Satelliten und sensorische Technologien liefern Erdmessdaten durch zwei grundsätzliche Prinzipien: passive Systeme messen von der Sonne oder Erde emittierte bzw. reflektierte Strahlung (optische, multispektrale und thermische Sensoren), aktive Systeme geben eigene Signale ab und messen die Rückstreuung (Radar, Lidarsysteme). Die Wahl des Sensors bestimmt, welche physikalischen Eigenschaften der Oberfläche erfasst werden können — Oberflächeigenschaften, Vegetationszustand, Feuchtigkeit oder topographische Struktur.
Optische Sensoren erfassen elektromagnetische Strahlung im sichtbaren, nahen und kurzwelligen Infrarotbereich. Multispektrale Satelliten wie Landsat oder Sentinel-2 bieten einige breite Spektralbänder, die sich gut für Vegetationsindizes (z. B. NDVI), Landnutzungsanalyse und Change-Detection eignen. Hyperspektrale Sensoren messen Hunderte schmaler Bänder und erlauben detaillierte spektrale Fingerabdrücke von Gesteinen, Böden und Pflanzenarten.
Radar-Satelliten (Synthetic Aperture Radar, SAR) arbeiten im Mikrowellenbereich und sind unabhängig von Tageslicht und Wolken. SAR liefert Informationen zur Oberflächenrauigkeit, Feuchte, Struktur und kann durch Interferometrie (InSAR) Bodenbewegungen und Höhenänderungen mit Millimeter- bis Zentimetergenauigkeit messen. Wichtige Parameter sind Polarisationen (HH, HV, VV, VH), Rückstreuungskoeffizient und Kohärenz zwischen Aufnahmen.
Lidar aus dem All nutzt Laserpulse zur präzisen Höhenbestimmung. Photonenzähler wie ICESat-2 erfassen Höhenprofile mit hoher vertikaler Auflösung und eignen sich besonders für Geländevermessung, Vegetationshöhen und Schneehöhenmessungen. Raumfahrt-Lidar sind technisch anspruchsvoll, liefern aber direkte Distanzmessungen ohne komplexe Interferenzen.
Schlüsselkriterien für Sensorwahl und Datennutzung sind räumliche Auflösung (Ground Sampling Distance, GSD), spektrale Auflösung (Anzahl und Breite der Bänder), radiometrische Auflösung (Bit-Tiefe, dynamische Empfindlichkeit) und zeitliche Auflösung (Revisit-Zeit). Swath-Breite beeinflusst die Abdeckung pro Überflug und Revisit-Zeit beeinflusst die Möglichkeit, zeitliche Veränderungen zu verfolgen.
Fernerkundungsdaten werden in verschiedenen Produktstufen bereitgestellt: Rohdaten (Level 0), radiometrisch und geometrisch korrigierte Daten (Level 1), geophysikalische Parameter oder thematische Karten (Level 2/3). Wichtige Vorverarbeitungen sind Entzerrung/Orthorektifikation, Georeferenzierung, atmosphärische Korrektur (z. B. Dark Object Subtraction, 6S) und Streckenkalibrierung, damit Messwerte physikalisch vergleichbar werden.
Atmosphärische Effekte (Aerosole, Wasserdampf, Rayleigh-Streuung) verändern gemessene Reflexionswerte; ohne Korrektur können Indizes und Klassifikationen verzerrt sein. Verfahren zur atmosphärischen Korrektur reichen von einfachen Dunkelobjektmethoden bis zu modellbasierten Solutions, die Strahlungstransfergleichungen nutzen. Für präzise Analysen sind diese Schritte unverzichtbar.
Georeferenzierung und Orthorektifizierung stellen sicher, dass Pixel korrekte Positionsinformationen besitzen. Dabei werden Sensorgeometrie, Satellitenbahn und ein digitales Höhenmodell (DEM) für die Winkeldistorsionen berücksichtigt. Genau referenzierte Daten sind Voraussetzung für Überlagerungen mehrerer Datensätze und für GIS-Analysen.
