Welke problemen los je op met Multispectrale Analyse en Spectrale Indices?
- Hoe bepaal je waar vegetatie gezond, gestrest of beschadigd is?
- Hoe breng je oppervlaktewater, vochtige gebieden en veranderingen in waterbedekking in kaart?
- Hoe bepaal je de omvang en ernst van brandschade met satellietbeelden?
- Hoe onderscheid je vegetatie, kale bodem, water en bebouwd gebied met spectrale indices?
- Welke satellietbron en spectrale index zijn het meest geschikt voor een specifiek ruimtelijk vraagstuk?
Tijdens deze Blended Learning leer je hoe je deze vraagstukken analyseert en onderbouwt met multispectrale aardobservatiedata in QGIS. Je werkt praktisch met onder andere Sentinel-2 uit het Europese Copernicus-programma en Landsat en maakt daarnaast kennis met andere belangrijke bronnen zoals MODIS, VIIRS en hoge-resolutiedata zoals PlanetScope. Je leert verschillende spectrale banden combineren en indices selecteren, berekenen en interpreteren om eigenschappen en veranderingen van vegetatie, water, bodem, brandschade en bebouwing meetbaar en ruimtelijk inzichtelijk te maken.
De theorie achter Multispectrale Analyse en Spectrale Indices
Een goede multispectrale analyse begint met inzicht in de manier waarop verschillende materialen elektromagnetische straling reflecteren. Vegetatie, water, bodem en bebouwing hebben ieder een eigen spectrale respons. Door metingen uit verschillende spectrale banden met elkaar te combineren, kunnen eigenschappen zichtbaar en meetbaar worden die in een gewoon satellietbeeld moeilijk of niet direct herkenbaar zijn.
Je leert hoe zichtbaar licht, nabij-infrarood, red-edge en kortgolvig infrarood worden gebruikt bij multispectrale analyses. Je ontdekt waarom gezonde vegetatie bijvoorbeeld anders reageert in het rode en nabij-infrarode deel van het spectrum dan gestreste vegetatie en waarom water, kale bodem en bebouwing weer andere spectrale eigenschappen hebben.
Daarbij bouw je voort op de principes van optische remote sensing en verdiep je je in de manier waarop spectrale verschillen kunnen worden omgezet naar kwantitatieve informatie. Je leert bovendien dat een spectrale index geen eindresultaat op zichzelf is. De betekenis van een index hangt samen met het landschap, het seizoen, de gebruikte sensor, de beschikbare spectrale banden, de ruimtelijke resolutie en de opnameomstandigheden.
Van spectrale banden naar de juiste index
Spectrale indices combineren twee of meer spectrale banden volgens een bepaalde rekenkundige formule. Hierdoor kunnen specifieke eigenschappen van het aardoppervlak worden versterkt en beter worden geanalyseerd. Je leert daarom niet alleen een aantal veelgebruikte indices berekenen, maar vooral bepalen welke index past bij het vraagstuk en of de gebruikte satellietsensor daarvoor de benodigde spectrale banden bevat.
Je werkt onder andere met:
- NDVI voor het analyseren van aanwezigheid, dichtheid en conditie van vegetatie. Deze veelgebruikte vegetatie-index kan onder andere worden toegepast op Sentinel-2, Landsat, MODIS, VIIRS en PlanetScope.
- EVI voor vegetatieanalyse waarbij de invloed van onder andere atmosfeer en bodem wordt beperkt. EVI wordt veel gebruikt bij grootschalige vegetatiemonitoring met bijvoorbeeld MODIS.
- GNDVI voor vegetatieanalyse met de groene en nabij-infrarode band, bijvoorbeeld om verschillen in vegetatieconditie te onderzoeken.
- NDWI voor het analyseren van water en vochtgerelateerde patronen met geschikte spectrale banden.
- MNDWI voor het versterken van oppervlaktewater, vooral wanneer water moet worden onderscheiden van bebouwing en andere landbedekking.
- NBR voor het herkennen van verbrande gebieden en het analyseren van veranderingen en brandschade na natuurbranden.
- SAVI voor vegetatieanalyse in gebieden waar kale bodem een relatief grote invloed heeft op het spectrale signaal.
- NDBI voor het herkennen en analyseren van bebouwde gebieden.
- BSI voor het herkennen van kale bodem en het onderscheiden van bodem van vegetatie en andere typen landbedekking.
