Met satellietbeelden bedrijfsgebouwen herkennen

1. INTRODUCTIE

Dit onderzoek gaat na welke mogelijkheden satellietdata bieden om bedrijfsgebouwen te signaleren. Hiermee kan een clustering van bedrijfsgebouwen herkend worden om deze als bedrijventerreinen te duiden. In Nederland zijn dergelijke datasets beschikbaar, maar in veel andere Europese landen niet. Remote sensing data kan daarom interessant aangezien het een uitgebreide, doch bondige, kijk kan geven op het te onderzoeken fenomeen. Tegelijkertijd vinden ontwikkelingen snel plaats en zijn deze dusdanig omvangrijk, dat deze middels veldwerk nooit zo adequaat kunnen worden bijgehouden (Richards & Jia, 2006; Griffiths, Hostert, Gruebner & Van der Linden, 2010).

Om de mogelijkheden kritisch te kunnen beoordelen, wordt uitgegaan van een bekende situatie. Wanneer deze valide is, kan worden beoordeeld in hoeverre het opportuun is voor andere landen.

Dit onderzoek bestaat uit de volgende doelstellingen:

• Landsat 8 data prepareren en visueel interpreteren op vorm, omvang, patronen, ruimtelijke resolutie en dergelijke;
• Het maken, het tonen en het onderling vergelijken van diverse composities om bedrijfsgebouwen zo duidelijk mogelijk weer te geven;
• Reflectiewaarden van verschillend landgebruik grafisch weergeven om hun spectrale gevoeligheid middels te bestuderen;
• Aan de hand van aanvullende datasets de resultaten toetsen.

Uit de doelstelling kan de volgende centrale vraagstelling geformuleerd worden:

In hoeverre is het mogelijk om door middel van Landsat 8 data bedrijfsgebouwen te kunnen herkennen?

Het resultaat van dit onderzoek is een kritische reflectie voor het gebruik van raster data ten aanzien van de bestaande vector datasets, waarmee bedrijfsgebouwen in vorm en functie duidelijk herkenbaar zijn.

2. ONDERZOEKSGEBIED EN DATAGEBRUIK

Op basis van Raspe, Weterings, Geurden-Slis & Van Gessel (2012) is het studiegebied bepaald. Een divers gebied ter grootte van circa 900 km2, samengesteld uit verschillende COROP-regio’s die in figuur 1 zichtbaar zijn.

Figuur 1: De COROP regio’s van Nederland (bron: Raspe, Weterings, Geurden-Slis & Van Gessel, 2012)

De downloadbare satellietbeelden van USGS Glovis in WGS84 kunnen beoordeeld worden aan de hand van de volgende resoluties (Powell, Pflugmacher, Kirschbaum, Kim & Cohen, 2007):

• Ruimtelijk;
• Spectraal;
• Tijdelijk;
• Radiometrisch;

De 30m resolutie behoort tot een middelmatige resolutie welke geschikt is om onder andere landgebruik te bestuderen (Gao, Masek, Wolfe & Huang, 2010; Blackett, 2014). Gekozen is voor een bedekkingsgraad van maximaal 20% om een zo helder mogelijk beeld te krijgen. Tevens is gekozen voor de zomerperiode, aangezien het bladgroen zich het beste manifesteert en daarmee het meest herkenbare beeld oplevert (Hansen, Williams & Adjei, 2015).

Figuur 2: Landsat 8 OLI/TIRS C1 Level-1 op 17 september 2014 (bron: USGS Glovis, 2018)

Een natuurlijk kleurenpatroon afbeelding wordt verkregen door de banden 4, 3 en 2 samen te voegen, zoals afgebeeld wordt in figuur 3 (Barsi, Lee, Kvaran, Markham & Pedelty, 2014). De eerste output was erg donker. Er is geëxperimenteerd met het verhogen van de waarden van de saturatie (5), de helderheid (50) en het contrast (5) om een zo natuurlijk mogelijk beeld te verkrijgen (Chiang, Hsia, Peng & Lien,  2014).