Speziell für Radar sind zusätzliche Verarbeitungsschritte nötig: Multi-Look-Filtering zur Rauschminderung, Speckle-Filter, Kohärenzanalyse für Interferometrie und Phase-Unwrapping zur Höhenrekonstruktion. SAR-Daten erfordern oft mehr Fachwissen, bieten dafür aber einzigartige Einblicke, z. B. bei Hochwasserüberwachung oder Bodenverformungen.
Produkte und Formate: GeoTIFF ist ein verbreitetes Rasterformat mit Georeferenzinformation; NetCDF und HDF sind gängig für große multidimensionale Datensätze (z. B. Klimadaten). Standardisierte Dienste (OGC WMS/WCS/WFS) und APIs erleichtern den Zugriff. Open-Data-Programme wie Copernicus (Sentinel) und Landsat bieten frei verfügbare, mehrjährige Zeitreihen, die sich sehr gut für Unterrichtsprojekte eignen.
Satellitenplattformen variieren: Erdnahe Umlaufbahnen (LEO) liefern hohe räumliche Auflösung und niedrige Latenz, geostationäre Satelliten (GEO) liefern kontinuierliche Abdeckung eines Gebietes (wichtig für Wetterbeobachtung). Konstellationen aus Kleinsatelliten (CubeSats, PlanetScope) erhöhen die zeitliche Auflösung durch hohe Revisit-Frequenz, während größere Plattformen oft bessere radiometrische und spektrale Qualität bieten.
Bildverarbeitung und Analysen reichen von klassischen Verfahren (klassische Pixel- und Objektbasierte Klassifikation, Change Detection, Bandindizes wie NDVI, NBR) bis zu modernen Methoden wie Bildfusion (Pan-Sharpening), Data Fusion (Kombination von SAR und optischen Daten) und Machine-Learning-Ansätzen (Random Forest, SVM, Deep Learning). Cloud-gestützte Umgebungen wie Google Earth Engine oder Copernicus DIAS vereinfachen das Arbeiten mit großen Zeitreihen.
Kalibrierung und Validierung (Cal/Val) sichern die Qualität der Ergebnisse: Feldmessungen, Messcampaigns und Referenzdaten sind notwendig, um Sensordaten in physikalische Größen zu übersetzen und Unsicherheiten abzuschätzen. Für Lehrzwecke sind vereinfachte Validierungsübungen (Punktbeobachtungen, einfache Vergleichsmessungen) sinnvoll, um Verständnis für Messgenauigkeit und Fehlerquellen zu vermitteln.
Der Zugang zu Daten und Tools ist heute sehr vielfältig: Portale wie Copernicus Open Access Hub, USGS EarthExplorer, Sentinel Hub, sowie kommerzielle Anbieter stellen Daten bereit; Open-Source-Software (SNAP, QGIS, Orfeo Toolbox) und Programmierschnittstellen (Python-Bibliotheken wie rasterio, GDAL, SentinelHub-Py) ermöglichen Verarbeitung und Analyse. Für den Unterricht bieten sich browserbasierte, visuelle Tools an, um die Einstiegshürde zu senken.
Astronautische perspektiven: bilder interpretieren im unterricht
Astronautenbilder bieten eine einmalige Mischung aus unmittelbarer visueller Faszination und wissenschaftlicher Aussagekraft: sie sind oft hochaufgelöst, zeigen großräumige Muster und liefern zugleich Details, die im Klassenzimmer direkt angeschaut und diskutiert werden können. Für Unterrichtszwecke eignen sich solche Aufnahmen hervorragend, weil sie die „Overview“-Perspektive greifbar machen und Lernende dazu anregen, räumliche Beziehungen, Maßstäbe und dynamische Prozesse zu erkennen und zu hinterfragen.
