Multispektrale Analyse und Spektralindizes

Welche Probleme lassen sich mit multispektraler Analyse und Spektralindizes lösen?

• Wie lässt sich feststellen, ob Vegetation gesund, gestresst oder beschädigt ist?
• Wie kartieren Sie Oberflächengewässer, Feuchtgebiete und Veränderungen der Wasserbedeckung?
• Wie bestimmen Sie das Ausmaß und den Schweregrad von Brandschäden anhand von Satellitenbildern?
• Wie unterscheidet man Vegetation, kahlen Boden, Wasser und bebaute Flächen mithilfe von Spektralindizes?
• Welche Satellitenquelle und welcher Spektralindex eignen sich am besten für ein bestimmtes räumliches Problem?

In diesem Blended-Learning-Kurs lernst du, wie du diese Fragestellungen analysierst und mit multispektralen Erdbeobachtungsdaten in QGIS untermauerst. Sie arbeiten praxisnah unter anderem mit Sentinel-2 aus dem europäischen Copernicus-Programm und Landsat und lernen darüber hinaus weitere wichtige Quellen wie MODIS, VIIRS und hochauflösende Daten wie PlanetScope kennen. Sie lernen, verschiedene Spektralbänder zu kombinieren sowie Indizes auszuwählen, zu berechnen und zu interpretieren, um Eigenschaften und Veränderungen von Vegetation, Wasser, Boden, Brandschäden und Bebauung messbar und räumlich darstellbar zu machen.

Die Theorie hinter der multispektralen Analyse und den spektralen Indizes

Eine gute multispektrale Analyse beginnt mit dem Verständnis, wie verschiedene Materialien elektromagnetische Strahlung reflektieren. Vegetation, Wasser, Boden und Bebauung weisen jeweils eine eigene spektrale Reaktion auf. Durch die Kombination von Messungen aus verschiedenen Spektralbändern lassen sich Eigenschaften sichtbar und messbar machen, die in einem gewöhnlichen Satellitenbild nur schwer oder gar nicht unmittelbar erkennbar sind.

Sie lernen, wie sichtbares Licht, Nahinfrarot, Red-Edge und kurzwelliges Infrarot bei multispektralen Analysen eingesetzt werden. Du entdeckst, warum beispielsweise gesunde Vegetation im roten und nahinfraroten Teil des Spektrums anders reagiert als gestresste Vegetation und warum Wasser, karger Boden und bebaute Flächen wiederum andere spektrale Eigenschaften aufweisen.

Dabei bauen Sie auf den Prinzipien der optischen Fernerkundung auf und vertiefen Ihr Verständnis dafür, wie spektrale Unterschiede in quantitative Informationen umgewandelt werden können. Außerdem lernen Sie, dass ein Spektralindex kein Endergebnis an sich ist. Die Aussagekraft eines Indexes hängt von der Landschaft, der Jahreszeit, dem verwendeten Sensor, den verfügbaren Spektralbändern, der räumlichen Auflösung und den Aufnahmebedingungen ab.

Von Spektralbändern zum richtigen Index

Spektralindizes kombinieren zwei oder mehr Spektralbänder nach einer bestimmten mathematischen Formel. Dadurch lassen sich bestimmte Eigenschaften der Erdoberfläche hervorheben und besser analysieren. Sie lernen daher nicht nur, eine Reihe häufig verwendeter Indizes zu berechnen, sondern vor allem zu bestimmen, welcher Index zur jeweiligen Fragestellung passt und ob der verwendete Satellitensensor die dafür erforderlichen Spektralbänder enthält.

