Erste Schritte mit Bilddaten
Mit der Erkundung von Bilddaten beginnen
Zunächst öffnen Sie die Landsat Explorer-App und machen sich mit den Grundlagen der multispektralen Bilddaten und Spektralbänder vertraut.
- Öffnen Sie die Landsat Explorer-App im Webbrowser.
Hinweis:
Wenn Sie mehr über die Landsat Explorer-App und die darin enthaltenen Daten erfahren möchten, klicken Sie auf die Schaltfläche About this app in der oberen linken Ecke der App.
Weitere Informationen zum Landsat-Programm, einem Gemeinschaftsprojekt der United States Geological Survey (USGS) und der NASA, finden Sie auf den Webseiten des Programms.
Auf der Karte ist die Stadt Redlands, Kalifornien, in den Vereinigten Staaten zu sehen. Die Landschaft ist nicht in natürlichen Farben dargestellt, so wie sie vom menschlichen Auge wahrgenommen wird. Die städtischen Gebiete sind hellviolett, während einige der bewachsenen Flächen in leuchtendem Grün dargestellt werden. Warum ist das so?
Das Landsat-Programm erzeugt multispektrale Bilddaten. Das bedeutet, dass mit dem Satellitenprogramm Informationen zu mehreren Wellenlängenbereichen erfasst werden, darunter auch Bereiche, die für das menschliche Auge unsichtbar sind. Jeder dieser Bereiche wird als Spektralband bezeichnet und eignet sich besonders gut zum Hervorheben einer bestimmten Art von Landschafts-Feature oder einer bestimmten Eigenschaft. Die seit 2013 von den Landsat-8- und Landsat-9-Sensoren erfassten Landsat-Bilddaten enthalten 11 Spektralbänder. Mit früheren Versionen der Sensoren wurden etwas weniger Bänder erfasst. In der folgenden Tabelle werden die Hauptbänder für Landsat 8 und Landsat 9 beschrieben:
Bandnummer Bandname Mit diesem Band am besten sichtbar 1
Schwebstoffhaltige Luft an der Küste
Flaches Wasser, feine Staubpartikel
2
Blau
Tiefes Wasser, Atmosphäre
3
Grün
Vegetation
4
Rot
Künstlich gefertigte Objekte, Erdboden, Vegetation
5
Nahinfrarot (NIR)
Uferlinien, Vegetation
6
Kurzwelleninfrarot 1 (SWIR 1)
Verbesserte Wolkendurchdringung, Boden- und Vegetationsfeuchte
7
Kurzwelleninfrarot 2 (SWIR 2)
Verbesserte Wolkendurchdringung, Boden- und Vegetationsfeuchte
9
Oberflächentemperatur
Misst die Landoberflächentemperatur
Hinweis:
Die in der App verwendeten Landsat-Bilddaten wurden zu wissenschaftlichen Produkten "Level 2" verarbeitet. Das bedeutet, dass an den ursprünglichen Spektralbändern verschiedene Korrekturen vorgenommen wurden, um sicherzustellen, dass diese besonders zuverlässige Informationen liefern und von Analysten verwendet werden können.
Bei der Arbeit mit multispektralen Bilddaten ist es nicht möglich, alle verfügbaren Spektralbänder gleichzeitig zu betrachten. Es ist jedoch möglich, bis zu drei Bänder auszuwählen und sie zu einem einzigen zusammengesetzten Bild zu kombinieren. Mit anderen Bandkombinationen kann sich die Darstellung der Features auf dem Boden in den Bilddaten erheblich verändern, sodass damit bestimmte Features oder Eigenschaften hervorgehoben werden können. Im Folgenden vergleichen Sie zwei Bandkombinationen in der App.
- Zeigen Sie auf der Werkzeugleiste unten in der App unter Renderer auf die Kachel Agriculture.
Daraufhin werden weitere Informationen angezeigt.
Die Bilddaten der Karte werden derzeit mit der Bandkombination Agriculture angezeigt, die sich aus den Bändern "Kurzwelleninfrarot 1", "Nahinfrarot" und "Blau" (bzw. den Bändern 6, 5 und 2) zusammensetzt. Mit dieser Kombination wird gesunde Vegetation in leuchtendem Grün hervorgehoben und so von anderen Landbedeckungsarten wie kahlen Landflächen oder städtischen Gebieten unterschieden. Als Nächstes wechseln Sie zum Vergleich zur Bandkombination Natural Color.
- Klicken Sie unter Renderer auf Natural Color.
Mit der neuen Bandkombination Natural Color (Natürliche Farbe: Bänder "Rot", "Grün" und "Blau" bzw. 4, 3 und 2) dominieren in den Bilddaten erdfarbene Töne. Die Bänder "Rot", "Grün" und "Blau" bilden zusammen das für das menschliche Auge sichtbare Spektrum des Lichts. Bei Kombination dieser drei Bänder wird die Landschaft nahezu so dargestellt, wie sie für einen Menschen sichtbar wäre.
