GeoX Raster Lab · Projekt 02 · Teknisk Fallstudie

Sentinel Lab — Satellit- & Terränganalys

En professionell geodataplattform och numerisk beräkningsmotor för interaktiv rasteranalys i 10 meters markupplösning. Plattformen kombinerar autentiska observationer från ESA:s Copernicus Sentinel-2 Level-2A (ytreflektans BOA) och digitala höjdmodeller (Copernicus DEM GLO-30) med fem specialiserade moduler: vegetationsfenologi, våtmarkshydrologi, brandskadekartering, digital terrängmorfometri och en sandlådad AST-rasterkalkylator.

Inspektera Arbetsbordet ↓ Öppna Kartarbetsbordet i Helskärm ↗ Utforska 5 Moduler ↓ Vetenskaplig Metodik ↓

Interaktivt Analysarbetsbord

Växla mellan multispektrala bandkombinationer, granska histogram och pixelvärden, kör bandalgebra och analysera terränglutningar och brandärr direkt i webbläsaren.

Sentinel Lab Arbetsbord · Copernicus Sentinel-2 MSI · DEM GLO-30 · EPSG:32633 Öppna i Fullskärm ↗

Praktiska Fjärranalysmoduler

De Fem Rasteranalys-Experimenten

Varje modul adresserar en unik vetenskaplig och teknisk frågeställning inom fjärranalys och rasterbearbetning, från jordbrukets säsongsdynamik och våtmarkshydrologi till katastrofuppföljning och numerisk terrängmorfometri.

Modul 01 · Spektralindex & Fenologi

Multitemporal Vegetationsförändring (NDVI & ΔNDVI)

Studieområden: Lake Tåkern · Stora Alvaret (Öland) · Skåneslätten | Sensor: Sentinel-2 MSI 10 m BOA

Starta Modul 1 ↗

Mäter säsongsdynamik, grödornas fenologiska mognad och skörd i södra och mellersta Sverige. Analysen jämför högsommar (juni/juli) mot sensommar/höst (augusti/september) genom att beräkna Normaliserat Differensvegetationsindex (NDVI) på autentisk Bottom-of-Atmosphere (BOA) ytreflektans.

NDVI = (B08 − B04) / (B08 + B04) | ΔNDVI = NDVI_B − NDVI_A

Nyckelinsikt: Jordbruksfälten runt Tåkern och i Skåne uppvisar en dramatisk NDVI-nedgång från ~0.85 (hög biomassa) till ~0.25 efter skörd. På Ölands alvar syns istället torrgräsvegetationens fuktkänslighet. Moln, molnskuggor och mättade pixlar maskeras automatiskt via Sentinel-2 Scene Classification Layer (SCL).

Sannfärg Juni 2024

NDVI Högsommartopp

Falskfärg NIR (B08-B04-B03)

ΔNDVI Förändring

Modul 02 · Hydrologi & Våtmarker

Vatten- och Våtmarksdetektering (NDWI / MNDWI)

Studieområde: Lake Tåkern (Ramsar-konventionen) | Sensor: MSI Band B03 (Grön), B08 (NIR), B11 (SWIR-1)

Starta Modul 2 ↗

Lake Tåkern är en av norra Europas mest kända fågelsjöar, karaktäriserad av grunda vattenytor och kilometerbreda bladvassbälten (Phragmites australis). Experimentet jämför klassiskt McFeeters NDWI mot Xu:s modifierade MNDWI med kortvågigt infrarött ljus (SWIR-1 B11).

NDWI = (B03 − B08) / (B03 + B08) | MNDWI = (B03 − B11) / (B03 + B11)

Hydrologiskt fynd: Klassiskt NDWI överskattar ofta vattenytan i fuktiga jordar och vasszoner. MNDWI dämpar mark- och vegetationsreflektans i SWIR och isolerar öppet vatten med hög skärpa. Mätningen detekterar en vattenareavariation på +0.68 km² mellan säsongerna, styrd med ett interaktivt tröskelreglage.

Klassiskt NDWI (Grön − NIR)

Modifierat MNDWI (Grön − SWIR)

Vattenmask Juni

Vattenmask September

Modul 03 · Katastrofanalys & Skogsbrand

Skogsbranden i Kårböle 2018 (NBR & dNBR Brandskadegrad)

Studieområde: Kårböle, Hälsingland (Tile 33VWJ) | Tidsintervall: 2018-07-04 vs 2018-09-12

Starta Modul 3 ↗

Den extrema torkan och värmeböljan i juli 2018 orsakade Sveriges mest omfattande skogsbränder i modern tid. Detta experiment använder två molnfria Sentinel-2-observationer direkt före och efter brandkatastrofen för att kartera brandskadegraden enligt USGS/Copernicus EMS-standard.

NBR = (B08 − B12) / (B08 + B12) | dNBR = NBR_pre − NBR_post

Kvantitativ brandskadekartering: Genom att ställa NIR (B08, 842 nm, absorberas kraftigt av aska och förkolnat material) mot SWIR-2 (B12, 2190 nm, reflekteras starkt av mineraljord och sot) avslöjas exakt 6 102 hektar hög- och medelintensivt eldhärjad barrskog.

