Buschbrandschäden beurteilen
Die Änderungserkennung ist eine der grundlegenden Anwendungen in der Darstellung von Bilddaten und der Fernerkundung. Sie besteht normalerweise aus dem Vergleich von Bilddaten-Datasets, die zu unterschiedlichen Zeiten im selben Gebiet erfasst wurden, um die Art, das Ausmaß und den Ort einer Änderung zu ermitteln. Änderungen können aufgrund von menschlicher Aktivität, abrupt auftretenden natürlichen Störungen oder langfristigen klimatischen oder ökologischen Tendenzen auftreten.
Im ersten Beispiel zur Änderungserkennung geht es um einen Buschbrand. Im Tsavo-West-Nationalpark in Kenia wütete im August 2020 tagelang ein verheerendes Feuer. Das Feuer verursachte immense Schäden im Park, glücklicherweise gab es jedoch keine menschlichen Todesopfer. Als GIS-Analyst für den Nationalpark möchten Sie die durch den Brand verursachte Feuernarbe identifizieren und in einen neuen Daten-Layer extrahieren. Dieser neue Feuernarben-Layer enthält den genauen Umriss der Schadensfläche und ist hilfreich bei der proaktiven Verwaltung der Nachwirkungen des Feuers und der größtmöglichen Reduzierung der negativen Auswirkungen des Feuers auf die Tierwelt des Parks und die touristischen Aktivitäten.
Bilddaten einrichten und erkunden
Zunächst öffnen Sie die App, richten die Location of Interest (oder Ausdehnung) ein und wählen die relevantesten Bilddaten aus.
- Öffnen Sie die App Digital Earth Africa Explorer.
- Zunächst wird in der App der afrikanische Kontinent angezeigt.
Als Erstes suchen Sie den Ort des Brandes auf der Karte.
- Geben Sie im Suchfeld Taveta, Kenya ein, und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Schließen Sie das Pop-up Suchergebnis.
- Klicken Sie viermal auf die Schaltfläche Verkleinern.
- Schwenken Sie nach Osten (rechts), bis Sie sowohl Taveta und Taita-Taveta als auch die Straße A23, die beide verbindet, sehen können.
Dies ist der Ort des Buschbrands im August 2020. Bei der Visualisierung des Brandorts im Zeitverlauf kommt der Landsat-Bilddaten-Layer zum Einsatz.
Hinweis:
Landsat ist ein US-amerikanisches Satellitenprogramm zur Erdbeobachtung. Es liefert seit 1972 fortlaufend multispektrale Bilddaten der gesamten Erde. Nähere Informationen über Landsat finden Sie auf der Website des Programms.
Im ersten Lernprogramm dieser Reihe, Erste Schritte mit Bilddaten für Afrika, erfahren Sie mehr dazu, was multispektrale Bilddaten sind und wie sie verwendet werden können.
Der in der App enthaltene Landsat-Layer bietet eine große Auswahl an Landsat-Bilddaten von 1972 bis heute.
- Klicken Sie auf der Seitenleiste zum Erkunden der Bilddaten auf die Schaltfläche Explore Imagery.
- Wählen Sie im Fenster Explore Imagery für Layer die Option Landsat aus. Wählen Sie unter Rendering die Option Agriculture with DRA aus.
Die Bilddaten werden auf der Karte aktualisiert.
Die Bandkombination "Agriculture" enthält die Bänder Kurzwelleninfrarot, Nahinfrarot und Blau. Sie hebt gesunde Vegetation in leuchtendem Grün hervor, nackte Erde oder keine Vegetation werden dagegen in Braun angezeigt. DRA ist die Abkürzung für "Dynamic Range Adjustment" (dynamische Bereichsanpassung). Dabei handelt es sich um ein Verfahren zur Optimierung des Bildkontrasts.
Standardmäßig werden die zuletzt erfassten Bilddaten angezeigt; normalerweise sind diese nicht älter als ein paar Wochen. Um die Auswirkungen des Feuers untersuchen zu können, müssen Sie sich die Bilddaten ansehen, die kurz vor und nach dem Feuer vom 8. bis 10. August 2020 aufgenommen wurden.
- Überprüfen Sie im Fenster Explore Imagery den Datumseintrag unter Date.
Mit dem Zeitschieberegler können Sie die Zeit durchlaufen und alle verfügbaren einzelnen Landsat-Bilder (oder -Szenen) für die aktuelle Ausdehnung anzeigen. Der Zeiger sollte aktuell auf 20. Mai 2023 oder ein anderes aktuelles Datum weisen. Beginnen Sie, die Zeit zu durchlaufen.
- Klicken Sie im Zeitschieberegler auf die Plus- und die Minus-Schaltfläche, um sich durch die Zeit zu bewegen, bis Sie das Datum 4. Juni 2020 erreichen.
Tipp:
Sie können den Zeiger auch auf das gewünschte Datum ziehen.
Nach einigen Augenblicken werden die Bilddaten aktualisiert.
Diese Bilddaten zeigen, wie das Gebiet vor dem Feuer ausgesehen hat. Trotz einiger kleiner weißer Wolken können Sie gut das ursprüngliche Land sehen, das mit Vegetation (in leuchtendem Grün) bedeckt ist und von einigen Flecken nackter Erde (in rötlichbraunen Farbtönen) durchbrochen wird.
