Eine Oase mit Spektralprofilen untersuchen
Im Rahmen der Lernprogramm-Reihe Satellitenbilder von Afrika erkunden haben Sie bereits die El Fayoum-Oase in Ägypten anhand von multispektralen Bilddaten untersucht. Sie haben verschiedene Landbedeckungstypen identifiziert, wie z. B. Wasser, Vegetation und bebaute Gebiete (d. h. Dörfer und Straßen). Sie untersuchen nun dieses Beispiel genauer, um besser zu verstehen, wie sich anhand von multispektralen Bilddaten Landbedeckungstypen identifizieren lassen. Außerdem befassen Sie sich mit Spektralprofilen und Spektralsignaturen.
Hinweis:
Im ersten Lernprogramm dieser Reihe können Sie noch einmal nachlesen, worum es sich Spektralbilddaten und Spektralbändern handelt: Erste Schritte mit Bilddaten für Afrika.
Bilddaten einrichten und erkunden
Zunächst öffnen Sie die App, richten die Location of Interest ein und wählen die relevanten Bilddaten aus.
- Öffnen Sie die App Digital Earth Africa Explorer.
- Zunächst wird in der App der gesamte afrikanische Kontinent angezeigt.
- Geben Sie in das Suchfeld El Fayoum, Egypt ein, und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Sie können das Fenster Suchergebnis schließen, da Sie es nicht mehr benötigen.
- Klicken Sie dreimal auf die Schaltfläche Zoom Out.
- Ziehen Sie die Karte bei Bedarf, um ihre Position anzupassen.
Sie sollte ungefähr so aussehen wie im folgenden Beispielbild.
El Fayoum 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 können Sie auch das Niltal sehen, das sich diagonal durch die Karte zieht. Das Wasser wird durch künstlich angelegte Kanäle vom Nil in die Oase geleitet.
- Klicken Sie auf der Seitenleiste zum Erkunden der Bilddaten auf die Schaltfläche Explore Imagery.
- Legen Sie im Fenster Explore Imagery die folgenden Parameteroptionen fest:
- Vergewissern Sie sich, dass unter Layer die Option Sentinel-2 Annual GeoMAD ausgewählt ist.
- Wählen Sie unter Rendering die Option Agriculture with DRA aus.
- Vergewissern Sie sich, dass unter Date der 1. Januar 2020 ausgewählt ist.
Die Karte wird aktualisiert und zeigt das neue Rendering an.
Hinweis:
Sentinel-2 ist ein satellitengestütztes Erdbeobachtungsprogramm der Europäischen Weltraumbehörde ESA, das im Jahr 2015 gestartet wurde und qualitativ hochwertige multispektrale Bilddaten der gesamten Erde erzeugt. Weitere Informationen zum Sentinel-2-Programm
Der aktuelle Bilddaten-Layer Sentinel-2 Annual GeoMAD bietet eine jahresübergreifende Zusammenfassung der 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.
Die Bandkombination Agriculture verwendet die folgenden drei Spektralbänder: Kurzwelleninfrarot, Nahinfrarot und Blau. Sie hebt verschiedene Features deutlich hervor und ist daher eine vielseitige Rendering-Methode. DRA ist die Abkürzung für "Dynamic Range Adjustment" (dynamische Bereichsanpassung). Dabei handelt es sich um ein Verfahren zur Optimierung des Bildkontrasts.
Wie bereits erwähnt, bestehen Sentinel-2-Bilder aus 13 Spektralbändern. Einige dieser Bänder fangen Licht ein, das für das menschliche Auge sichtbar ist (z. B. Blau, Grün und Rot), andere wiederum nicht (z. B. Rot, Nahinfrarot und Kurzwelleninfrarot). Dem folgenden Diagramm können Sie entnehmen, wo die 13 Bänder im elektromagnetischen Spektrum liegen.
