Hoe kun je met satellietdata de ontwikkeling en conditie van vegetatie en landbouwgewassen volgen? In deze Blended Learning leer je veranderingen in groei, vegetatiestress, droogte en gewasontwikkeling herkennen en monitoren. Je gebruikt tijdreeksen en satellietwaarnemingen om ontwikkelingen door het seizoen en over meerdere jaren te analyseren en te vertalen naar bruikbare informatie voor landbouw en natuurbeheer.
Tijdens deze Blended Learning leer je hoe satellietdata worden gebruikt om vegetatie en landbouwgebieden systematisch te monitoren. Je combineert spectrale informatie, vegetatie-indices en tijdreeksen om verschillen en veranderingen in vegetatie zichtbaar te maken. Daarbij werk je met open satellietdata van onder andere Sentinel en Landsat en leer je waarnemingen vertalen naar bruikbare informatie over de ontwikkeling en conditie van vegetatie.
Vegetatie absorbeert en reflecteert elektromagnetische straling op een karakteristieke manier. Gezonde groene vegetatie absorbeert bijvoorbeeld een groot deel van het zichtbare rode licht voor fotosynthese en reflecteert relatief veel nabij-infrarode straling. Deze eigenschappen maken het mogelijk om vegetatie vanuit satellieten te herkennen en veranderingen in vegetatieconditie te volgen.
Je leert hoe factoren zoals bladgroen, bladstructuur, biomassa, bodemachtergrond en vocht de spectrale respons van vegetatie beïnvloeden. Hierdoor kun je beter beoordelen waarom satellietwaarnemingen gedurende het groeiseizoen veranderen en welke veranderingen mogelijk wijzen op stress of afwijkende omstandigheden.
Spectrale indices combineren informatie uit verschillende satellietbanden om bepaalde eigenschappen van vegetatie beter zichtbaar en meetbaar te maken. Je werkt met bekende vegetatie-indices zoals NDVI en maakt kennis met aanvullende indices die kunnen worden gebruikt voor specifieke vegetatie- en landbouwvraagstukken.
Je leert niet alleen een index berekenen, maar vooral de uitkomsten interpreteren. Een hoge of lage indexwaarde heeft niet in iedere situatie dezelfde betekenis. Gewastype, groeifase, bodem, vocht, seizoen en opnameomstandigheden kunnen allemaal invloed hebben op het resultaat.
Door verschillende indices en satellietwaarnemingen te vergelijken leer je bepalen welke informatie het meest geschikt is voor het vraagstuk dat je onderzoekt.
Een afzonderlijk satellietbeeld geeft een momentopname. Voor landbouw en vegetatiemonitoring is juist de ontwikkeling door de tijd vaak belangrijker. Daarom leer je satellietwaarnemingen uit verschillende perioden combineren tot tijdreeksen.
Je analyseert hoe vegetatie zich gedurende een groeiseizoen ontwikkelt en leert patronen herkennen die samenhangen met opkomst, groei, maximale vegetatieontwikkeling, oogst en andere fasen. Door meerdere jaren met elkaar te vergelijken kun je bovendien onderzoeken of ontwikkelingen afwijken van normale seizoenspatronen.
Tijdreeksen maken het daardoor mogelijk om niet alleen te bepalen waar vegetatie aanwezig is, maar ook hoe de vegetatie zich ontwikkelt en wanneer afwijkingen ontstaan.
Afwijkingen in de ontwikkeling van vegetatie kunnen verschillende oorzaken hebben. Droogte, hitte, wateroverlast, ziekten, bodemeigenschappen en landbouwkundige ingrepen kunnen allemaal invloed hebben op het satellietsignaal.
Je leert hoe veranderingen in spectrale eigenschappen en tijdreeksen kunnen worden gebruikt om gebieden met een afwijkende vegetatieontwikkeling te herkennen. Daarbij combineer je satellietwaarnemingen waar nodig met aanvullende informatie zoals neerslag, temperatuur, bodem, landgebruik en andere open geodata.
