Mehr

2.6: Einführung in Google Earth - Geowissenschaftenscience

2.6: Einführung in Google Earth - Geowissenschaftenscience


Überblick

Google Earth ist ein großartiges Tool, um viele der geologischen Merkmale, die wir in diesem Kurs besprechen, zu visualisieren und zu erkunden. Dieses Programm ist kostenlos und einfach zu bedienen. Diese erste Google Earth-Aufgabe konzentriert sich darauf, Sie mit dem Programm und einigen der Tools vertraut zu machen, die wir in späteren Labs verwenden werden. Beachten Sie, dass der optimale Weg, um die Geologie zu sehen, darin besteht, nach draußen zu gehen. Da dies für einen Online-Kurs keine Option ist, ist die nächstbeste Verwendung von Google Earth. Dies ist ein praktisches und nützliches Programm, das viele Anwendungen hat.

Hinweis

Die Versionen von Google Earth werden regelmäßig aktualisiert. In diesem Fall beziehen sich die Anweisungen in den Labs für dieses Kapitel möglicherweise auf die ältere Version des Programms. Wenn Sie glauben, dass dies passiert ist, teilen Sie dies bitte Ihrem Lehrer mit.

Wenn Google Earth auf dem von Ihnen verwendeten Computer noch nicht installiert ist, gehen Sie wie folgt vor:

  1. Gehen Sie zu http://earth.google.com
  2. Klicken Sie oben auf der Seite auf den Tab Google Earth herunterladen. Rezension die Datenschutzrichtlinie und klicken Sie auf Zustimmen und herunterladen, um die neueste Version herunterzuladen.
  3. Speichern Sie die Datei unter Ihre Desktop, öffnen Sie es und befolgen Sie die Anweisungen zur Installation.
  4. Öffnen Sie Google Earth.

Bevor wir mit der Aufgabe beginnen, machen wir uns zunächst mit Google Earth vertraut. Lesen Sie jeden Schritt und verbringen Sie ein paar Minuten damit, Dinge auszuprobieren, was Ihnen später die Arbeit erleichtert. Beachten Sie auch, dass sich die Mac- und PC-Versionen von Google Earth etwas unterscheiden.

Sie werden dieses Programm während des gesamten Kurses ausgiebig verwenden. Nehmen Sie sich jetzt die Zeit, um zu lernen, wie man darin navigiert.

Schritt 1 – Navigation

Sehen Sie sich die einzelnen Tutorial-Videos unter http://www.google.com/earth/learn/beginner.html#navigation an. Es ist wichtig, dass Sie sich Zeit nehmen, um diese virtuellen Ressourcen zu überprüfen, um Ihnen besser zu helfen Google Earth und seine Fähigkeiten verstehen. Diese sind der Schlüssel zur Beherrschung des Tools. Die Navigation in Google Earth kann auf zwei Arten erfolgen:

  • Zuerst können Sie das Suchfeld im oberen Bereich verwenden linke Seite des Bildschirms. Geben Sie einfach einen Ort, eine Adresse oder eine Koordinate ein und die Position wird vergrößert (probieren Sie es aus) jetzt).
  • Der zweite Ansatz besteht darin, dass Sie auch manuell navigieren können:
  • Um die Position zu verschieben, können Sie mit der linken Maustaste klicken und die Karte ziehen oder auf das Handsymbol in der oberen rechten Ecke klicken.
  • Sie können mit dem Mausrad hinein- und herauszoomen, indem Sie mit der rechten Maustaste klicken und die Maus nach oben oder unten ziehen oder indem Sie den untersten Balken in der oberen rechten Ecke verschieben.
  • Klicken und halten Sie das Mausrad, um die Karte zu drehen (links und rechts) oder die Landschaft zu neigen (nach oben und unten). Dies kann auch über die Pfeile um das Augensymbol in der oberen rechten Ecke erfolgen.

Am unteren Rand des Bildes gibt es mehrere wichtige Informationen:

  1. Breiten-und Längengrad
  2. Höhe bezogen auf den Meeresspiegel
  3. Augenhöhe, die angibt, wie vergrößert oder verkleinert Sie sind.

Schauen wir uns zum Beispiel die Niagarafälle an. Geben Sie im Suchfeld oben links Niagara Falls, NY ein. Um besser zu erkennen, wo die Wasserfälle sind, möchten Sie ein wenig herauszoomen. Beachten Sie Ihre Augenhöhe unten rechts. Verwenden Sie die Minus-Taste für den Zoom, bis Sie sich auf ~10.000’ Augenhöhe befinden. Überprüfen Sie Ihren Breitengrad (~43º 04'39"N - gelesen als 43 Grad, 4 Minuten und 57 Sekunden Nord) und den Längengrad (~79º 04'28"W). Es bewegt sich, wenn Sie Ihren Cursor über den Bildschirm bewegen, ebenso wie Ihre Höhe. Wenn Sie ein Bild von den Wasserfällen sehen möchten, klicken Sie einfach auf eines der vielen Fotosymbole, um eines zu sehen. Beachten Sie, dass der Fluss auf einer allgemeinen nördlichen Route verläuft – Sie können nah heranzoomen, um die tatsächlichen Wasserfälle zu sehen.

Bei der Navigation ist es auch wichtig, das Konzept der Peilung zu verstehen. Eine Peilung ist die zwischen zwei Punkten gemessene Kompassrichtung. Sie kann als Azimut-Peilung in Grad zwischen 0 und 360, wie entlang eines Kreises, ausgedrückt werden. 0 und 360 Grad wären Nord, 90 Grad Ost, 180 Grad Süd und 270 Grad West (Abbildung 2.9).

