Hoe haal je meer informatie uit satellietbeelden dan met standaard bandcombinaties en spectrale indices? In deze Blended Learning leer je spectrale patronen en kenmerken herkennen en omzetten naar bruikbare geo-informatie. Je verdiept je in spectrale analyse en feature extraction om verschillen in vegetatie, water, bodem, materialen en landbedekking nauwkeuriger te analyseren.
Tijdens deze Blended Learning verdiep je je in het analyseren van spectrale informatie en het afleiden van kenmerken uit satellietbeelden. Je leert hoe verschillende oppervlakken en materialen zich spectraal van elkaar onderscheiden en hoe je relevante kenmerken selecteert en afleidt voor verdere analyse. Daarmee ga je een stap verder dan standaard beeldinterpretatie, bandcombinaties en spectrale indices.
Materialen op het aardoppervlak absorberen en reflecteren elektromagnetische straling ieder op hun eigen manier. Hierdoor ontstaat voor vegetatie, water, bodem, mineralen en kunstmatige materialen een karakteristiek spectraal patroon. Deze patronen vormen de basis voor geavanceerde spectrale analyse.
Je leert hoe spectrale curves en reflectieprofielen kunnen worden geïnterpreteerd en hoe absorptie- en reflectiekenmerken informatie geven over eigenschappen van het aardoppervlak. Daarbij onderzoek je welke delen van het spectrum het meeste onderscheid geven tussen verschillende materialen en land-coverklassen.
Ook leer je rekening houden met factoren die spectrale waarden beïnvloeden, zoals atmosfeer, vocht, vegetatiestructuur, bodemgesteldheid, schaduw en opnameomstandigheden. Zo leer je beoordelen wanneer een spectraal verschil daadwerkelijk iets zegt over het onderzochte object of materiaal.
Een spectrale signature beschrijft hoe een bepaald materiaal of type landbedekking reageert op verschillende golflengten. Je leert spectrale signatures uit satellietbeelden afleiden, vergelijken en interpreteren.
Je onderzoekt bijvoorbeeld waarom gezonde en gestreste vegetatie verschillende spectrale patronen kunnen vertonen, hoe water zich onderscheidt van vochtige bodem en waarom verschillende bodem- of materiaaltypen spectraal van elkaar kunnen verschillen.
Door spectrale signatures van bekende locaties of referentiegegevens te vergelijken met onbekende gebieden kun je onderzoeken waar vergelijkbare eigenschappen voorkomen. Daarmee vormen spectrale signatures een belangrijke verbinding tussen satellietwaarnemingen en de fysieke eigenschappen van het aardoppervlak.
Satellietbeelden bevatten vaak veel meer informatie dan voor één analyse nodig is. Feature extraction is gericht op het afleiden en selecteren van kenmerken die relevant zijn voor het vraagstuk.
Je leert hoe oorspronkelijke spectrale banden kunnen worden aangevuld met afgeleide kenmerken, zoals bandverhoudingen, spectrale eigenschappen, textuurkenmerken en ruimtelijke patronen. Ook onderzoek je hoe redundante informatie kan worden verminderd en hoe verschillende kenmerken kunnen worden gecombineerd tot een compacte dataset die beter geschikt is voor verdere analyse.
Daarbij maak je kennis met technieken voor dimensiereductie, zoals Principal Component Analysis (PCA). Hiermee kan informatie uit meerdere gecorreleerde banden worden samengevat in een kleiner aantal componenten waarin belangrijke variatie in de satellietdata zichtbaar wordt.
Niet ieder object kan uitsluitend op basis van spectrale waarden betrouwbaar worden herkend. Twee typen landbedekking kunnen spectraal op elkaar lijken, terwijl hun vorm, structuur of ruimtelijke omgeving sterk verschilt.