Die folgende Liste enthält die einzelnen Bänder mit ihren jeweiligen Namen:
- Band 1: Küstenaerosol
- Band 2: Blau
- Band 3: Grün
- Band 4: Rot
- Band 5: Red Edge 1
- Band 6: Red Edge 2
- Band 7: Red Edge 3
- Band 8: Nahinfrarot (NIR 1)
- Band 8A: Nahinfrarot (NIR 2), schmal
- Band 9: Wasserdampf
- Band 10: Kurzwelleninfrarot (Cirrus)
- Band 11: Kurzwelleninfrarot (SWIR 1)
- Band 12: Kurzwelleninfrarot (SWIR 2)
In diesem Abschnitt haben Sie die App geöffnet, eine Location of Interest festgelegt sowie einen bestimmten Bilddaten-Layer und eine Rendering-Methode ausgewählt. Sie können nun die El Fayoum-Oase erkunden.
Spektralprofil-Diagramme visualisieren
Sie visualisieren nun das Spektralprofil mehrerer Pixel in den Bilddaten. Ein Spektralprofil ist ein Diagramm, in dem die Werte für jedes Spektralband eines bestimmten Bilddaten-Pixels dargestellt werden. Beginnen Sie mit einem Pixel, das die Vegetation darstellt.
Die typische Vegetation in der El Fayoum-Oase besteht größtenteils aus Feldern, auf denen Baumwolle, Klee und Getreide angebaut werden, und vereinzelt finden sich auch Palmen in der Landschaft.
- Wählen Sie im Fenster Explore Imagery unter Was möchten Sie tun? die Option Explore spectral profiles aus.
- Klicken Sie auf der Karte auf einen Punkt in der Oase, der mit Vegetation bedeckt zu sein scheint (hellgrün).
An der ausgewählten Position wird auf der Karte ein roter Punkt angezeigt. Im Fenster Explore Imagery wird das Spektralprofil-Diagramm aktualisiert.
- Betrachten Sie das Spektralprofil-Diagramm.
Im Diagramm stellt die X-Achse (horizontal) die verschiedenen Spektralbänder dar. Die Y-Achse (vertikal) zeigt den Wert jedes Bandes für das ausgewählte Pixel an. Die Werte der einzelnen Bänder werden mit einem roten Punkt dargestellt. In der App ist nicht genug Platz, um den Namen der jeweiligen Bänder zu schreiben, in den folgenden eingeblendeten Grafiken sehen Sie jedoch mehr Details:
Die Bilddaten "Sentinel-2 Annual GeoMAD" enthalten 10 der ursprünglichen 13 Sentinel-2-Bänder. Nur die ersten drei Bänder – Blau, Grün und Rot –sind für das menschliche Auge sichtbar; die restlichen sieben Bänder sind nicht sichtbar. Die Vielzahl der Bänder liefert umfassende Informationen über die Features auf dem Boden – deutlich mehr, als das menschliche Auge je erfassen könnte.
Hinweis:
Die letzten vier Bänder im Diagramm rechts unten stellen zusätzliche erweiterte Informationen dar, die nicht Thema dieses Lernprogramms sind. Sie können sie ignorieren.
- Wenden Sie sich nun der Liste Typical Spectral Profiles auf der rechten Seite des Fensters Explore Imagery zu.
Bestimmte Landbedeckungstypen, wie z. B. Üppiges Gras, Wasser oder Wüste, weisen in der Regel immer dasselbe typische Spektralprofil auf. Dieses wird auch als Spektralsignatur bezeichnet. 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 aktuellen Pixels wurde mit den Spektralsignaturen Wüste, Trockenes Gras, Üppiges Gras, Stadtgebiet, Fels, Wald und Wasser verglichen, und es wurde festgestellt, dass es am ehesten zu Üppriges Gras passt. Es scheint tatsächlich die höchste Übereinstimmung für eine bewachsene Fläche aufzuweisen, die verschiedene Felder für Nutzpflanzen und Gras enthalten könnte.
Tipp:
Wenn das Pixel nicht als üppiges Gras identifiziert wurde, haben Sie möglicherweise ein Pixel ausgewählt, in dem Gebäude oder eine nackte Erdoberfläche enthalten ist, sodass das Spektralprofil weniger eindeutig ist. Klicken Sie in diesem Fall auf ein oder zwei weitere Vegetations-Pixel, bis Sie ein Pixel vom Typ Üppiges Gras erhalten.
