Seit rund zehn Jahren prägen Sentinel-1 (Radar) und Sentinel-2 (multispektral) die Fernerkundungswelt und bilden die Grundlage vieler Anwendungen von Landbedeckungsklassifikation bis Umweltmonitoring. Trotz frei verfügbarer Daten und hoher zeitlicher Auflösung ist der direkte Einstieg für viele GIS-AnwenderInnen jedoch weiterhin anspruchsvoll. Häufig scheitert es nicht am Analysewerkzeug, sondern an der Frage, wie man an „analysis ready data“ (ARD) gelangt, also an Datensätze, die ohne umfangreiche Vorverarbeitung unmittelbar in GIS- oder Python-Workflows genutzt werden können.
Bei Sentinel-1 bedeutet dies meist eine komplette Vorverarbeitungskette: radiometrische und geometrische Korrekturen, Speckle-Filterung, präzise Georeferenzierung sowie Geländekorrektur - ohne entsprechendes Radar-Know-how wirken diese Schritte schnell abschreckend. Sentinel-2 erscheint auf den ersten Blick einfacher, stellt aber ebenfalls Herausforderungen: wechselnde Preprocessing-Baselines der offiziellen ESA-Level-2A-Daten, atmosphärische Effekte und insbesondere Wolkenbedeckung, die zuverlässig erkannt und ausgeschlossen werden muss, bevor Indizes oder Klassifikatoren zum Einsatz kommen können. Darüber hinaus lohnt es sich häufig, Einzelaufnahmen zeitlich zu aggregieren oder direkt Zeitreihen zu erstellen, um multitemporale Analysen zu ermöglichen. Genau darin liegt eine besondere Stärke der Sentinel-Missionen: robuste Datenkontinuität, die dichte Zeitreihen und damit auch Trends und saisonale Muster sichtbar macht.
Parallel zur steigenden Datenmenge wächst die Verfügbarkeit an freien ARD-Produkten und Softwarewerkzeugen. Plattformen wie das Copernicus Data Space Ecosystem oder nationale Angebote wie die vom DLR angebotene MAJA/WASP Kollektionen mindern den lokalen Preprocessing-Aufwand erheblich und bieten bereits fertig nutzbare Szenen oder Mosaike, etwa monatliche Sentinel-1-Backscatter-Mosaike. Für AnwenderInnen die eigene Pipelines bevorzugen oder spezielle Anforderungen haben, stehen etablierte Open-Source-Werkzeuge zur Verfügung: etwa FORCE für systematische ARD-Erzeugung und Data-Cube-Workflows, SADASADAM zur automatisierten Erstellung wolkenfreier Tagesmosaike und GRASS-GIS-Module, die sich flexibel in lokale oder Cloud-basierte Verarbeitungsketten integrieren lassen.
Der Vortrag ordnet diese Möglichkeiten ein, zeigt typische Stolperstellen und gibt praxisorientierte Entscheidungshilfen. Ziel ist es, den Zugang zu Sentinel-Daten zu vereinfachen und zu zeigen, dass robuste Fernerkundungsanalysen nicht zwingend tiefe Spezialkenntnisse voraussetzen, solange geeignete ARD-Strategien gewählt werden.