- Klicken Sie rechts neben dem Zeitschieberegler einmal auf die Plus-Schaltfläche, um zum 20. Juni 2020 zu wechseln.
In dieser Szene wird eine ähnliche Landschaft gezeigt, die Vegetation lässt sich jedoch nicht ganz so gut erkennen.
Hinweis:
Qualitative Abweichungen treten bei Bilddaten häufig auf, deshalb ist es wichtig, mehrere verfügbare Szenen zu prüfen und sich auf diejenigen mit der höchsten Qualität zu konzentrieren. So gesehen ist die Szene vom 4. Juni 2020 das beste verfügbare Bild, das relativ kurz vor dem Feuer aufgenommen wurde.
- Klicken Sie noch einmal auf die Plus-Schaltfläche, um zum 10. Oktober 2020 zu wechseln.
Dieses Bild wurde nach dem Feuer aufgenommen. Die Feuernarbe ist deutlich in Dunkelbraun erkennbar und bildet einen klaren Kontrast zu dem nicht betroffenen Land in hellen Braun- und Grüntönen.
- Klicken Sie zweimal auf die Schaltfläche Plus, um zum 26. August 2021 zu wechseln.
Die Feuernarbe ist immer noch sichtbar, sie beginnt jedoch zu verblassen, da die Vegetation langsam wieder zurückkehrt.
Feuernarbenpixel extrahieren
Nachdem Sie nun Szenen vor und nach dem Feuer identifiziert haben, wählen Sie die Szene aus, in der die Feuernarbe am deutlichsten zu erkennen ist, um die den verbrannten Flächen entsprechenden Bildpixel zu extrahieren.
- Klicken Sie auf die Minus-Schaltfläche, um zum 10. Oktober 2020 zurückzukehren.
Für die Extraktion der Pixel verwenden Sie das Werkzeug Create a mask. Mit diesem Werkzeug wird ein Layer erstellt, in dem jedes Pixel, das ein bestimmtes Kriterium erfüllt, maskiert wird. Das bedeutet, es wird mit einer Vollfarbe überdeckt.
- Legen Sie im Fenster Explore Imagery die folgenden Optionen fest:
- Wählen Sie für What do you want to do? die Option Create a mask aus.
- Wählen Sie für Method die Option Soil Adjusted Veg. Index aus.
- Stellen Sie sicher, dass für Which values should I mask? die Option Less than my threshold ausgewählt ist.
Beim Soil Adjusted Vegetation Index wird eine mathematische Formel angewendet, um ein Verhältnis zwischen den Werten des Nahinfrarot- und roten Bands der Bilddaten zu berechnen. Dabei wird gesunde Vegetation hervorgehoben und von ungesunder Vegetation oder Flächen ohne Vegetation (etwa nackter Erde) unterschieden.
Die Ausgabe von "Soil Adjusted Vegetation Index" ist ein numerisches Ergebnis für jedes Pixel. Ein hoher Wert steht für gesunde Vegetation, ein niedriger Wert für ungesunde oder keine Vegetation. In diesem Beispiel entsprechen die niedrigsten Werte den Flächen, die bei dem Buschbrand abgebrannt sind. Die Option Less than my threshold ermöglicht es Ihnen, einen Schwellenwert auszuwählen und alle Pixel, die einen niedrigen Wert aufweisen und unter diesem Schwellenwert liegen, zu maskieren.
Zunächst zeichnen Sie ein Polygon, um Ihren Interessenbereich zu definieren, und wählen eine Farbe für die Maske aus.
- Aktivieren Sie das Kontrollkästchen Draw polygon(s) to define extent.
- Beginnen Sie auf der Karte mit dem Zeichnen eines Polygons, um den Interessenbereich zu kennzeichnen, indem Sie auf jede Ecke (oder jeden Stützpunkt) des gewünschten Polygons klicken. Wenn Sie mit der Form zufrieden sind, doppelklicken Sie, um den Vorgang abzuschließen.
Das Ergebnis sollte ungefähr wie die folgende Abbildung aussehen:
Wenn Sie die Maske generieren, wird sie nur innerhalb dieses Interessenbereichs angezeigt.
- Klicken Sie auf die Schaltfläche Choose a color for your mask, und wählen Sie die Farbe Rot aus.
- Klicken Sie auf Übernehmen.
Nach einem kurzen Moment wird die Maske auf der Karte angezeigt. Im Fenster Explore Imagery wird auch der Schieberegler Set your threshold angezeigt. Darüber wählen Sie den Maskenschwellenwert aus.
Der Schieberegler zeigt, dass die Vegetationsindexwerte für den Interessenbereich von etwa 0,01 bis 0,26 schwanken. Vom Maskierungswerkzeug wurde automatisch der Schwellenwert 0,13 ausgewählt.
Hinweis:
Abhängig von den genauen Grenzen des Polygons um den Interessenbereich können die Ihnen angezeigten Werte leicht abweichen.
- Bewegen Sie den Schwellenwert-Schieberegler hin und her, um zu sehen, wie sich die Maske abhängig vom Schwellenwert ändert.
- Wenn Sie 0,01 (oder den kleinstmöglichen Wert) als Schwellenwert auswählen, enthält die Maske keine Pixel.
- Wenn Sie 0,26 (oder den größtmöglichen Wert) als Schwellenwert auswählen, werden alle Pixel im Interessenbereich der Maske hinzugefügt.