Het doel is niet alleen een afwijking zichtbaar te maken, maar vooral te onderzoeken welke mogelijke oorzaken daarbij een rol spelen en hoe betrouwbaar de satellietwaarneming kan worden geïnterpreteerd.
Satellietdata maken het mogelijk om zowel afzonderlijke landbouwpercelen als grote natuur- en landbouwgebieden regelmatig te observeren. Je leert resultaten samenvatten per perceel of gebied en ruimtelijke verschillen tussen locaties analyseren.
Hiermee kunnen bijvoorbeeld percelen met afwijkende gewasontwikkeling worden opgespoord, verschillen binnen landbouwgebieden worden onderzocht en ontwikkelingen in natuurgebieden worden gevolgd. Door meerdere satellietbeelden en databronnen te combineren ontstaat een systematische vorm van monitoring die regelmatig kan worden herhaald.
Je werkt met open data en open-source technieken. QGIS vormt een belangrijke omgeving voor het combineren, analyseren en visualiseren van satellietdata en andere geografische informatie. Daarbij staat steeds het vegetatie- of landbouwvraagstuk centraal en niet de gebruikte software.
Tijdens de Blended Learning werk je met realistische praktijkvoorbeelden en open satellietdata. Je onderzoekt vegetatieontwikkeling op verschillende ruimtelijke en temporele schaalniveaus en vertaalt de resultaten naar kaarten, grafieken en onderbouwde conclusies.
Je werkt onder andere aan opdrachten zoals:
Na afloop kun je satellietdata zelfstandig gebruiken om vegetatie en landbouwgebieden te analyseren en monitoren. Je kunt spectrale indices en tijdreeksen interpreteren, afwijkingen in vegetatieontwikkeling herkennen en satellietwaarnemingen combineren met andere gegevens om ontwikkelingen te verklaren en te vertalen naar bruikbare informatie voor landbouw, natuurbeheer en ruimtelijke monitoring.
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.
Door regelmatig satellietbeelden van hetzelfde landbouwperceel te analyseren ontstaat een tijdreeks van de gewasontwikkeling. Met bijvoorbeeld Sentinel-2 en vegetatie-indices kun je opkomst, groei, maximale vegetatieontwikkeling en oogst volgen. Afwijkingen tussen percelen of ten opzichte van eerdere jaren kunnen zichtbaar maken waar een gewas zich anders ontwikkelt dan verwacht.
Droogte en andere vormen van stress kunnen veranderingen veroorzaken in de spectrale eigenschappen van vegetatie. Door vegetatie-indices en tijdreeksen te vergelijken kunnen gebieden met een afwijkende ontwikkeling worden opgespoord. Door deze informatie te combineren met gegevens over neerslag, temperatuur, bodem en vocht kan vervolgens worden onderzocht of droogte, hitte, wateroverlast of een andere factor een mogelijke oorzaak is.
Satellietdata kunnen worden gebruikt om de ontwikkeling van vegetatie in natuurgebieden gedurende langere perioden te volgen. Hiermee kunnen bijvoorbeeld veranderingen in vegetatiebedekking, verdroging, herstel na verstoring of verschillen tussen natuurgebieden worden onderzocht. Tijdreeksen maken het mogelijk om normale seizoensvariatie te onderscheiden van structurele veranderingen die mogelijk om nader onderzoek of beheermaatregelen vragen.
Door satellietwaarnemingen per perceel te analyseren kunnen landbouwpercelen onderling worden vergeleken. Percelen of delen van percelen met opvallend lage of afwijkende waarden kunnen vervolgens gericht worden onderzocht. Satellietmonitoring helpt daarmee om grote landbouwgebieden systematisch te screenen en locaties te selecteren waar aanvullende veldwaarnemingen of maatregelen mogelijk nodig zijn.