Die Bandkombination Natural Color kann zwar für manche Anwendungen nützlich sein, aber Analysten wählen oft basierend auf den jeweiligen Features, die sie hervorheben möchten, andere Bandkombinationen aus.
- Wechseln Sie zwischen den Bandkombinationen Natural Color und Agriculture einige Male hin und her, um die Unterschiede zwischen den beiden besser erkennen zu können.
Mangroven in den Sundarbans überwachen
Ihr nächstes Ziel ist der Mangrovenwald der Sundarbans an der Grenze von Indien und Bangladesch. Hier verwenden Sie Landsat-Bilddaten, um den Zustand der Mangroven in einem Ökosystem zu überwachen, dass starken Veränderungen unterliegt. Dabei lernen Sie auch eine neue Bandkombination kennen: Color Infrared.
- Klicken Sie auf diesen Landsat Explorer-Link, um zur Region Sundarbans zu wechseln.
Da Satelliten nicht die ganze Welt in einem Bild erfassen können, nehmen sie mehrere Bilder auf, die anschließend zu einem Patchwork-Bild, das als Mosaik bezeichnet wird, zusammengefügt werden. Da derzeit eine recht große Region angezeigt wird, ist dieser Patchwork-Effekt auf der Karte gut zu sehen. Hinzu kommt, dass die angezeigten Bilder an verschiedenen Tagen und zu verschiedenen Uhrzeiten aufgenommen wurden, sodass auch die Intensität der Farben unterschiedlich ausfallen kann.
Hinweis:
Diese Ansicht mit den zusammengefügten Bildern wird in der Landsat Explorer-App im Modus Dynamic angezeigt. Mit diesem dynamischen Mosaik werden automatisch die neuesten Bilder mit den wenigsten Wolken angezeigt, die in Echtzeit zusammengefügt werden. Später in diesem Lernprogramm erfahren Sie, wie Sie bestimmte Bilder Ihrer Wahl auswählen und anzeigen.
Die Sundarbans erstrecken sich nördlich des Golfs von Bengalen. Allein schon durch die Betrachtung des Bereichs mit der aktuellen Bandkombination Natural Color ist ein Unterschied zwischen der dicht bewaldeten Sundarbans-Region und der stark urbanisierten Stadt Kolkata im Nordwesten zu erkennen. Ein Großteil des ursprünglichen Mangrovenwaldes wurde abgeholzt, der verbliebene Teil wird durch die Regierung von Indien und Bangladesch geschützt.
Damit die Mangrovenvegetation deutlicher erkennbar wird, sollten Sie die Bandkombination Color Infrared (Infrarotfarbe) verwenden, die die Bänder "Nahinfrarot" (NIR), "Rot" und "Grün" (bzw. 5, 4 und 3) umfasst. Das NIR-Band unterscheidet deutlich zwischen Vegetations-Features und Nichtvegetations-Features. Bei der Bandkombination Color Infrared wird gesunde Vegetation in Hellrot dargestellt.
- Klicken Sie unter Renderer auf Color IR (für "Color Infrared").
Das Bild wird aktualisiert. Der Mangrovenwald Sundarbans wird nun hellrot angezeigt, was dichte, insgesamt gesunde Vegetation bedeutet. Die Gewässer, die frei von Vegetation, aber hoch in Sedimenten, durch die Mangroven verlaufen, erscheinen türkisblau. Bebaute Flächen, wie die Stadt Kolkata, erscheinen grau oder beige. Flächen mit Landwirtschaft erscheinen in hellerer Rotschattierung, was bedeutet, dass Vegetation vorhanden, aber weniger dicht als im Mangrovenwald ist. Das Wasser im Golf von Bengalen schließlich wird in dunkelblauen Farbtönen angezeigt.
- Klicken Sie in der oberen linken Ecke der App einige Male auf die Schaltfläche Vergrößern, um das Zentrum des Mangrovenwaldes zu vergrößern.
Tipp:
Sie können zum Vergrößern und Verkleinern auch das Mausrad verwenden.
- Schwenken Sie die Ansicht ggf. mit der Maus, um die Karte auf den Mangrovenwald zu zentrieren.
Tipp:
Da Landsat-Bilddaten regelmäßig mit neueren Bildern aktualisiert werden, fällt das neueste Bild für einige Bereiche der Sundarbans möglicherweise etwas wolkig oder dunstig aus. In diesem Fall können Sie stattdessen diese Karte verwenden. Darauf wird nur ein Landsat-Bild ohne Wolken angezeigt.
