Wat kun je ontdekken met optische satellietbeelden? In deze Blended Learning leer je hoe je Landsat- en Copernicus/Sentinel-data gebruikt om vegetatie, water, bodem en bebouwing te onderzoeken. Je leert geschikte satellietbeelden en spectrale banden selecteren en deze in QGIS verwerken, combineren, analyseren en interpreteren. Zo ontwikkel je de kennis en praktische vaardigheden om optische aardobservatiedata gericht in te zetten voor uiteenlopende ruimtelijke vraagstukken.
Tijdens deze Blended Learning leer je hoe je deze vraagstukken analyseert en onderbouwt met optische satellietdata in QGIS. Je werkt met actuele aardobservatiedata uit onder andere het Europese Copernicus-programma, waaronder Sentinel-2, en met Landsat-data. Je leert hoe verschillende spectrale banden informatie geven over eigenschappen van het aardoppervlak. In QGIS selecteer, verwerk, combineer en analyseer je satellietbeelden en vertaal je satellietwaarnemingen naar bruikbare ruimtelijke informatie voor onder andere natuurbeheer, landbouw, waterbeheer, klimaatadaptatie en ruimtelijke ontwikkeling.
Een goede analyse van optische satellietbeelden begint met inzicht in de interactie tussen elektromagnetische straling en het aardoppervlak. Je leert hoe zonnestraling wordt gereflecteerd, geabsorbeerd en doorgelaten en waarom vegetatie, water, bodem en bebouwing ieder een karakteristieke spectrale respons hebben.
Daarnaast maak je kennis met zichtbaar licht, nabij-infrarood en kortgolvig infrarood en leer je welke informatie verschillende delen van het elektromagnetisch spectrum kunnen leveren. Je verdiept je in spectrale, ruimtelijke, temporele en radiometrische resolutie en ontdekt hoe deze eigenschappen bepalen welke verschijnselen je met een satellietsensor kunt waarnemen. Hierdoor kun je niet alleen satellietbeelden bekijken, maar ook verklaren waarom bepaalde objecten en processen in verschillende spectrale banden zichtbaar worden.
Een betrouwbare remote-sensinganalyse begint met het selecteren van de juiste satellietdata. Daarom werk je met actuele en veelgebruikte aardobservatiedata uit het Copernicus-programma en Landsat. Je maakt onder andere gebruik van Sentinel-2 en Landsat-beelden en leert welke sensoren en spectrale banden beschikbaar zijn en voor welke toepassingen deze geschikt zijn.
Je leert satellietbeelden vinden, selecteren en gebruiken op basis van onder andere onderzoeksgebied, opnamedatum, bewolkingsgraad en gewenste resolutie. Daarbij vergelijk je de eigenschappen van Sentinel-2 en Landsat en ontdek je welke databron het meest geschikt is voor een bepaald ruimtelijk vraagstuk.
Je leert bovendien hoe spectrale, ruimtelijke en temporele eigenschappen van verschillende satellietsystemen elkaar kunnen aanvullen. Hierdoor staat niet één specifieke satelliet centraal, maar leer je een onderbouwde keuze maken uit beschikbare optische aardobservatiedata.
Na de theoretische basis ga je zelf aan de slag met Landsat- en Copernicus/Sentinel-beelden in QGIS. Je leert satellietdata inladen, beheren en visualiseren en verschillende spectrale banden afzonderlijk bekijken en met elkaar combineren.
Je maakt natuurlijke kleurenbeelden en false-colourcomposieten waarmee eigenschappen van vegetatie, water, bodem en bebouwing beter zichtbaar worden. Vervolgens gebruik je rasterfunctionaliteiten in QGIS om satellietbeelden te analyseren, gebieden met elkaar te vergelijken en ruimtelijke patronen zichtbaar te maken.
Je analyseert de spectrale eigenschappen van verschillende typen landbedekking en leert deze patronen inhoudelijk te interpreteren. Daarbij besteed je ook aandacht aan de invloed van atmosfeer, bewolking, schaduw, seizoen en opnameomstandigheden. Zo leer je onderscheid maken tussen daadwerkelijke verschillen op het aardoppervlak en verschillen die worden veroorzaakt door de omstandigheden waaronder een satellietbeeld is opgenomen.