- Wenn Sie einen Wert dazwischen auswählen, werden nur einige der Pixel im Interessenbereich in die Maske aufgenommen.
- Wählen Sie einen Schwellenwert aus, der alle Feuernarbenpixel in der Maske erfasst, jedoch so wenige andere Pixel wie möglich, wie zum Beispiel 0,12.
Die fertige Maske sollte in etwa wie folgt aussehen:
Hinweis:
Eine Möglichkeit, die abgebrannten Flächen zu identifizieren, ist der Soil Adjusted Vegetation Index. Es wäre auch möglich, über die normierte Brandschadenrate (NBR) ein Verhältnis zwischen den Nahinfrarot- und Kurzwelleninfrarotwerten zu berechnen. In diesem Fall werden mit der ersten Methode bessere Ergebnisse erzielt als mit der zweiten. Bei Bilddaten ist es stets empfehlenswert, verschiedene Methoden auszuprobieren und sich dann für diejenige mit den besten Ergebnissen zu entscheiden.
Im Fenster Explore Imagery wird unter Area Covered angegeben, dass die aktuelle Maske ein Gebiet mit einer Größe von 558,06 Quadratkilometern bedeckt (Ihre Werte können geringfügig abweichen). Dabei handelt es sich um die Fläche, die während des Feuers abgebrannt ist.
Feuernarben-Layer exportieren
Nachdem Sie die Maske erstellt haben, speichern Sie den Ergebnis-Layer in ArcGIS Online. Danach können Sie ihn wiederverwenden, um Karten oder weitere Analysen zu erstellen. Hierfür ist ein ArcGIS Online-Konto erforderlich.
Hinweis:
Wenn Sie kein ArcGIS Online-Konto haben, können Sie kostenfrei eins über das Afrika-GeoPortal erstellen (klicken Sie hierzu auf Sign In und dann auf Create an Africa GeoPortal account und befolgen Sie die Anweisungen). Afrika-GeoPortal ist eine von Esri unterstützte Open-Mapping-Community, in der gemeinsam an der Bereitstellung von Daten und Erkenntnissen über Afrika gearbeitet wird.
Alternativ können Sie ein kostenfreies öffentliches ArcGIS-Konto erstellen (klicken Sie hierzu auf Öffentliches ArcGIS-Konto erstellen und befolgen Sie die Anweisungen).
In ArcGIS Online können Sie dynamische Webkarten erstellen, die Sie für Ihre Community freigeben können.
- Klicken Sie in der App Digital Earth Africa Explorer in der Seitenleiste auf die Schaltfläche Image Export. Klicken Sie ggf. ein zweites Mal.
Das Fenster Image Export wird geöffnet.
- Legen Sie im Fenster Image Export die folgenden Optionen fest:
- Wählen Sie für Export die Option Result Image aus.
- Stellen Sie sicher, dass für Save location die Option Save to portal ausgewählt ist.
- Geben Sie für Title den Titel Tsavo burn scar ein.
- Geben Sie für Description den Text Burn scar from the August 2020 wildfire in Tsavo National Park West, Kenya. ein.
- Geben Sie unter Tags die Tags wildfire, burn scar, Kenya ein.
- Klicken Sie auf die Schaltfläche Vorschau.
- Geben Sie im Fenster Sign In Ihre Anmeldedaten für ArcGIS Online oder das Afrika-GeoPortal ein.
Im Fenster Image Export wird eine Miniaturansicht der Vorschau angezeigt.
- Klicken Sie auf Speichern.
- Schließen Sie das Fenster Image Export nach Abschluss des Vorgangs.
Hinweis:
Eine weitere Möglichkeit ist der Export des Layers auf Ihren lokalen Computer. Wählen Sie für Location die Option Save to disk, für TIFF download options die Option As displayed und für Advanced save options die Option Download as tiff aus. Mit dieser Option wird ein georeferenziertes TIFF-Bild erzeugt, das Sie in einer beliebigen GIS-Software öffnen können, z. B. ArcGIS Pro.
Webkarte für die Darstellung des Layers erstellen
Als Nächstes visualisieren Sie den Layer, den Sie in ArcGIS Online gespeichert haben, und erstellen eine Karte, um ihn anzuzeigen.
- Öffnen Sie eine neue Registerkarte im Webbrowser, und wechseln Sie zu ArcGIS Online. Melden Sie sich mit Ihren Anmeldedaten für ArcGIS Online oder das Afrika-GeoPortal an.
- Klicken Sie auf dem Menüband auf Inhalt.
- Klicken Sie in der Inhaltsliste auf Tsavo burn scar.
- Klicken Sie auf der Elementseite Tsavo burn scar auf In Map Viewer öffnen.
Der Layer wird in Map Viewer über der topografischen Standardgrundkarte angezeigt.
Ändern Sie die Grundkarte, um weitere Informationen zu dem Gebiet anzuzeigen.
- Klicken Sie auf der (dunklen) Werkzeugleiste Inhalt auf Grundkarte, und wählen Sie OpenStreetMap aus.
Hinweis:
Diese Grundkarte stammt aus dem Mapping-Projekt der OpenStreetMap-Community.
Die Grundkarte wird aktualisiert und enthält nun die Grenzen der Umwelt- und Naturschutzgebiete und Farmen des Nationalparks.