Über der breiten Deltaregion ist der Wald durch mehrere Flüsse und komplexe Wasserstraßen unterbrochen. Viele seiner kleinen Inseln sind nur mit dem Boot erreichbar, was die Beobachtung vor Ort behindert und die Überwachung des Waldes durch Satellitenbilder umso erforderlicher macht. Gesündere Vegetation erscheint in hellerem Rot, aber einige Flächen erscheinen in einer helleren Rotschattierung oder in beige. Als Analyst könnten Sie erkennen, dass diese Flächen potenziell weniger gesunde Vegetation aufweisen, was weitere Untersuchungen notwendig macht.
- Vergrößern und verkleinern Sie die Ansicht, und schwenken sie sie, um den Mangrovenwald zu erkunden.
- Navigieren Sie zur Ostseite des Mangrovenwaldes, wo die Farbe schlagartig von überwiegend rot zu überwiegend beige wechselt.
Dort, wo das geschützte Mangrovengebiet endet, ist ein scharfer Kontrast erkennbar. Das Land im nicht geschützten Gebiet war früher mit Mangrovenwald bedeckt, wurde aber mittlerweile vollständig entwaldet. Dies zeigt sich als zumeist beige oder hellrosa, was Abwesenheit von Vegetation bedeutet. Als Analyst könnten Sie diese Farbunterschiede verwenden, um illegale Baumfällaktivitäten in den geschützten Gebieten zu erkennen.
Mangrovenwälder reagieren höchst empfindlich auf Änderungen des Meeresspiegels und des Salzgehaltes des Wassers sowie auf Verschmutzung, illegalen Holzeinschlag und weitere Faktoren. Der Verlust von Mangroven beeinträchtigt nicht nur den Lebensraum verschiedener Tier- und Pflanzenarten, die dort leben (darunter viele bedrohte Tierarten, wie den bengalischen Königstiger), sondern nimmt auch benachbarten Orten den Schutz vor Monsunen. Es ist wichtig, die Gesundheit des Waldes aufrechtzuerhalten, und dabei können Bilddaten helfen.
Hinweis:
Worin besteht der Unterschied zwischen der Bandkombination Color Infrared und der Bandkombination Agriculture? Beide eignen sich gut zum Hervorheben gesunder Vegetation (hellrot für Infrarotfarbe und hellgrün für Landwirtschaft). Color Infrared ist eine gängigere Bandkombination, die für viele Arten von Satellitenbildern und Luftbildern zur Verfügung steht, da sie neben dem grünen und roten sichtbaren Lichtband nur ein Nahinfrarot-Band (NIR) erfordert. Die Bandkombination Agriculture ist weniger gängig, da sie nicht nur ein Nahinfrarot-Band (NIR), sondern auch ein Kurzwelleninfrarot-Band (SWIR) erfordert. Das NIR-Band eignet sich gut zum Aufzeigen der Gesundheit von Pflanzen, weil eine gesunde grüne Vegetation mehr NIR-Licht reflektiert. Mit dem SWIR-Band lässt sich zudem der tatsächliche Wassergehalt der Vegetation erkennen. Die Bandkombination Agriculture ist vielseitig und eignet sich gut zur Darstellung verschiedener Landbedeckungsarten.
Den städtischen Wärmeinseleffekt visualisieren
Einige der Landsat-Sensoren sind in der Lage, Informationen zu Temperaturen auf der Erdoberfläche zu erfassen. Diese Informationen werden dann zusammen mit anderen Datenquellen verwendet, um das Oberflächentemperaturband zu erstellen, das in der App über eine der Renderer-Optionen visualisiert werden kann.
Im Folgenden nutzen Sie diese Möglichkeit, um den städtischen Wärmeinseleffekt in Washington, D.C., in den Vereinigten Staaten zu visualisieren. Wärmeinseln sind Orte, an denen die Temperaturen im Vergleich zu den umliegenden Gebieten dauerhaft erhöht sind. Sie treten in der Regel in städtischen Gebieten mit vielen versiegelten Oberflächen (wie Gehwegen, Dächern und Gebäuden) und wenigen Bäumen oder anderen Formen der Vegetationsabdeckung auf. Da extreme Temperaturen aufgrund des Klimawandels zunehmen, stellen städtische Wärmeinseln eine Bedrohung für die Gesundheit und Lebensqualität der Bewohner dar.
Im Folgenden heben Sie den städtischen Wärmeinseleffekt an einem heißen Sommertag während einer Hitzewelle hervor. Dazu erstellen Sie eine Vergleichskarte, um ein auf zwei verschiedene Arten gerendertes Landsat-Bild zu vergleichen, und heben dabei die Landbedeckungsarten auf der einen Seite und die Oberflächentemperatur auf der anderen Seite hervor. Zunächst konzentrieren Sie sich auf die Karte zu Ihrem Interessenbereich.
- Geben Sie in das Suchfeld Adresse oder Ort suchen den Suchbegriff Washington, DC ein, und drücken Sie die Eingabetaste.
Daraufhin wird die Karte aktualisiert, sodass das Gebiet "Washington, D.C." angezeigt wird.
