Dank Erdbeobachtungsmissionen wie EnMAP und PRISMA sind hyperspektrale Rasterdaten inzwischen kostenfrei, für große Gebiete und verschiedene Aufnahmezeitpunkte verfügbar. Ihre Nutzung stellt allerdings viele Anwender*innen vor Herausforderungen: Herkömmliche GIS- und Fernerkundungssoftware ist oft wenig geeignet für einen effizienten Umgang mit Hyperspektraldaten, die oft über 200 Wellenlängen in teils hoch-korrelierten Kanälen abbilden. Zudem bieten sie meist auch keine Möglichkeit, die zu den Rasterdaten gehörigen Metadaten in Wert zu setzen.

Dies ändert sich mit der EnMAP-Box. Sie ergänzt QGIS um essenzielle Fähigkeiten zur Analyse und Auswertung hyperspektraler Rasterdaten, etwa Nutzung beiliegender Wellenlängeninformationen zur schnellen Visualisierung geeigneter Kanalkombinationen, oder das Lesen, Erstellen und Schreiben von Spektralbibliotheken. Die EnMAP-Box ergänzt das QGIS Processing Framework um mehr als 150 Algorithmen, die einen einfachen Zugang zu state-of-the-art Methoden aus dem Bereich des Maschinellen Lernens bieten. Damit lassen sich umfangreiche Workflows zur automatisierten Prozessierung von Fernerkundungsdaten realisieren, etwa um Landnutzungsklassifizierungen oder Karten von biophysikalischen Variablen zu erhalten.

Mittlerweile wird die EnMAP-Box in zahlreichen Forschungseinrichtungen wie auch in der Privatwirtschaft genutzt. Unser Vortrag zeigt, wie leicht sich mit der EnMAP-Box nicht nur EnMAP und PRISMA, sondern auch Landsat und Sentinel-2 Daten verwenden lassen. Wir stellen ihre neuesten Fähigkeiten vor, etwa aus dem Bereich „Deep-Learning“, und geben einen Überblick über die bis Ende 2026 geplante Entwicklung.