Schritt 2 – Messen

Um Funktionen zu untersuchen, müssen wir sie messen können, was in Google Earth einfach zu verwalten ist. Die Messung erfolgt mit dem Lineal-Tool, auf das Sie zugreifen können, indem Sie entweder auf das Linealsymbol in der Symbolleiste über dem Bild klicken oder aus dem Menü oben Tools und dann Lineal auswählen.

Es gibt zwei Optionen mit dem Linealwerkzeug, Linie und Pfad. Die Linienoption (die die Standardoption ist) gibt den Abstand und die Richtung zwischen zwei Punkten an; Beachten Sie das Pulldown-Menü, das 11 verschiedene Optionen für Maßeinheiten bietet. Um eine Messung durchzuführen, klicken Sie nach Auswahl des Linealwerkzeugs einfach auf zwei verschiedene Punkte. Die Pfadoption gibt die Entfernung für einen Satz von zwei oder mehr Punkten an, sodass eine Entfernung gemessen werden kann, die keine gerade Linie ist.

Hinweis

Wenn Sie Merkmale messen möchten, möchten Sie die Kartenlänge verwenden – die Verwendung der Bodenlänge kann zu einer falschen Antwort führen.

Gradient werden oft für dieses und zukünftige Labore gemessen. Die Steigung ähnelt der Steigung, die angibt, wie steil oder flach ein Gebiet ist. Er berechnet sich als Höhenunterschied geteilt durch die horizontale Distanz. Behalten Sie bei der Berechnung des Gradienten die gleichen Einheiten in Zähler und Nenner bei.

Gradient = Höhenänderung/horizontale Distanz

Lass uns noch einmal an den Niagarafällen üben. Bewegen Sie das Bild zuerst etwas höher, um den Beginn des Wildwassers genau zu sehen, kurz bevor die Fälle beginnen (tun Sie dies, indem Sie mit der linken Maustaste klicken und das Bild mit der Hand bewegen). Mit der Augenhöhe immer noch bei ~10.000’ messen wir die Entfernung über den Fluss direkt am Anfang des Wildwassers vor den Wasserfällen (wo das Wildwasser aufhört). Klicken Sie zuerst auf Ihr Linealsymbol, wählen Sie dann einen Punkt auf einer Seite des Flusses aus und bewegen Sie dann Ihre Maus direkt auf die andere Seite. In Fuß sollte dies ~ 4.800 Fuß messen (halten Sie nicht an der Insel an – messen Sie den ganzen Weg bis zum anderen Flussufer). Mit dem Pulldown-Menü können Sie die Fußzahl in Meilen ändern, und das Ergebnis sollte ~0,9 Meilen sein. Lassen Sie uns nun die Steigung über die tatsächlichen Fälle üben. Positionieren Sie Ihren Cursor über den tatsächlichen Wasserfällen und zoomen Sie auf eine Augenhöhe von ~1000 Fuß heran. Halten Sie den Mauszeiger über die Spitze der Fälle und notieren Sie die Höhe (denken Sie daran, dass sich diese entlang der unteren Leiste befindet). Bewegen Sie nun Ihren Cursor zum unteren Rand der Wasserfälle und zeichnen Sie die Höhe auf. Die Höhenänderung (höchste-niedrigste) ist Ihr Zähler. Verwenden Sie das Lineal-Werkzeug, um den Abstand zwischen den beiden Orten zu messen – dies ist Ihre horizontale Distanz (der Nenner). Diese Antwort wird je nach Ihrer genauen Stelle entlang der Wasserfälle variieren, aber die Ergebnisse sollten wie folgt aussehen:

Steigung = (frac{(500’ – 325’)}{75’} = frac{175’}{75’} = 2,3)

Schritt 3 – Ändern der Optionen

Bei einigen Aufgaben ist es wichtig, einige der Standardeinstellungen in Google Earth zu ändern, um eine Funktion besser zu sehen oder Ihnen die Arbeit zu erleichtern. Diese Änderungen können alle vorgenommen werden, indem Sie in der Menüleiste oben auf Extras und dann in der PC-Version auf Optionen gehen (für den MAC gehen Sie zu Google Earth, dann zu Einstellungen).

  1. Ändern der Höheneinheit – Auf der Registerkarte 3D-Ansicht befindet sich in der Mitte des Felds ein Abschnitt mit dem Titel „Maßeinheiten“, in dem Sie zwischen metrischen und englischen Einheiten wechseln können.
  2. Übertreiben von Features – Da Höhenunterschiede viel kleiner sind als geografische Entfernungen, ist es manchmal schwer, Features zu erkennen. Um die Merkmale zu übertreiben (d. h. einen Berg höher aussehen zu lassen, als er tatsächlich ist, um ihn besser zu sehen), klicken Sie auf die Registerkarte 3D-Ansicht, unten links im Abschnitt „Gelände“ der Box, suchen Sie nach „ Höhenübertreibung (skaliert auch 3D-Gebäude und Bäume)“. Wenn Sie ein Feature übertreiben möchten, erhöhen Sie diesen Wert auf 3. Um den Bereich ohne Übertreibung anzuzeigen, setzen Sie den Wert auf den Standardwert 1 zurück.

2.6: Google Earth-Einführung - Geowissenschaften

Zeigen Sie Ihre aktuelle GPS-Position in Google Earth an.

Verwenden Sie Git oder checken Sie mit SVN über die Web-URL aus.