Het doel is niet alleen om satellietbeelden technisch in QGIS te verwerken, maar vooral om te begrijpen welke informatie uit optische aardobservatiedata kan worden afgeleid en hoe betrouwbaar die informatie is voor het beantwoorden van een ruimtelijk vraagstuk.
Tijdens de Blended Learning werk je met realistische praktijkvoorbeelden en echte Landsat- en Copernicus/Sentinel-data. Je kruipt in de rol van remote-sensingspecialist en werkt aan vraagstukken zoals die voorkomen bij overheden, waterschappen, natuurorganisaties, landbouworganisaties en adviesbureaus. Je bepaalt welke satellietdata geschikt zijn, analyseert de beelden in QGIS, interpreteert de spectrale informatie en vertaalt je bevindingen naar bruikbare ruimtelijke informatie.
Je werkt onder andere aan opdrachten zoals:
Na afloop beschik je over de kennis en praktische vaardigheden om optische satellietbeelden zelfstandig te selecteren, verwerken, analyseren en interpreteren. Je kunt Landsat- en Copernicus/Sentinel-data in QGIS gebruiken, beoordelen welke satellietdata geschikt zijn voor een bepaald vraagstuk en bepalen welke informatie uit verschillende spectrale banden kan worden afgeleid. Zo kun je optische aardobservatiedata vertalen naar betrouwbare ruimtelijke informatie voor natuurbeheer, landbouw, waterbeheer, klimaatadaptatie en ruimtelijke ontwikkeling.
Je ontvangt persoonlijke begeleiding. Na je aanmelding neemt onze cursuscoördinator contact met je op om je eerste sessie in te plannen.
Heb je vragen over de inhoud van de cursus? Of twijfel je of de cursus aansluit bij jouw leerdoelen of wensen? Liever incompany of een privé cursus? We helpen je graag verder.
Optische remote sensing is het waarnemen van het aardoppervlak met sensoren die gereflecteerde elektromagnetische straling meten. Satellieten zoals Landsat en Sentinel-2 registreren verschillende delen van het spectrum, waaronder zichtbaar licht, nabij-infrarood en kortgolvig infrarood. Hierdoor kunnen eigenschappen en verschillen van vegetatie, water, bodem en bebouwing worden herkend en geanalyseerd.
Veel optische satellietdata is gratis beschikbaar. Sentinel-data uit het Europese Copernicus-programma kan worden gevonden via het Copernicus Data Space Ecosystem. Landsat-data is beschikbaar via de databronnen van de USGS. Deze satellietbeelden kunnen vervolgens worden gedownload en in QGIS worden verwerkt en geanalyseerd.
Landsat en Sentinel-2 leveren beide optische satellietbeelden, maar verschillen onder andere in ruimtelijke resolutie, spectrale banden en de frequentie waarmee een gebied wordt opgenomen. Sentinel-2 biedt voor verschillende banden een hogere ruimtelijke resolutie, terwijl Landsat beschikt over een zeer lange historische gegevensreeks. Welke databron het meest geschikt is, hangt daarom af van het ruimtelijke vraagstuk.
Vegetatie, water, bodem en bebouwing reflecteren elektromagnetische straling op verschillende manieren. Door naast zichtbaar licht ook nabij-infrarood en kortgolvig infrarood te gebruiken, worden eigenschappen zichtbaar die met het menselijk oog niet direct waarneembaar zijn. Door verschillende banden te combineren kunnen ruimtelijke patronen en verschillen beter worden onderzocht.
In QGIS kun je Landsat- en Sentinel-2-beelden visualiseren, spectrale banden combineren, natuurlijke kleurenbeelden en false-colourcomposieten maken en rasteranalyses uitvoeren. Hiermee kun je bijvoorbeeld vegetatie, oppervlaktewater, bodem en bebouwing onderzoeken en ruimtelijke verschillen en veranderingen zichtbaar maken.