4 juli 2018 (Före Brand)

12 sept 2018 (Efter Brand)

Falskfärg (Röda brandärr)

dNBR Brandskadegrad (USGS)

Modul 04 · Topografi & Morfometri

Terräng- & Höjdanalys Omberg (Copernicus DEM)

Studieområde: Omberg & Vätterns förkastningsbrant | Datakälla: Copernicus DEM GLO-30 (30 m)

Starta Modul 4 ↗

Omberg reser sig som en dramatisk horst mellan Vätterns djupa förkastningsgrav och Östgötaslättens flacka sediment. Experimentet beräknar analytiska terrängmodeller direkt från Copernicus digitala höjdmodell: absolut höjd, lutningsgradient och analytisk solrelief (hillshade).

Lutning = arctan(√(p² + q²)) [Horn 1981] | Hillshade (Az 315°, Alt 45°)

Morfometriska resultat: Höjdspannet sträcker sig från 87.5 m (Vätterns vattenyta) till 263.6 m ö.h. (Hjässans krön, ~176 m relativ relief över sjön). Lutningsanalysen med Horns 3×3-faltningsfilter identifierar stup på upp till 50.5° lutning längs västra förkastningsbranten mot Vättern. Inkluderar interaktiv topografisk tvärsnittsprofil!

Digital Höjdmodell (DEM)

Lutningsanalys (Horns metod)

Analytisk Solrelief

Interaktiv Profilkurva

Modul 05 · Interaktiv Rasteralgebra

Säker Sandlådad AST-Rasterkalkylator

Arkitektur: Rekursiv AST-Parser & Tokenizer | Noll eval() | Float32 Rastermatriser

Starta Modul 5 ↗

Till skillnad från naiva webblösningar som förlitar sig på osäker Javascript eval() eller new Function(), implementerar GeoX Raster Lab en fullständig sandlådad lexer och parser för abstrakta syntaxträd (Abstract Syntax Tree, AST).

Validerad AST-Grammatik: BinOp(Left, Op, Right) | BandToken | TalKonstant

Funktioner: Interaktiva bandvalsknappar (B02, B03, B04, B08, B11, B12), standardiserade operatorer (+, −, *, /), förinställda formler (NDVI, NDWI, MNDWI, NBR, SAVI), realtidsvalidering med tydliga felmeddelanden samt numerisk rendering direkt på skärmen med anpassningsbara färgkartor.

(B08 − B04) / (B08 + B04 + 0.0001)

B02 B03 B04 B08 (NIR) B11 B12

Sandlådad Klient/Server Rastermotor

Databehandling & Beräkning

Teknisk Specifikation & Pipeline

Bearbetningsmotorn är utvecklad med Rasterio, NumPy, SciPy, PyProj och GDAL. Alla geospatiala produkter bevarar metriska koordinatreferenssystem (SWEREF99 TM / UTM 33N, EPSG:32633).

Komponent / Parameter	Datakälla / Algoritm	Upplösning & Bearbetningsdetaljer
Optiska Satellitdata	Copernicus Sentinel-2 MSI Level-2A	10 m & 20 m markupplösning, Bottom-of-Atmosphere (BOA) ytreflektans
Kvalitetsmaskering	Scene Classification Layer (SCL)	20 m nearest-neighbor uppsamplat till 10 m; filtrering av moln & skuggor
Terrängmodell (DEM)	Copernicus DEM GLO-30	30 m spatial upplösning, WGS84 ellipsoidal höjd omräknad till metrisk grid
Lutningsanalys (Slope)	Horns 3×3 faltningsmetod	Andra ordningens centrala differenser, utdata i grader [°]
Skogsbrandskartering	NBR / dNBR (USGS 4-klassig skala)	NIR (B08) vs SWIR-2 (B12); tidsintervall 2018-07-04 vs 2018-09-12
Vattenklassificering	MNDWI (Xu 2006) med tröskel	Grön (B03) vs SWIR-1 (B11); klientbaserad histogramintegration
Rasteralgebra	Sandlådad AST-parser	Ren grammatik med rekursiv descent, ingen eval(), Float32-beräkning

Dataarkitektur

Datakällor & Referensdata

Samtliga satellitobservationer och höjdmodeller härrör från verifierade öppna vetenskapliga arkiv under öppna licenser.

Fjärranalys

Copernicus Sentinel-2

Multispektrala instrumentet (MSI) Level-2A BOA-reflektans från Europeiska rymdorganisationens (ESA) Copernicus Data Space Ecosystem.

Höjddata

Copernicus DEM GLO-30

Global digital terrängmodell i 30 meters upplösning som ger enhetlig topografisk referens över den skandinaviska halvön.

Projektion

EPSG:32633 (UTM 33N)

Metrisk vinkelriktig projektion (kompatibel med SWEREF99 TM) som bevarar euklidiska avstånd för lutnings-, längd- och areaberäkningar.

Atmosfärkorrigering

Sen2Cor BOA-bearbetning

Bottom-of-Atmosphere reflektans eliminerar Rayleigh-spridning och aerosoldämpning i synliga och infraröda våglängdsband.

Kvalitetsflaggor

Scenklassificering (SCL)

Pixelklassificering som maskerar cirrusmoln, tjocka molnmassor och terrängkastade molnskuggor.

Numerisk Precision

Float32 Matrisalgebra

Flyttalsberäkningar med högt dynamiskt omfång som undviker kvantiseringsfel i känsliga kvotindexberäkningar.