Arbeiten Sie schnell mit unserer offiziellen CLI. Mehr erfahren.

Starten von GitHub Desktop

Wenn nichts passiert, laden Sie GitHub Desktop herunter und versuchen Sie es erneut.

Starten von GitHub Desktop

Wenn nichts passiert, laden Sie GitHub Desktop herunter und versuchen Sie es erneut.

Xcode starten

Wenn nichts passiert, laden Sie Xcode herunter und versuchen Sie es erneut.

Starten von Visual Studio-Code

Ihr Codespace wird geöffnet, sobald er fertig ist.

Beim Vorbereiten Ihres Codespace ist ein Problem aufgetreten. Bitte versuchen Sie es erneut.


2.6: Einführung in Google Earth - Geowissenschaftenscience

Untersuchung von Waldbränden mit Google Earth Engine

1.1 Was ist Google Earth Engine und wie funktioniert es:

Google Earth Engine (GEE) ermöglicht es uns, Satellitenbildkataloge (Katalog des Sentinel – MODIS – Landsat) zu erreichen und Geodaten- oder Bildverarbeitungsalgorithmen für diese Bilder zu verwenden. Es gibt drei verschiedene Methoden (JavaScript – Python – REST), um diese Image-Kataloge zu erreichen. In diesem Tutorial verwenden wir JavaScript (JS), da es die Muttersprache von GEE ist.

Javascript hat eine eigene Google Earth Engine-Plattform, die von jedem Browser aus erreichbar ist. Der Browserlink lautet (https://code.earthengine.google.com/)

Wenn Sie auf den Link klicken, wird Ihnen angezeigt, dass Sie sich registrieren müssen. Prozess in Abschnitt 1.5 erklärt.

Wenn wir den Code starten, sendet er eine Anfrage an die Server zur Berechnung und erhält dann Ergebnisse. Es wird also eine Internetverbindung benötigen.

  • Dieser Open-Source-Code kann von jedem verwendet werden, der neutrale, echte Daten über Waldbrände und die Umwelt sehen möchte und die auch testen, entwickeln möchten, um Waldbrände besser zu untersuchen und zu erforschen.
  • Dieses Tutorial wurde von Berk Kıvılcım unter der Leitung von Berk Anbaroğlu und Nusret Demir erstellt.

Der Code kann in der Lage sein, zu berechnen, wie viele Waldfelder verbrannt wurden (standardmäßig in Hektar), Diagramme zum Normalized Burn Ratio (NBR) und Normalized Difference Vegetation Index (NDVI), Burn Severity Rate, Zeitintervall des Brennens und Vorher-Nachher-Anzeigen Satellitenbildergebnisse mit Sentinel-2 Satellite. Diese Daten können heruntergeladen werden.

WICHTIG: Sie müssen etwas an diesem Code ändern, um bestimmte Ergebnisse wie die Berechnung des Schweregrads der Verbrennung zu erzielen. Vergessen Sie nicht, jedes Mal, wenn Sie etwas am Code ändern, erneut auf die Schaltfläche Ausführen zu klicken, um die neuesten Ergebnisse anzuzeigen.

1.5 Bei Google Earth Engine registrieren:

Wenn Sie versuchen, auf https://code.earthengine.google.com/ zuzugreifen, wird der Registrierungsbildschirm angezeigt. Wenn Sie sich einmal registriert haben, werden Sie nie wieder damit konfrontiert.

Klicken Sie auf die Schaltfläche "hier", füllen Sie dann auf der nächsten Seite das Formular aus und senden Sie eine Anfrage an Google. Normalerweise wird Ihre Anfrage sofort genehmigt, aber manchmal dauert es eine Weile.

1.6 JavaScript-Browserlayout der Google Earth Engine:

Skriptbereich: In diesem Bereich legen wir unseren Code ab.

Konsolenbereich: In diesem Bereich werden grafische und numerische Ergebnisse angezeigt.

Kartenbereich: In dem Bereich werden die Ergebnisse der Visualisierung angezeigt.

2.2 Youtube-Tutorial-Video zum Benutzerworkflow:

Laden Sie den Quellcode mit Hilfe von Notepad-Software herunter und sehen Sie ihn sich an oder öffnen Sie den Code direkt über den untenstehenden Link hier und kopieren Sie ihn in den gesamten Quellcode in den Skriptbereich der Google Earth-Engine.

Wenn Sie Ihren Code in Ihrem Google Earth Engine-Konto speichern möchten, erstellen Sie ein Repository und laden Sie den Skriptcode hinein.

Klicken Sie auf NEU und dann auf Repository:

  • Klicken Sie dann auf , um es in Ihrem Repository zu speichern. Sie können den Code in diesem Repository jederzeit verwenden.

Es gibt zwei verschiedene Methoden, um Polygone in anderen Namensbereichen zu identifizieren.

Als Standard wurde eine beispielhafte Flächenstichprobe identifiziert, die die Region Izmir/Karabaglar abdeckt.

Erste Methode: Wenn Sie die Eckkoordinaten des zu bearbeitenden Polygons schätzen oder kennen, können Sie diese direkt manuell eingeben.

Ersetzen Sie einfach diese Koordinaten durch die Koordinaten, die Sie verwenden möchten. Sie können weitere Polygonecken hinzufügen oder entfernen. Diese Koordinaten müssen im geodätischen Koordinatenformat (Breiten- und Längengrad) vorliegen, das auf dem WGS84 Ellipsoid basiert.

