Satellietbeelden gebruiken voor journalistiek onderzoek

Joris Heijkant
5 min readNov 10, 2023

Waar vind je ze, en hoe zet je ze in voor je onderzoek?

Beeld Pexels/Pixabay

Helaas zijn er steeds meer plekken in de wereld waar journalisten niet zomaar kunnen komen. Neem gebieden die worden verscheurd door oorlog, gevaarlijke plekken in de Amazone of landen waar journalisten minder welkom zijn. Gelukkig is er die mooie tegenbeweging in de journalistiek, OSINT, waarmee we toch een beeld kunnen krijgen van plaatsen buiten het journalistieke bereik.

Satellietbeelden zijn een belangrijk onderdeel van OSINT. Hieronder een overzicht over waar je ze kunt krijgen, waar je rekening mee moet houden en hoe je ze kunt gebruiken. Dit is een levend document, dus laat het vooral weten als je nog toffe aanvullingen hebt! Ik vind het belangrijk dat deze kennis binnen de journalistiek breed en openlijk wordt gedeeld, dus voel je vrij om deze gids te verspreiden.

Providers

- Sentinel. Deze EU-satellieten maken elke dag een foto van de hele aarde in een 10m/px-resolutie. Dat is niet heel scherp, maar voor onderzoek naar grotere objecten/verschijnselen is het prima. Bonus is dat de beelden op open water goed en compleet zijn, erg fijn dus voor onderzoek naar de scheepvaart.
- Planet. Een betaalde dienst met dagelijkse 3m/px beelden. Beelden op betere resolutie kunnen worden opgevraagd. Wat tof is aan Planet, is dat de beelden die anderen opvragen in goede resolutie (lees: oorlogsgebieden) voor iedereen met een abonnement beschikbaar worden gesteld. Zeer geschikt voor onderzoek naar conflictgebieden dus, en als je ze lief mailt kunnen ze kijken wat er mogelijk is wanneer je minder budget hebt.
- Planet NICFI. Een deel van Planet’s beelden is publiek beschikbaar. Het gaat om de Amazone en andere kwetsbare natuurgebieden. Daarvoor moet je hier een aanvraag doen.
- Maxar. De scherpste en beste satellietbeelden, maar steenduur. Doen wel veel dingen voor journalisten zonder abonnement als je ze mailt.
- Kompsat is een Koreaanse provider met bizar goede kwaliteit beelden. Heb er alleen nog nooit mee gewerkt.
- Dit is een mooie lijst met andere gratis providers.
- Met dit soort van legale script kun je op grote schaal Google Maps en andere openbare providers leegtrekken. Je hebt er weinig technische kennis voor nodig, maar wel enige handigheid met computers en de command line. Vooral fijn als je beelden nodig hebt die niet per se tijdsgebonden zijn, om bijvoorbeeld een model te trainen.

Datum en tijdstip

Wie journalistiek onderzoek doet, heeft beeld van een bepaalde dag of binnen een bepaalde periode nodig. De meeste satellietbedrijven fotograferen de gehele aarde één keer per dag. Dat betekent dat er van iedere plek op aarde elke dag een foto beschikbaar wordt gesteld. Als je een specifiek tijdstip nodig hebt is dat dus lastig, dus pas op met te specifieke vragen (stond de auto van de koning om 12:35 nog geparkeerd op de oprit). Bij sommige betaalde aanbieders kun je op verzoek foto’s laten maken op een specifiek tijdstip, maar dit is prijzig en komt met haken en ogen. Maar van iedere dag zijn er foto’s beschikbaar.

Met één keer per dag bedoelen we ook echt per dag, dus bij daglicht. De kwaliteit en bruikbaarheid van satellietfoto’s is extreem afhankelijk van het tijdstip en weer: in het donker zie je weinig en wolken zijn de grootste spelbrekers als het gaat om onderzoek vanuit de lucht. Vaak kun je bij providers zoeken op een maximaal percentage aan “cloud coverage”, waardoor je foto’s uit kunt sluiten waar niet veel meer dan wolken op te zien zijn.

Resolutie

De camera’s die aan satellieten hangen verschillen in kwaliteit en de resolutie die ze kunnen schieten. Hoe beter de resolutie, hoe makkelijker het is om objecten te herkennen vanuit de lucht. Bij een lagere resolutie kun je alleen nog grotere objecten herkennen, zoals bijvoorbeeld schepen of bosbranden, maar is het lastiger om bijvoorbeeld loopgraven of kleinere voertuigen te spotten.

De resolutie van satellietbeelden wordt meestal uitgedrukt in meter per pixel. Bij een beeld van 3m/px staat elke pixel dus voor een gebied van 3 bij 3 meter. Dat lijkt niet zo scherp, en dat is het ook niet. Maar die resolutie is al goed genoeg om te kijken naar verkeer en ontbossing. De scherpste beelden die ik tot nu toe heb gezien zijn 30cm/px van Maxar, waarmee je echt extreem gedetailleerd onderzoek kunt doen naar personen die op de weg staan of liggen.

Camerahoek

Wat ook veel uit kan maken is de off-nadir angle van een beeld. Dit is de hoek waarmee het beeld is geschoten. Omdat de aarde rond is, komt het maar zeer zelden voor dat een satelliet precies boven een object hangt wanneer een foto wordt geschoten. Dit is waarom je op satellietbeeld vaak maar een of twee zijdes van een gebouw kunt zien, ondanks het feit dat het beeld plat lijkt. Dit kan een voordeel of een nadeel zijn: zo kun je vanaf de zijkant van een gebouw eventuele beschadigingen goed zien, maar door de hoek kunnen ook voorwerpen of mensen buiten beeld blijven. De camerahoek staat altijd vermeld bij het beeld.

Formaten

Wie satellietbeelden direct van de aanbieder downloadt, krijgt vaak enorme afbeeldingsbestanden in een .jp2- of .tiff-formaat. In deze bestanden zit naast de afbeelding ook geodata, die laat zien waar en wanneer de foto is genomen. De foto’s bestrijken vaak een enorm gebied, wie gericht onderzoek wilt doen heeft vaak maar een klein deel van de foto nodig. Wil je de satellietbeelden over een kaart leggen? Gebruik dan Qgis en drop je foto’s als nieuwe lagen. Wie handig is met python kan met libraries als pyproj en gdal grotere afbeeldingen makkelijk opdelen in kleinere delen.

Kunstmatige intelligentie

Met OSINT en AI kunnen we twee extreme buzzwords met elkaar combineren en ook gewoon heel mooi onderzoek mogelijk maken. Een model is zo getraind met Teachable Machine van Google, een simpele tool om snel visuele AI-modellen te maken. Binnen deze omgeving kun je ook een Google Drive-mapje met nieuwe bestanden inladen om een snelle analyse te draaien. Zorg ervoor dat je in ieder geval een paar iteraties van je model maakt, waarbij je fout gelabelde afbeeldingen weer aan het model terugvoert. Alleen zo krijg je betrouwbare resultaten.

Voor grotere projecten raad ik aan om het toch op codeniveau te doen. Bovendien kun je dan ook gebruik maken van voorgetrainde modellen zoals detectron van Meta, dat met gemak dingen als voertuigen en schepen uit je afbeeldingen zou moeten kunnen trekken zonder dat je er zelf een model voor hoeft te trainen. Check ook vooral sites als Github en Hugging Face of iemand jouw type onderzoek al eens heeft gedaan en al een goed model heeft getraind dat je kunt hergebruiken.

--

--

Joris Heijkant

Creative coder || journalist. Schrijft over OSINT en datajournalistiek.