Im Diagramm wird die typische Spektralsignatur für Üppiges Gras mit einer hellrosa Linie dargestellt. Sie können sehen, dass sie dem Spektralprofil Ihres Pixels relativ ähnlich ist und hohe Werte für Red Edge 2, Red Edge 3, NIR 1 und NIR 2 aufweist.
Als Nächstes sehen Sie sich das Spektralprofil für ein Pixel an, das Wasser darstellt. In der Umgebung der Oase gibt es einige Seen, darunter der wichtigste, der Qarun-See, im nördlichen Teil der Oase. An dieser Stelle wählen Sie ein Wasser-Pixel aus.
Dieses Bild zeigt eine Ansicht des Qarun-Sees an. - Klicken Sie auf einen Punkt im Qarun-See (dunkelblau).
Das Spektralprofil-Diagramm wird aktualisiert.
Die Werte für alle Bänder sind sehr niedrig, und das Pixel wird als Wasser identifiziert.
Sehen Sie sich nun das Spektralprofil für ein Wüsten-Pixel an.
Dieses Bild zeigt eine Ansicht der Wüste in der El Fayoum-Region an. Im Hintergrund ist auch ein See zu sehen. - Wählen Sie ein Pixel in der Wüste nördlich der Oase aus.
Das Spektralprofil-Diagramm wird aktualisiert.
Die meisten Werte sind hoch, insbesondere für die Bänder "SWIR 1" und "SWIR 2". Das Pixel wird als Wüste identifiziert.
Tipp:
Möglicherweise wurde das Pixel als Fels identifiziert. Versuchen Sie es in diesem Fall mit ein oder zwei anderen Punkten, bis das Pixel als Wüste identifiziert wird.
Als Nächstes sehen Sie sich eine mit Bäumen bewachsene Fläche an.
- Identifizieren Sie die dunkelgrüne Fläche in der Mitte der Oase.
Hier befindet sich eine Ansammlung von Baumhainen, darunter Olivenbäume und Obstplantagen, sowie einige Palmen.
Dieses Bild zeigt eine Ansicht der bewirtschafteten Felder von El Fayoum mit Baumhainen im Hintergrund. - Wählen Sie ein Pixel in der baumreichen, dunkelgrünen Fläche in der Mitte der Oase aus.
Das Spektralprofil wird aktualisiert, und das Pixel wird als Wald identifiziert. Zum Schluss sehen Sie sich ein Pixel an, das städtisches Gebiet darstellt.
- Wählen Sie ein Pixel in der Stadt El Fayoum aus.
Das Spektralprofil wird aktualisiert, und das Pixel wird als Stadtgebiet identifiziert.
- Schließen Sie das Fenster Explore Imagery.
In diesem Workflow haben Sie die Spektralprofile für mehrere Pixel in Ihren Bilddaten visualisiert. Sie haben erfahren, dass Spektralprofile mit typischen Spektralsignaturen verglichen werden können, um Landbedeckungstypen zu identifizieren.
Diese Spektralprofile werden in den meisten Bilddaten-Analysemethoden eingesetzt. Der Vegetationsindex, den Sie in den vorangegangenen Lernprogrammen verwendet haben, basiert beispielsweise auf den typischen Unterschieden und Verhältnissen zwischen den Bandwerten, um gesunde von gestörter Vegetation zu unterscheiden.
Mangrovenwald mit einem Spektral-Scatterplot identifizieren
Um die Erkundung von Spektraldaten zu vertiefen, erhalten Sie nun einen Einblick in Spektral-Scatterplots, die eine weitere Möglichkeit darstellen, Spektralbandwerte zu betrachten. Dazu visualisieren Sie Mangrovenwälder und andere Landbedeckungstypen auf dem Sansibar-Archipel.
Sansibar ist ein Archipel im Indischen Ozean und gehört zur Vereinigten Republik Tansania. Mangrovenwälder bestehen aus dichten Bäumen und Sträuchern, die in küstennahen Gebieten in einer Mischung aus Salzwasser- und Süßwasser wachsen. Sie sind ein wichtiger Teil des Ökosystems des Sansibar-Archipels. Mangrovenwälder bieten nicht nur eine außergewöhnliche Artenvielfalt, sondern sind auch wichtig, um die Erosion der Küstenregionen zu verhindern und die Gebiete im Landesinneren vor extremen Wetterereignissen zu schützen. Sie spielen auch eine wichtige Rolle bei der Aufzucht von Fischen und Schalentieren, die für die lokale Fischereiwirtschaft von besonderer Bedeutung sind. Leider sind die Mangrovenwälder auf Sansibar aufgrund des zunehmenden Bevölkerungsdrucks, der landwirtschaftlichen und städtischen Entwicklung und des Klimawandels bedroht.