  • Zweite Methode: Wenn Sie Ihren Bereich manuell auswählen möchten, gehen Sie wie folgt vor. Sie können Ihren Arbeitsbereich auch leicht mit der Suchleiste finden, indem Sie einfach Ihre Adressen eingeben.

Schritt 1: Klicken Sie auf die Schaltfläche zum Zeichnen des Polygons.

Schritt 2: Zeichnen Sie Ihr Polygon auf dem Kartenbereich.

  • Sie können auch die hintere Ebene des Visualisierungsbereichs ändern, um das visuelle Verständnis zu verbessern. Zwei verschiedene Optionen hier. Karte und Satellit. Wenn Sie den Satelliten auswählen, zeigt das Programm den Bereich mit hochwertigen Satellitenbildern an.

  • Wenn Sie mit dem Zeichnen des Polygons fertig sind, werden die Eigenschaften dieses Polygons über dem Skript angezeigt. Vergessen Sie nur nicht, die gesamte anfängliche "var-Geometrie" zu löschen, da wir ein neues Polygon identifizieren.

2.6 Datum vor und nach dem Brennen wählen:

  • Die Datumsangaben sind im Format 'jjjj-mm-tt'. Geben Sie ein Datum ein, von dem Sie glauben, dass es vor dem Brand war, in den Abschnitt "Datum des Var-Starts" und nach dem Brand im Abschnitt "Datum des Var-Endes". Versuchen Sie bei der Eingabe der Daten, sie während des Brennens auf das Datum zu schließen. Je näher am Datum beim Brennen ist, desto bessere Ergebnisse erzielen Sie.

Einige Tipps zur Datumsauswahl:

Tipp - 1: Wenn Ihr "var End"-Datum zu nah am heutigen Tag liegt, sollten Sie die "var END's" auf 50 ändern. Dies bedeutet 50 Tage nach dem "var End" und überschreitet daher manchmal den heutigen Tag.

Tipp - 2.1: Bäume zeigen zu verschiedenen Jahreszeiten unterschiedliche Gesundheitszustände und auch einige äußere Parameter wie Schnee können die Ergebnisse beeinflussen. Sie denken zum Beispiel, dass das Feuer im Juli beginnt. Wählen Sie dann Ihr Zeitintervall zwischen Juni und August und nicht wie Januar bis Dezember. Zusammenfassend lässt sich sagen, dass die Ergebnisse für das Start- und Enddatum in der Nähe des Brenndatums korrekter sind. Wenn Ihre Region nicht tropisch ist und Sie wissen, dass die Verbrennung während der Wintersaison nicht beginnt, können Sie den untenstehenden Filter hier für Winter-Herbst-Änderungen anwenden.

Tipp - 2.2: Diese saisonbedingten Fehler in den Charts können ignoriert werden. Der Anfangsdatumsfilter zeigt alle Daten während des ganzen Jahres (erster Tag bis 365. Tag) an, aber wenn Sie diese Anfangswerte in der Codezeile 60 ändern, können Sie die Daten filtern. Wenn Sie zum Beispiel 122 und 275 als Start- und Enddatum des Filters schreiben, zählt der Code nur die Daten zwischen dem 1. Mai und dem 1. Oktober, also zählen die Wintertage nicht und im Ergebnis würden keine Winterdaten in den Diagrammen erscheinen. Im obigen Beispiel steht 122 für den 122. Tag des Jahres, was den 1. Mai bedeutet, und 275 bedeutet den 275. Tag des Jahres und den 1. Oktober.

  • Tipp - 3: Google Earth Engine ist eine neue Technologie, wenn Sie versuchen, alte Branddaten wie 1999-2007-2010 zu erhalten. Es würde keinen Datenkatalog geben, so dass der Code nicht funktioniert und wenn Sie versuchen, die neuesten Branddaten wie das heutige Datum zu erhalten, sammelt der Satellit wahrscheinlich noch keine Daten, also sollten Sie ein paar Tage warten oder die Daten des anderen Satelliten überprüfen.

2.7 Auswahl der Trainingsbeispiele:

Der Code verwendet eine überwachte Klassifizierung, um zu berechnen, wie viel Fläche verbrannt wird. Für diesen Vorgang muss Code einige Trainingsbereiche auswählen. Wir können es mit Punkt- oder Polygonmethoden auswählen. Ich schlage vor, die Polygonmethode zu verwenden.

Erstellen Sie zunächst Klassen. Standardklassen sind ("Boden" (Boden oder trockenes Land), "Baum" (gesunde Vegetationsfläche), "verbrannt" (verbrannte Bereiche)), also müssen diese Klassen vom Benutzer erstellt werden, aber es können immer noch neue Klassen hinzugefügt werden.

  • Bestimmte Klasseneigenschaften. Geben Sie Ihren Namen "Boden", "Baum" oder "verbrannt" ein. Diese Namen müssen aus dem Tutorial genau gleich sein. Wählen Sie FeatureCollection aus. Schreiben LC Dies ist die mittlere Landbedeckung (geben Sie keine Landbedeckung oder etwas anderes ein, geben Sie einfach LC ein) in den Eigenschaftsabschnitt und schreiben Sie dann die Werte ab 01. Der Eigenschaftswert der verbrannten Bereiche muss immer 03 sein. Der Grund dafür ist, dass der Code die 3. Klasse aus dem klassifizierten Bild als einzige gebrannte Bereichsebene exportiert, sodass der Klassenwert 3 sein muss.