- Klicken Sie auf der Werkzeugleiste unten auf Swipe. Vergewissern Sie sich, dass die Schaltfläche Left aktiviert ist.
Die Karte wird aktualisiert, sodass sie im Vergleichsmodus angezeigt wird, in dem die Karte in zwei Abschnitte unterteilt ist. Im Folgenden wählen Sie ein bestimmtes Bild (oder eine bestimmte Szene) für die Anzeige auf der linken Seite der Karte aus. Auf der unteren Werkzeugleiste wird ein Kalender angezeigt, in dem Sie Szenen nach Erfassungsdatum auswählen können.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2024 aus.
Daraufhin wird der Kalender aktualisiert, sodass die für die aktuelle Kartenausdehnung für das Jahr 2024 verfügbaren Bilder als kleine hellgraue Kästchen angezeigt werden.
- Klicken Sie im Kalender auf das Feld für den 16. Juli 2024.
Hinweis:
Auf einigen Landsat-Bildern sind Wolken zu sehen, die den Boden verdecken. Mit dem Schieberegler Cloud können Sie den maximalen Prozentsatz für die Wolkenbedeckung auswählen, den die Bilder aufweisen dürfen.
Mit den hellgrauen Kästchen im Kalender werden die Bilder angezeigt, die die Kriterien für die Bewölkung erfüllen. Mit den hellgrau umrandeten Kästchen werden Bilder mit einer stärkeren Wolkenbedeckung angezeigt.
Möglicherweise sind mehr Szenen verfügbar als in den Beispielbildern, da dem Landsat-Dataset ständig neue Bilder hinzugefügt werden.
Die linke Seite der Vergleichskarte wird mit der am 16. Juli 2024 erfassten Landsat-Szene aktualisiert. Als Nächstes zeigen Sie sie mit dem Rendering Agriculture an, um die verschiedenen Landbedeckungsarten in dem Gebiet aufzuzeigen.
- Klicken Sie unter Renderer auf Agriculture.
Daraufhin wird die linke Seite der Vergleichskarte aktualisiert, sodass die Gebiete mit Vegetation hellgrün, die bebauten Stadtgebiete in Violett- und Rosatönen und Gewässer wie Flüsse in Dunkelblau angezeigt werden.
Tipp:
In dieser Ansicht werden die Straßen als Teil des Layers Map Labels über die Bilddaten gelegt. Mit dem Kontrollkästchen Kartenbeschriftungen können Sie den Layer aktivieren bzw. deaktivieren.
Als Nächstes wählen Sie dasselbe Bild für die Anzeige auf der rechten Seite der Karte aus und rendern es, um die Oberflächentemperaturen anzuzeigen.
- Klicken Sie auf die Schaltfläche Right.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2024 aus. Klicken Sie im Kalender auf das Datum des 16. Juli 2024.
- Klicken Sie unter Renderer auf Surface Temp (für Oberflächentemperatur).
Mit dem Renderer Surface Temperature werden Temperaturen auf dem Boden dargestellt. Unterschiedliche Werte werden mit unterschiedlichen Farben symbolisiert.
- Zeigen Sie auf die Kachel Surface Temp, sodass die Legende angezeigt wird.
Farben von Weiß bis Blau symbolisieren niedrige, Orange bis Dunkelrot hohe und Grün bis Gelb mittlere Temperaturen. Die Vergleichskarte ist jetzt fertiggestellt. Sie zeigt das gleiche Bild mit dem Rendering Agriculture auf der linken Seite und dem Rendering Surface Temperature auf der rechten Seite.
- Vergleichen Sie die Renderings, indem Sie den Cursor zum Vergleichen von links nach rechts ziehen.
Zwar wurden im gesamten Gebiet hohe Temperaturen erreicht, doch herrschten in den bebauten Gebieten noch höhere Temperaturen (dunkelrot) und in den mit Vegetation bedeckten Flächen und Gewässern vergleichsweise niedrigere Temperaturen (helleres Rot oder Orange).
- Klicken Sie auf unterschiedliche Punkte auf der Karte, um die jeweiligen Oberflächentemperaturen in Pop-ups anzuzeigen.
Die Vergleichskarte, die Sie erstellt haben, veranschaulicht den städtischen Wärmeinseleffekt. Multispektrale Bilddaten eignen sich hervorragend, um sich einen Überblick über dieses Phänomen zu verschaffen und es dann anzugehen. In einem Stadtzentrum kann es durchschnittlich über 10 Grad wärmer sein als in umliegenden ländlichen Gebieten. Sobald die Wärmeinseln identifiziert sind, müssen Strategien zur Kühlung entwickelt werden, z. B. Pflanzung von mehr Bäumen, Umstellung auf kühle Straßenbeläge und Begrünung von Dächern.
Tipp:
Sie können die URL Ihrer Vergleichskarte oder einer anderen mit der Landsat Explorer-App erstellten Karte kopieren, um sie für andere Benutzer in Ihrer Community freizugeben. Zur Orientierung finden Sie hier die endgültige Vergleichskarte, die Sie erstellt haben.