Daarom leer je spectrale kenmerken combineren met ruimtelijke informatie en textuur. Je onderzoekt bijvoorbeeld hoe homogene landbouwpercelen, stedelijke structuren, bossen of andere landschapselementen aanvullende kenmerken opleveren die kunnen helpen om patronen beter te onderscheiden.
Hiermee ontstaat een rijkere beschrijving van satellietbeelden waarbij niet alleen wordt gekeken naar de waarde van afzonderlijke pixels, maar ook naar de ruimtelijke structuur en samenhang in het beeld.
De kenmerken die tijdens feature extraction worden afgeleid, vormen vaak de input voor vervolganalyses. Ze kunnen bijvoorbeeld worden gebruikt voor beeldclassificatie, veranderingsdetectie, patroonherkenning en machine-learningmodellen.
Je leert daarom niet alleen features berekenen, maar vooral beoordelen welke kenmerken werkelijk informatie toevoegen aan het vraagstuk. Daarbij vergelijk je verschillende features, onderzoek je onderlinge samenhang en voorkom je dat een analyse onnodig complex wordt door grote aantallen vergelijkbare variabelen.
Je werkt met open satellietdata en open-source technieken. QGIS vormt een belangrijke werkomgeving voor het combineren, analyseren en visualiseren van gegevens. Waar nodig kunnen aanvullende open-source tools en algoritmen worden ingezet voor gespecialiseerde spectrale analyses.
Tijdens de Blended Learning werk je met realistische satellietdata en praktijkvraagstukken. Je onderzoekt welke spectrale en ruimtelijke kenmerken nodig zijn om verschillen in het aardoppervlak zichtbaar en meetbaar te maken.
Je werkt onder andere aan opdrachten zoals:
Na afloop kun je spectrale satellietdata verdiepend analyseren en relevante kenmerken uit beelden afleiden. Je kunt spectrale signatures interpreteren, verschillende features ontwikkelen en selecteren en spectrale, ruimtelijke en textuurinformatie combineren. Daarmee kun je complexe satellietdata vertalen naar een bruikbare set kenmerken voor verdere remote-sensinganalyses.
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.
Vegetatie heeft karakteristieke spectrale eigenschappen die veranderen door onder andere plantensoort, groeistadium, vochtgehalte en gezondheid. Door spectrale signatures en afgeleide kenmerken te analyseren kunnen verschillen binnen landbouwpercelen of natuurgebieden zichtbaar worden gemaakt. Dit kan worden gebruikt voor het herkennen van gewasverschillen, vegetatiestress en veranderingen in vegetatieontwikkeling.
Verschillende bodemtypen, mineralen en gesteenten kunnen verschillende spectrale eigenschappen hebben. Door specifieke delen van het spectrum en karakteristieke absorptie- en reflectiepatronen te analyseren kunnen ruimtelijke verschillen in bodem en ondergrond worden onderzocht. Spectrale analyse kan daarmee ondersteuning bieden bij bodemkartering, geologisch onderzoek en het herkennen van materiaalverschillen aan het aardoppervlak.
In stedelijke gebieden kunnen verschillende materialen spectraal sterk op elkaar lijken. Door spectrale informatie te combineren met kenmerken zoals textuur, vorm en ruimtelijke patronen kunnen bijvoorbeeld bebouwing, wegen, vegetatie en andere stedelijke structuren beter van elkaar worden onderscheiden. Deze features kunnen vervolgens worden gebruikt voor classificatie, monitoring van stedelijke ontwikkeling en analyse van veranderingen in infrastructuur.
Spectrale, ruimtelijke en textuurkenmerken kunnen worden gebruikt als input voor classificatiemethoden en machine-learningmodellen. Door eerst relevante features uit satellietbeelden af te leiden, krijgt een model informatie die helpt om verschillende objecten, materialen en typen landbedekking van elkaar te onderscheiden. Feature Extraction vormt daarmee een belangrijke stap tussen ruwe satellietdata en geavanceerde toepassingen zoals automatische beeldclassificatie, patroonherkenning en GeoAI.