  • Wenn Sie mehr Klassen als die Standardklassen hinzufügen möchten, ist ein zusätzlicher Schritt erforderlich. Erstellen Sie Ihre Klasse und bestimmen Sie Eigenschaften, dann fügen Sie im Code .merge('your_new_class') zu "var feature" hinzu.
  • Ändern Sie auch map.addLayer's max:___ des klassifizierten Bildes auf die Anzahl der gewünschten Klassen. Am Anfang haben wir 3 Klassen, also maximal: 3. Wir sollten es ändern.

Jetzt haben wir alle Dinge eingegeben, die der Code zum Ausführen benötigt. Klicken Sie einfach auf die Schaltfläche zum Ausführen und sehen Sie sich die Ergebnisse an.

3.1 Visuelle Bildanalyse:

Wenn wir auf Ausführen klicken, verarbeitet der Code einige Algorithmen, die im Abschnitt Workflow des Tutorials erklärt werden. Die Ergebnisse werden in Konsolen- und Kartenfenstern angezeigt. Für die visuelle Analyse verwenden Sie den Kartenbereich und für die numerische Analyse den Konsolenbereich.

Nach dem laufenden Code wird der Kartenbereich in zwei Abschnitte unterteilt. Der linke Teil zeigt RGB – NBR Bilder vor dem Brennen und klassifizierte Bilder nach dem Brennen. Der rechte Teil zeigt RGB-NBR-Bilder nach dem Brennen und nur die gebrannten Bereiche, die aus dem klassifizierten Bild berechnet werden.

RGB-Bild: Das Bild, das aus roten, grünen, blauen Schichten gebildet wird. Diese Schicht zeigt uns, was das menschliche Auge sehen kann.

NBR-Bild: NBR-Bild aus NBR-Berechnungsergebnissen. Diese Schicht hilft uns, das Brennen zu verstehen.

Klassifiziertes Bild: Das Bild zeigt trockenen Boden, gesunde Vegetationsbereiche und verbrannte Bereiche.

Nur verbrannt: Der Layer, der nur die verbrannten Bereiche darstellt.

SEHR WICHTIG:

Bitte überprüfen Sie, ob die Klassifizierung gut ist oder nicht. Es dreht sich alles um Ihre Trainingsbeispielauswahl. Am besten können Sie dies überprüfen, indem Sie die "nur gebrannte Ebene (weiße Ebene)" und die " Spätere RGB-Ebene oder die Basis-Satellitensicht" zusammen ansehen. Wenn verbrannte Bereiche nicht den größten Teil der wirklich verbrannten Bereiche abdecken oder zu viel Fläche wie trockener Boden oder gesunde Vegetation abdecken, klicken Sie auf die Schaltfläche Zurücksetzen. Diese Schaltfläche kehrt zum ursprünglichen Layout zurück, das im Screenshot von Abschnitt 2.5 gezeigt wird. Machen Sie sich keine Sorgen, dass Ihre vorherigen Trainingsbeispiele geschützt sind. Wählen Sie dann weitere Trainingsbeispiele aus, bei denen die Klassifizierung falsch aussieht.

  • Nachdem Sie auf die Schaltfläche Ausführen geklickt haben, werden Diagramme automatisch im Konsolenbereich angezeigt. Es gibt zwei verschiedene Diagramme. Einer zeigt den NBR und der andere zeigt NDVI. Diese beiden Diagramme gaben uns Informationen über die Gesundheit der Vegetation und das Datumsintervall der Verbrennung.

  • Wenn Sie das Brenndatumsintervall verstehen möchten, legen Sie Ihre Maus auf die Linie der Grafik. Die Sollbruchstellen (an denen sich die Grafik am meisten geändert hat) zeigen das Brenndatum an. Zum Beispiel: Laut untenstehender Grafik begann das Feuer am ‘16.08.2019‘ und dauerte bis zum ‘21.08.2019’ an. Dieses Beispiel basiert auf İzmir Karabağlar und seinen Brenndaten, die von trthaber (Nachrichten der türkischen Rundfunk- und Fernsehanstalt) veröffentlicht wurden.
  • Referenz-Website für Waldbrände in Izmır Karabağlar neu ist https://www.trthaber.com/haber/turkiye/izmir-ve-mugladaki-orman-yanginlari-uydudan-goruntulendi-427564.html

Dieser Code liefert einige numerische Berechnungen, z. B. wie viele Hektar verbrannt werden oder wie stark die verbrannte Fläche ist. Vor dem Start müssen wir GSD (Ground Sample Distance) verstehen.

Allgemeine Geschäftsbedingungen: Ground Sample Distance ist die Länge der Kanten jedes Pixels, die der realen Distanz entspricht. In diesem Tutorial haben wir den Sentinel-2-Satelliten verwendet, der eine GSD-Länge von 10 Metern für maximale Auflösung hat. Das bedeutet, dass jedes Pixel einer Fläche von 100 (10*10) Quadratmetern entspricht. Eine geringere GSD-Zahl bedeutet eine bessere Auflösung.