Beim Betrachten von Fotos aus dem All sollten Schüler*innen anfangs systematisch an die Bildinterpretation herangeführt werden: Blickrichtung und Kamerawinkel (nadir vs. schräg), Tageszeit und Sonnenstand, Wetterbedingungen (Wolken, Dunst), sowie sichtbare Schatten. Diese Faktoren beeinflussen, wie Formen, Farben und Reliefe wahrgenommen werden. Eine kurze Anleitung, worauf zu achten ist, hilft, Fehlinterpretationen zu vermeiden — z. B. Schatten nicht mit Gewässern zu verwechseln oder Farbe durch atmosphärische Streuung kritisch zu beurteilen.
Technische Metadaten sind für die Interpretation zentral. Zeitstempel, ungefähre Flughöhe, Kamerabrennweite und Blickrichtung geben Hinweise auf Maßstab und Verzerrung. Exif-Informationen und Begleitdaten von Bildarchiven (z. B. NASA, Gateway to Astronaut Photography) liefern diese Angaben; Lehrer*innen sollten Schüler*innen zeigen, wie diese Metadaten gelesen und für einfache Berechnungen genutzt werden können.
Aus Schattenlängen lassen sich mit relativ einfachen trigonometrischen Rechenwegen Höhen schätzen: Wenn die Sonnenhöhe bekannt ist (z. B. aus Metadaten oder einem Sonnenstandsrechner für Datum und Ort), kann die Höhe eines Objekts aus der Länge seines Schattens abgeschätzt werden. Diese Methode eignet sich besonders gut als fächerübergreifende Übung (Geometrie/Physik) und fördert das räumliche Vorstellungsvermögen.
Ein weiteres nützliches Werkzeug ist die Skalenschätzung durch Vergleich mit bekannten Referenzobjekten: Flughäfen, Straßenbreiten, Schiffsgrößen oder Sportfelder (z. B. Fußballfelder ~100 m Länge) dienen als Maßstabsankerpunkte. Lehrkräfte sollten dabei betonen, dass Referenzgrößen geprüft werden müssen (z. B. mittels Google Earth oder Karten) und dass Schätzfehler dokumentiert werden sollten, um die Unsicherheit sichtbar zu machen.
Die Unterschiede zwischen optischen und obliquen Bildern versus orthogonalen Satellitenaufnahmen sind ein gutes Lernfeld: Schrägfotografien zeigen Gebäudemerkmale und Relief plastisch, bergen aber perspektivische Verzerrungen; senkrechte Satellitenbilder sind leichter zu vermessen, erlauben jedoch weniger Eindruck von Struktur und Höhe. Eine sinnvolle Übung ist das Gegenüberstellen beider Bildtypen desselben Ortes und die gemeinsame Erarbeitung, welche Fragestellungen mit welchem Bildtyp besser beantwortet werden können.
Für praxisnahe Unterrichtssequenzen lassen sich einfache, strukturierte Aufgaben formulieren, z. B.: 1) Bildanalyse (10–15 Minuten): Beschreibe Muster, markiere auffällige Merkmale, formuliere Hypothesen zur Entstehung. 2) Maßstabsübung (20–30 Minuten): Finde ein Referenzobjekt, ermittle Maßstab und schätze Flächengrößen. 3) Prozessanalyse (30–45 Minuten): Verbinde sichtbare Strukturen mit möglichen Prozessen (Erosion, Urbanisierung, Landwirtschaft). Jede Aufgabe kann einzeln differenziert werden (Kürzere Zeit, vorgegebene Referenzen für schwächere Gruppen).
Projektideen, die sich gut über mehrere Unterrichtsstunden erstrecken: Zeitreihenarbeit (Vergleich von Astronautenbildern desselben Ortes über Jahre hinweg, um Landnutzungsänderungen zu dokumentieren), Küstenlinienanalyse (Erosion und Sedimenttransport erkennen), Stadtentwicklungsstudie (Wachstumsachsen und Versiegelung), sowie Gletscherbeobachtung (Vorstoß oder Rückzug anhand von Bildsequenzen). Solche Projekte trainieren Recherchekompetenz, Quellenkritik und dokumentierende Arbeitstechniken.