Sie arbeiten unter anderem mit:

• NDVI zur Analyse des Vorhandenseins, der Dichte und des Zustands der Vegetation. Dieser häufig verwendete Vegetationsindex kann unter anderem auf Sentinel-2, Landsat, MODIS, VIIRS und PlanetScope angewendet werden.
• EVI für die Vegetationsanalyse, bei der der Einfluss unter anderem der Atmosphäre und des Bodens begrenzt wird. EVI wird häufig bei der großflächigen Vegetationsüberwachung beispielsweise mit MODIS eingesetzt.
• GNDVI für die Vegetationsanalyse mit dem grünen und dem nahinfraroten Band, beispielsweise zur Untersuchung von Unterschieden im Vegetationszustand.
• NDWI zur Analyse von wasser- und feuchtigkeitsbezogenen Mustern mit geeigneten Spektralbändern.
• MNDWI zur Hervorhebung von Oberflächengewässern, insbesondere wenn Wasser von Bebauung und anderer Bodenbedeckung unterschieden werden muss.
• NBR zur Erkennung von Brandflächen und zur Analyse von Veränderungen und Brandschäden nach Waldbränden.
• SAVI zur Vegetationsanalyse in Gebieten, in denen karger Boden einen relativ großen Einfluss auf das Spektralsignal hat.
• NDBI zur Erkennung und Analyse bebauter Gebiete.
• BSI zur Erkennung von kahlen Böden und zur Unterscheidung von Boden, Vegetation und anderen Arten der Bodenbedeckung.

Sie lernen, warum bestimmte Spektralbänder in diesen Indizes kombiniert werden, wie die Ergebnisse zu interpretieren sind und welche Einschränkungen ein Index aufweist. Dadurch lernen Sie zu vermeiden, dass ein Index automatisch angewendet wird, ohne zu prüfen, ob er für das jeweilige Gebiet und die jeweilige Fragestellung tatsächlich geeignet ist.

Arbeiten mit verschiedenen Quellen für multispektrale Analysen und Spektralindizes

Nicht jeder Satellit sieht dasselbe, und nicht jede Satellitenquelle eignet sich für jede Fragestellung. Deshalb lernen Sie verschiedene multispektrale Satellitensysteme kennen und vergleichen. Dabei betrachten Sie verfügbare Spektralbänder, räumliche Auflösung, zeitliche Auflösung, historische Verfügbarkeit und Anwendungsmöglichkeiten.

Sie lernen unter anderem Folgendes kennen:

• Sentinel-2 aus dem Copernicus-Programm für detaillierte Analysen von Vegetation, Landwirtschaft, Wasser, Boden und Landbedeckung. Die verfügbaren Red-Edge-Bänder bieten zusätzliche Möglichkeiten für die Vegetationsanalyse.
• Landsat für multispektrale Analysen und die Untersuchung langfristiger Veränderungen unter anderem bei Vegetation, Wasser, Landnutzung und Brandschäden.
• MODIS für häufige Beobachtungen großer Gebiete und die Überwachung beispielsweise der Vegetation und von Veränderungen im Zeitverlauf, wobei unter anderem NDVI und EVI häufig zum Einsatz kommen.
• VIIRS für häufige Erdbeobachtung auf regionaler und globaler Ebene sowie für Anwendungen wie Vegetations-, Landoberflächen- und Brandüberwachung.
• PlanetScope als Beispiel für kommerzielle hochauflösende Daten, mit denen multispektrale Analysen auf einer detaillierteren räumlichen Ebene durchgeführt werden können.

Sie lernen dabei, nicht ausgehend von einem einzelnen Satellitenprodukt zu denken, sondern ausgehend von der räumlichen Fragestellung. Sie legen zunächst fest, welche Informationen benötigt werden, und wählen anschließend den Sensor, die Spektralbänder und die Indizes aus, die dafür am besten geeignet sind.

Die richtigen Satellitendaten auswählen

Eine zuverlässige multispektrale Analyse beginnt mit den richtigen Daten. Sie lernen, Satellitenbilder anhand von Untersuchungsgebiet, Aufnahmedatum, Jahreszeit, Bewölkungsgrad, verfügbaren Spektralbändern, räumlicher Auflösung und Wiederholungsfrequenz auszuwählen.