Die Überwachung der Mangrovenwälder mithilfe von Satellitenbildern kann eine wichtige Rolle bei der Wiederherstellung und nachhaltigen Bewirtschaftung dieses Ökosystems spielen.
Bilddaten einrichten und erkunden
Sie legen den Schwerpunkt Ihrer Untersuchung auf die Makoba-Bucht von Unguja, der Hauptinsel Sansibars. Sie zoomen zunächst Ihre Karte auf diesen Standort und richten die Bilddaten ein.
- Geben Sie in das Suchfeld Makoba, Zanzibar ein, und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Sie können das Fenster Suchergebnis schließen, da Sie es nicht mehr benötigen.
- Klicken Sie dreimal auf die Schaltfläche Vergrößern.
- Ziehen Sie die Karte bei Bedarf, um ihre Position anzupassen.
Sie sollte ungefähr so aussehen wie im folgenden Beispielbild. (In Ihrer Karte werden die gelben Beschriftungen nicht angezeigt. Sie wurden hier zur besseren Orientierung eingefügt.)
Diese Ausdehnung stellt einen Teil der Insel Unguja dar, mit dem Indischen Ozean im Westen der Insel, der Makoba-Bucht im Norden und einem Fluss, der durch eine Flussmündung in die Bucht fließt.
- Klicken Sie auf der Seitenleiste auf die Schaltfläche Explore Imagery, um das gleichnamige Fenster erneut zu öffnen.
- Vergewissern Sie sich, dass im Fenster Explore Imagery die folgenden Parameteroptionen ausgewählt sind:
- Vergewissern Sie sich, dass unter Layer die Option Sentinel-2 Annual GeoMAD ausgewählt ist.
- Vergewissern Sie sich, dass unter Rendering die Option Agriculture with DRA ausgewählt ist.
- Vergewissern Sie sich, dass unter Date der 1. Januar 2020 ausgewählt ist.
Die aktuelle Grundkarte enthält Linien, die die Straßen kennzeichnen. Sie ändern die Grundkarte, um diese Linien und alle anderen Markierungen zu entfernen, damit Sie die Bilddaten ohne Einschränkungen betrachten können.
- Klicken Sie auf der Seitenleiste auf die Schaltfläche Basemap Gallery für die Grundkarten-Galerie.
- Wählen Sie im Fenster Basemap Gallery den Eintrag Imagery aus, und schließen Sie das Fenster.
Die Linien, die die Straßen darstellen, verschwinden.
In diesem Abschnitt legen Sie die Location of Interest, die Bilddaten und die Grundkarte fest. Sie können nun die Makoba-Bucht auf der Insel Unguja erkunden.
Spektral-Scatterplots erkunden
Sie erstellen und erkunden nun einen interaktiven Spektral-Scatterplot für Ihren Interessenbereich. Ein Spektral-Scatterplot ist ein Diagramm, mit dem der Zusammenhang zwischen zwei Spektralbändern und deren Beziehung zu Features und Landbedeckungsarten auf dem Boden überprüft werden kann. Richten Sie zunächst den Scatterplot ein.
- Öffnen Sie das Fenster Explore Imagery ggf. erneut. Wählen Sie im Fenster Explore Imagery unter Was möchten Sie tun? die Option Create spectral scatterplot aus.
Ein Scatterplot wird mit den Standardeinstellungen angezeigt. Sie können zwei beliebige Spektralbänder im Scatterplot darstellen, eines auf der X-Achse und ein weiteres auf der Y-Achse. Sie wählen die Darstellung von "NIR 1" und "SWIR 2" aus.
- Wählen Sie für X die Option NIR_1 (7) und für Y die Option SWIR_2 (10) aus.