Abstrakt

Der Bergbau trägt zu Veränderungen der Landbedeckung bei, die sich direkt und indirekt auf die Naturlandschaft und lokale Gemeinschaften auswirken. Die Notwendigkeit robuster Analysen von Sozial- und Umweltdaten auf der Ebene des Minenstandorts und der Minenregion ist für Aufsichtsbehörden und Bergbauunternehmen von wesentlicher Bedeutung, um die Auswirkungen des Bergbaus effektiv zu identifizieren, zu überwachen, nachhaltig zu mindern und zu managen. Diese Studie charakterisierte und bewertete Veränderungen der Landbedeckung und ihre gleichzeitigen Auswirkungen auf die sozio-ökologische Landnutzung in einer Bergbaulandschaft auf den Philippinen. Unter Verwendung von Kombinationen aus multispektralen Landsat-Bildern, Vegetationsindizes und einem digitalen Höhenmodell (DEM) wurden klassifizierte Landnutzungs- und Landbedeckungs-Zeitreihenkarten erstellt. High-Level-Landbedeckungen mit einer groben thematischen Auflösung, die mit historischen Landsat-Bildern erfolgreich charakterisiert werden konnten, wurden zuerst mit der überwachten Random Forest-Klassifizierung in Google Earth Engine (GEE) kartiert. Anschließend wurde eine webbasierte Kartierung durch lokale Experten verwendet, um wichtige Landnutzungskategorien mit feiner thematischer Auflösung innerhalb ausgewählter wichtiger Zonen zu charakterisieren, die mit Landsat allein nicht zu charakterisieren waren. Die Zeitreihen lieferten eine genaue Schätzung der Veränderungen und zeigten signifikante zeitliche Trends auf regionaler Ebene zwischen 1994 und 2018. Zu den Trends gehörten ein signifikanter Rückgang der Primärvegetation und eine Zunahme der bebauten Flächen, des Bergbaus und der Bewässerungslandwirtschaft. Einige bemerkenswerte Landnutzungsänderungen in feinem Maßstab, die durch die Analyse aufgedeckt wurden, waren die Zunahme sozialer Entwicklungsprojekte nach 2005 und Umstellungen zwischen Zitrus- und Reisanbau. Diese waren zunächst ausgewogen, neigten jedoch nach 2010 deutlich zum Reisanbau. Eine Bewertung von Landnutzungs- und Landbedeckungsübergängen lieferte wichtige Erkenntnisse zu mehreren sozio-ökologischen Indikatoren, darunter Umweltqualität, Lebensraumverlust, Bevölkerungsverteilung und Lebensgrundlage, die für die Charakterisierung und Unterstützung des Managements des sozioökologischen Systems der Mine unerlässlich sind. Das Papier schließt mit einer Reflexion über die entwickelten Methoden, einer Bewertung ihrer Grenzen und einer Präsentation potenzieller Möglichkeiten zur Verbesserung des Arbeitsablaufs, um die Bewertung des sozialen Wandels besser zu unterstützen.


Was ist ein virtueller Feldführer?

Die Entwicklung des Internets und der verfügbaren Tools wie mobile Technologien für den Zugriff auf Informationen durch Studenten hat in den letzten zehn Jahren rapide zugenommen (Kaplan & Haenlein, 2010). Heute gibt es mehr denn je eine Vorstellung von kollaborativen, reichhaltigen Datensätzen, die online in Communities von Amateuren bis hin zu Profis erstellt werden und auf die sowohl Pädagogen als auch Studenten zugreifen können, um ihre Lernumgebung zu verbessern (Litherland & Stott, 2012). Obwohl es in der Literatur kaum Argumente gibt, die Vorteile der Feldforschung zu leugnen, bringt sie ihre Herausforderungen mit sich.

Virtual Field Guides (VFG), Virtual Field Trips oder Virtual Fieldwork sind Begriffe, die in der gesamten Literatur austauschbar verwendet werden, jedoch sind sie umstrittene Konzepte mit unterschiedlichen Definitionen (Litherland & Stott, 2012). Virtuelle Exkursionen versuchen im Wesentlichen, die reale Umgebung eines bestimmten Ortes oder einer bestimmten Region durch eine Sammlung von Daten, Fotografien, Kartografie und anderen Technologien wie GIS zu erfassen, ohne die Kosten für die physische Anwesenheit vor Ort (Carmichael & Tscholl, 2011). Wie von Stainfield, Fisher, Ford und Solem (2000) argumentiert, sind die besten Beispiele für virtuelle Exkursionen diejenigen, die sowohl alte als auch neue Methoden einbeziehen, jedoch die Teilnahme und die Erkundung der Umgebung ermöglichen und den Schülern die Entwicklung der damit verbundenen Fähigkeiten ermöglichen diese Methoden. E-Learning, das als „elektronisch vermittelte asynchrone und synchrone Kommunikation zum Zweck des Aufbaus und der Bestätigung von Wissen“ (Garrison, 2011, S. 2) definiert wird, hat gezeigt, dass das Lernen eher durch aktive als durch passive Teilnahme gesteigert wird (Fletcher, Frankreich, Moore , & Robinson, 2007). Dieses Lernmodell ist ein Schlüsselkonzept hinter den pädagogischen Vorteilen des Einsatzes virtueller Field Guides/Exkursionen in der Hochschullehre. Es fördert die Teilnahme und die Auseinandersetzung mit der virtuellen Umgebung mit Gleichaltrigen und Tutoren.

Das Ziel der virtuellen Exkursion besteht derzeit nicht darin, die traditionelle Exkursion zu ersetzen, sondern den Schülern die grundlegenden Fähigkeiten zu vermitteln, die sie benötigen, um ihre Umwelt zu verstehen, bevor sie sich auf die „echte“ Exkursion begeben (Gilmour, 1997). Mangels „virtuell“ wie dem Eintauchen in eine 3D-Augmented Reality wird fortan statt virtueller Exkursion der Begriff Virtual Field Guide (VGF) verwendet.