Je leert waarom bepaalde banden in deze indices worden gecombineerd, hoe de uitkomsten moeten worden geïnterpreteerd en welke beperkingen een index heeft. Hierdoor leer je voorkomen dat een index automatisch wordt toegepast zonder te beoordelen of deze daadwerkelijk geschikt is voor het betreffende gebied en vraagstuk.
Werken met verschillende bronnen voor Multispectrale Analyse en Spectrale Indices
Niet iedere satelliet ziet hetzelfde en niet iedere satellietbron is geschikt voor ieder vraagstuk. Daarom leer je verschillende multispectrale satellietsystemen kennen en vergelijken. Je kijkt daarbij naar beschikbare spectrale banden, ruimtelijke resolutie, temporele resolutie, historische beschikbaarheid en toepassingsmogelijkheden.
Je maakt onder andere kennis met:
- Sentinel-2 uit het Copernicus-programma voor gedetailleerde analyses van vegetatie, landbouw, water, bodem en landbedekking. De beschikbare red-edge-banden bieden aanvullende mogelijkheden voor vegetatieanalyse.
- Landsat voor multispectrale analyses en het onderzoeken van langjarige veranderingen in onder andere vegetatie, water, landgebruik en brandschade.
- MODIS voor frequente waarnemingen van grote gebieden en monitoring van bijvoorbeeld vegetatie en veranderingen door de tijd, waarbij onder andere NDVI en EVI veel worden toegepast.
- VIIRS voor frequente aardobservatie op regionale en mondiale schaal en toepassingen zoals vegetatie-, landoppervlak- en brandmonitoring.
- PlanetScope als voorbeeld van commerciële hoge-resolutiedata waarmee multispectrale analyses op een gedetailleerder ruimtelijk schaalniveau kunnen worden uitgevoerd.
Je leert daarmee niet vanuit één satellietproduct te denken, maar vanuit het ruimtelijke vraagstuk. Je bepaalt eerst welke informatie nodig is en kiest vervolgens welke sensor, spectrale banden en indices daarvoor het meest geschikt zijn.
De juiste satellietdata selecteren
Een betrouwbare multispectrale analyse begint met de juiste data. Je leert satellietbeelden selecteren op basis van onderzoeksgebied, opnamedatum, seizoen, bewolkingsgraad, beschikbare spectrale banden, ruimtelijke resolutie en herhalingsfrequentie.
Je vergelijkt bijvoorbeeld de gedetailleerde multispectrale mogelijkheden van Sentinel-2 met de lange historische gegevensreeks van Landsat en de hoge temporele resolutie van MODIS en VIIRS. Voor toepassingen waarbij veel ruimtelijk detail nodig is, maak je kennis met de mogelijkheden van hoge-resolutiedata zoals PlanetScope.
Hierdoor leer je dat de beste satellietbron afhankelijk is van het vraagstuk. Voor het volgen van mondiale of regionale vegetatieontwikkelingen kan een andere sensor geschikt zijn dan voor het analyseren van verschillen tussen afzonderlijke landbouwpercelen.
Spectrale indices berekenen en analyseren in QGIS
Na de theoretische basis ga je zelf aan de slag met echte multispectrale satellietdata in QGIS. Je leert verschillende spectrale banden inladen, visualiseren, selecteren en combineren en gebruikt rasterberekeningen om spectrale indices te maken.
Je berekent en onderzoekt onder andere NDVI, EVI, GNDVI, NDWI, MNDWI, NBR, SAVI, NDBI en BSI. Je leert de resulterende rasterkaarten visualiseren, classificeren en analyseren en onderzoekt hoe indexwaarden ruimtelijk variëren.
Daarbij gaat het niet alleen om het uitvoeren van een formule. Je leert controleren welke banden van een specifieke sensor nodig zijn, hoe je de juiste banden gebruikt en hoe je de resultaten inhoudelijk interpreteert.
Daarnaast combineer je verschillende indices en andere geo-informatie om een completer beeld van een gebied te krijgen. Zo kun je bijvoorbeeld vegetatie-indices combineren met bodemgegevens, landgebruik of waterinformatie om beter te begrijpen waarom bepaalde ruimtelijke patronen ontstaan.
Indices en satellietbronnen vergelijken
Eén index of één satellietbron geeft niet altijd het beste antwoord. Daarom leer je verschillende indices en databronnen met elkaar vergelijken.
Je onderzoekt bijvoorbeeld wanneer NDVI voldoende informatie geeft en wanneer EVI, SAVI of GNDVI een beter beeld kan geven van vegetatie. Voor oppervlaktewater vergelijk je bijvoorbeeld NDWI en MNDWI. Bij landbedekkingsvraagstukken kun je vegetatie-, bodem- en bebouwingsindices combineren.
