magnituden der jeweiligen Werte verglichen. In diesem Fall sind die Werte des Vegetationsindexes, den Sie verwenden möchten, bereits normalisiert (sie liegen in einem Bereich von –1 bis 1), sodass es nicht erforderlich ist, den relativen Unterschied zu verwenden.
- Wählen Sie für Banddifferenzmethode die Methode Bandindexdifferenz aus.
Mit dieser Option können Sie zunächst für jedes Bild einen Bandindex berechnen, bevor Sie den Vergleich durchführen. In diesem Fall verwenden Sie den NDVI-Index, mit dem die Vegetationsabdeckung verglichen wird. Der Parameter Bandindex ist standardmäßig auf NDVI festgelegt.
Beim normalisierter differenzierter Vegetationsindex (NDVI) handelt es sich um einen Index, der üblicherweise verwendet wird, um das Vorhandensein oder Fehlen einer gesunden grünen Vegetation in Bilddaten zu bewerten. Dabei werden Informationen der Spektralreflexion aus dem roten und nahinfraroten (NIR) Band verwendet und mithilfe der folgenden Formel das jeweilige Verhältnis berechnet:
NDVI = (NIR – Red) / (NIR + Red)
Geben Sie an, welches Band Ihrer Bilder jeweils dem nahinfraroten und roten Band entspricht.
- Legen Sie für beide Bilder den Nahinfrarot-Bandindex auf 5 - sr_band5 fest. Legen Sie für beide Bilder den Rotbandindex auf 4 - sr_band4 fest.
- Klicken Sie auf Weiter.
- Klicken Sie im Bereich Differenz klassifizieren auf die Schaltfläche Statistiken und Histogramm berechnen.
Der Assistent Änderungserkennung berechnet den NDVI auf beiden Bildern sowie den Unterschied zwischen den beiden Bildern. Daher kann der Vorgang eine Minute dauern. Anschließend wird der Karte der Layer Preview_Mask hinzugefügt. Auf diesem Layer wird die Differenz der NDVI-Werte angezeigt.
Im Assistent Änderungserkennung wird im Bereich Differenz klassifizieren ein Histogramm angezeigt, das die Verteilung der Differenzwerte für die beiden Datumsangaben enthält. Positive Werte geben einen erhöhten NDVI an (d. h. eine Zunahme der gesunden Vegetation) an, während negative Werte für einen niedrigeren NDVI (d. h. eine Abnahme der gesunden Vegetation) stehen.
Ändern Sie zur leichteren Interpretation der Anzeige die Symbolisierung dieses Layers.
- Klicken Sie im Bereich Inhalt auf den Farbverlauf Preview_Mask.
Der Bereich Symbolisierung wird angezeigt.
- Blenden Sie im Bereich Symbolisierung für Farbschema die Dropdown-Liste ein, und aktivieren Sie das Kontrollkästchen Namen anzeigen. Wählen Sie Gelb-Grün-Blau (Kontinuierlich).
- Aktivieren Sie das Kontrollkästchen Umkehren.
Der Layer "Preview-Mask" wird aktualisiert. Gebiete, in denen die gesunde Vegetation abgenommen hat, sind dunkelblau oder mittelblau dargestellt. Gebiete, in denen die gesunde Vegetation zugenommen hat, sind hellgelb dargestellt. Einige Bereiche des Layers haben keine Farbe, da die Bilddaten Wolken enthalten. Diese Bereiche werden als NoData angezeigt.
- Schließen Sie den Bereich Symbolisierung.
- Ziehen Sie im Bereich Differenz klassifizieren im Histogramm Differenzen analysieren den Ziehpunkt für Maximum im Histogramm auf 0, sodass zwischen dem Ziehpunkt für Minimum und dem Ziehpunkt für Maximum nur die negativen Werte des Histogramms ausgewählt werden.