VFGs sind oft eine Sammlung verschiedener Daten, aber was sie zu mehr macht, ist oft ein Element einer von Pädagogen geleiteten Diskussion, die sich im Rahmen von zu erledigenden Aufgaben befindet (Stott, Litherland, Carmichael, & Nuttall, 2014). Einige VFGs versuchen, den Studierenden eine Reisemöglichkeit zu schaffen, ohne jemals die Grenzen des Klassenzimmers zu verlassen. Jacobson, Militello und Baveye (2009) haben zum Beispiel ein VFG erstellt, bei dem der Kurs in Tage und Stopps unterteilt war, wobei an jedem einzelne spezifische Aufgaben zu erledigen waren, ähnlich wie bei einer echten Exkursion. Ältere VFGs sind einfacher, indem sie nur Daten wie Fotos, Karten oder Videos mit von Tutoren geführten Kommentaren zur Verfügung stellen, damit die Schüler ein Gefühl für die Umwelt bekommen (Baggott la Velle, 2005).

Der räumliche Maßstab ist für geowissenschaftliche Disziplinen von entscheidender Bedeutung und muss bei der Betrachtung von VFGs berücksichtigt werden (Jones, McCaffrey, Clegg, Wilson, Holliman, et al., 2009). Der Umfang virtueller Feldführer unterscheidet sich oft je nach Zweck und Ziel (Ramasundaram, Grunwald, Mangeot, Comerford, & Bliss, 2005). Der räumliche Maßstab in VFGs kann kleinräumig sein und bietet große Übersichten über topografische Daten wie Bergketten (Stott, Nuttall, & McCloskey, 2009 Eusden, Duvall & Bryant, 2012) und Nationalparks (McMorrow, 2005). VFGs mit kleinem räumlichen Maßstab können einem Studierenden ein tieferes Verständnis und ein situationsbezogenes Bewusstsein für das Thema oder den Ort vermitteln, an dem sie studieren (Jacobson et al., 2009). Oftmals nutzen die Schüler ihre Feldarbeitszeit nicht optimal, weil ihnen das größere konzeptionelle Bild fehlt (Falk, Martin, & Balling, 1978). Die Bereitstellung eines großen Überblicks über einen Feldstandort hilft einem Studenten, Ideen zu formulieren und Wissen anzuwenden, wie dieser Feldstandort in der weiteren Welt positioniert ist. Kleinskaligen VFGs fehlen jedoch feinere Details, zum Beispiel in dem von Arrowsmith, Counihan und McGreevy (2005) entworfenen VFG haben Studenten anekdotisch erwähnt, dass sie die Entfernungen zwischen Standorten falsch interpretierten und dass die Steilheit der Gradienten stark unterschätzt wurde.

Virtuelle Feldführungen mit größerem räumlichen Maßstab bieten das Gegenteil in dem Sinne, dass sie sehr detailliert sind und von Metern eines Wanderwegs bis zu einem kleineren Abschnitt einer Klippe variieren können (Pringle, Westerman & Gardiner, 2004). VFGs in größerem Maßstab sind praktischer, da sie das replizieren, was man sehen würde, wenn ein Student in der Realität einen Besuch abstatten würde (Jones et al., 2009). Details sind in diesem Maßstab besser sichtbar, wobei einzelne Felsen und Bäume sehr detailliert dargestellt werden, was es den Schülern ermöglicht, eingehend zu erforschen und zu forschen. Auf diesem Maßstab erleichtert es die Entwicklung der Fähigkeiten der Schüler weiter, indem hier Fähigkeiten geübt werden, die sie bei realer Feldarbeit anwenden können, was mit einem kleineren räumlichen VFG schwierig wäre. VFGs mit größerem Maßstab sind jedoch aufgrund ihrer hohen Details in Bezug auf die Datengröße groß, und daher muss bei der Erstellung einer VFG ein Kompromiss zwischen Maßstab und Detail eingegangen werden (Arrowsmith et al., 2005).

Ein Problem bei VFGS ist die fehlende Standardisierung. Während es für VFGs aufgrund ihres unterschiedlichen Zwecks und ihrer unterschiedlichen Art, wie von Arrowsmith et al. (2005) Multilayer der VFG-Skala, die alle miteinander verbunden sind, bieten den Schülern die beste Lernerfahrung. In ihrer Studie verfolgten sie einen dreiskaligen Ansatz, der kleine bis große räumliche Skalen einbezog. Die erste VFG war eine kleinmaßstäbliche Übersicht über einen ganzen Park, die zweite war eine größere räumliche Skala des Gebiets, in dem sie die meisten ihrer Feldforschungen durchführen würden, und schließlich wurde eine großräumige, standortspezifische VFG mit einer georäumlichen Verbindung zwischen . entwickelt alle drei "verschachtelten" Modelle.


Ergebnisse

Interpretationsergebnisse

Die Erdrutsche im Untersuchungsgebiet hatten die folgenden Bildmerkmale. 1) Am hinteren Rand des Erdrutschkörpers haben sich abnormale Bogenformen entwickelt, einschließlich "runder Stuhl-förmiger" und "Kehrschaufel-förmiger" Erdrutsch-Rückwand, steile Grate, gekrümmte Geländevariationslinien und abnormale Farblinien, unter anderem. 2) Erdrutsche, die zur Talsohle hin vorspringen, weisen oft eine leichte Topographie auf. Erdrutsche bilden in den Tälern oft gestaute Seen, die gelegentlich Wasser abfließen lassen. Die ursprüngliche "V"-förmige Lösstalsohle wird zu flachem Gelände, das größtenteils in Kulturland umgewandelt wurde. 3) Die meisten Rutschungen verteilen sich auf die Teildefizite von Steilhängen wie Tälern und Flüssen. Erdrutsche führen dazu, dass Flusswasser auf die Seite des Flusses verlagert wird, auf der der Erdrutsch nicht aufgetreten ist. 4) Die Talhänge zu beiden Seiten des steilen Lösstales weisen ungewöhnlich flaches Kulturland auf.