Eine Oase mit Spektralprofilen untersuchen
Wenn Sie mehr über multispektrale Bilddaten erfahren möchten, sehen Sie sich die Oase Al Fayyūm an und lernen Sie Spektralprofile, Spektralsignaturen und Spektralindizes kennen.
- Verwenden Sie diesen Landsat Explorer-Link, um zum Gebiet der Oase Al Fayyūm zu gelangen.
Hier werden die Landsat-Bilddaten nach dem Rendern mit der Bandkombination Agriculture angezeigt. Al Fayyūm ist eine große herzförmige Oase, die es schon zu Zeiten des alten Ägyptens gab. Sie ist eine wahre Schatzkammer an Vegetation und Wasser inmitten der Wüste Sahara. Ganz im Osten zieht sich das Niltal diagonal durch die Karte. Wasser wird durch künstlich angelegte Kanäle vom Nil in die Oase geleitet.
Bei der Arbeit mit multispektralen Bilddaten kann es nützlich sein, für bestimmte Points of Interest Spektralprofile darzustellen. Ein Spektralprofil ist ein Diagramm, in dem die unterschiedlichen Spektralbandwerte eines bestimmten Bilddaten-Pixels dargestellt werden. Im Folgenden erstellen Sie für verschiedene Punkte im Gebiet Al Fayyūm Spektralprofile.
- Klicken Sie auf der Werkzeugleiste unten auf Analyze, und wählen Sie Spectral profile aus.
Wenn Sie diese Option verwenden möchten, müssen Sie ein bestimmtes Landsat-Bild auswählen.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2023 aus. Klicken Sie im Kalender auf das Datum February 19, 2023.
Das Bild wird in der Karte angezeigt. Die Oase Al Fayyūm wird in der nordöstlichen Ecke des Bildes angezeigt.
Im Folgenden untersuchen Sie zunächst ein Pixel, die Vegetation darstellt. Die typische Vegetation in der Oase Al Fayyūm besteht größtenteils aus Feldern, auf denen Baumwolle, Klee und Getreide angebaut werden, und vereinzelt finden sich auch Palmen und Obstbäume in der Landschaft.
- Klicken Sie auf der Karte mit dem Mauszeiger in Form eines Fadenkreuzes auf eine Stelle in der Oase, die mit Vegetation bedeckt zu sein scheint (hellgrün).
Daraufhin wird auf der Werkzeugleiste unten unter Profile das Spektralprofildiagramm für dieses eine Pixel angezeigt. Das Diagramm hat den Titel Healthy Vegetation.
Tipp:
Wenn das Pixel nicht als gesunde Vegetation identifiziert wurde, haben Sie möglicherweise ein Mischpixel ausgewählt, in dem Gebäude, kahle Landflächen oder andere Features enthalten sind. Klicken Sie in diesem Fall auf ein oder zwei weitere Orte mit Vegetation, bis Sie ein Pixel mit gesunder Vegetation finden.
Im Diagramm stellt die X-Achse (horizontal) die verschiedenen Spektralbänder dar: Coastal, Blue, Green, Red, NIR, SWIR 1 und SWIR 2. Die Y-Achse (vertikal) zeigt die Werte dieser Bänder für das ausgewählte Pixel an. Genauer gesagt zeigt es die Reflexionswerte, d. h. wie viel Licht von dem Material an dieser Position (in diesem Fall gesunde Vegetation) über die verschiedenen Bänder hinweg reflektiert wurde. Die Kurve, die sich aus der Verbindung der Bandwerte ergibt, wird in Hellgrau angezeigt.
Auf dem Diagramm ist eine grün gepunktete Linie eingezeichnet. Die zugehörige Legende ist mit Spectral profile of Healthy Vegetation beschriftet. Jede Landbedeckungsart wie gesunde Vegetation, Wasser oder Sand weisen in der Regel ein typisches, leicht erkennbares Spektralprofil auf, das als Spektralsignatur bezeichnet wird. Durch den Vergleich des Spektralprofils eines beliebigen Bilddaten-Pixels mit typischen Spektralsignaturen ist es möglich, den Bodenbedeckungstyp dieses Pixels automatisch zu identifizieren. Das Spektralprofil des Pixels in diesem Diagramm ähnelt der Spektralsignatur Healthy Vegetation am meisten. Dies ist insbesondere am hohen NIR-Reflexionswert und am niedrigen Rot-Reflexionswert erkennbar.
- Klicken Sie auf der Karte auf Stellen, die anscheinend Folgendes darstellen:
- Einen See (dunkelblau)
- Die Wüste (gelb-beige)
In den Spektralprofildiagrammen werden diese Punkte als Clear Water bzw. Sand identifiziert.