Das Scatterplot-Diagramm wird aktualisiert. Jedes Bilddaten-Pixel, das derzeit auf der Karte sichtbar ist, wird im Scatterplot basierend auf seinen NIR 1- und SWIR 2-Werte dargestellt. Sie sehen auf einen Blick, dass die möglichen NIR 1-Werte von 0,01 bis 0,70 und die SWIR 2-Werte von 0,01 bis 0,54 reichen. Die Farben zeigen die Häufigkeit an: Die Stellen im Scatterplot mit den meisten Pixeln werden in Hellrot angezeigt.
Hinweis:
Abhängig von der genauen Ausdehnung Ihrer Karte sieht Ihr Scatterplot möglicherweise etwas anders aus.
Sie interagieren nun mit dem Scatterplot, um ihn leichter interpretieren zu können.
Zunächst ermitteln Sie, wo die Pixel, die Wasser darstellen, im Scatterplot zu sehen sind. Dabei kann es sich um Wasser im Meer, in der Bucht, in der Mündung oder im Fluss handeln.
Auf diesem Foto ist ein Strand in Sansibar am Indischen Ozean zu sehen. - Klicken Sie auf der Karte auf ein beliebiges Pixel, das Wasser darstellt, z. B. im Ozean westlich der Insel (marineblau).
Es wird ein Kreuz angezeigt, das angibt, wo dieses Pixel im Scatterplot platziert ist.
- Klicken Sie auf der Karte auf weitere Pixel, die Wasser darstellen.
Alle diese Pixel werden im Scatterplot in einem bestimmten Bereich unten links angezeigt. Diesen Positionen nach zu urteilen, scheinen die Wasser darstellenden Pixel alle sehr niedrige NIR 1- und SWIR 2-Werte zu haben. Als Nächstes wählen Sie alle diese Pixel aus, um sie auf der Karte hervorzuheben.
- Klicken und ziehen Sie im Scatterplot, um den Bereich einzukreisen, in dem die Wasser-Pixel konzentriert auftreten, wie im folgenden Beispielbild:
Die Pixel, die Sie in Ihre Auswahl einbezogen haben, werden nun auf der Karte cyanfarben angezeigt.
Dies sind alle Pixel, die Wasser darstellen, sei es im Meer, in der Bucht, in der Flussmündung oder im Fluss. Beachten Sie, dass hierzu auch ein kleiner Teich im Landesinneren südöstlich des Flusses gehört.
- Sie können das Shape immer wieder neu im Scatterplot zeichnen, bis Sie mit dem Ergebnis zufrieden sind.
Als Nächstes gehen Sie genauso mit dem Mangrovenwald vor. Der Mangrovenwald in Ihrem Interessenbereich erstreckt sich hauptsächlich entlang der Bucht und der Gezeitenmündung und wird auf den Bilddaten in Dunkelgrün angezeigt. Durch Ausprobieren im Scatterplot lässt sich feststellen, dass die Mangroven-Pixel alle in einem länglichen Streifen am unteren Rand des Scatterplot angezeigt werden. Kreisen Sie ihn ein, um die Mangroven-Pixel auf der Karte zu markieren.
- Klicken Sie im Scatterplot auf eine beliebige Stelle, um die vorherige Markierung zu entfernen.
- Klicken und ziehen Sie im Scatterplot, um die Mangroven-Pixel einzukreisen, wie im folgenden Beispielbild gezeigt:
Diese Pixel weisen alle sehr niedrige SWIR 2-Werte und mittlere bis hohe NIR 1-Werte auf. Auf der Karte sind nun alle Mangroven-Pixel in Cyan hervorgehoben.
Sie können aber auch die Pixel der Vegetation hervorheben, die keine Mangroven aufweist. Durch Ausprobieren lässt sich feststellen, dass die Pixel alle mittlere bis hohe NIR 1-Werte und mittlere bis niedrige SWIR 2-Werte haben.
- Klicken Sie im Scatterplot auf eine beliebige Stelle, um die vorherige Markierung zu entfernen.
- Klicken und ziehen Sie im Scatterplot, um die Pixel der nicht mit Mangroven bewachsenen Vegetation einzukreisen, wie im folgenden Beispielbild gezeigt:
Auffallend ist, dass diese Pixel der nicht von Mangroven bewachsenen Vegetation alle höhere SWIR 2-Werte aufweisen als die Mangroven-Pixel. Anhand dieses Unterschieds können Sie die beiden Vegetationstypen klar auseinanderhalten.