Ein kurzer Abgleich der Feuernarbe mit der neuen Grundkarte zeigt, dass das Feuer großen Schaden anrichtete, die meisten wichtigen Gebiete des Parks jedoch verschont wurden. Eine Ausnahme bildet der äußere Rand des Schutzgebiets Lumo Conservancy.
Hinweis:
In der Realität verfügt der GIS-Analyst des Parks wahrscheinlich über einen detaillierteren Layer der Park-Assets, der dieser Karte hinzugefügt werden könnte, um genauer und gründlicher vorgehen zu können.
Als Nächstes können Sie die Karte speichern und für Ihre Kollegen im Nationalpark oder die Allgemeinheit freigeben.
- Klicken Sie auf der Werkzeugleiste Inhalt auf Speichern und öffnen und anschließend auf Speichern unter.
- Geben Sie im Fenster Karte speichern einen Titel wie August 2020 fire in Tsavo, Tags und eine kurze Beschreibung ein. Klicken Sie auf Speichern.
- Klicken Sie auf der Werkzeugleiste Inhalt auf Karte freigeben.
- Klicken Sie im Fenster Freigeben für Freigabeebene festlegen auf Alle (öffentlich).
- Klicken Sie auf Speichern.
- Klicken Sie im Fenster Freigabe überprüfen auf Freigabe aktualisieren.
Sie haben die Feuernarbenpixel, die dem Feuer im Tsavo-Nationalpark im August 2020 entsprechen, extrahiert. Danach haben Sie den Layer in ArcGIS Online exportiert und eine Webkarte erstellt, um sie zu zeigen und für Ihre Kollegen im Nationalpark sowie die Allgemeinheit freizugeben. Außerdem könnten Sie den Layer in weiteren Analysen verwenden. Sie könnten weitere Daten-Layer hinzufügen, etwa zu den genauen Positionen des Buschfeuers und dessen Bewegungsmustern, und weitere Analysen für ein besseres Verständnis der Auswirkungen des Feuers durchführen.
Überschwemmte Gebiete darstellen
Aufgrund heftiger Regenfälle im Juli 2022 gab es in mehreren Gebieten der Unterpräfekturen Léré und Guegou (Departement Lac Léré, Provinz Mayo-Kebbi Ouest) schwere Überschwemmungen. Als GIS-Analyst für die regionalen Behörden wurden Sie gebeten, eine kurze Einschätzung der Lage in den am meisten betroffenen Gebieten abzugeben, um die Hilfskräfte bei der optimalen Fokussierung ihrer Anstrengungen zu unterstützen.
In diesem Workflow erfahren Sie, wie Sie Änderungen extrahieren, indem Sie Bilder vor und nach einem Ereignis vergleichen.
Bilddaten einrichten und erkunden
Zunächst richten Sie die Ausdehnung und die Bilddaten ein.
- Wechseln Sie im Webbrowser zur Registerkarte der App Digital Earth Africa Explorer.
- Geben Sie in das Suchfeld Léré, Chad (oder Lere, Chad) ein, und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Schließen Sie das Pop-up Suchergebnis.
- Klicken Sie dreimal auf die Schaltfläche Zoom Out.
Auf der Karte werden zwei Seen und mehrere Städte und Dörfer in deren Umkreis angezeigt.
Vergleichen Sie mit dem Werkzeug Compare Imagery die Bilddaten, die vor und nach den schweren Regenfällen im Juli 2022 aufgenommen wurden.
- Klicken Sie auf der Seitenleiste auf die Schaltfläche Compare Imagery.
Das Fenster Compare Imagery wird angezeigt. Mit diesem Werkzeug können Sie zwei Bilder angeben, die links und rechts auf der Karte angezeigt werden, und zwischen den beiden hin- und herwechseln.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das linke Bild fest:
- Stellen Sie sicher, dass Left Image ausgewählt ist.
- Vergewissern Sie sich, dass unter Layer die Option Landsat ausgewählt ist.
- Vergewissern Sie sich, dass unter Rendering die Option Agriculture with DRA ausgewählt ist.
- Aktivieren Sie das Kontrollkästchen Select a date.
- Ziehen Sie den Zeitschieberegler auf 8. Mai 2022.
Die Bilddaten werden aktualisiert und zeigen nun eine Landsat-Szene, die am 8. Mai 2022 vor den schweren Regenfällen aufgenommen wurde. Die beiden Seen, Léré und Tréné, weisen klar definierte Konturen auf. Außerdem sind dünne blaue Linien zu erkennen, die den Flüssen Mayo Kébbi und Bénoué entsprechen.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das rechte Bild fest:
- Klicken Sie auf Right Image, um es auszuwählen.
- Wählen Sie als Layer die Option Landsat aus.
- Wählen Sie unter Rendering die Option Agriculture with DRA aus.
- Aktivieren Sie das Kontrollkästchen Select a date.
- Ziehen Sie den Zeitschieberegler auf 11. Juli 2022.
Die Bilddaten werden aktualisiert und zeigen nun eine Landsat-Szene, die am 11. Juli 2022 aufgenommen wurde und die Situation zu diesem Zeitpunkt zeigt. Große Gebiete, die in der vorherigen Szene noch trockenes Land waren, sind jetzt mit Wasser bedeckt. Dadurch wirken die Seen größer und lassen sich nicht von den Flüssen unterscheiden.