Die Vorschaumaske wird in der Karte aktualisiert, sodass nur noch die Pixelwerte zwischen dem im Histogramm ausgewählten Minimalwert (–1,36) und dem Maximalwert (0) ausgewählt werden. Der Großteil der Werte liegt unter null. Das bedeutet, dass in den meisten Gebieten Vegetation verloren gegangen ist. Zwischen zwei Datumsangaben ist ein geringfügiger Rückgang beim NDVI zu erwarten, insbesondere wenn zwischen den Aufnahmen mehr als ein Monat liegt. Sie möchten Gebiete mit einem deutlichen Rückgang beim NDVI ermitteln.
- Ziehen Sie den Ziehpunkt für Maximum auf etwa –0,25.
Der Layer wird aktualisiert. Nun werden nur noch die Gebiete mit einem NDVI-Rückgang von mindestens 0,25 in der Karte angezeigt. Diesen Wert betrachten Sie als deutlichen Rückgang beim NDVI.
- Vergewissern Sie sich, dass Die Differenz in Werten klassifizieren aktiviert ist. Klicken Sie auf die Schaltfläche Neue Klasse hinzufügen.
Der Tabelle Ausgabe klassifizieren werden die Minimal- und Maximalwerte hinzugefügt. Mit dieser Funktionalität können Sie einen bestimmten Wertebereich aus dem Differenzraster extrahieren und klassifizieren. Anstatt die Differenz zwischen zwei Datasets zu berechnen, können Sie das Phänomen, an dem Sie interessiert sind, hervorheben.
- Legen Sie in der Tabelle Ausgabe klassifizieren den Ausgabewert auf 1, den Klassennamen auf NDVI-Rückgang und die Farbe auf "Rot" fest.
- Klicken Sie unten im Bereich auf Vorschau.
Der Layer Preview_ClassifiedDifference wird der Karte hinzugefügt. Mit den roten Pixeln werden alle Gebiete mit einem deutlichen NDVI-Rückgang dargestellt.
Geringfügige Änderungen beim NDVI sind von Jahr zu Jahr zu erwarten. Ein deutlicher NDVI-Rückgang wie der, den Sie ermittelt haben, kann jedoch nur auf eine Störung zurückzuführen sein. Wahrscheinlich ist die Heuschreckeninvasion die Ursache für den in den Bilddaten erkennbaren Rückgang. Heuschrecken tauchen in Schwärmen in bewachsenen Gebieten auf. Ackerland ist in diesem Zusammenhang besonders gefährdet. Das hat zu einem verheerenden Schaden für Millionen von Menschen geführt.
- Klicken Sie auf Weiter.
Als Nächstes speichern Sie die Ausgabe.
- Legen Sie im Bereich Erzeugung der Ausgabe die folgenden Parameter fest:
- Vergewissern Sie sich, dass für Glättungsnachbarschaft die Option Keine ausgewählt ist.
- Überprüfen Sie, ob unter Ergebnis speichern als die Option Raster-Dataset ausgewählt ist.
- Klicken Sie für Ausgabe-Dataset auf Durchsuchen. Doppelklicken Sie auf Ordner, und klicken Sie dann auf Change in Ethiopia. Geben Sie als Name NDVILoss_2019_2020.tif ein. Klicken Sie auf Speichern.
Hinweis:
Durch die Angabe der Erweiterung .tif wird für das Raster-Dataset eine TIFF-Datei als Ausgabeformat festgelegt. Eine Liste mit allen unterstützten Rasterformaten finden Sie in der Dokumentation Raster-Dateiformate.
- Klicken Sie auf Ausführen.
Das neue Dataset wird zur Karte hinzugefügt.
- Deaktivieren Sie die Layer Preview_ClassifiedDifference und Preview_Mask im Bereich Inhalt.
Hinweis:
Wenn der Layer Preview_ClassifiedDifference anders aussieht als das Endergebnis, liegt das daran, dass der Vorschau-Layer mit Raster-Funktionen erstellt wird, mit denen die Ergebnisse dynamisch berechnet werden, wobei je nach aktueller Anzeige des Datasets eine neu berechnete Pixelgröße verwendet wird.
- Speichern Sie Ihr Projekt. Schließen Sie den Assistenten "Änderungserkennung" nicht.