Figuur 3: een natuurlijk kleurenpatroon beeld van het studiegebied (bron: auteur)

Op basis van aspecten van visuele interpretatie worden de volgende constateringen gedaan (Dalsted & Queen, 1999):

• De zichtbaarheid van de Haarlemmermeerpolder met zijn orthogonale verkavelingspatroon. Bedrijfsgebouwen hebben ook, weliswaar kleiner, veelal een orthogonale vorm;
• Veel gebieden met bedrijfsgebouwen slaan wit uit, zoals het havengebied van Amsterdam en het veilingterrein in Rijnsburg. Echter slaan diverse kassengebieden en zandgronden ook wit uit;
• Ondanks een verhoogde helderheid is het onderscheid tussen verschillende typen bedrijfsgebouwen met bepaalde wit- en grijswaarden moeilijk te maken;
• Textuurverschillen van bedrijfsgebouwen zijn vanwege de middelmatige resolutie niet te maken, zoals materiaalgebruik en dakvorm;
• Wanneer er ingezoomd wordt, zijn clusteringen van bedrijfsgebouwen zichtbaar maar ontbreekt het aan ruimtelijke resolutie om vast te stellen dat het hier om een verzameling van individuele panden gaat.

In figuur 4 wordt hierop verder ingegaan door het bodemgebruik van Nederland vanuit een vectorbestand te visualiseren (CBS, 2008). Doelbewust zijn bedrijventerrein en glastuinbouwgebieden afwijkend van kleur dan normaal gesproken gebruikelijk is. Geel en wit kleurgebruik zorgen ervoor dat deze helder naar voren komen, zelfs wanneer objecten klein zijn en gefragmenteerd voorkomen.

Figuur 4: het bodemgebruik van het studiegebied (bron: auteur)

 Op basis van figuur 4 en in vergelijking met figuur 3 wordt het volgende geconstateerd:

• In Katwijk, Roelofarendsveen en Aalsmeer grenzen bedrijventerreinen en glastuinbouw aan elkaar, een nuance die in figuur 3 niet te maken was;
• Verkavelingsvormen en nuances in bodemgesteldheid zijn daarentegen weer beter te onderscheiden in figuur 3;
• Wanneer figuur 3 en 4 met elkaar vergeleken worden, wordt duidelijk dat glastuinbouw een hogere uitstraling heeft dan bedrijfsgebouwen;

Het bestuderen van de reflectiewaarden is wenselijk om glastuinbouw en bedrijfsgebouwen deugdelijk te kunnen extraheren uit satellietbeelden.

3. VALSE KLEUREN COMPOSITIES      

Het gebruik van kleuren in remote sensing is zowel visueel als wetenschappelijk relevant. Voor de volledigheid wordt in figuur 5 de aanduidingen gegeven voor de spectrale banden van Landsat 8.

Figuur 5: Spectrale banden van Landsat 8 (bron: Acharya & Yang, 2015)

In figuur 3 werd al een voorbeeld gegeven van een natuurlijke kleuren compositie. Wanneer de blauwe band ontbreekt, kan een ander beeld gegenereerd worden door de bijna infrarood met rood en groen te combineren. Dit is een tradtioneel valse kleuren compositie, die in figuur 6 zichtbaar is (Patra, Shekhar, Solanki, Ramachandran & Krishnan, 2006). Acharya & Yang (2015) onderstrepen dit door te constateren dat het een van de meest gebruikte combinatie is om de mate van begroeiing aan het aardoppervlak te meten. Verschillen in roodtinten hebben te maken met de gezondheid van de begroeiing, maar ook of het om bos of grasland gaat.

Figuur 6: een traditioneel valse kleuren compositie (bron: auteur)

Studies met betrekking tot de gebouwde omgeving zijn vooral actueel op het gebied van bebouwingsdichtheid in relatie tot een stedelijk hitte-eiland (Yuan & Bauer, 2007). Om na te gaan welke compositie het meest geschikt is om bedrijfsgebouwen te herkennen, wordt in figuur 7 bruikbaar overzicht om in een oogopslag inzichtelijk te maken wat de gemiddelde reflectiewaarden zijn voor vegegatiesoorten (a), grondsoorten (b) en niet-natuurlijke materialen (c) (Nidamanuri & Ramiya, 2014).

Hieruit kan opgemaakt worden dat de golflengten veel minder synchroon zijn aan elkaar dan bij vegetatie- en grondsoorten. De banden 7 en 8 bevatten een grotere bandbreedte aan golflengten waardoor, afgaand op figuur 5, niet-natuurlijke materialen scherper weergegeven worden. Hierdoor is gekozen voor een arbitraire kleuren compositie die bestaat uit de banden 1, 8 en 7 en is in figuur 8 weergegeven. Door de maximale stretch waarde op 100% te zetten in plaats van de 98%, ontstaat een relatief donkerder beeld waar juist de oppervlakten met hogere reflectiewaarden als lichtgevend goud zichtbaar worden.

