Christian Strobl

Ein "Cloud Optimized GeoTIFF" ist eine normale GeoTIFF-Datei, die eine spezielle interne Struktur aufweist, die für spezielle HTTP-Aufrufe optimiert ist. Neben einer Vorstellung der Spezifikation und typischen Anwendungsbeispielen wird die Erstellung von "Cloud Optimized GeoTIFFs" mit GDAL vorgestellt. Dabei werden unterschiedliche Strategien zur Erstellung von Overviews diskutiert, die die Verarbeitungszeit erheblich verkleinern können.

Ein "Cloud Optimized GeoTIFF" ist eine normale GeoTIFF-Datei, die eine spezielle interne Struktur aufweist, die für spezielle HTTP-Aufrufe (sog. Range Requests für HTTP Get) optimiert ist. Neben der Beachtung bestimmter Konventionen für den Header (TIFF / BigTIFF signature, IFD (​Image File Directory), Werte einzelner TIFF-Tags, ...) ist dies die Integration von Overviews (Pyramiden). Diese Overviews ermöglichen sowohl performantes Streaming zum Client als auch progressives Rendern der Daten im Client. Neben einer Vorstellung der Spezifikation und typischen Anwendungsbeispielen wird die Erstellung von "Cloud Optimized GeoTIFFs" mit GDAL vertieft. Hier spielt v.a. die zeitaufwendige Erstellung von Overviews eine bedeutende Rolle. In dem Vortrag werden unterschiedliche Strategien vorgestellt, die diesen Zeitaufwand z.T. erheblich mindern können. Je geringer der Aufwand bei der Erstellung von Cloud-optimierten GeoTIFF-Dateien ist, desto höher wird die Wahrscheinlichkeit, dass sich dieses Format als wirklicher Standard auch in der Praxis durchsetzt.

Die "Copernicus Data and Exploitation Platform – Deutschland" (CODE-DE) ist der Zugangspunkt zum Copernicus Sentinel Satellite System der EU. Über CODE-DE sind für deutsche Anwender Daten von Sentinel-1A/1B, Sentinel-2A/2B und Sentinel-3A/3B frei und umsonst verfügbar. Als Schnittstellen werden zum Download ein HTTP-Download-Service und ein WCS, für die Darstellung ein WMS und für die Datensuche ein CSW und ein EOP OpenSearch Service unterstützt.

Die Sentinel-Satelliten bilden den Kern des europäischen Erdbeobachtungsprogramms Copernicus. Die "Copernicus Data and Exploitation Platform – Deutschland" (CODE-DE) ist Teil des deutschen Bodensegments und bildet den Zugangspunkt zum Copernicus Sentinel Satellite System der EU, zu den dort verfügbaren Datenprodukten sowie den Produkten der Copernicus Services, die aus den ursprünglichen Datenprodukten abgeleitet wurden. Der CODE-DE Datahub harvested kontinuierlich die Sentinel-Daten von den ESA Hubs und stellt die Daten den CODE-DE Nutzern somit auch für Near-Real-Time-Processing (NRT) bereit. Im Augenblick sind über das CODE-DE Portal Daten von Sentinel-1A/1B, Sentinel-2A/2B und Sentinel-3A/3B verfügbar. Diese Daten können direkt über einen HTTP-Download-Dienst von Online-Serverplattformen heruntergeladen werden. Darüber hinaus existieren OGC WMS (INSPIRE Viewing Service) und OGC WCS (INSPIRE Download Service) Dienste, die für beliebige Anwendungen genutzt werden können. Die Metadaten für alle Produkttypen sind über einen OGC CSW (INSPIRE Discovery Service) und die Metadaten für die jeweiligen Produkte sind über einen EOP OpenSearch Dienst auffindbar. Der ständig aktualisierte Datenkatalog erlaubt einen Zugang zu den Sentinel-Daten, wobei diese nach Raum, Zeit und weiteren Suchkriterien, wie Wolkenbdeckung oder Orbit gefiltert werden können. Alle Copernicus-Daten und -Dienste sind öffentlich zugänglich und können kostenfrei auf Basis einer vollständigen, freien und offenen Liezenz genutzt werden. Zusätzlich bietet CODE-DE für ausgewählte Nutzer die Möglichkeit, die Sentinel-Daten online in einer speziell dafür vorgesehenen Infrastruktur zu prozessieren. In diesem Zusammenhang werden sowohl die Nutzung von Toolboxen auf CODE-DE als auch die Integration externer Prozessoren in die CODE-DE Rechnerinfrastruktur unterstützt. Die Demo zeigt Anwendungsfälle für das Auffinden und die Suche von Sentinel-Daten über das CODE-DE Portal. Weitere Beispiele demonstrieren die Nutzung von CODE-DE-Schnittstellen, wie WMS, WCS, CSW oder EOP OpenSearch, die es ermöglichen, Sentinel-Daten automatisch von der CODE-DE-Plattform zu beziehen. Zu guter Letzt werden praktische Beispiele für die Prozessierungsmöglichkeiten auf der CODE-DE-Plattform vorgeführt.