Digitale Tools erleichtern die Arbeit: Online-Archive (NASA Earth Observatory, Gateway to Astronaut Photography), Google Earth, sowie einfache Bildbearbeitungstools (Kontrast/Histogramm, Farbanpassung) und Messfunktionen unterstützen die Analyse. Lehrkräfte sollten eine kurze Einführung in das jeweilige Tool geben und ggf. vorab Materialpakete mit passenden Bildern und Metadaten zusammenstellen, damit Zeit im Unterricht effizient genutzt wird.
Methodisch bieten sich offene, forschende Aufgaben an: Lernende formulieren Fragestellungen (z. B. „Welche Spuren hinterlässt Landwirtschaft in der Region X?“), entwickeln Hypothesen, arbeiten mit Bildern und Metadaten, und präsentieren Befunde mit Karten und Fotobelegen. Bewertet werden kann Prozesskompetenz (Dokumentation der Arbeitsschritte), Methodenkompetenz (korrekte Nutzung von Messverfahren) und Fachverständnis (Erklärung der beobachteten Muster).
Wichtig ist auch die Sensibilisierung für Interpretationsgrenzen: Reflexion über mögliche Fehlerquellen (Wolkenverdeckung, atmosphärische Effekte, Kamerafehler), ethische Aspekte (Privatsphäre, politisch sensible Regionen) und die Aussagekraft einzelner Aufnahmen. Diese Diskussion stärkt kritisches Denken und Medienkompetenz — zentrale Bildungsziele, wenn Schüler*innen Bilder als Informationsquelle nutzen.
Schließlich fördern astronautische Fotografien nicht nur fachliche Kompetenzen, sondern auch Motivation: Die emotionale Wirkung der Perspektive „von oben“ kann Interesse an Geowissenschaften entfachen und interdisziplinäre Verknüpfungen ermöglichen — von Kunst (Bildkomposition) über Physik (Licht, Schatten) bis zu Sozialwissenschaften (räumliche Folgen menschlichen Handelns). Lehrkräfte sollten diese Wirkung gezielt nutzen, etwa durch kreative Aufgaben (Bildessays, Fotostorys) kombiniert mit wissenschaftlicher Analyse.
Praktische lehrmaterialien und projektideen für schüler
Für den Unterricht sind vorbereitete Materialpakete besonders hilfreich: ein Satz ausgewählter Satelliten- oder Astronautenbilder (verschiedene Zeitpunkte), zugehörige Metadaten (Datum, Sensor, Blickrichtung, Maßstab), ein Arbeitsblatt mit Leitfragen und ein kurzes Lösungsskript für die Lehrperson. Solche Pakete lassen sich thematisch bündeln (z. B. Urbanisierung, Küstenwandel, Vegetationsveränderungen) und je nach Klassenstufe in Komplexität staffeln.
Beispiel: Mini-Projekt „NDVI und Vegetationswandel“ (Sek I/II). Lernziele: Verständnis von multispektraler Fernerkundung, Berechnung und Interpretation eines Vegetationsindex, Dokumentation zeitlicher Veränderungen. Materialien: zwei Sentinel-2-Szenen (Cloud-free) eines Gebiets aus zwei Jahren, Anleitung zur NDVI-Berechnung, Arbeitsblatt mit Aufgaben. Ablauf (ca. 3–4 Unterrichtsstunden): 1) Einführung (30 min): Kurzeinführung in Bänder (NIR, Red) und Idee des NDVI. 2) Praxis (60–90 min): Berechnung des NDVI mit einem Online-Tool (z. B. EO Browser) oder in QGIS/Google Earth Engine; Erzeugen von Karten und Histogrammen. 3) Analyse (45–60 min): Vergleich der Karten, Identifikation von Flächen mit Veränderung, Diskussion möglicher Ursachen (Landwirtschaft, Dürre, Aufforstung). 4) Präsentation (30 min): Kurze Ergebnisvorstellung in Kleingruppen.