Sie können die Unterschiede bei den Spektralsignaturen verschiedener Materialien – klares Wasser, Sand und gesunde Vegetation – beobachten. Es sind sowohl die physikalischen als auch die chemischen Aspekte von Materialien, die dazu führen, dass Wellenlängen unterschiedlich reflektiert werden. Diese Spektralprofile werden in den meisten Bilddaten-Analysemethoden zum automatischen Erkennen von Informationen zu den Landbedeckungsarten im Bild eingesetzt.
Eine dieser Techniken ist die Berechnung von Spektralindizes. Bei einem Spektralindex wird mithilfe einer mathematischen Formel für jedes Pixel in den Bilddaten ein Verhältnis zwischen den verschiedenen Bändern berechnet, um ein bestimmtes Phänomen hervorzuheben. Im Folgenden probieren Sie zwei davon aus.
- Klicken Sie unter Renderer auf MNDWI.
MNDWI steht für "Modified Normalized Difference Water Index" (modifizierter normalisierter differenzierter Wasserindex). Damit wird ein Verhältnis zwischen den Bändern "Shortwave Infrared 1" und "Green" berechnet, um Wasser hervorzuheben. Wenn dieser Index angewendet wird, werden Gewässer blau hervorgehoben. Auf der aktuellen Karte sind das in erster Linie Seen, die zur Oase Al Fayyūm gehören.
- Klicken Sie unter Renderer auf NDVI Colorized.
NDVI steht für Normalized Difference Vegetation Index (normalisierter differenzierter Vegetationsindex) Damit wird ein Verhältnis zwischen den Bändern "Near Infrared" und "Red" berechnet, um Vegetation hervorzuheben. Dichte, gesunde Vegetation wird dunkelgrün und spärliche Vegetation braun hervorgehoben.
Sie haben Spektralprofile, Spektralsignaturen und Spektralindizes kennengelernt. Sie haben erfahren, dass Spektralprofile in den meisten Bilddaten-Analysemethoden zum automatischen Erkennen von Informationen zu den Landbedeckungsarten im Bild eingesetzt werden. Als Analyst für die Region Al Fayyūm können Sie diese Techniken verwenden, um Erntequalität, Trockenheiten, Auswirkungen von Waldbränden und andere Phänomene beobachten. Mithilfe von multispektralen Bilddaten ist es möglich, Überwachungen dieser Art für große Regionen, ganze Länder oder die ganze Welt durchzuführen.
Städtewachstum mit einer Animation visualisieren
Bisher haben Sie Bilddaten erkundet, die einen bestimmten Moment darstellen. Dazu haben Sie Landsat-Bilder verwendet, die in den letzten Jahren aufgenommen wurden. Aber wie können Sie Trends im Zeitverlauf nachverfolgen? Wie gehen Sie vor, wenn Sie den Zustand des Mangrovenwaldes Sundarbans heute mit dem vor 10 Jahren vergleichen möchten, oder wenn Sie herausfinden möchten, ob der See in der Al Fayyūm-Oase in den letzten Jahrzehnten größer oder kleiner geworden ist? Da der erste Landsat-Satellit 1972 gestartet wurde, kann auf Landsat-Bilder aus einem Zeitraum von mehr als 50 Jahren zurückgegriffen werden.
Hinweis:
Obwohl ältere Satelliten nicht mit all den Funktionen neuerer Satelliten ausgestattet waren, z. B. der Möglichkeit, bestimmte Spektralbänder zu erkennen, können deren Bilddaten dennoch wichtige Hinweise dazu liefern, wie sich die Welt verändert hat.
Um diese Verwendung von Landsat-Bildern zu veranschaulichen, erstellen Sie im Folgenden eine Animation, die zeigt, wie sich Hefei, eine der am schnellsten wachsenden Städte in China, von 1995 bis heute entwickelt hat.
- Klicken Sie auf diesen Landsat Explorer-Link, um Hefei in China aufzurufen.
Hier werden die Landsat-Bilddaten in der Ansicht Dynamic angezeigt. Es werden aktuelle Bilddaten angezeigt, die mit der Bandkombination Color Infrared gerendert wurden. Die städtischen Gebiete werden braun oder grau angezeigt, die Vegetation um die Stadt in Hellrot und Gewässer in Dunkelblau.
Hinweis:
Color Infrared ist nicht immer die beste Rendering-Methode für die Darstellung städtischer Gebiete, aber in diesem speziellen Anwendungsfall hat sich durch Ausprobieren herausgestellt, dass damit eine klare Darstellung der Stadt im Zeitverlauf möglich ist.
- Klicken Sie auf der Werkzeugleiste unten auf Animate, und wählen Sie Add a Scene aus.
Daraufhin wird für das erste Bild ein Slot hinzugefügt.
Im Folgenden fügen Sie der Animation eine Szene aus dem Jahr 1995 hinzu.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 1995 aus. Klicken Sie im Kalender auf das Datum vom 2. September 1995.