- Ziehen Sie den Ziehpunkt auf der Karte wiederholt von links nach rechts, um die beiden Bilder zu vergleichen.
Durch den Vergleich können Sie die Unterschiede zwischen beiden Bildern im Detail untersuchen.
Hinweis:
In diesem Szenario geben Sie eine Beurteilung der Situation Mitte Juli ab, um bei der Organisation der Hilfseinsätze zu helfen. Die schweren Regenfälle setzten sich in der Region über den Juli und August hinaus bis September 2022 fort. Mit den für spätere Zeitpunkte verfügbaren Bilddaten können Folgebeurteilungen abgegeben werden.
Überschwemmungspixel extrahieren
Nachdem Sie nun Szenen vor und nach den schweren Regenfällen identifiziert haben, möchten Sie die den überschwemmten Gebieten entsprechenden Pixel extrahieren. Dabei handelt es sich um die Pixel, die in der Szene vor den Regenfällen trockenes Land und in der Szene nach den Regenfällen von Wasser bedeckt waren.
Sie identifizieren die geänderten Pixel mit der Funktionalität Detect change between two different dates.
- Wählen Sie im Fenster Compare Imagery die folgenden Optionen aus:
- Aktivieren Sie das Kontrollkästchen Detect change between two different dates.
- Wählen Sie für Calculate changes in die Option Water Index aus.
- Wählen Sie für Visualize changes as a die Option Difference Mask aus.
Bei der Option Water Index wird eine mathematische Formel angewendet, um ein Verhältnis zwischen den Werten des grünen und Nahinfrarotbands in den ausgewählten Szenen zu berechnen. Von Wasser bedeckte Gebiete werden hervorgehoben und von trockenem Land unterschieden.
Damit die Änderungen zwischen den Szenen vor und nach den Regenfällen erkannt werden können, wird der Wasserindex auf jede Szene angewendet und der Unterschied zwischen den beiden Szenen berechnet. Das Ergebnis wird als eine Maske angezeigt, die die Pixel mit Änderungen hervorhebt (Difference Mask).
Sie zeichnen nun ein Polygon, um den Interessenbereich zu definieren.
- Aktivieren Sie das Kontrollkästchen Draw polygon(s) to define extent.
- Zeichnen Sie auf der Karte ein Polygon, um den Interessenbereich zu kennzeichnen, indem Sie auf jeden Stützpunkt des gewünschten Polygons klicken. Wenn Sie mit der Form zufrieden sind, doppelklicken Sie, um den Vorgang abzuschließen.
Das Ergebnis sollte in etwa so aussehen wie im Bild unten.
- Klicken Sie auf Übernehmen.
Nach einem kurzen Moment wird die Maske in leuchtendem Grün innerhalb des Interessenbereich-Polygons angezeigt. Im Fenster Compare Imagery werden zwei Schwellenwert-Schieberegler angezeigt. Sie richten den Schwellenwert Positive ein.
- Bewegen Sie den Zeiger für den Schieberegler Positive vor und zurück, um zu sehen, wie sich dies auf die Anzeige der Maske auf der Karte auswirkt.
Die Differenz zwischen dem Wasserindexwert eines Pixels vor oder nach den schweren Regenfällen kann kleiner oder größer sein. Sie müssen den Schwellenwert Positive so einstellen, dass nur Änderungen, die groß genug sind, um signifikant zu sein, beibehalten werden, es sich also auch tatsächlich um eine Überschwemmung handelt.
- Wählen Sie für Positive einen Schwellenwert aus, bei dem die Maske der Überschwemmung entspricht, die Sie im Vergleich zwischen den beiden Bildern feststellen können, wie zum Beispiel 0,45.
Hinweis:
Sie können den Schieberegler Transparency (results) vorübergehend auf 50% oder mehr stellen, um die darunterliegenden Bilder besser sehen zu können. Mit dem Ziehpunkt zum Vergleichen können Sie dann die Änderungen beobachten und die Schwellenwerte optimieren.
Ein Wert bei etwa 0,45 scheint optimal zu sein. Das bedeutet, dass die Pixel nur dann der Maske hinzugefügt werden, wenn der Differenzwert des Wasserindex über 0,45 liegt. Das Ergebnis sollte wie in der folgenden Beispielabbildung aussehen:
Über den Schieberegler Negative können Sie einen Schwellenwert für die Pixel auswählen, deren Wassergehalt abgenommen hat und die entsprechend zunächst von Wasser bedeckt und dann trockenes Land waren. Es gibt im Grunde keine Pixel in dieser Ausdehnung, bei denen eine solche Änderung auftrat, deshalb behalten Sie den Minimalwert für den Zeiger bei.
- Setzen Sie den Schieberegler Negative auf -1.
- Stellen Sie sicher, dass der Zeiger von Transparency (results) bei 0% steht, da Transparenz nicht weiter erforderlich ist.
Die grüne Ziffer im Fenster Compare Imagery unter Area Decrease / Increase bedeutet, dass die grüne Maske innerhalb des Interessenbereichs ein Gebiet mit einer Größe von etwa 15 Quadratkilometern bedeckt (Ihr Wert kann abweichen). Dabei handelt es sich um das überschwemmte Gebiet.
Hinweis:
Wenn einige Gebiete zunächst mit Wasser bedeckt und dann zu trockenem Land geworden wären, würde dies durch die rosa Zahl angegeben werden.
