Verschiedene Formen von Fernerkundungsdaten werden gesammelt, um unseren Planeten besser zu verstehen. Satellitenbilder, die die Reflexion der Erdoberfläche erfassen, sind ein bekanntes Gut in der GIS-Community und dienen als wichtige Datenquelle für GIS-Analysen und Visualisierungen. Altimetrie-Daten sind eine relativ neue Ergänzung in der Welt von GIS und ArcGIS Pro. Altimetrie-Daten werden über Satellitensensoren erfasst, die die Höhe von Oberflächenmerkmalen wie Kronenhöhe, Meeresspiegelhöhe und Eisdicke aufzeichnen. Diese neuen Daten und Fähigkeiten bieten eine Gelegenheit für verbesserte Analysen und Verständnis. Dank NASAs Engagement für Open Science-Initiativen – gekennzeichnet durch Transparenz, Zugänglichkeit, Inklusivität und Reproduzierbarkeit – sind diese Altimetrie-Daten frei und leicht zugänglich für alle Forscher.<\/P>
ArcGIS zielt darauf ab, ein umfassendes System zu sein, das verschiedene Formen von Fernerkundungsdaten verarbeiten kann, einschließlich der Verarbeitung und Analyse von Daten aus Altimetriesensoren. In diesem <\/SPAN>Beispiel<\/A> werden CryoSat-2 Altimetrie-Daten in ArcGIS Pro zur Analyse verwendet, um die Menge der Veränderung\/Verlust im grönländischen Eisschild über die Zeit zu quantifizieren. Dies ist ein großartiges Beispiel dafür, wie Altimetrie-Daten die Analyse an Land unterstützen können. Altimetrie-Daten haben auch effektive Anwendungen im Ozeanumfeld. Die folgenden Beispiele zeigen, wie dies erreicht werden kann.<\/P>Der Ozean ist riesig und dynamisch. Derzeit macht die Anzahl der Instrumente, die nahezu Echtzeit-In-situ-physikalische ozeanographische Beobachtungen sammeln, es schwierig, Veränderungen im offenen Ozean mit hoher Genauigkeit zu messen. Satellitenaltimeter liefern eine globale und präzise Messung der Meeresoberflächentopographie. Diese Instrumente arbeiten, indem sie Radarpulse zur Meeresoberfläche senden und die Höhe des Sensors über der Oberfläche bestimmen, indem sie die Zeit messen, die der Radarpuls für die Rückkehr benötigt. Die Meeresspiegelhöhe wird dann als Differenz zwischen der Sensorhöhe und der Sensorhöhe über der Oberfläche berechnet. Diese wertvollen Erkenntnisse ermöglichen die Überwachung von Veränderungen der Meeresspiegelhöhe, der ozeanischen Zirkulation und Wettervorhersagen für tropische Wirbelstürme unter anderem.<\/P>
ArcGIS Pro unterstützt verschiedene Altimetriesensoren, darunter <\/SPAN>
Sentinel 3 SRAL<\/A>, <\/SPAN>Sentinel 6<\/A>, <\/SPAN>Jason 2 und Jason 3<\/A>, wobei letztere beiden kürzlich in der ArcGIS Pro 3.2 Version hinzugefügt wurden.<\/P>
Modellierung der Meeresoberflächentopographie mit SSH-Variable<\/H1>In diesem Beispiel werden Altimetrie-Daten von Sentinel-3 verwendet, um die Meeresspiegelhöhe (SSH) abzubilden. Sentinel 3 verfügt über eine Zwei-Satelliten-Konfiguration, die eine Abdeckung mit einer schnellen Wiederholungsperiode im Vergleich zu anderen Altimetriesensoren bietet. Sentinel 3 Altimetrie-Daten können vom <\/SPAN>EUMETSAT Data Service<\/A> abgerufen werden.<\/P>Mithilfe einer Woche Level-2 Altimetrie-Daten wurde ein Trajektoriendatensatz erstellt. Der Trajektoriendatensatz enthält eine SSH-Variable, die on-the-fly aus den Datenvariablen „mean sea surface level“ und „sea surface height anomaly“ berechnet wird. Die SSH-Variable wird berechnet, wenn „Add Data to Trajectory Dataset“ verwendet wird, um die Altimetrie-Daten in den Trajektoriendatensatz zu laden und der Datentyp „Sentinel 3 SRAL“ ausgewählt wird. Unten ist der aus Sentinel 3 SRAL-Daten zwischen dem 02.01.2022 und dem 08.01.2022 erstellte Trajektoriendatensatz dargestellt. Er enthält 394 Bahnen (grüne Linien), welche sich auf 817.204 Beobachtungspunkte beziehen.<\/P>
<\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/><\/>
NNext wird mit dem Werkzeug „