Sie vergleichen beispielsweise die detaillierten multispektralen Möglichkeiten von Sentinel-2 mit der langen historischen Datenreihe von Landsat und der hohen zeitlichen Auflösung von MODIS und VIIRS. Für Anwendungen, bei denen ein hohes Maß an räumlicher Detailgenauigkeit erforderlich ist, lernen Sie die Möglichkeiten hochauflösender Daten wie PlanetScope kennen.

Dadurch lernst du, dass die beste Satellitenquelle vom jeweiligen Anwendungsfall abhängt. Für die Verfolgung globaler oder regionaler Vegetationsentwicklungen kann ein anderer Sensor geeignet sein als für die Analyse von Unterschieden zwischen einzelnen landwirtschaftlichen Parzellen.

Berechnung und Analyse spektraler Indizes in QGIS

Nach den theoretischen Grundlagen arbeiten Sie selbstständig mit echten multispektralen Satellitendaten in QGIS. Sie lernen, verschiedene Spektralbänder zu laden, zu visualisieren, auszuwählen und zu kombinieren, und nutzen Rasterberechnungen, um Spektralindizes zu erstellen.

Sie berechnen und untersuchen unter anderem NDVI, EVI, GNDVI, NDWI, MNDWI, NBR, SAVI, NDBI und BSI. Sie lernen, die resultierenden Rasterkarten zu visualisieren, zu klassifizieren und zu analysieren, und untersuchen, wie sich die Indexwerte räumlich verändern.

Dabei geht es nicht nur um die Anwendung einer Formel. Du lernst, zu prüfen, welche Bänder eines bestimmten Sensors erforderlich sind, wie du die richtigen Bänder einsetzt und wie du die Ergebnisse inhaltlich interpretierst.

Außerdem kombinieren Sie verschiedene Indizes und andere Geoinformationen, um ein umfassenderes Bild eines Gebiets zu erhalten. So können Sie beispielsweise Vegetationsindizes mit Bodendaten, Landnutzungsdaten oder Wasserinformationen kombinieren, um besser zu verstehen, warum bestimmte räumliche Muster entstehen.

Indizes und Satellitenquellen vergleichen

Ein einzelner Index oder eine einzelne Satellitenquelle liefert nicht immer die beste Antwort. Deshalb lernst du, verschiedene Indizes und Datenquellen miteinander zu vergleichen.

Du untersuchst beispielsweise, wann der NDVI ausreichende Informationen liefert und wann der EVI, SAVI oder GNDVI ein besseres Bild der Vegetation vermitteln kann. Bei Oberflächengewässern vergleichst du beispielsweise den NDWI und den MNDWI. Bei Fragen zur Landbedeckung kannst du Vegetations-, Boden- und Bebauungsindizes kombinieren.

Außerdem vergleichst du Ergebnisse verschiedener Satellitensensoren. Du lernst zu beurteilen, welche Unterschiede tatsächlich Aussagekraft über die Erdoberfläche haben und welche Unterschiede durch Spektralbänder, räumliche Auflösung, Aufnahmzeitpunkt oder Eigenschaften des Sensors verursacht werden.

Dadurch entwickelst du eine wichtige berufliche Kompetenz: nicht automatisch einen bekannten Index zu verwenden, sondern fundiert zu entscheiden, welche Kombination aus Satellitenquelle, Spektralbändern und Index die beste Antwort auf die Fragestellung liefert.

Veränderungen mit multispektralen Daten analysieren

Eine wichtige Anwendung multispektraler Satellitendaten ist die Untersuchung von Veränderungen im Zeitverlauf. Du lernst, Satellitenbilder aus verschiedenen Zeiträumen zu analysieren und Indexwerte miteinander zu vergleichen, um Entwicklungen sichtbar und messbar zu machen.

Du untersuchst beispielsweise Veränderungen des Vegetationszustands, der Wasseroberfläche, von Brandschäden, kahlen Böden oder der Bebauung. Dabei lernst du, saisonale Schwankungen, Wetterbedingungen, Bewölkung, Unterschiede zwischen den Sensoren und die räumliche Auflösung zu berücksichtigen.

