De ontwikkeling van een nieuwe classificatie-index op basis van open source Sentinel-satellietbeelden.

Correcte landgebruikskaarten zijn van belang op veel domeinen. Te denken valt bijvoorbeeld aan overstromingsrisico management, ruimtelijke planning, rampenbestrijding en preventie enz.

In Westerse landen is een overvloed aan data en middelen beschikbaar, wat het produceren van zeer nauwkeurige grootschalige kaarten mogelijk maakt. Ontwikkelingslanden hebben hiervoor echter onvoldoende middelen en zijn dus meestal afhankelijk van open-source satellietbeelden voor het karteren van bijvoorbeeld landgebruik. Deze kartering gebeurt veelal automatisch met speciaal daarvoor ontwikkelde indexen.

De meeste bestaande indexen werden ontwikkeld om te gebruiken met beelden van oudere satellieten, waarvan de beeldresolutie te laag is om kleinere landoppervlaktekenmerken te herkennen. Hierdoor ontstaan fouten in de classificatie en dus de kaarten. Daarom werd op zoek gegaan naar de mogelijkheden om deze kartering uit te voeren op basis van de vrij nieuwe Sentinel-2 beelden. De reden hiervoor is dat deze beelden een betere resolutie bezitten dan de andere open source satellietbeelden en dat de waarnemingen in meerdere spectrale banden gebeuren. Beide eigenschappen zorgen ervoor dat een accuratere classificatie mogelijk is. Momenteel gebeurt veel onderzoek naar de mogelijkheden om deze Sentinel-beelden te gebruiken voor de classificatie van landgebruik op basis van de bestaande indexen of om nieuwe en betere indexen te ontwikkelen die optimaal gebruik maken van de 13 spectrale banden van de Sentinels.

Het hoofddoel van het onderzoek was daarom de ontwikkeling van een nieuwe index voor de classificatie van vegetatie en water. Bijkomend doel was ook om vervolgens een tool te ontwerpen voor ArcGIS die ook aan een minder ervaren GIS-gebruiker toelaat om deze nieuwe index te gebruiken via een volledig automatisch werkende classificatie.

In de studie zijn beelden gebruikt die gemaakt zijn door de nog vrij nieuwe Sentinel-2 satellieten, die de gereflecteerde straling van objecten op het aardoppervlak (spectrale waarde genoemd) registreren in 13 verschillende spectrale banden die elk met een andere golflengte van het elektromagnetisch spectrum samenvallen. Zo worden van hetzelfde oppervlak 13 verschillende beelden geproduceerd. Een mathematische combinatie van deze beelden wordt een index genoemd. Vaak worden hiervoor banden met tegengestelde waarden gebruikt, omdat hierdoor een groter verschil tussen de klassen bekomen wordt. Met goede combinaties van beelden komen verschijnselen aan het licht die met het blote oog niet zichtbaar zijn (bv. verdroging of ziekte van vegetatie, bodemverontreiniging, etc.). Het werken met indexen in plaats van beelden betekent een grote verbetering voor de classificering van onder andere landgebruik.

In dit onderzoek werd nog een stap verder gegaan door gebruik te maken van een nieuwe methode. In plaats van verschillende banden te combineren tot een index, werden drie zorgvuldig gekozen indexen gecombineerd tot een nieuwe index, genoemd de Water Vegetation Composite Multi-Index of kort WVCMI.

De WVCMI is gebaseerd op de combinatie van de Normalized Difference Vegetation Index (NDVI) op het rode spectrum, de Soil Adjusted Vegetation Index (SAVI) op het groene spectrum en de Normalized Difference Water Index (NDWI) op het blauwe spectrum. De ontwikkeling van deze combinatie werd gekoppeld aan de laatste bevindingen uit de literatuur.

Voor de validatie van de resultaten van de nieuwe WVCMI  en de tool, werden case studies gekozen verspreid over Vlaanderen, omdat hier voldoende grootschalige informatie vrij beschikbaar is.

Het resultaat van deze case studies toont aan dat de nieuwe WVCMI  in combinatie met Sentinel-2 beelden de klassen met een zeer goede nauwkeurigheid kan onderscheiden. Dit werd in het onderzoek aangetoond door enerzijds de classificatie te vergelijken met bestaand grootschalig kaartmateriaal en anderzijds door een vergelijking te maken met de meest gebruikte index op wereldniveau voor Landsat-beelden. Uit deze vergelijking bleek dat tot 35% meer pixels juist geclassificeerd werden met de nieuwe index.

Tenslotte werd op basis van Python een volledig automatisch script voor ArcGIS ontwikkeld, waarbij na het invoeren van de benodigde banden een automatische classificatie gebeurt voor de klassen “Water”, “Vegetatie” en “Andere”. Met behulp van deze tool kunnen ook minder ervaren GIS-gebruikers op een gebruiksvriendelijke wijze landgebruiksclassificatiekaarten produceren.

Hoewel het onderzoek werd uitgevoerd op basis van test cases in Vlaanderen, is het uiteraard de bedoeling dat de index en de tool overal ter wereld kunnen ingezet worden, zowel in ontwikkelde- als in ontwikkelingslanden. Voor deze laatste is dit onderzoek echter nog van groter belang, omdat daar vaak niet de middelen beschikbaar zijn om dure hoge resolutiebeelden aan te kopen.

Hieronder worden enkele afbeeldingen weergegeven ter illustratie met een korte uitleg.

Afbeelding 1 (Test 13 Knokke-Heist): Weergave van een slechte combinatie, waardoor er geen goed onderscheid gemaakt kan worden tussen de benodigde klassen.

Afbeelding 2 (Test 28 Knokke-Heist): Weergave van een zeer goede combinatie, waardoor gemakkelijk onderscheid gemaakt kan worden tussen de benodigde klassen. Dit is de uiteindelijk gecreëerde index genaamd Water Vegetation Composite Multi-Index of kort WVCMI.

Afbeelding 3 (GRB-data van studiegebied Stedelijk): Weergave van een studiegebied uit het onderzoek op basis van gekende GRB-data.

Afbeelding 4 (Luchtfoto van studiegebied Stedelijk): Weergave van een studiegebied uit het onderzoek op basis van een luchtfoto.

Afbeelding 5 (Classificatie d.m.v. WVCMI van studiegebied – Stedelijk): Resultaat van een studiegebied uit het onderzoek. De kaart werd bekomen door toepassing van de nieuwe gecreëerde tool in combinatie de WVCMI.

Afbeelding 6 (Classificatie d.m.v. NDVI (resolutie 20 m) van studiegebied – Stedelijk): Resultaat van een studiegebied uit het onderzoek. De kaart werd bekomen door toepassing van de nieuwe gecreëerde tool in combinatie met de NDVI. De NDVI is tot op heden de meeste gebruikte index wereldwijd.