Auf der Karte sind nun alle Pixel der nicht von Mangroven bewachsenen Vegetation in Cyan hervorgehoben.
Sie können erkennen, dass die Vegetation, bei der es sich nicht um Mangroven handelt, über die gesamte Region verteilt ist. Sie besteht größtenteils aus einer Mischung aus niedrig wachsenden Pflanzen, darunter Maniok und Süßkartoffeln, sowie Pflanzen für die Gewürzherstellung, wie Nelken, Muskatnuss, Zimt und schwarzer Pfeffer, mit einigen Palmen dazwischen.
Abschließend markieren Sie die Pixel mit nackter Erdoberfläche, die sich im Scatterplot oben rechts konzentrieren.
- Klicken Sie im Scatterplot auf eine beliebige Stelle, um die vorherige Markierung zu entfernen.
- Klicken und ziehen Sie im Scatterplot, um die Pixel der nackten Erdoberfläche einzukreisen, wie im folgenden Beispielbild gezeigt:
Diese Pixel haben tendenziell sehr hohe SWIR 2-Werte und mittlere bis hohe NIR 1-Werte.
Auf der Karte sind nun alle Pixel mit nackter Erdoberfläche in Cyan hervorgehoben.
- Sie können mit dem Scatterplot auch weiter experimentieren.
Klicken Sie beispielsweise auf weitere Pixel auf der Karte, um zu sehen, wo diese im Scatterplot angezeigt werden, und zeichnen Sie weitere Shapes im Scatterplot, um zu sehen, welche Pixel auf der Karte hervorgehoben werden.
Spektrale Scatterplots sind nützlich, um besser zu verstehen, wie verschiedene Landbedeckungstypen anhand von zwei Spektralbändern unterschieden werden können. Sie ermöglichen das Identifizieren der Wertebereiche für jeden Landbedeckungstyp. Diese numerischen Werte können wiederum in erweiterten Analysen verwendet werden.
Hinweis:
In diesem Workflow haben Sie den Scatterplot für NIR 1 und SWIR 2 erkundet. Diese Bänder wurden durch Ausprobieren ermittelt, da sie sich zur Unterscheidung des Mangrovenwaldes von anderen Landbedeckungstypen als besonders gut geeignet erwiesen haben. Andere Bandkombinationen, z. B. Blau und Grün, ermöglichen keine so eindeutige Unterscheidung.
Sie können auch andere Bandkombinationen in Ihrem Scatterplot ausprobieren und entscheiden, welche Kombination Ihrer Meinung nach am besten funktioniert.
Die Analyse von Bilddaten ermöglicht es, Mangrovenwälder zu identifizieren und sie im Laufe der Zeit zu überwachen, um festzustellen, ob ihr Wachstum zunimmt oder rückläufig ist und in welchem Ausmaß. Da die Regierung von Tansania Maßnahmen zum Schutz und zur Wiederherstellung dieses wertvollen Ökosystems ergriffen hat, kann die Analyse von Bilddaten auch dazu verwendet werden, den Fortschritt zu messen.
In diesem Lernprogramm lag der Schwerpunkt zwar auf dem Verstehen von Spektral-Scatterplots, es gibt jedoch viele mögliche Methoden, um Mangrovenwälder mit Bilddaten zu identifizieren. Wenn Sie beispielsweise erfahren möchten, wie die State University of Zanzibar Bilddaten von Digital Earth Africa zur Überwachung des Mangrovenwaldes in Sansibar verwendet hat, finden Sie weitere Informationen dazu unter Erhaltung der Mangrovenwälder auf Sansibar.
Eine Stadt erkunden und Kenntnisse über räumliche Auflösung gewinnen
Im Folgenden befassen Sie sich mit einem weiteren wichtigen Konzept für Bilddaten: der räumlichen Auflösung. Dazu erkunden Sie Beispiele für unterschiedliche räumliche Auflösungen und untersuchen die südafrikanische Stadt Kapstadt.