Ziel dieses Kurses ist es einen Überblick über die vorhandenen Geo-Bibliotheken für Python im Bereich Rasterdaten zu geben. An einfachen Beispielen werden erste kleine Skripte für alltägliche Aufgaben aus dem Bereich der Geodatenverarbeitung erstellt, so dass die Teilnahmer nach Absolvierung des Workshops neben einer Übersicht zm Thema "Geo-Python" auch erste praktische Umsetzungsbeispiele kennengelernt haben.

Python wird immer wichtiger als Programmiersprache im GIS-Bereich. Dies liegt zum einem an der klaren und leicht zu lernenden Sprachsyntax von Python, die v.a. für Programmieranfänger einen großen Vorteil darstellt, als auch an der Verfügbarkeit für alle geläufigen Betriebssysteme, wie z.b. Windows, Linux oder Mac OS. Zum anderen existiert inzwischen eine kaum mehr zu überschauenden Vielfalt an Bibliotheken für den Bereich der Geodatenverarbeitung. Neben APIs für Grass GIS, QGIS, ArcGIS und vielen anderen Desktop GIS Systemen, gibt es eine Vielzahl von Standalone Bibliotheken, mit denen sich vielfältige Aufgaben aus der Geodatenverarbeitung mit Python auf einfache Weise automatisieren lassen. Ziel dieses Kurses ist es einen Überblick über die vorhandenen Python-Bibliotheken für Geodaten im **Rasterformaten** zu geben. An einfachen Beispielen sollen erste kleine Schritte für Aufgaben aus dem Bereich der Rasterdatenverarbeitung demonstriert und erlernt werden. Die Beispiele sollen überwiegend der Einführung in die vorgestellten Bibliotheken (GDAL/OGR, Rasterio, NumPy, SciPy, Matplotlib, Folium, CartoPy, BaseMap, ...) dienen und können mit wenigen Zeilen in Jupyter-Notebooks ausgeführt werden. Dieser Kurs ist eine Einführung in die Verarbeitung von Rasterdaten mit Python. Die Teilnehmer werden am Ende des Kurses grundlegende Funktionen kennen, um Rasterdaten in Python einzulesen, zu verarbeiten und wieder abzuspeichern. Sie bekommen einen Überblick über verschiedene Bibliotheken und wissen, wie sie diese verwenden können. Geplant ist u.a. folgender Ablauf: - Fernerkundungsdaten / DGM-Daten / Landbedeckungsdaten mit GDAL / Rasterio einlesen - Untersuchung / Darstellung der Fernerkundungsdaten (Histogrammanalyse, Darstellung unterschiedlicher Bandkombinationen, ...) - Einfache Rasteralgebra mit NumPy: Berechnung des NDVI für ein Beispielbild - Kostenanalyse auf Basis eines digitalen Geländemodells (DGM) - Einfache Standortanalyse auf Basis der Landbedeckungsdaten und eines digitalen Geländemodells (DGM) - Darstellung der Ergebnisse mit matplotlib, Folium und/oder Basemap, CartoPy