Interpolate From Spatiotemporal Points“ ein SSH-Raster erzeugt. Zur Verbesserung der Visualisierung wurde die Triangulationsoption zur Interpolation der Daten verwendet.<\\/P>
Geoverarbeitungswerkzeug<\\/span><\\/span><\\/P> <\\/P> Eine Landmaske wird ebenfalls verwendet, um Pixel an Land zu bereinigen. Das resultierende SSH-Rasterdatenset wurde dann als Höhenquelle in 3D genutzt und fungiert gleichzeitig als Rasterlayer überlagert auf der Höhenoberfläche. Dies bietet eine klare Darstellung der Gipfel und Täler während dieses Zeitraums in der Ozeantopographie.<\\/P>
<\\/P>
<\\/P>Analyse der Veränderung der Meeresspiegelhöhe<\\/H1>In diesem Beispiel werden Daten von den Sensoren Jason 2 und Jason 3 verwendet, um Veränderungen in SSH darzustellen. Die Kombination aus Jason 2 und Jason 3 Sensoren bietet eine kontinuierliche zeitliche Abdeckung von 2008 bis heute (Jason 2 – 2008 bis 2016 und Jason 3 von 2016 bis heute). Der Zugriff auf Daten von Jason 3 und Jason 2 ist über mehrere Quellen möglich; in diesem Fall wurde aufgrund einfacher Batch-Downloads auf den NOAA NCEI ftp -Standort zugegriffen.<\\/P>Um eine Analyse der Meeresspiegelhöhe über einen längeren Zeitraum durchzuführen, nutzten wir zwei Variablen: SSH (Sea Surface Height) und SSHA (Sea Surface Height Anomaly). Es wurden zwei unabhängige Trajektoriendatensätze für Jason 2 bzw. Jason 3 Daten erstellt, jeweils mit den Variablen SSH und SSHA. Anschließend wurden Features mit dem Werkzeug „Copy Feature“ exportiert und als zwei separate Feature Classes für weitere Analysen beibehalten.<\\/P>Berechnung des durchschnittlichen monatlichen SSHA<\\/H2>In diesen Schritten verwenden wir die SSHA-Daten aus den Feature Classes Jason 2 und Jason 3 zur Erstellung unabhängiger multidimensionaler (Zeitreihen-)Raster. Dazu verwenden wir erneut das Werkzeug „Interpolate From Spatiotemporal Points“ – diesmal mit der IDW Option – und berechnen eine monatliche SSHA Variable für jeden Datensatz separat. Anschließend fügen wir die Ausgaben von Jason 2 und Jason 3 mit dem Werkzeug „Merge Multidimensional Raster“ zusammen. Das Ergebnis, unten animiert, ist eine monatliche Zeitreihen-Zusammenstellung beider Datensätze von Jason 2 und 3 im Zeitraum von 2008 bis 2022.<\\/P>
<\/span><\/P> <\/P>Globale durchschnittliche Änderung der Meeresspiegelhöhe<\/H2>In diesem Beispiel ist das Ziel, die globale durchschnittliche Meeresspiegelhöhe unter Verwendung der Altimetrie-Datenpunkte sowohl aus den Jason 2- als auch den Jason 3-Feature-Klassen zu berechnen, die im vorherigen Schritt erstellt wurden. Wieder wird das Werkzeug „Interpolate from Spatiotemporal Points“ verwendet, diesmal mit der Auswahl der Interpolationsmethode „Mean“, um die monatlichen Mittelwerte für jede Feature-Klasse unabhängig zu berechnen. Die Option Mean berechnet den Durchschnitt unter Verwendung der Beobachtungspunkte innerhalb der festgelegten Pixelgröße und des Zeitintervalls, vermeidet Pixel-Extrapolation in Bereichen ohne Daten und verhindert so die Einführung von Fehlern. Unten ist ein Beispiel für den monatlich interpolierten Mittelwert von Jason dargestellt. Der gültige Datenbereich liegt zwischen -180 und 180 sowie -60 und 60 (verzerrt in den Polarregionen).<\/P>
<\/span><\/P> Bei der Analyse der Rasterdaten von 2016 von Jason 2 und Jason 3 (die einjährige Überlappung wurde zur Datenkalibrierung beibehalten) stellten wir eine Abweichung von 0,7 Metern fest. Folglich wendeten wir einen Korrekturfaktor von 0,7 Metern auf die Jason 2-Daten an, bevor wir sie mit dem Jason 3-Datensatz zusammenführten.<\/P>Als Nächstes wurden globale Durchschnitte für sowohl monatliche als auch jährliche SSH mit dem Werkzeug „Zonal Statistics as Table<\/A>“ berechnet; die Ergebnisse sind unten als Grafiken dargestellt. Dies ermöglicht die Untersuchung saisonaler und jährlicher Schwankungen, Veränderungen und Trends im globalen SSH.<\/P>
<\/span><\/P> <\/P>
