Object-based time-series analysis of Sentinel-2 Level 2 data via CREODIAS
Das Ziel dieser Vorstudie für das Projekt WetlandHealth4UNGoals ist zu untersuchen, ob die Kombination aus Sentinel-2-Zeitreihen (2015–2024) mit den Indizes NDWI und NDVI, in Verbindung mit objektbasierter Segmentierung anhand von Planet NICFI-Daten und DTW-k-Means-Clustering, eine präzisere Abgrenzung und Überwachung kleiner Binnenfeuchtgebiete ermöglicht.
Am Beispiel des Baringo-Sees in Kenia soll die räumlich-zeitliche Kartierung von Feuchtgebieten verfeinert werden, um die Dynamik dieser Ökosysteme angesichts rascher Umweltveränderungen besser zu erfassen. Kleine Binnenfeuchtgebiete in semiariden Regionen wie dem kenianischen Rift Valley sind für die Ökosystemleistungen von entscheidender Bedeutung, werden jedoch trotz zunehmender Umweltbelastungen bislang nur unzureichend überwacht. Diese Studie unterstützt das Projekt WetlandHealth4UNgoals, eine Kooperation zwischen ZFL und UNU-EHS, das darauf abzielt, die Überwachung und Klassifizierung von Feuchtgebieten mithilfe von Erdbeobachtungsdaten zu verbessern. Besonders im Fokus stehen endorheische Feuchtgebiete wie jene rund um den Baringo-See, bei denen widersprüchliche hydrologische Trends eine genauere, zeitreihenbasierte Bewertung erfordern.
Durch die Integration objektbasierter Bildanalyse- und Clustering-Methoden trägt die Studie zum besseren Verständnis der Feuchtgebietdynamik bei – insbesondere unter dem Einfluss von Klima- und Landnutzungsänderungen. Das Projekt leistet zudem einen Beitrag zur Berichterstattung im Rahmen der SDGs sowie zur Bewertung von Ökosystemleistungen und unterstützt globale Initiativen wie UNFCCC und Ramsar-Konvention.
Für die objektbasierte Segmentierung wurde ein Workflow entwickelt, der Daten außerhalb von CODE-DE verarbeitet, bevor sie in die virtuelle Maschine (VM) integriert wurden. Anschließend wurden Sentinel-2-Level-2-Daten mithilfe von CREODIAS-Anmeldedaten heruntergeladen; zusätzlich standen 5 TB Speicherplatz zur Verfügung. Aufgrund der komplexen Verzeichnisstruktur bei CREODIAS gestaltete sich der Download der Daten einfacher als die direkte Arbeit mit den Rohdaten – ein Umstand, der angesichts wachsender Datenmengen kritisch ist.
Im Rahmen der Masterarbeit erfolgte eine Validierung der Daten teilweise innerhalb der VM sowie in qGIS. Für die Analyse wurden Sentinel-2-Zeitreihen (2015–2024) auf der CODE-DE-Plattform genutzt, um kleine Feuchtgebiete im Rift Valley (Kenia) zu überwachen. Die Cloud-Infrastruktur ermöglichte den direkten Zugriff auf EO-Daten sowie die Durchführung von Vorverarbeitungsschritten, Indexberechnungen (NDVI/NDWI) und datengesteuerten Klassifizierungen – ganz ohne lokale Downloads. Durch den Einsatz virtueller Maschinen und Jupyter Notebooks konnten komplexe Analysen effizient, transparent und kollaborativ umgesetzt werden. Zu den wichtigsten Vorteilen zählten Zeitersparnis, Skalierbarkeit sowie die einfache Integration in SDG-Berichtsrahmen. Einschränkungen ergaben sich vor allem durch begrenzte Rechenkapazitäten einzelner Instanzen sowie durch die anfängliche Lernkurve im Umgang mit der Plattformumgebung.
Das Projekt wurde im Rahmen einer sechsmonatigen Masterarbeit durchgeführt und steht kurz vor dem Abschluss.