Dieselbe Analyse mehrmals durchführen
Da dieser Änderungserkennungs-Workflow mithilfe von Raster-Funktionen durchgeführt wird, können Sie die Ausgabe (und die Ausgabe aus dem vorherigen Modul) als Raster-Funktionsvorlage speichern. Dann können Sie die Raster-Funktionsvorlage auf andere Bilder anwenden. So erhalten Sie eine schnelle und wiederholbare Analyse, die Sie in verschiedenen Bereichen und für verschiedene Jahre verwenden können.
Im Folgenden erstellen Sie einen Workflow für den NDVI-Vergleich in Form einer neuen Raster-Funktionsvorlage.
- Deaktivieren Sie im Bereich Inhalt den Layer NDVILoss_2019_2020.tif.
- Wählen Sie im Bereich Assistent "Änderungserkennung" im Bereich Erzeugung der Ausgabe für Ergebnis speichern als die Option Raster-Funktionsvorlage aus. Klicken Sie auf Ausführen.
Das Fenster mit dem Editor für Raster-Funktionsvorlagen wird angezeigt, wobei die Funktionen, die Sie zum Ausführen der Analyse verwendet haben, bereits angegeben sind.
- Klicken Sie mit der rechten Maustaste auf die obere Raster-Eingabe, wählen Sie Umbenennen aus, und benennen Sie sie in Von Raster um. Benennen Sie die untere Raster-Eingabe in In Raster um.
- Doppelklicken Sie auf die obere Funktion Bandarithmetik. Klicken Sie im Fenster Bandarithmetik-Eigenschaften auf die Registerkarte Variablen, und aktivieren Sie das Kontrollkästchen IsPublic für den Parameter Von Raster.
Diese Einstellung bewirkt, dass der Parameter Von Raster in der endgültigen Raster-Funktion sichtbar ist. Beim Ausführen der Funktion kann ausgewählt werden, welches Raster als Von Raster-Parameter verwendet werden soll.
- Klicken Sie auf OK.
- Doppelklicken Sie auf die untere Funktion Bandarithmetik. Klicken Sie im Fenster Bandarithmetik-Eigenschaften auf die Registerkarte Variablen, und aktivieren Sie das Kontrollkästchen IsPublic für den Parameter In Raster.
- Klicken Sie auf OK. Klicken Sie im Fenster Raster-Funktionsvorlage1 auf die Schaltfläche Speichern.
- Legen Sie im Fenster Speichern die folgenden Parameter fest:
- Geben Sie für Name Landsat 8 NDVI Loss ein.
- Wählen Sie für Kategorie die Option Benutzerdefiniert aus.
- Geben Sie als Beschreibung Folgendes ein: Compares two Landsat 8 images and extracts a loss in NDVI of 0.25 or more.
- Klicken Sie auf OK.
- Schließen Sie das Fenster Raster-Funktionsvorlage1. Wenn Sie gefragt werden, ob die bearbeitete Funktionskette gespeichert werden soll, klicken Sie auf Nein.
- Klicken Sie im Assistenten "Änderungserkennung" auf Fertig stellen.
Testen Sie als Nächstes die eben erstellte Funktion.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf die Schaltfläche Raster-Funktionen.
Der Bereich Raster-Funktionen wird angezeigt.
- Klicken Sie im Bereich Raster-Funktionen auf die Registerkarte Benutzerdefiniert, und blenden Sie die Kategorie Benutzerdefiniert1 ein.
- Klicken Sie auf Landsat 8 NDVI Loss.
Die Funktion, die Sie erstellt haben, wird geöffnet.
- Wählen Sie im Bereich Eigenschaften von Landsat 8 NDVI Loss für Von Raster die Option Landsat8_2019_10_15.tif aus. Wählen Sie für In Raster die Option Landsat8_2020_11_18.tif aus.
- Klicken Sie auf Neuen Layer erstellen.
Der resultierende Funktionsraster-Layer wird der Karte hinzugefügt. Dafür wurden dieselben Verarbeitungsschritte wie beim Assistenten "Änderungserkennung" verwendet. Sie können jedes beliebige Landsat 8-Bilderpaar verwenden, um ein ähnliches Ergebnis zu erzeugen.