Daraufhin wird das am 2. September 1995 aufgenommene Bild auf der Karte angezeigt. Hefei wird als kleine Stadt in der Bildmitte angezeigt.
Als Nächstes fügen Sie eine Szene aus dem Jahr 2000 hinzu.
- Klicken Sie auf Add a Scene, um einen zweiten Bild-Slot hinzuzufügen.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2000 aus. Klicken Sie im Kalender auf das Datum vom 15. September 2000.
Das Bild wird in der Karte angezeigt. Sie möchten eine Animation mit insgesamt acht Szenen erstellen, wobei Sie Szenen mit einem Abstand von drei bis fünf Jahren auswählen. Dabei handelt es sich um die folgenden acht Szenen:
- September 02, 1995 (bereits hinzugefügt)
- September 15, 2000 (bereits hinzugefügt)
- August 12, 2005
- May 03, 2009
- August 02, 2013
- July 25, 2016
- May 17, 2020
- April 16, 2023
Um diesen Workflow zu beschleunigen, öffnen Sie eine Karte, in der die acht Szenen bereits hinzugefügt wurden.
- Klicken Sie auf diesen Landsat Explorer-Link, um alle acht Szenen zu laden.
Als Nächstes führen Sie die Animation aus.
- Klicken Sie neben Add a Scene auf die Schaltfläche Play animation.
Daraufhin werden die Bilder nacheinander in chronologischer Reihenfolge angezeigt, sodass sich daraus eine Animation ergibt. Da die Animation recht schnell abläuft, wählen Sie eine geringere Geschwindigkeit.
- Verschieben Sie dazu den Schieberegler speed auf die niedrigste Stufe.
Wenn die Animation langsamer abläuft, können Sie sehen, dass sich die Stadt Hefei seit 1995 erheblich vergrößert hat.
Hinweis:
Optional können Sie auf die Schaltfläche Copy animation link klicken, um die Animation freizugeben. Sie können sie auch in ein MP4-Video exportieren, indem Sie auf die Schaltfläche Download animation klicken.
- Nachdem Sie sich die Animation angesehen haben, klicken Sie auf die Schaltfläche Stop animation.
Überflutete Gebiete darstellen
Landsat-Bildern, die zu unterschiedlichen Zeitpunkten aufgenommen wurden, können darüber hinaus auch zur Änderungserkennung genutzt werden. Bei der Änderungserkennung werden in einem Gebiet zu unterschiedlichen Zeiten aufgenommene Bilder miteinander verglichen, 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 Folgenden führen Sie eine eigene Analyse zur Änderungserkennung für ein Überschwemmungsereignis durch. Aufgrund heftiger Regenfälle im Juli 2022 gab es in mehreren Gebieten der Regionen Léré und Guegou im Tschad schwere Überschwemmungen. Als Analyst möchten Sie die am stärksten betroffenen Gebiete ermitteln.
- Klicken Sie auf diesen Landsat Explorer-Link, um das Gebiet Léré aufzurufen.
Hier werden die Landsat-Bilddaten in der Ansicht Dynamic angezeigt. Es werden aktuelle Bilddaten angezeigt, die mit der Bandkombination Agriculture gerendert wurden. Der Layer Map Labels ist aktiviert und enthält eine Darstellung der wichtigsten Straßen. Es werden zwei Seen und mehrere Städte und Dörfer in deren Umkreis angezeigt, darunter Léré, Lao und Kebi.
- Klicken Sie auf der Werkzeugleiste unten auf Analyze, und wählen Sie Change detection aus. Vergewissern Sie sich, dass choose Scene A ausgewählt ist.
Im Folgenden müssen Sie zwei Bilder auswählen: eines vor der Überschwemmung und eines danach.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2022 aus. Klicken Sie im Kalender auf das Datum für den 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 Anzeige erfolgt mit der zuvor ausgewählten Bandkombination Agriculture. Die beiden Seen, Léré und Tréné, weisen klar definierte Konturen auf. Die dünnen blauen Linien entsprechen den Flüssen Mayo Kébbi und Bénoué.
- Klicken Sie auf choose Scene B.
- Wählen Sie unter Scene Selection im Dropdown-Menü für das Jahr die Option 2022 aus. Klicken Sie im Kalender auf das Datum des 11. Juli 2022.
- Klicken Sie unter Renderer auf Agriculture, um diese Bandkombination auch auf die zweite Szene anzuwenden.
Daraufhin werden die Bilddaten aktualisiert, sodass nun eine Landsat-Szene angezeigt wird, die am 11. Juli 2022 aufgenommen wurde und die Situation zum Zeitpunkt der Überschwemmung 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.
Als Nächstes visualisieren Sie die Änderung zwischen Szene A und Szene B.
- Klicken Sie auf die Schaltfläche View Change.
- Wählen Sie neben Change die Option Water Index aus.