Konkretes Arbeitsblatt-Inhalt für die NDVI-Übung: 1) Notiere Sensor, Datum, Monatsname. 2) Berechne NDVI = (NIR − Red) / (NIR + Red). 3) Erstelle eine Klassifizierung in vier Klassen (z. B. Vegetation dicht, mäßig, gering, nicht vorhanden) und quantifiziere Flächenanteile. 4) Formuliere zwei Hypothesen, die Veränderungen erklären könnten, und nenne je eine mögliche Validierungsquelle (z. B. lokale Klimadaten, Landnutzungspläne).
Projektidee „Hochwasser-Mapping mit SAR“ (Sek II, fächerübergreifend Geographie/Physik). Ziel: Einsatz von Radarbilddaten bei Wassererkennung, Verständnis von Polarisation und Rückstreuung. Materialien: zwei Sentinel-1-Aufnahmen (vor/nach Ereignis), QGIS oder SNAP. Ablauf (2–3 Unterrichtsstunden): 1) Einführung in SAR-Eigenschaften (30 min). 2) Verarbeitung (60–90 min): Basis-Filtration, Koeffizienten-Skalierung, einfache Schwellenwert-Methode zur Wasserextraktion. 3) Validierung (30 min): Vergleich mit optischem Bild oder lokalen Berichten.
Einfache Beschreibungen für jüngere Klassen: Bildinterpretations-Karten als Stationenarbeit. Jede Station enthält ein Bild (Astronautenfoto oder Satellitenbild), Leitfragen (Was fällt auf? Welche Formen sind menschengemacht? Welche natürlich?), sowie ein Mini-Auftrag (z. B. zeichne die drei auffälligsten Merkmale ein). Dauer: 45–60 Minuten. Geeignet zur Förderung von Beobachtungs- und Beschreibungsfähigkeiten ohne technische Hürden.
Projektformat „Zeitreihen-Portfolio“ (Langzeitprojekt, Sek II): Schülerinnen und Schüler wählen einen Ort (z. B. Flussmündung, Siedlung am Gebirge), sammeln Bildreihen über mehrere Jahre (Copernicus, Landsat, NASA-Archive), erstellen eine Dokumentation mit Karten, Screenshots und Interpretationen und verfassen eine kurze schriftliche Bewertung (2–4 Seiten). Bewertet werden Recherche, Nachvollziehbarkeit der Methoden und Qualität der Interpretation.
Material- und Softwareempfehlungen: EO Browser/Sentinel Hub für browserbasierte Bildanalyse; Google Earth Engine für fortgeschrittene Zeitreihenanalysen (Script-Vorlagen bereitstellen); QGIS für lokale Verarbeitung und Kartenlayout; SNAP für SAR-Processing; einfache Bildbearbeitung (GIMP/Photoshop) für Veröffentlichungsbilder. Für Schulen mit begrenzter Internetbandbreite: Vorgefertigte GeoTIFFs bereitstellen, die offline in QGIS genutzt werden können.
Beispielaufgabe für fächerübergreifenden Unterricht (Geographie + Kunst): „Portrait der Erde“ — Schülerinnen und Schüler wählen ein Astronautenbild, analysieren Muster (Geologie, Landnutzung), erstellen anschließend ein künstlerisches Poster, das die wissenschaftlichen Beobachtungen mit einer visuellen Interpretation verbindet. Bewertet werden sowohl fachliche Genauigkeit als auch kreative Umsetzung.
Differenzierung: Einfachere Versionen geben feste Referenzobjekte und vorgefertigte Messhilfen; schwerere Versionen fordern eigene Datendownloads, Komplexere Vorverarbeitungsschritte oder kleine Programmieraufgaben (z. B. ein kurzes GEE-Skript zur NDVI-Zeitanalyse). Fördere Lerntandems, in denen Technik-affine Schüler*innen die Tools bedienen und andere starke beim Interpretieren unterstützen.