Hinweis:
Wenn Sie einen anderen Sensor (d. h. einen anderen Bilddatentyp) auswählen möchten, ändern Sie die Bandindexwerte in den Bandarithmetik-Funktionen, um sicherzustellen, dass für die NDVI-Berechnung die richtigen Bänder verwendet werden.
- Speichern Sie Ihr Projekt. Schließen Sie ArcGIS Pro.
Sie haben mit dem Assistenten Änderungserkennung die Pixelwertdifferenz zwischen Landsat-Bilddaten-Layern berechnet und Gebiete mit einer Abnahme der Vegetation ermittelt. Zudem haben Sie eine wiederverwendbare Raster-Funktionsvorlage erstellt, mit deren Hilfe eine Analyse auf verschiedene Daten angewendet werden kann.
Analyse der Veränderung des eigenen Lebensumfeldes durchführen
Sie können den Assistenten "Änderungserkennung" verwenden, um die Unterschiede zwischen zwei Rastern aus Ihren eigenen Datensammlungen zu berechnen. Diesen Assistenten können Sie auch verwenden, um zwei Layer von einem globalen Image-Service zu vergleichen. Dabei haben Sie die Möglichkeit, jeden gewählten Ort zu analysieren, auch das Gebiet, in dem Sie leben.
Veränderungen mit dem Image-Service "Global Land Cover" analysieren
Der Image-Service "Global Land Cover 1992-2019" wird auf ArcGIS Living Atlas gehostet und kann für bestimmte Jahreaufgerufen und konfiguriert werden, um festzustellen, wie sich in dem Gebiet, in dem Sie leben, die Landbedeckung verändert hat. Zum Aufwärmen können Sie mit den folgenden Schritten anzeigen lassen, wie sich Ihre gewünschte Region verändert.
- Starten Sie ArcGIS Pro, und erstellen Sie ein Projekt mit der Vorlage Karte. Geben Sie für das Projekt einen Namen Ihrer Wahl ein.
Danach erhalten Sie Zugriff auf einen dynamischen Layer, der Informationen wie die Informationen, die Sie verwendet haben, enthält, nur diesmal für die ganze Welt.
- Klicken Sie auf dem Menüband auf die Registerkarte Ansicht. Klicken Sie in der Gruppe Fenster auf den Bereich "Katalog".
- Klicken Sie im Bereich Katalog auf die Registerkarte Portal, und klicken Sie auf die Schaltfläche Living Atlas.
- Suchen Sie nach Global Land Cover. Klicken Sie mit der rechten Maustaste auf den Image-Service Global Land Cover 1992-2019, und wählen Sie Zu aktueller Karte hinzufügen aus.
- Klicken Sie auf dem Menüband auf die Registerkarte Karte. Klicken Sie in der Gruppe Abfrage auf die Schaltfläche Suchen.
- Geben Sie im Bereich Suchen eine Location of Interest ein (z. B. Denver, CO, USA), und drücken Sie die Eingabetaste.
Die Karte wird auf den Interessenbereich gezoomt.
- Schließen Sie den Bereich Suchen.
Hinweis:
Bei Bedarf können Sie die Ansicht vergrößern, bis Sie das gesamte Gebiet sehen.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf Global Land Cover 1992-2019, und wählen Sie Eigenschaften aus.
- Klicken Sie im Fenster Layer-Eigenschaften auf Zeit. Wählen Sie für Nach Zeit filtern die Option Keine Zeit: Inhalt wird immer angezeigt aus.
- Klicken Sie auf die Registerkarte Definitionsabfrage.
- Klicken Sie auf Neue Definitionsabfrage, und erstellen Sie die folgende Definitionsabfrage: Where Start Date is equal to 1/1/1992.
- Klicken Sie auf Übernehmen. Klicken Sie auf OK.
Die Landbedeckungsdaten in Ihrer Karte stammen aus dem Jahr 1992. Sie speichern zu Analysezwecken eine lokale Kopie dieser Daten.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Global Land Cover 1992-2019, zeigen Sie auf Daten, und wählen Sie Raster exportieren aus.
Der Bereich Raster exportieren wird angezeigt.