Figuur 7: uiteenlopende gemiddelde reflectiewaarden (bron: Nidamanuri & Ramiya, 2014)

Figuur 8: een arbitraire kleurencompositie (bron: auteur)

In de figuren 9a, 9b en 9c zijn uitsneden gemaakt van het studiegebied om de composities beter met elkaar te kunnen vergelijken, waaruit geconstateerd kan worden (Albertz, 2007):

• Dat het onderscheid van water en groen het beste is in 9b, gelet op het patroon van het water linksonder in beeld in het Spaarnwoude/houtrak;
• Dat de scherpte van de afbeelding wordt vergroot door het gebruik van de banden 5 t/m 9, in figuur 9a ontbreken deze banden en is de afbeelding beduidend minder scherp dan de overige twee;
• Dat figuur 9c dusdanig scherper is dat veel meer verschil van vormen van objecten kunnen worden waargenomen, zoals silo’s en bedrijfsgebouwen.

Figuur 9a: uitsnede Amsterdamse havens in RGB = 4, 3, 2 (bron: auteur)

Figuur 9b: uitsnede Amsterdamse havens in RGB = 5, 4, 3 (bron: auteur)

Figuur 9c: uitsnede Amsterdamse havens in RGB = 1, 8, 7 (bron: auteur)

4. GESUPERVISEERDE CLASSIFICATIE

Een van de belangrijkste onderdelen van remote sensing is het verkrijgen van data die informatie geeft over het landgebruik van een gebied, die vervolgens op een kaart weergegeven kan worden (Al-Doski, Mansor & Shafri, 2013). Er zijn diverse methoden om informatie te verkrijgen, waarbij hier wordt ingegaan op gesuperviseerde classificatie. De analist verzameld afdoende pixels met daarin kwantitatieve gegevens over reflectiewaarden, ook wel trainen genoemd, om diverse landgebruik te kunnen onderscheiden (Richards, 1993; Jensen, 2005). Alvorens getraind kan worden, dient de afbeelding op bepaalde vlakken gecorrigeerd te worden voor gebruik.

De volgende typen landgebruik worden onderscheiden:

• Glastuinbouw
• Wegen
• Water
• Bos
• Natuurlijk terrein kaal
• Natuurlijk terrein begroeid
• Woongebied
• Bedrijventerrein

In figuur 7 is duidelijk te zien dat natuurlijke en niet-natuurlijke materialen beduidend andere reflectiewaarden hebben en tevens een ander verloop van de golflengten, maar tegelijkertijd sommige waarden van golflengten dicht bij elkaar liggen.

Op basis van dit gegeven zijn meer categorieën gekozen om zoveel mogelijk onderscheid te kunnen maken dat past bij het daadwerkelijke landgebruik. Zeker bij niet-natuurlijke materialen zijn de reflectiewaarden minder eenduidig. Neem bijvoorbeeld woningbouw: het dak is plat of schuin en kan opgebouwd zijn uit bitumen, betonnen dakpannen of keramische dakpannen. Op basis van lokale kennis en streetview, zijn in totaal 26 gebieden als training input gebruikt met minimaal twee per type landgebruik

Figuur 10a: volledige spectrale responscurve (bron: auteur)

Figuur 10b: spectrale responscurve ingezoomd (bron: auteur)

Hieruit volgen de spectrale responscurves die weergegeven zijn figuren 10a, welke volledig weergegeven is en 10b, waarbij ingezoomd is om de verschillen in waarden beter te kunnen waarnemen. Banden zijn weergegeven door middel van verticale stippellijnen.

