Verschillende vormen van remote sensing-gegevens worden verzameld om onze planeet beter te begrijpen. Satellietbeelden, die de reflectantie van het aardoppervlak vastleggen, zijn een bekend hulpmiddel binnen de GIS-gemeenschap en dienen als een essentiële gegevensbron voor GIS-analyse en visualisatie. Altimetriegegevens zijn een relatief nieuwe toevoeging aan de wereld van GIS en ArcGIS Pro. Altimetriegegevens worden verzameld via satellietsensoren die de hoogte van oppervlaktekenmerken zoals bladerdakhoogte, zeespiegelhoogte en ijsdikte registreren. Deze nieuwe gegevens en mogelijkheden bieden een kans voor verbeterde analyse en begrip. Dankzij NASA's inzet voor open science-initiatieven — gekenmerkt door transparantie, toegankelijkheid, inclusiviteit en reproduceerbaarheid — zijn deze altimetriegegevens vrij en gemakkelijk toegankelijk voor alle onderzoekers.<\/P>
ArcGIS streeft ernaar een uitgebreid systeem te zijn dat verschillende vormen van remote sensing-gegevens kan verwerken, inclusief de verwerking en analyse van gegevens van altimetriesensoren. In dit <\/SPAN>voorbeeld<\/A>, worden CryoSat-2 altimetriegegevens gebruikt voor analyse in ArcGIS Pro om de hoeveelheid verandering\/verlies in de Groenlandse ijskap in de loop van de tijd te kwantificeren. Dit is een uitstekend voorbeeld van hoe altimetriegegevens kunnen bijdragen aan landanalyse. Altimetriegegevens hebben ook effectieve toepassingen in de oceaanomgeving. De volgende voorbeelden tonen aan hoe dit kan worden bereikt.<\/P>De oceaan is uitgestrekt en dynamisch. Momenteel maakt het aantal instrumenten dat bijna real-time in-situ fysische oceanografische waarnemingen verzamelt het moeilijk om veranderingen in de open oceaan met hoge nauwkeurigheid te meten. Satellietaltimeters bieden een wereldwijde en precieze meting van de oceaanoppervlaktetopografie. Deze instrumenten werken door radarpulsen naar het oceaanoppervlak te zenden, waarbij de hoogte van de sensor boven het oppervlak wordt bepaald door de tijd te meten die nodig is voor de radarpuls om terug te keren. De zeespiegelhoogte wordt vervolgens berekend als het verschil tussen de hoogte van de sensor en de hoogte van de sensor boven het oppervlak. Deze waardevolle inzichten maken het mogelijk veranderingen in zeespiegelhoogte, oceaanstromingen en weersvoorspellingen voor tropische cyclonen te monitoren, naast andere toepassingen.<\/P>
ArcGIS Pro biedt ondersteuning voor verschillende altimetriesensoren, waaronder <\/SPAN>
Sentinel 3 SRAL<\/A>, <\/SPAN>Sentinel 6<\/A>, <\/SPAN>Jason 2 en Jason 3<\/A>, waarbij de laatste twee recentelijk zijn toegevoegd in de ArcGIS Pro 3.2 Release.<\/P>
In dit voorbeeld worden gegevens van Jason 2 en Jason 3 sensoren gebruikt om veranderingen in SSH te tonen. De combinatie van Jason 2 en 3 sensoren biedt continue temporele dekking vanaf 2008 tot heden (Jason 2 – 2008 tot 2016 en Jason 3 2016 tot heden). Toegang tot gegevens van Jason 3 en Jason 2 is beschikbaar via verschillende bronnen; in dit geval werd gebruikgemaakt van de site vanwege het gemak bij batch-downloads.
Om een analyse uit te voeren van zeespiegelhoogte over een langere periode maakten we gebruik van twee variabelen: SSH (Sea Surface Height) en SSHA (Sea Surface Height Anomaly). Twee onafhankelijke trajectdatasets werden aangemaakt voor respectievelijk Jason 2 en Jason 3 data, elk met daarin SSH en SSHA variabelen. Features werden vervolgens geëxporteerd naar individuele feature classes met behulp van de "Copy Feature " tool, waarbij ze als twee aparte feature classes werden behouden voor verdere analyse.
Gemiddelde maandelijkse SSHA berekenen
In deze stappen gebruiken we SSHA-data uit Jason 2 en Jason 3 feature classes om onafhankelijke multidimensionale (tijdreeksen) rasters te creëren. Hiervoor gebruiken we opnieuw de "Interpolate From Spatiotemporal Points " tool – ditmaal met optie IDW – om maandelijks SSHA variabelen per dataset onafhankelijk te berekenen. Vervolgens voegen we outputs samen uit Jason 2 en Jason 3 met behulp van "Merge Multidimensional Raster " tool. Het resultaat, hieronder geanimeerd, is een maandelijkse tijdreekscompilatie van zowel Jason 2 als Jason 3 data lopend van 2008 tot 2022.
![\](https://\ "\")
<
/span>
alt="anomaly_animate2.gif" \/><\/span><\/P> <\/P>Wereldwijde gemiddelde verandering van de zeespiegelhoogte<\/H2>In dit voorbeeld is het doel om de wereldwijde gemiddelde zeespiegelhoogte te berekenen met behulp van de altimetriegegevenspunten van zowel de Jason 2 als Jason 3 feature classes die in de vorige stap zijn gemaakt. Opnieuw wordt de tool 1nterpolate from Spatiotemporal Points7 gebruikt, ditmaal met de interpolatiemethode Mean om de maandelijkse gemiddelden voor elke feature class onafhankelijk te berekenen. De optie Mean berekent het gemiddelde met behulp van de observatiepunten binnen de aangewezen pixelgrootte en tijdsinterval, vermijdt pixel-extrapolatie in gebieden zonder data en voorkomt het introduceren van fouten. Hieronder is een voorbeeld van het maandelijks geïnterpoleerde gemiddelde van Jason gemaakt. Het geldige data gebied ligt tussen -180 en 180 en -60 en 60 (vervormd in de poolgebieden).<\/P>
<\/span><\/P> Bij de analyse van de rasterdata uit 2016 van Jason 2 en Jason 3 (de overlap van één jaar werd gehandhaafd voor datacalibratiedoeleinden), observeerden we een discrepantie van 0,7 meter. Daarom hebben we een correctiefactor van 0,7 meter toegepast op de Jason 2 data voordat deze werd samengevoegd met de Jason 3 dataset.<\/P>Vervolgens werden wereldwijde gemiddelden voor zowel maandelijkse als jaarlijkse SSH berekend met behulp van de tool Zonal Statistics as Table<\/A>; de resultaten worden hieronder weergegeven als grafieken. Dit biedt de mogelijkheid om seizoensgebonden en jaarlijkse variaties, veranderingen en trends in wereldwijde SSH te onderzoeken.<\/P>
<\/span><\/P> <\/P>