Das Dataset "Water Observation from Space (WOfS) Annual Summary", das ebenfalls über die App verfügbar ist, kann eine hilfreiche Ergänzung zu dieser Analyse darstellen, da es eine Zusammenfassung der allgemeinen Muster der Wasserbedeckung für jedes Jahr enthält. Ein Beispiel für die Verwendung dieses Layers finden Sie unter Erste Schritte mit Bilddaten für Afrika (Abschnitt "Den Wasserstand eines Sees in Ghana beobachten").
Überschwemmungs-Layer exportieren
Nachdem Sie die Maske erstellt haben, speichern Sie den Ergebnis-Layer in ArcGIS Online, wie bereits im vorherigen Workflow zur Feuernarbe durch das Buschfeuer.
- Klicken Sie auf der Seitenleiste auf die Schaltfläche Image Export. Klicken Sie ggf. ein zweites Mal.
- Legen Sie im Fenster Image Export die folgenden Optionen fest:
- Wählen Sie für Export die Option Result Image aus.
- Stellen Sie sicher, dass für Save location die Option Save to portal ausgewählt ist.
- Geben Sie für Title den Titel Inundations in Léré area ein.
- Geben Sie unter Description den Text Inundated areas caused by the July 2022 heavy rains in the Lake Léré region in Chad. ein.
- Geben Sie unter Tags die Schlagwörter inundations, Chad ein.
- Klicken Sie auf die Schaltfläche Vorschau.
- Geben Sie im Fenster Sign In ggf. Ihre Anmeldedaten für ArcGIS Online oder das Afrika-GeoPortal ein.
Eine Miniaturansicht der Vorschau wird angezeigt.
- Klicken Sie auf Speichern.
- Schließen Sie das Fenster Image Export nach Abschluss des Vorgangs.
Sie stellen nun sicher, dass der Layer erfolgreich zu ArcGIS Online exportiert wurde.
- Öffnen Sie ArcGIS Online in einer separaten Registerkarte des Webbrowsers. Melden Sie sich ggf. an.
- Klicken Sie auf dem Menüband auf Inhalt. Klicken Sie in der Inhaltsliste auf Inundations in Léré area.
- Klicken Sie auf der Elementseite Inundations in Léré area auf In Map Viewer öffnen.
Der Layer wird in Map Viewer angezeigt.
Sie können diese Webkarte nun speichern, wie beim Workflow für die Feuernarbe nach dem Buschbrand, und für die Hilfsteams freigeben, um ihnen eine Priorisierung ihrer Einsätze zu ermöglichen.
Hinweis:
Bilddaten werden immer häufiger unterstützend beim Katastrophenmanagement eingesetzt.
Bedenken Sie dabei jedoch, dass Landsat-Bilddaten einen bestimmten Ort höchstens einmal pro Woche erfassen und die räumliche Auflösung auf 30 Meter (pro Pixel) begrenzt ist, sodass darüber nicht schnellstmöglich detaillierte Bilder für alle Naturkatastrophen verfügbar sind. Eine andere Option ist die Verwendung des Sentinel-2-Layers, der ebenfalls in der App Digital Earth Africa Explorer verfügbar ist. Er bietet etwas häufiger neue Bilder (alle 5 Tage) und eine höhere Auflösung (10 Meter). Deutlich häufigere Bilder in einer sehr viel höheren Auflösung sind über kommerzielle Anbieter verfügbar.
In diesem Workflow haben Sie die Pixel, die den Überschwemmungen aufgrund der schweren Regenfälle in der Region des Sees Léré im Juli 2022 entsprechen, extrahiert und dann als Layer in ArcGIS Online exportiert.
Städtewachstum identifizieren
Stadtplaner müssen regelmäßig auswerten, wie eine Stadt wächst, um die städtische Infrastruktur wie Wasser-, Strom- und Verkehrsnetze besser planen und Bürgerservices zuteilen zu können, z. B. Schulen und Gesundheitseinrichtungen. Eine Möglichkeit, das Städtewachstum schnell zu identifizieren, ist die Durchführung einer Änderungsanalyse für Bilddaten. Als GIS-Analyst für die Stadt Effiduase in Ghana wenden Sie diese Methode an, um festzustellen, wie die Stadt zwischen 2017 und 2020 gewachsen ist.
Hinweis:
Es gibt verschiedene Möglichkeiten, das Wachstum einer Stadt zu visualisieren. Demografen können Karten auf Grundlage von detaillierten Volkszählungsdaten erstellen, falls diese verfügbar sind. Die Visualisierung des Städtewachstums mit Bilddaten stellt eine weitere Methode dar, die sich auf die Änderung des Landbedeckungstyps konzentriert. So können beispielsweise in einem zuvor mit Vegetation bedeckten Gebiet Gebäude und Straßen gebaut werden, wodurch die Stadt wächst. Beide Methoden können hilfreich sein und sich gegenseitig ergänzen.
Bilddaten einrichten und erkunden
Zunächst richten Sie die Ausdehnung und die Bilddaten ein.
- Wechseln Sie im Webbrowser zurück zur Registerkarte der App Digital Earth Africa Explorer.
- Geben Sie in das Suchfeld Effiduase, Ghana ein, und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Schließen Sie das Pop-up Suchergebnis.