Conclusies ten aanzien van de figuren 10a en 10b (Aggarwal, 2003; Kotthaus, Smith, Wooster & Grimmond, 2014; Herold, Roberts, Gardner & Dennison, 2004; Bierwirth, Lee & Burne, 1993):

• De reflectiewaarden voor gezonde vegetatie, zoals bos en natuurlijk terrein begroeid, hebben een kenmerkende ‘’piek en dal’’ configuratie. In het zichtbare gedeelte wordt veel geabsorbeerd en in het bijna infrarood gedeelte is juist een hoge reflectie te zien;
• De reflectiewaarden van name natuurlijk terrein kaal, en in mindere mate bedrijventerrein, blijven alsmaar stijgen en zijn tussen band 6 en 7 zelfs gelijk aan die van glastuinbouw;
• Wegen zijn veelal opgebouwd uit donkere koolstof materialen, waardoor deze over het algemeen een relatief lagere reflectiewaarde kennen dan de meeste niet-natuurlijke materialen;
• Spectrale verwarring en overlappingen zijn een veelvoorkomend fenomeen bij niet-natuurlijke materialen, doordat de bestandsdelen van het niet-natuurlijke materialen in meer of mindere mate met elkaar overeenkomen;
• Spectrale verwarring kan deels ontstaan, doordat bijvoorbeeld water op platte daken blijft staan na een flinke regenbui waardoor het desbetreffende bedrijfsgebouw een relatief lagere reflectiewaarde kent. Bij glastuinbouw die vol staan met planten kan hetzelfde effect optreden;
• Niet alleen bedrijfsgebouwen hebben een plat dak van bitumen, maar ook benzinestations, schuren, uitbouwen van een woningen, winkelcentra, etc.
• Water heeft een opvallend vlakke lijn en is kenmerkend voor ondiep water;

5. GROUND TRUTHING DOOR HET GEBRUIK VAN AANVULLENDE DATA

In figuur 11 wordt een kaart met landgebruik weergegeven, gebaseerd op de gesuperviseerde classificatie. Garrity (2009) stelt dat het concept van ground truthing veelgebruikte methode is om op afstand verzamelde data te verifiëren aan de hand van veldwerk. De uitkomsten van de classificatie kunnen nog verder onderscheiden worden in de mate waarin deze passend of nauwkeurig zijn (Ruppert, Hussain & Müller, 1999).

Figuur 11: landgebruik op basis van gesuperviseerde classificatie (bron: auteur)

Er wordt op twee wijzen geverifieerd in hoeverre de gesuperviseerde classificatie overeenkomt met andere databronnen:

1. Door het gebruik van polygonen op basis van de landelijke informatie IBIS bedrijventerreinen;
2. Door het gebruik van de BAG waar gefilterd wordt op panden met een industriefunctie groter dan 0 m2.

Op basis van de eerste methode worden in figuur 12 voorbeelden gegeven waarvan de gesuperviseerde classificatie als succesvol beschouwd wordt:

Figuur 12: Voorbeelden van bedrijventerreinen die herkend worden uit satellietbeelden (bron: auteur)

In figuur 13 worden voorbeelden gegeven waarvan de gesuperviseerde classificatie minder succesvol is gebleken:

Figuur 13: Voorbeelden van bedrijventerreinen die minder makkelijk herkend worden uit satellietbeelden (bron: auteur)

In figuur 14 wordt een vergelijking tussen panden en pixels gemaakt tussen een succesvolle en minder succesvolle classificatie door gebruik te maken van de industriefunctie van de BAG (paars) in vergelijking met de bedrijventerrein (geel):

Figuur 14: Vergelijking tussen panden met industriefunctie en supergeclassificeerde data (bron: auteur)

Conclusies ten aanzien de nauwkeurigheid en passendheid van de classificatie (Ruppert, Hussain & Müller, 1999):

• De oppervlakte en de clustering van industriepanden hebben grote invloed op de juiste classificatie, mede doordat de Landsat 8 een middelmatige resolutie heeft;
• Het centrum van Amsterdam kent een hoge bebouwingsdichtheid en is in functie zeer gevarieerd, waardoor er spectrale verwarring ontstaat;
• Spectrale verwarring op bedrijventerreinen betreffen vooral wegen, woongebied en glastuinbouw, waardoor sommige panden met industriefunctie verkeerd worden geclassificeerd.
• Een weg wordt pas geclassificeerd wanneer deze een behoorlijke oppervlakte heeft;

6. CONCLUSIE

De vraagstelling die centraal stond is als volgt:

 In hoeverre is het mogelijk om door middel van Landsat 8 data bedrijfsgebouwen te kunnen herkennen?