Bei dieser Analyse zur Änderungserkennung wird der Wasserindex (MNDWI), den Sie in diesem Lernprogramm kennengelernt haben, auf die Vorher- und Nachher-Bilder angewendet, um die Stellen in den einzelnen Bildern zu ermitteln, an denen sich die Wasser-Pixel befinden. Anschließend werden die Wasserindexwerte miteinander verglichen, um für jedes Pixel festzustellen, ob:
- sich der MNDWI-Wert erhöht hat (von Nicht-Wasser- zu Wasser-Pixel)
- sich der MNDWI-Wert verringert hat (von Wasser- zu Nicht-Wasser-Pixel)
- sich der MNDWI-Wert nicht verändert hat (von Wasser- zu Wasser-Pixel oder von Nicht-Wasser- zu Nicht-Wasser-Pixel)
Auf der Karte werden die meisten Landflächen in Gelb angezeigt, was bedeutet, dass sie unverändert geblieben sind. Die Gebiete um die Seen sind dagegen in einem hellen Türkisblau dargestellt, was bedeutet, dass sie mit Wasser bedeckt sind. In diesen Gebieten kam es zu den Überschwemmungen.
Hinweis:
Die hellbeige oder hellblau dargestellten Pixel geben eine leichte Veränderung des Wasserindexwertes an. Das ist nicht unbedingt von Bedeutung, da die Vorher- und Nachher-Bilder aufgrund der Witterungsbedingungen und des Aufnahmezeitpunkts leicht unterschiedliche Wertintensitäten aufweisen können.
Damit die Karte leichter zu interpretieren ist, legen Sie fest, dass nur die Pixel angezeigt werden, die sich am deutlichsten von Nicht-Wasser-Pixel zu Wasser-Pixel verändert haben.
- Ziehen Sie unter Water Index den Ziehpunkt für den unteren Grenzwert, bis keine gelben, beigen und hellblauen Pixel mehr angezeigt werden.
Die Pixel werden bei einem Wasserindexwert von etwa 0,65 nicht mehr angezeigt.
Auf der Karte werden nun die überschwemmten Gebiete in einem hellen Türkisblau angezeigt.
Der Wert Estimated Change Area unter Water Index gibt an, dass die auf der Karte angezeigten Überschwemmungsgebiete eine Fläche von etwa 10,79 Quadratkilometer abdecken (Ihre Werte können geringfügig abweichen).
Hinweis:
Zur Orientierung finden Sie hier die endgültige Karte zur Änderungserkennung.
Bei dieser Analyse haben Sie eine Änderungserkennung durchgeführt, um die von einem Überschwemmungsereignis betroffenen Gebiete zu ermitteln. Die resultierende Karte kann für die Einsatzkräfte am Boden freigegeben werden, damit diese ihre Bemühungen bestmöglich konzentrieren können.
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 immer schnellstmöglich detaillierte Bilder im Zusammenhang mit einer Katastrophe verfügbar sind. Es gibt andere Arten von Satellitenbilddaten, die häufiger Bilder mit höherer Auflösung liefern und die für das Katastrophenmanagement bevorzugt werden können, aber das würde den Rahmen dieses Lernprogramms sprengen.
Weitere Orte erkunden
Die Landsat Explorer-App umfasst mehrere als Lesezeichen gespeicherte Orte aus aller Welt. Diese Orte zeigen dramatische oder einzigartige Landschaften, die durch bestimmte Bandkombinationen angezeigt werden, die die faszinierendsten Features dieser Orte hervorheben. Im Folgenden verschaffen Sie sich einen Überblick über einige dieser Orte.
- Klicken Sie auf der Werkzeugleiste unten auf Explore, und wählen Sie Dynamic aus.
- Klicken Sie unter Interesting Places auf einige Miniaturansichten, um die verschiedenen Orte anzuzeigen.
Während Sie diese Orte erkunden, können Sie verschiedene Spektralbandkombinationen und Spektralindizes anwenden und die Funktionen nutzen, die Sie im Lernprogramm kennengelernt haben. Zudem können Sie über das Suchfeld nach eigenen Interessengebieten suchen.
Hinweis:
Weitere Informationen zu den Landsat Explorer-Funktionen finden Sie im Artikel Learn to explore Landsat imagery using Landsat Explorer.
In diesem Lernprogramm haben Sie Landsat-Bilddaten erkundet, indem Sie mit der Landsat-Explorer-App weltweit unterwegs waren. Sie haben grundlegende Konzepte im Zusammenhang mit multispektralen Bilddaten kennengelernt und haben sich mit den zahlreichen Anwendungsmöglichkeiten vertraut gemacht. Nun sind Sie bereit, die Welt mithilfe von Bilddaten weiter zu erkunden.
Weitere Lernprogramme zum Thema Bilddaten finden Sie in der Lernprogrammsammlung Einführung in Bilddaten und Fernerkundung.