Effiduase (oder Efidwase) ist eine kleine Stadt nordöstlich der größeren Stadt Kumasi. Sie ist die Hauptstadt des Distrikts Sekyere East in der Region Ashanti in Ghana.
- Klicken Sie zwei- oder dreimal auf die Schaltfläche Zoom In, um die kleine Stadt besser sehen zu können.
Sie untersuchen das Wachstum der Stadt mit dem Werkzeug Compare Imagery. Für die Bilddaten verwenden Sie das Dataset "Sentinel-2 Annual GeoMAD".
Hinweis:
Das Dataset "Sentinel-2 Annual GeoMAD" bietet eine jahresübergreifende Zusammenfassung der multispektralen Sentinel-2-Bilddaten, in denen Wolken und andere kleine Objekte entfernt wurden. Weitere Informationen dazu, wie der GeoMAD-Layer generiert wird, finden Sie in der Digital Earth Africa-Dokumentation.
Das Dataset eignet sich besonders gut dafür, ein Phänomen wie das gleichmäßige Wachstum einer Stadt zu beobachten, da jeder Layer eine klare Übersicht über das durchschnittliche Aussehen der Landschaft in einem bestimmten Jahr bietet. Dies steht im Gegensatz zu den einzelnen Landsat-Szenen, die Sie zuvor im Lernprogramm verwendet haben. Landsat-Szenen enthalten eine Momentaufnahme der Landschaft zu einem bestimmten Zeitpunkt und eignen sich besser für die Untersuchung abrupt auftretender Phänomene wie etwa Buschbrände oder Überschwemmungen.
- Klicken Sie auf der Seitenleiste auf die Schaltfläche Compare Imagery.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das linke Bild fest:
- Stellen Sie sicher, dass Left Image ausgewählt ist.
- Wählen Sie unter Layer die Option Sentinel-2 Annual GeoMAD aus.
- Vergewissern Sie sich, dass unter Rendering die Option Natural Color with DRA ausgewählt ist.
- Aktivieren Sie das Kontrollkästchen Select a date.
- Ziehen Sie den Zeitschieberegler auf 1. Januar 2017.
Die Bilddaten auf der linken Seite werden aktualisiert und zeigen nun den Layer "Sentinel-2 Annual GeoMAD" für das Jahr 2017.
In Natural Color with DRA sind die Bänder Blau, Grün und Rot kombiniert, und die dargestellten Farben kommen dem nahe, was das menschliche Auge sehen würde.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das rechte Bild fest:
- Klicken Sie auf Right Image, um es auszuwählen.
- Wählen Sie unter Layer die Option Sentinel-2 Annual GeoMAD aus.
- Vergewissern Sie sich, dass unter Rendering die Option Natural Color with DRA ausgewählt ist.
- Aktivieren Sie das Kontrollkästchen Select a date.
- Ziehen Sie den Zeitschieberegler ggf. auf 1. Januar 2020.
Die Bilddaten auf der rechten Seite werden aktualisiert und zeigen nun den Layer "Sentinel-2 Annual GeoMAD" für das Jahr 2020.
- Verkleinern Sie die Kartenansicht, bis die gesamte Stadt angezeigt wird. Ziehen Sie den Ziehpunkt wiederholt von links nach rechts, um die beiden Bilder zu vergleichen.
Beim Vergleichen werden Sie feststellen, dass die Stadt zwischen 2017 und 2020 größer geworden ist. In diesen Gebieten wurde die Vegetation (Grüntöne) durch Gebäude und Straßen (Weiß oder Beigetöne) ersetzt. Im nächsten Abschnitt extrahieren Sie diese Pixel zum städtischen Wachstum.
Pixel zum städtischen Wachstum extrahieren
Sie möchten die Pixel, die dem städtischen Wachstum entsprechen, extrahieren. Dabei handelt es sich um Pixel, bei denen Gebiete, die 2017 von Wald, bewirtschafteten Feldern oder anderen Vegetationsformen bedeckt waren, bis 2020 bebaut und deren ursprüngliche Bedeckung somit durch städtische Gebäude und Straßen ersetzt wurde.
Sie identifizieren die geänderten Pixel mit der Funktionalität Detect change between two different dates.
- Wählen Sie im Fenster Compare Imagery die folgenden Optionen aus:
- Aktivieren Sie das Kontrollkästchen Detect change between two different dates.
- Wählen Sie für Calculate changes in die Option Soil Adjusted Veg. Index aus.
- Wählen Sie für Visualize changes as a die Option Threshold Mask aus.
Der Soil Adjusted Vegetation Index, den Sie bereits im Workflow zu Feuernarben kennengelernt haben, gibt hohe Werte für Vegetation und niedrige Werte für bebaute Gebiete zurück. Bei der Methode Threshold Mask werden die Pixel hervorgehoben, deren Status sich zwischen den beiden Bildern geändert hat. Das können Pixel sein, bei denen eine Änderung von Vegetation in Nicht-Vegetation stattgefunden hat (durch leuchtendes Rosa maskiert), oder Pixel, bei denen sich der Status von Nicht-Vegetation in Vegetation geändert hat (durch leuchtendes Grün maskiert).
- Klicken Sie auf Übernehmen.
- Ziehen Sie die Zeiger der Schieberegler Threshold und Difference hin und her, um zu sehen, wie sich dies auf die Anzeige der Maske auf der Karte auswirkt.