Kapstadt ist die zweitgrößte Stadt Südafrikas und die legislative Hauptstadt des Landes. Die Stadt liegt am südlichen Zipfel Afrikas am Atlantischen Ozean und ist bekannt für ihre imposanten natürlichen Landmarks wie den Tafelberg und den Signal Hill sowie für ihren Hafen und die malerische Küstenlinie.
Bilddaten einrichten und erkunden
Zunächst zentrieren Sie die Karte auf die Stadt Kapstadt.
- Geben Sie in das Suchfeld Cape Town, South Africa ein und drücken Sie die Eingabetaste.
Die Karte wird auf die neue Position aktualisiert.
- Sie können das Fenster Suchergebnis schließen, da Sie es nicht mehr benötigen.
- Klicken Sie dreimal auf die Schaltfläche Vergrößern.
- Passen Sie die Position der Karte ggf. so an, dass sie ungefähr so aussieht wie im folgenden Beispielbild:
Bei den angezeigten Bilddaten handelt es sich immer noch um den Layer "Sentinel-2 Annual GeoMAD" mit der Rendering-Option "Agriculture with DRA". Beim Rendern können Sie die bebauten Flächen (Gebäude und Straßen) in Lila und Signal Hill und den Tafelberg in Brauntönen erkennen. Im Norden wird der Green Point Park in leuchtendem Grün angezeigt, das kreisringförmige Stadion von Kapstadt in Lila und weiter östlich der Hafen.
In diesem Abschnitt haben Sie die Karte auf die Stadt Kapstadt zentriert und sich an dieser Position orientiert.
Räumliche Auflösungen für verschiedene Datasets vergleichen
Die räumliche Auflösung bezieht sich auf die Entfernung, die ein Pixel in einem Bild darstellt. Wenn ein Bild beispielsweise mit einer Auflösung von 30 Metern aufgenommen wurde, bedeutet dies, dass jedes Pixel ein 30 Meter mal 30 Meter großes Quadrat auf dem Boden darstellt. In Bilddaten mit höherer Auflösung können Sie mehr Details erkennen, und kleine Features lassen sich besser ausmachen. Bilddaten mit niedrigerer Auflösung werden unschärfer angezeigt, dafür sind die Dateien jedoch kleiner und lassen sich leichter speichern. Die folgende grafische Darstellung veranschaulicht die verschiedenen Stufen der räumlichen Auflösung:
Mit dem Werkzeug Compare Imagery können Sie die räumliche Auflösung verschiedener Bilddaten-Datasets vergleichen.
- 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 Sentinel-2 Annual GeoMAD ausgewählt ist.
- Vergewissern Sie sich, dass unter Rendering die Option Agriculture with DRA ausgewählt ist.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das rechte Bild fest:
- Klicken Sie auf Right Image, um es auszuwählen.
- Vergewissern Sie sich, dass unter Layer die Option Landsat 8 Annual GeoMAD ausgewählt ist.
- Vergewissern Sie sich, dass unter Rendering die Option Agriculture with DRA ausgewählt ist.
Hinweis:
Der Bilddaten-Layer "Landsat 8 Annual GeoMAD" wird mit der gleichen Methode erstellt wie der Sentinel-2 Annual GeoMAD, allerdings wird er aus Landsat 8-Bilddaten abgeleitet. Weitere Informationen darüber, wie die GeoMAD-Layer erstellt werden, finden Sie in der Digital Earth Africa-Dokumentation
Landsat ist ein US-amerikanisches Satellitenprogramm zur Erdbeobachtung, das multispektrale Bilddaten erzeugt. Landsat 8 ist die 8. Landsat-Mission und wurde im Jahr 2013 gestartet. Weitere Informationen finden Sie unter Landsat 8
- Ziehen Sie den Ziehpunkt auf der Karte wiederholt von links nach rechts, um die beiden Bilder zu vergleichen.
Der Layer "Sentinel-2 Annual GeoMAD" hat eine räumliche Auflösung von 10 Metern, während der Layer "Landsat 8 Annual GeoMAD" (rechts) eine räumliche Auflösung von 30 Metern aufweist. Sie sehen, dass der Layer mit der höheren Auflösung eine detailliertere und präzisere Darstellung der Features ermöglicht.