Dit verkennende onderzoek biedt interessante aanknopingspunten om bedrijfsgebouwen te kunnen herkennen op grotere schaal alsmede in het buitenland. Eerste resultaten laten zien dat ondanks de middelmatige resolutie van de Landsat 8 data het mogelijk is om clusters bedrijfsgebouwen te herkennen die overeenkomen met de BAG en de IBIS bedrijventerreinen. Experimenten met verschillende kleurencomposities laten zien dat talloze (onderzoeks)doeleinden gediend kunnen worden, maar ook dat verschillende vormen en objecten beter zichtbaar worden. Ondanks de aanknopingspunten laten het kaartbeeld van het eindresultaat en de spectrale responscurve zien dat in de bebouwde omgeving de nodige tekortkomingen bestaan voor multispectrale satellieten (Herold & Roberts, 2006).

Wanneer de multispectrale satelliet de enige beschikbare bron is, kan een verbeterslag kan gemaakt worden door in plaats van 26 trainingsgebieden maar liefst 100 trainingsgebieden te gebruiken. Een vergelijking op temporele resolutie kan ook gemaakt worden, door dezelfde methodiek te reproduceren, waarmee de reflectiewaarden van de trainingsgebieden met elkaar vergeleken kunnen worden.

Roberts, Quattrochi, Hulley, Hook & Green (2012) suggereren dat de classificatie van landgebruik in de gebouwde omgeving verbeterd kan worden door het gebruik van hyperspectrale satellietdata, welke een hogere ruimtelijke resolutie hebben en meer spectrale banden om het juiste onderscheid te maken.

Kortom: clusters van bedrijfsgebouwen extraheren uit satellietbeelden om bedrijventerreinen te herkennen is een heel uitdagend proces. De eerste resultaten laten zien dat de nodige verbeteringen aangebracht kunnen worden. Desalniettemin is het onderzoek waardevol gebleken, aangezien het aantoont dat bedrijfsgebouwen en bedrijventerreinen wel degelijk herkend kunnen worden.

7. LITERATUUR

Abdelaziz, R., El-Rahman, Y. & Wilhelm, S. (2018). Landsat-8 data for chromite prospecting in the Logar Massif, Afghanisatan. Heliyon, 4(2), 1-18.

Abdelaziz, R. & Merkel, B. (2012). Analytical and numerical modeling of flow in a fractured gneiss aquifer. Journal of water resource and protection, 4, 657-662.

Acharya, T. & Yang, I. (2015). Exploring Landsat 8. International journal of IT, engineering and applied sciences research, 4(4), 4-10.

Aggarwal, S. (2003). Principles of remote sensing. Satellite remote sensing and GIS application in agricultural meteorology, 23-38.

Albertz, J. (2007). Einführung in die Fernerkundung. Grundlagen der Interpretation von Luft und Satellitenbildern. Darmstadt: Wissenschaftliche Buchgesellschaft.

Al-Doski, J., Mansor, S. & Shafri, H. (2013). Image classification in remote sensing. Journal of environmental and earth science, 3(10), 141-147.

Barsi, J., Lee, K., Kvaran, G., Markham, B. & Pedelty, A. (2014). The spectral response of the landsat-8 operational land imager. Remote sensing, 6, 10232-10251.

Bierwirth, P., Lee, T. & Burne, R. (1993). Shallow see-floor reflectance and water depth derived by unmixing multispectral imagery. Photogrammetric engineering & remote sensing, 59(3), 331-338.

Blackett, M. (2014). Early analysis of landsat-8 thermal infrared sensor imagery of volcanic activity. Remote sensing, 6, 2282-2295.

Butler, K. (2013). Band combinations for landsat 8. Geraadpleegd op 27 november 2018, via: https://www.esri.com/arcgis-blog/products/product/imagery/band-combinations-for-landsat-8/

CBS (2008). Bestand bodemgebruik. Den Haag: Centraal Bureau voor de Statistiek.

Chiang, J., Hsia, C., Peng, H. & Lien, C. (2014). Color image enhancement with saturation adjustment method. Journal of applied science and engineering, 17(4), 341-352.

Congedo, L. (2018). Semi-Automatic classification plugin documentation. Geraadpleegd op 30 november 2018, via: https://media.readthedocs.org/pdf/semiautomaticclassificationmanual-it/latest/semiautomaticclassificationmanual-it.pdf

Dalsted, K. & Queen, L. (1999). Interpreting remote sensing data. Geraadpleegd op 17 november 2018, via: http://www.ipni.net/publication/ssmg.nsf/0/2D9C31FB57D733CF852579E500776714/$FILE/SSMG-26.pdf.