Ook vergelijk je resultaten van verschillende satellietsensoren. Je leert beoordelen welke verschillen werkelijk iets zeggen over het aardoppervlak en welke verschillen worden veroorzaakt door spectrale banden, ruimtelijke resolutie, opnamemoment of eigenschappen van de sensor.
Hierdoor ontwikkel je een belangrijke professionele vaardigheid: niet automatisch een bekende index gebruiken, maar onderbouwd bepalen welke combinatie van satellietbron, spectrale banden en index het beste antwoord geeft op het vraagstuk.
Veranderingen analyseren met multispectrale data
Een belangrijke toepassing van multispectrale satellietdata is het onderzoeken van veranderingen door de tijd. Je leert satellietbeelden uit verschillende perioden analyseren en indexwaarden met elkaar vergelijken om ontwikkelingen zichtbaar en meetbaar te maken.
Je onderzoekt bijvoorbeeld veranderingen in vegetatieconditie, wateroppervlak, brandschade, kale bodem of bebouwing. Daarbij leer je rekening houden met seizoen, weersomstandigheden, bewolking, verschillen tussen sensoren en ruimtelijke resolutie.
Je ontdekt waarom Landsat door zijn lange historische gegevensreeks interessant is voor langjarige analyses, terwijl Sentinel-2 meer ruimtelijk en spectraal detail kan bieden en MODIS en VIIRS geschikt zijn voor frequente monitoring van grote gebieden.
Hiermee leg je tevens de basis voor de specialistische onderwerpen veranderingsdetectie en tijdreeksanalyse, waarin langere reeksen satellietbeelden systematisch worden gebruikt om ontwikkelingen door de tijd te onderzoeken.
Van spectrale index naar ruimtelijke informatie
Tijdens de Blended Learning werk je met realistische praktijkvoorbeelden en echte multispectrale aardobservatiedata. Je kruipt in de rol van remote-sensingspecialist en werkt aan vraagstukken zoals die voorkomen bij overheden, waterschappen, natuurorganisaties, landbouworganisaties en adviesbureaus.
Je begint daarbij niet met een bepaalde satelliet of index, maar met het vraagstuk. Vervolgens bepaal je welke satellietbron, spectrale banden en indices geschikt zijn, voer je de analyse uit in QGIS, beoordeel je de betrouwbaarheid en vertaal je de resultaten naar bruikbare ruimtelijke informatie.
Je werkt onder andere aan opdrachten zoals:
- Een natuurbeheerder wil weten waar vegetatie achteruitgaat. Vergelijk NDVI, EVI, SAVI of een andere geschikte vegetatie-index en onderbouw welke index het beste inzicht geeft in de vegetatieconditie.
- Een waterschap wil veranderingen in oppervlaktewater onderzoeken. Vergelijk NDWI en MNDWI en bepaal welke index het water in het onderzoeksgebied het beste onderscheidt.
- Een natuurorganisatie wil na een natuurbrand weten welke gebieden zijn getroffen. Gebruik NBR en geschikte satellietbeelden om de omvang en ruimtelijke verschillen van de brandschade te analyseren.
- Een landbouworganisatie wil verschillen tussen landbouwpercelen onderzoeken. Vergelijk NDVI, SAVI, GNDVI en waar mogelijk red-edge-informatie en bepaal welke aanpak de meest bruikbare informatie oplevert.
- Een gemeente wil onderscheid maken tussen bebouwing, kale bodem, vegetatie en water. Combineer NDBI, BSI en geschikte vegetatie- en waterindices om de verschillende typen landbedekking te analyseren.
- Een organisatie wil een ontwikkeling gedurende meerdere jaren volgen. Vergelijk Sentinel-2, Landsat, MODIS of VIIRS en onderbouw welke databron en indices het beste aansluiten bij de gewenste ruimtelijke en temporele schaal.
Na afloop beschik je over de kennis en praktische vaardigheden om multispectrale aardobservatiedata van verschillende satellietsystemen zelfstandig in QGIS te analyseren. Je kunt vanuit een ruimtelijk vraagstuk bepalen welke satellietbron, spectrale banden en indices geschikt zijn, deze indices berekenen en interpreteren en de betrouwbaarheid van de resultaten beoordelen. Zo kun je multispectrale satellietdata vertalen naar onderbouwde ruimtelijke informatie over vegetatie, water, bodem, brandschade, bebouwing en veranderingen in het landschap.