Sie vergleichen nun die räumliche Auflösung des Datasets Sentinel-2 Annual GeoMAD und der Grundkarte Bilddaten.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das rechte Bild fest:
- Stellen Sie sicher, dass Right Image ausgewählt ist.
- Wählen Sie für Layer die Option Kein aus.
Der Layer Landsat 8 Annual GeoMAD wird ausgeblendet, sodass die darunter liegende Grundkarte Bilddaten angezeigt wird.
Dies ist die Grundkarte World Imagery Basemap von Esri. Sie enthält Bilddaten aus verschiedenen Quellen, darunter TerraColor, Maxar und Community-Daten. Diese Bilddaten bieten eine unterschiedliche räumliche Auflösung, die im Allgemeinen recht hoch ist und häufig 0,3 Meter oder mehr beträgt.
Sie ändern die Bandkombination für den Layer Sentinel-2 Annual GeoMAD Layer , um ihn an die Grundkarte Bilddaten anzupassen.
- Legen Sie im Fenster Compare Imagery die folgenden Optionen für das linke Bild fest:
- Klicken Sie auf Left Image, um das Bild auszuwählen.
- Vergewissern Sie sich, dass unter Layer die Option Sentinel-2 Annual GeoMAD ausgewählt ist.
- Wählen Sie unter Rendering die Option Natural Color with DRA aus.
Der linke Layer wird aktualisiert und zeigt den Layer Sentinel-2 Annual GeoMAD in Natural Color with DRA an. 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.
- Ziehen Sie den Ziehpunkt auf der Karte wiederholt von links nach rechts, um die beiden Bilder zu vergleichen.
Während die beiden Layer in Bezug auf das Rendering relativ ähnlich sind, weist die Grundkarte auf der rechten Seite eine deutlich höhere räumliche Auflösung auf.
- Klicken Sie einmal auf die Schaltfläche Zoom in, und ziehen Sie den Ziehpunkt wiederholt hin und her.
Mit diesem Zoomfaktor können Sie den Unterschied in der räumlichen Auflösung deutlicher erkennen.
- Klicken Sie viermal auf die Schaltfläche Zoom in, und ziehen Sie den Ziehpunkt wiederholt hin und her.
Mit diesem Zoomfaktor ist der Unterschied in der räumlichen Auflösung deutlich zu erkennen. Die linke Seite ist jetzt sehr verschwommen, auf der rechten Seite können Sie jedoch einzelne Häuser und Autos deutlich erkennen.
Bei der Auswahl eines Bilddaten-Datasets ist es wichtig, dessen räumliche Auflösung zu berücksichtigen, um den für Ihren Zweck am besten geeigneten Dataset auszuwählen. Dies ist jedoch nicht die einzige Überlegung. Die Grundkarte "Bilddaten" beispielsweise kann zwar aufgrund ihrer hohen räumlichen Auflösung hilfreich sein, um eine Position im Detail zu erkunden, sie unterliegt jedoch auch gewissen Einschränkungen. So besteht sie nur aus den drei Spektralbändern Blau, Grün und Rot. Sie könnte also nicht für eine Spektralanalyse verwendet werden. Im Gegensatz dazu sind die von Sentinel und Landsat abgeleiteten Bilddaten-Layer dank ihrer vielen Bänder spektral wesentlich vielfältiger. Der Grad des spektralen Umfangs eines Bilddatensatzes wird als spektrale Auflösung bezeichnet. Genau wie bei der räumlichen Auflösung ist es wichtig, diese zu berücksichtigen, um zu bestimmen, ob ein Bilddaten-Dataset für Ihre Zwecke geeignet ist.
Weitere Informationen zur räumlichen Auflösung, zur spektralen Auflösung und zu anderen Bilddaten-Eigenschaften finden Sie in der Dokumentation Typen von Bilddaten.
In diesem Lernprogramm haben Sie bei der Erkundung verschiedener Standorte in Afrika wichtige Konzepte von Bilddaten kennengelernt, z. B. Spektralprofil und Spektralsignatur, Spektral-Scatterplot und räumliche Auflösung. Sie sind jetzt gut vorbereitet, um Bilddaten zu verstehen und sie in Ihren Projekten zu verwenden.
Sie finden weitere Lernprogramme dieser Art in der Reihe Satellitenbilder von Afrika erkunden.