- Klicken Sie im Bereich Raster exportieren für Ausgabe-Raster-Dataset auf die Schaltfläche Durchsuchen. Navigieren Sie zu einem Speicherort Ihrer Wahl, geben Sie für den Ausgabe-Layer den Namen LandCover_1992.tif ein, und klicken Sie auf Speichern.
- Klicken Sie für Koordinatensystem auf die Schaltfläche Raumbezug. Geben Sie in die Suchleiste im Fenster Raumbezug die Zeichenfolge albers equal area conic ein, und drücken Sie die Eingabetaste.
- Erweitern Sie den Eintrag Projiziertes Koordinatensystem, und wählen Sie ein geeignetes Koordinatensystem für Ihr Untersuchungsgebiet aus. Klicken Sie auf OK.
- Wählen Sie unter Geometrie zum Ausschneiden die Option Aktuelle Anzeigeausdehnung.
- Klicken Sie auf Exportieren.
Dem Bereich Inhalt wird ein Landbedeckungsraster aus dem Jahr 1992 hinzugefügt.
Hinweis:
Je nach Analyseposition werden Ihre Ergebnisse möglicherweise unterschiedlich dargestellt.
Wiederholen Sie nun den Vorgang, um einen Landbedeckungs-Layer für 2019 zu erstellen.
- Führen Sie für Global Land Cover 1992-2019 die folgenden Aktionen aus:
- Formulieren Sie im Fenster Layer-Eigenschaften die Definitionsabfrage Where Start Date is equal to 1/1/2019.
- Wählen Sie im Bereich Raster exportieren für Ausgabe-Raster-Dataset ein Ausgabeverzeichnis aus, und nennen Sie den Raster LandCover_2019.tif.
- Wählen Sie im Bereich Raster exportieren für Koordinatensystem das gleiche Koordinatensystem aus, das Sie zuvor verwendet haben.
- Wählen Sie im Bereich Raster exportieren für Geometrie zum Ausschneiden die Option Aktuelle Anzeigeausdehnung aus.
- Klicken Sie auf Exportieren.
Ihrer Karte wird ein neues Raster mit der Landbedeckung für 2019 hinzugefügt, das Sie für die Analyse verwenden.
- Klicken Sie im Bereich Inhalt mit der rechten Maustaste auf den Layer Global Land Cover 1992-2019, und wählen Sie Entfernen aus.
Sie haben jetzt zwei kategorisierte Raster aus verschiedenen Jahren, die verglichen werden können.
- Klicken Sie im Menüband auf der Registerkarte Bilddaten in der Gruppe Analyse auf Änderungserkennung, und wählen Sie Assistent "Änderungserkennung".
- Legen Sie im Bereich Assistent "Änderungserkennung" die folgenden Parameter fest:
- Lassen Sie für Methoden der Änderungserkennung die Methode Kategorische Änderung unverändert.
- Wählen Sie für Von Raster die Option LandCover_1992.tif aus.
- Wählen Sie für In Raster die Option LandCover_2019.tif aus.
Jetzt können Sie mit dem Analysieren der Veränderung der Landbedeckung in Ihrer gewünschten Region fortfahren.
Tipp:
Um einen besseren Einblick in die Ergebnisse zu gewinnen, deaktivieren Sie die ursprünglichen Landbedeckungs-Layer von 1992 und 2019.
In diesem Lernprogramm haben Sie Landbedeckungs-Datasets von 1992 und 2018 verglichen, um die Veränderungen aufgrund des Städtewachstums und der Ausweitung der Landwirtschaft in Äthiopien zu berechnen. Ihre Befunde weisen darauf hin, dass das Bevölkerungswachstum in Äthiopien am stärksten zu einem erheblichen Anstieg der landwirtschaftlichen Bodennutzung beigetragen hat und das Städtewachstum sekundär ist. Obwohl die Landwirtschaft ausgeweitet wurde, hat eine massive Heuschreckeninvasion im Jahr 2020 zu großen Ernteverlusten geführt, was sich in einem Abfall des NDVI zeigt. Sie haben zwei Landsat 8-Bilder verglichen und Regionen, in denen der NDVI zurückgegangen ist, extrahiert.
Weitere Lernprogramme finden Sie in der Lernprogrammgalerie.