Der Parameter Threshold bestimmt, welcher Wert Vegetation von Nicht-Vegetation trennt. Nur die Pixel, deren Status sich ändert, werden maskiert.
Der Parameter Difference bestimmt, ob Sie alle Pixel mit geändertem Status beibehalten möchten oder nur die Pixel, bei denen ein hoher Differenzwert zwischen den beiden Bildern vorliegt.
- Wählen Sie für Threshold und Difference geeignete Werte aus, um das Städtewachstum, das zwischen den beiden Bildern beobachtet werden kann, zu maskieren, zum Beispiel für Threshold etwa 0,65 und für Difference den Wert 0.
Hinweis:
Sie können den Schieberegler Transparency (results) vorübergehend auf 50% oder mehr stellen, um die darunterliegenden Bilder besser sehen zu können, und mit dem Ziehpunkt zum Vergleichen die Änderungen beobachten und die Werte optimieren.
Das Ergebnis sollte wie in der folgenden Beispielabbildung aussehen:
Die leuchtende rosa Farbe zeigt Gebiete, deren Status sich von Vegetation in Nicht-Vegetation geändert hat und die entsprechend bebaut wurden. Dies sind Gebiete mit städtischem Wachstum.
Die leuchtende grüne Farbe zeigt Gebiete, deren Status sich von Nicht-Vegetation in Vegetation geändert hat. Auf der Karte sind einige wenige isolierte Punkte in dieser Farbe zu sehen. Diese können beispielsweise Gebäude bezeichnen, die abgerissen wurden.
Hinweis:
Sie beschäftigen sich gerade mit dem Städtewachstum in der Stadt Effiduase und deren Umland. Wenn Sie sich nur für das Wachstum innerhalb der Stadt interessieren, können Sie ein Polygon zeichnen, das den Verwaltungsgrenzen der Stadt entspricht. Die rosa Zahl bezeichnet dann die Fläche des Städtewachstums innerhalb der Stadt.
- Stellen Sie sicher, dass der Zeiger von Transparency (results) wieder bei 0% steht, da Transparenz nicht weiter erforderlich ist.
Hinweis:
In diesem Workflow haben Sie das Städtewachstum mit einem Vegetationsindex identifiziert. Eine weitere Möglichkeit wäre die Verwendung eines spezialisierteren Index wie des normalisierten differenzierten Vegetationsindex (Normalized Difference Built-up Index; NDBI) oder des normalisierten differenzierten Vegetationsindex (Enhanced Normalized Difference Impervious Surfaces Index; ENDISI), der mit einer erweiterten Anwendung implementiert werden könnte, z. B. ArcGIS Pro oder ArcGIS Image for ArcGIS Online. Sie können den in einer Analyse zur Stadt Effiduase, verwendeten ENDISI anzeigen, der von Digital Earth Africa vorgeschlagen wird.
Die Verwendung eines Vegetationsindex bot sich in diesem Fall auch deshalb an, weil das städtische Wachstum im Gebiet Effiduase mit dem Verlust der Vegetation einhergeht. Wenn es sich um eine Stadt handeln würde, die sich inmitten der Wüste entwickelt, wäre ein Vegetationsindex nicht effektiv beim Erkennen des städtischen Wachstums. Es ist immer wichtig, das untersuchte Gebiet zu verstehen, damit die am besten geeignete Analysemethode ausgewählt werden kann.
Sie haben die Pixel extrahiert, die dem Städtewachstum zwischen 2017 und 2020 in der Stadt Effiduase entsprachen. Im nächsten Schritt könnten Sie den neuen Layer exportieren, wie in diesem Lernprogramm bereits gezeigt, und eine Webkarte erstellen, um ihn zu zeigen oder weitere Analysen dafür durchzuführen.
In diesem Lernprogramm haben Sie unterschiedliche Methoden kennengelernt, mit denen Änderungen in Bilddaten erkannt und die extrahierten Pixel exportiert werden können, um sie danach in weiteren Visualisierungen oder Analysen zu verwenden. Da unsere Welt sich ständig verändert, ist die Überwachung dieser Änderung von großer Bedeutung. Abgesehen von der Darstellung von Buschbrandschäden, überschwemmten Gebieten und des Städtewachstums gibt es noch unzählige andere Anwendungsmöglichkeiten für die Änderungserkennung. Beispielsweise können die Schäden nach einer Naturkatastrophe schnell bewertet oder langfristige Phänomene wie Wüstenbildung, Abholzung oder Wiederaufforstung, die Bildung von Gewässern oder Küstenerosionen überwacht werden, um nur einige davon zu nennen. Durch diese Art der Überwachung können Entscheidungsträger besser informierte Entscheidungen treffen und die Wirksamkeit neu eingeführter Richtlinien bewerten.
Hinweis:
Wenn Sie sich für fortgeschrittene Workflows zur Änderungserkennung interessieren, finden Sie weitere Informationen in den Themen Hagelschäden in Maisfeldern mit Satellitenbildern beurteilen, Brandschäden mit Satellitenaufnahmen bewerten, Landnutzung zum Messen schrumpfender Seen klassifizieren oder Veränderungen eines Waldes im Laufe der Zeit überwachen. Diese Workflows setzen eine komplexere Anwendung voraus, z. B. ArcGIS Pro.
Sie finden weitere Lernprogramme dieser Art in der Reihe Satellitenbilder von Afrika erkunden.