Gao, F., Masek, J., Wolfe, R. & Huang, C. (2010). Building a consistent medium resolution satellite data set using moderate resolution imaging spectroradiometer products as reference. Journal of applied remote sensing, 4, 1-22.

Garrity, G. (2009). Ground truth. Standards in genomic sciences, 1, 91-92.

Griffiths, P., Hostert, P., Grueber, O. & Linden, S. van der (2010). Mapping megacity growth with multi-sensor data. Remote sensing of environment, 114(2), 426-439.

Herold, M. & Roberts, D. (2006). Multispectral satellites – imaging spectrometry – LIDAR: spatial – spectral tradeoffs in urban mapping. International journal of geoinformatics, 2(1), 1-13.

Herold, M., Roberts, D., Gardner, M. & Dennison, P. (2004). Spectrometry for urban area remote sensing development analysis of a spectral library from 350 to 2400 nm. Remote sensing environment, 91, 304-319.

Hansen, C., Williams, G. & Adjei, Z. (2015). Long-term application of remote sensing chlorophyll detection models: jordanelle reservoir case study. Natural resources, 6, 123-129.

Jensen, J. (2005). Introductory digital image processing. Upper Saddle River: Prentice Hall.

Kotthaus, S., Smith, T., Wooster, M. & Grimmond, C. (2014). Derivation of an urban materials spectral libary through emittance and reflectance spectroscopy. ISPRS journal of photogrammetry and remote sensing, 94, 194-212.

Nidamanuri, R. & Ramiya, A. (2014). Spectral identification of materials by reflectance spectral libary search. Geocarto international, 29(6), 609-624.

Patra, S., Shekher, M, Solanki, S., Ramachandran, R. & Krishnan, R. (2006). A technique for generating natural colour images from false colour composite images. International journal of remote sensing, 27(14), 2977-2989.

Peters, J. (2015). The many band combinations of landsat 8. Geraadpleegd op 27 november 2018, via: https://www.harrisgeospatial.com/Learn/Blogs/Blog-Details/ArtMID/10198/ArticleID/15691/The-Many-Band-Combinations-of-Landsat-8

Powell, S., Pflugmacher, D., Kirschbaum, A., Kim, Y. & Cohen, W. (2007). Moderate resolution remote sensing alternatives: a review of landsite-like sensors and their applications. Journal of applied remote sensing, 1, 1-16.

Prishchepov, A., Radeloff, V., Dubinin, M. & Alcantara, C. (2012). The effect of landsat ETM/ETM+ image acquisition dates on the detection of agricultural land abandonment in Eastern Europe. Remote sensing of environment, 126(10), 195-209.

Quinn, J. (2001). Band combinations. Geraadpleegd op 27 november 2018, via: http://web.pdx.edu/~nauna/resources/10_BandCombinations.htm

Raspe, O. Weterings, A., Geurden-Slis, M. & Van Gessel, G. (2012). De ratio van ruimtelijk-economisch topsectorenbeleid. Den Haag: PBL/CBS.

Richards, J. & Jia, X. (2006). Remote sensing digital image analysis. Berlin: Springer-Verlag.

Richards, J. (2013). Remote sensing digital image analysis. Berlin: Springer-Verlag.

Roberts, D., Quattrochi, D., Hulley, G., Hook, S. & Green, R. (2012). Synergies between VSWIR and TIR data fort he urban environment: an evaluation of the potential for the hyperspectral infrared imager (HyspIRI) decadal survey misson. Remote Sensing of Environment, 117(15), 83-101. 

Ruppert, G., Hussain, M. & Müller, H. Accuracy assessment of satellite image classification depending on training sample. Austrian journal of statistics, 4, 195-201.

Salas, E., Valdez, R. & Michel, S. (2017). Summer and winter habitat suitability or Marco Polo argali in southeastern Tajikistan: a modeling approach. Heliyon, 3(11), 1-25.

USGS Glovis (2018). Global land survey. Geraadpleegd op 18 november 2018, via: https://glovis.usgs.gov/app?fullscreen=0

Wang, Z. & Li, Q. (2017). Thermodynamic characterisation of urban nocturnal cooling. Heliyon, 3(4), 1-17.