IV - VAN DATA TOT INFORMATIE
4- HOE KUNNEN WE BEELDEN ANALYSEREN EN KAARTEN PRODUCEREN?
4.5- Hoe kan data geanalyseerd worden doorheen de tijd?
Een van de belangrijkste voordelen van satelliet-teledetectie is dat het op regelmatige tijdstippen waarnemingen van de aarde oplevert. Het is dus mogelijk om een landschap te bestuderen doorheen verschillende seizoenen of om de evolutie ervan op langere termijn te volgen.
Dergelijke “multitemporele” analyse kan visueel of digitaal worden uitgevoerd. De eenvoudigste manier is om twee afbeeldingen van verschillende data naast mekaar te plaatsen en ze op zicht te vergelijken. Via bepaalde beeldverwerkingssoftware en geografische informatiesystemen kunnen die twee vensters worden “gesynchroniseerd”. Zich verplaatsen of inzoomen in een van de vensters wordt automatisch zichtbaar in de andere. Een schets in een van de vensters (bijvoorbeeld voor de uitbreiding van een nieuw perceel) verschijnt ook in de beide gesynchroniseerde vensters.
|
Bron: Historical Satellite Images: Accessing The Old Data - EOS Data AnalyticsDEMANDE AUTORISATION USE: https://eos.com/contact-us/ De lancering van de eerste Amerikaanse Landsat satelliet op 23 juli 1972 was de start van een aardobservatiemissie die doorloopt tot op de dag van vandaag (zie Landsat: Celebrating 50 Years). Het Landsat-archief bevat ondertussen een gigantische hoeveelheid data bestaande uit miljarden beelden die opgenomen werden in een ononderbroken tijdspanne van inmiddels meer dan 50 jaar. Missies van andere landen, zoals de Europese Sentinel satellieten en de Chinees-Braziliaanse CBERS, dragen sinds 2014 dagelijks bij aan dit uitzonderlijke archief waarmee we de soms drastische veranderingen die onze planeet heeft ondergaan kunnen vaststellen. NASA's website " World of change" geeft een meer gedetailleerde kijk op enkele voorbeelden van deze veranderingen: https://earthobservatory.nasa.gov/world-of-change |
Om een verandering te visualiseren wordt echter vaak een nieuwe afbeelding gemaakt door twee beelden, opgenomen op verschillende tijdstippen, samen te voegen. Dergelijke gekleurde, multitemporele compositieten geven dan oppervlakken weer die in de loop van de tussenliggende periode veranderd zijn. Dit werkt door het principe van de additieve kleurmenging toe te passen: het menselijk oog interpreteert de superpositie van primaire kleuren (rood, groen en blauw) als nieuwe kleuren. In het voorbeeld hieronder werd een vegetatie-index berekend op twee verschillende tijdstippen (1984 en 1994) waarbij de eerste afbeelding rood werd gekleurd en de tweede groen. Door beide afbeeldingen op mekaar te plaatsen krijgen we een nieuwe, computergegenereerde afbeelding met tinten variërend van rood / oranje tot groen over geel (een mengsel van beide). De kleuren van de nieuwe afbeelding weerspiegelen de aard en intensiteit van de verandering en maken het daarom mogelijk om seizoensveranderingen, of zoals in het geïllustreerde geval, meer drastische veranderingen zoals ontbossing te benadrukken (de groene gebieden op de afbeelding).
| 1984 | 1994 | |||
|
|
|
|||
 |
 |
|||
 |
Een andere techniek van veranderingsdetectie bestaat eruit om afbeeldingen te vergelijken nadat ze zijn geclassificeerd (zie Hoe beelden/data classificeren). De classificatie wordt eerst voor beide tijdstippen afzonderlijk gemaakt en vervolgens worden wijzigingen gedetecteerd door de klassen waartoe de pixels behoren op beide tijdstippen te vergelijken. De resultaten worden dan gepresenteerd in de vorm van een nieuw beeld en met een “matrix van veranderingen”. Deze techniek is interessant omdat ze de aard van de veranderingen kan belichten en kwantificeren (bvb. oppervlakte aan bos dat landbouwgrond is geworden).
 |
 |
 |
 |
 |
|
Matrix van veranderingen
Combinatie van teelt van voedergewassen en secundair bos - 1991 |
Dichtbegroeid bos en galerijbos - 1991 |
Bebouwing en wegen - 1991 |
|
Combinatie van teelt van voedergewassen en secundair bos - 2001 |
66 km² |
71 km² |
1 km² |
Dichtbegroeid bos en galerijbos - 2001 |
21 km² |
369 km² |
0,2 km² |
Bebouwing en wegen - 2001 |
10 km² |
3 km² |
13 km² |
Indien we niet over slechts twee beelden, maar over veel langere tijdreeksen van satellietbeelden beschikken, dan kunnen we deze tijdreeksen wiskundig analyseren om er trends of abrupte veranderingen in vast te stellen. Abrupte veranderingen in een vegetatie-index kunnen er dan bijvoorbeeld op wijzen dat er boskap heeft plaatsgevonden.
In de onderstaande afbeelding zien we drie tijdreeksen van een vegetatieindex (NDVI) berekend op een gebied in zuidwest Ethiopië. De zwarte punten op de grafiek stellen de NDVI waarden voor die berekend werden uit een satellietwaarneming op een bepaald tijdstip op eenzelfde plaats. De punten volgen een golvend patroon doorheen de jaren (blauwe trendlijn) dat het gevolg van het natuurlijke, seizonale verloop van de vegetatie. Voor een ongeschonden bos blijft dit verloop hetzelfde (A). Plotselinge afwijkingen van deze trend wijzen op boskap (B) of progressieve ontbossing (C).
Bron: Ben DeVries et al. Robust monitoring of small-scale forest disturbances in a tropical montane forest using Landsat time series. Remote Sensing of Environment, vol. 161, 2015, p. 107-121, ISSN 0034-4257
Er zijn dus verschillende methoden om aan veranderingsdetectie te doen. Welke techniek we echter ook toepassen, het is essentieel om de nodige voorbewerkingen op de beelden uit te voeren. Zo moeten we er voor zorgen dat de beelden geometrisch perfect over elkaar heen worden gelegd en moeten we ook rekening houden met variaties in belichting en atmosferische omstandigheden, zoals de aanwezigheid van wolken.