Beurteilungsrubrik (Beispiel, 16 Punkte): Methodik (0–4 P): Auswahl und Anwendung geeigneter Methoden; Analyse (0–4 P): Qualität der Interpretation und Argumentation; Dokumentation (0–4 P): Vollständigkeit der Schritte, Metadaten; Präsentation (0–4 P): Klarheit und Visualisierung. Solche Kriterien können als Checkliste ausgegeben werden, damit Lernende wissen, worauf geachtet wird.
Praktische Tipps zur Unterrichtsorganisation: 1) Bereite Datensets vor, um Zeit zu sparen. 2) Teste alle Tools vorab auf Schulgeräten. 3) Arbeite mit kurzen, klaren Arbeitspaketen (20–40 Minuten), um Motivation hoch zu halten. 4) Nutze Gruppenarbeit und weise klare Rollen zu (Researcher, Operator, Dokumentator, Presenter).
Low-Tech-Varianten: Ausdrucke von Satellitenbildern für Interpretationsübungen, Schattenlängenmessungen mit Lineal und Taschenlampe (Schulhof als Modell), Puzzle aus ausgedruckten Kachelbildern zum Zusammensetzen der Landschaft. Solche aktivierenden Methoden eignen sich besonders für jüngere Schüler oder Klassen mit eingeschränkter IT-Ausstattung.
Integration von Feldarbeit: Kombiniere Fernerkundungsanalysen mit lokalen Messungen (z. B. Vegetationsinventur, Bodentypen, einfache GPS-Punkte). Schüler können eigene Beobachtungsdaten sammeln und als Validierungsdaten nutzen — das stärkt Mess- und Dokumentationskompetenz und zeigt die Verbindung zwischen Fernerkundung und realer Welt.
Citizen-Science- und Kooperationsmöglichkeiten: Projekte mit Plattformen wie Globe Observer (NASA) oder lokalen Umweltbehörden anbieten — Schüler liefern Beobachtungen oder Fotos, die mit Satellitendaten verglichen werden. Kooperationen mit Universitäten oder Vermessungsämtern können Gastvorträge, Datensätze oder Feedback auf Schülerprojekte ermöglichen.
Hinweise zu Datenschutz und Ethik: Meide Aufgaben, die das Identifizieren einzelner Personen oder Privatgrundstücke fördern. Sensibilisiere Lernende für rechtliche und ethische Fragen der Fernerkundung (Privatsphäre, politische Sensibilität von Regionen) und spreche über die Unsicherheiten von Interpretationen, bevor Ergebnisse veröffentlicht werden.
Vorbereitete Vorlagen, die Lehrkräfte nutzen können: 1) Arbeitsblätter mit Leitfragen und Messanleitungen; 2) Checklisten für Datenqualität (Wolkenanteil, Aufnahmedatum, Sensor); 3) Standardskripte für Google Earth Engine und QGIS-Projektdateien; 4) Bewertungsrubriken und Präsentationsvorlagen. Diese Vorlagen sparen Zeit und stellen sicher, dass didaktische und fachliche Anforderungen abgedeckt sind.
Erweiterungsmodule für leistungsstarke Gruppen: Einführung in Machine Learning (z. B. einfache Klassifikation mit Random Forest in QGIS/Orfeo Toolbox), Objektbasierte Bildanalyse, oder Entwicklung eines kleinen Dashboards zur Visualisierung von Veränderungen (z. B. mit Google Data Studio oder einfachen Python-Notebooks).
Abschließend praktische Hinweise zur Materialbeschaffung: Nutze Free-Data-Quellen (Copernicus, Landsat, NASA), stelle Bildpakete auf einer Schulplattform bereit (z. B. Moodle, Nextcloud), und gib klare Nutzungsanweisungen für Software. Kleine Vorlagen mit Schritt-für-Schritt-Anleitungen und Screenshots erleichtern den Einstieg für Lehrkräfte ohne Fernerkundungs-Hintergrund.
–
Mehr erfahren auf toppbooks.de
– ein Blick lohnt sich!