Du erfährst, warum Landsat aufgrund seiner langen historischen Datenreihe für Langzeitanalysen interessant ist, während Sentinel-2 mehr räumliche und spektrale Details bieten kann und MODIS sowie VIIRS für die häufige Überwachung großer Gebiete geeignet sind.

Damit legst du auch den Grundstein für die Spezialthemen Veränderungserkennung und Zeitreihenanalyse, bei denen längere Reihen von Satellitenbildern systematisch genutzt werden, um Entwicklungen im Zeitverlauf zu untersuchen.

Vom spektralen Index zur räumlichen Information

Im Rahmen des Blended-Learning-Kurses arbeitest du mit realistischen Praxisbeispielen und echten multispektralen Erdbeobachtungsdaten. Du schlüpfst in die Rolle eines Fernerkundungsspezialisten und befasst dich mit Fragestellungen, wie sie bei Behörden, Wasserverbänden, Naturschutzorganisationen, Landwirtschaftsverbänden und Beratungsbüros auftreten.

Dabei beginnst du nicht mit einem bestimmten Satelliten oder Index, sondern mit der Fragestellung. Anschließend bestimmst du, welche Satellitenquelle, welche Spektralbänder und welche Indizes geeignet sind, führst die Analyse in QGIS durch, bewertest die Zuverlässigkeit und wandelst die Ergebnisse in verwertbare räumliche Informationen um.

Du arbeitest unter anderem an Aufgaben wie diesen:

• Ein Naturschutzbeauftragter möchte wissen, wo sich der Zustand der Vegetation verschlechtert. Vergleichen Sie NDVI, EVI, SAVI oder einen anderen geeigneten Vegetationsindex und begründen Sie, welcher Index den besten Einblick in den Zustand der Vegetation bietet.
• Eine Wasserbehörde möchte Veränderungen in Oberflächengewässern untersuchen. Vergleichen Sie NDWI und MNDWI und ermitteln Sie, welcher Index das Wasser im Untersuchungsgebiet am besten unterscheidet.
• Eine Naturschutzorganisation möchte nach einem Waldbrand wissen, welche Gebiete betroffen sind. Verwenden Sie NBR und geeignete Satellitenbilder, um das Ausmaß und die räumlichen Unterschiede der Brandschäden zu analysieren.
• Eine Landwirtschaftsorganisation möchte Unterschiede zwischen landwirtschaftlichen Parzellen untersuchen. Vergleichen Sie NDVI, SAVI, GNDVI und, soweit möglich, Red-Edge-Daten und ermitteln Sie, welcher Ansatz die nützlichsten Informationen liefert.
• Eine Gemeinde möchte zwischen Bebauung, kargem Boden, Vegetation und Wasser unterscheiden. Kombinieren Sie NDBI, BSI und geeignete Vegetations- und Wasserindizes, um die verschiedenen Arten der Bodenbedeckung zu analysieren.
• Eine Organisation möchte eine Entwicklung über mehrere Jahre hinweg verfolgen. Vergleichen Sie Sentinel-2, Landsat, MODIS oder VIIRS und begründen Sie, welche Datenquelle und welche Indizes am besten zur gewünschten räumlichen und zeitlichen Skalierung passen.

Am Ende verfügen Sie über das Wissen und die praktischen Fähigkeiten, um multispektrale Erdbeobachtungsdaten verschiedener Satellitensysteme selbstständig in QGIS zu analysieren. Ausgehend von einer räumlichen Fragestellung können Sie bestimmen, welche Satellitenquelle, welche Spektralbänder und welche Indizes geeignet sind, diese Indizes berechnen und interpretieren sowie die Zuverlässigkeit der Ergebnisse beurteilen. Auf diese Weise kannst du multispektrale Satellitendaten in fundierte räumliche Informationen über Vegetation, Wasser, Boden, Brandschäden, Bebauung und Veränderungen in der Landschaft umsetzen.