In dieser Studie wurden die historischen Erdrutsche im 28.000 km 2 -Gebiet des südwestlichen Randes von Ordos detailliert interpretiert. Abbildung 2 zeigt die räumliche Verteilung der interpretierten historischen Erdrutsche. Die Erdrutsche sind hauptsächlich entlang von Verwerfungen im Norden der Longxian–Qishan–Mazhao-Verwerfung, östlich von Longxian, südlich von Lingtai und dem Erhebungsbereich des Verwerfungsblocks südlich von Qianyang verteilt. Es gibt 6.876 Erdrutsche in diesem dichten Gebiet mit einer Gesamtfläche von 643 km 2 . Aufgrund der topografischen Bedingungen gibt es relativ wenige dichte Erdrutsche auf dem Löss-Plateau, Weihe-Flussterrassen und Auen auf der Südwestseite der Longxian–Qishan–Mazhao-Verwerfung. Gleichzeitig wurden im Grundgestein der Qishan-Berge und nördlich von Fengxiang keine dichten Erdrutsche interpretiert.

FIGUR 2. Interpretierte historische Erdrutschverteilungskarte im Südwesten von Ordos. LQMF: Longxian–Qishan–Mazhao Fault QBF: Qianyang𠄻iaojiao Fault GGF: Guguan–Guozhen Fault TGF: Taoyuan-Guichuansi Fault QLNPF: Qinling North Margin Fault TBF: Taibai Mountain Fault WHF: Weihehan Fault und BFS: Fault Weihe. Der lila gestrichelte ovale Bereich ist die extreme Erdbebenzone des Qinlong-Erdbebens von 600 n. Chr. (Wang, 2018). Das blaue gestrichelte Rechteck stellt den Oberflächenbruch des Qinlong-Erdbebens von 600 n. Li et al., 2019) ist die durch die weiße gestrichelte Linie gekennzeichnete Fläche die dichte Erdrutschfläche und die Projektionslinien A𠄺′ und B𠄻′ entsprechen Abbildung 4.

Die Analyse der Flächendichte der interpretierten Erdrutsche im Untersuchungsgebiet (Abbildung 3) zeigt, dass, obwohl es im Untersuchungsgebiet Erdrutsche gibt, die Gebiete mit hoher Dichte auf der nordöstlichen Seite der Longxian–Qishan–Mazhao Fault auftreten. Die Flächendichte kann bis zu 28� % erreichen, während der Flächendichtewert in der Mitte des hochdichten Bereichs 4- bis 5-mal höher ist als die Hintergrunddichte des Löss-Plateaus, was dies als abnormalen Bereich hervorhebt.

FIGUR 3. Interpretierte historische Erdrutschflächendichtekarte. LQMF: Longxian–Qishan–Mazhao Fault AD 600 M6:AD 600 Qinlong M6 Erdbeben AD 1704 M6:AD 1704 Longxian M6 Erdbeben

Die 6.876 Erdrutsche im dichten Gebiet wurden auf die Projektionslinie entlang des horizontalen und vertikalen Streichens der Longxian–Qishan–Mazhao-Verwerfung projiziert.

FIGUR 4. Häufigkeit und kumulative Fläche entlang des Streichens und des vertikalen Streichens der Long xian–Qishan–Mazhao-Verwerfung (10 km) (Projektionslinien A𠄺′ und B𠄻′ sind in Abbildung 2 dargestellt).

Entlang des Streichens der Longxian–Qishan–Mazhao-Verwerfung konzentrieren sich Erdrutsche hauptsächlich in einem Bereich von 90 km zwischen Longxian und Qishan (mit 6.003 Ereignissen, die 87,3% der Gesamtzahl der Erdrutsche ausmachen). The cumulative landslide area is 557.4 km 2 , accounting for 86.7% of the total landslide area. The peak appears at approximately 10 km northwest of Qishan County. By projecting the landslide body onto the projection line perpendicular to the strike of the Longxian–Qishan–Mazhao Fault, we observe that the main body of the landslide is distributed on the northeast side of the Longxian–Qishan–Mazhao Fault, where there is a sharp reduction in the number and area of landslides southwest of the fault. This is because the southwest side of the fault is the loess tableland and Weihe River terraces and floodplains, which do not have topographical conditions suitable for large-scale landslides. The landslide-intensive area is distributed unilaterally along the Longxian–Qishan–Mazhao Fault.

Landslide Database and Parameter Statistics

Based on our interpretations, parameter assignments were made for the landslides in dense areas on a case by case basis to establish a coseismic landslide database. The manually assigned attributes of the landslide database included the length, width, elevation of the scarp top and foot edge, and the top and bottom elevations of each located slope. Accorded to these assigned attributes, we calculated several landslide attributes, including the landslide height, H (elevation of the scarp top-elevation of the foot edge), slope difference (the top and bottom elevation difference of each located slope), aspect ratio, and landslide height/slope difference ratio, i.e., H/(R − V).

A statistical analysis of the landslide parameters was conducted based on the coseismic landslide database. The length advantage interval of the historical landslides in the dense area along the southwestern margin of the Ordos Block is 100� m this interval accounts for 82% of the total number of landslides. The width advantage interval is 100� m this interval accounts for 72.6% of the total number of landslides (Figures 5A,B). The aspect ratio of the landslide represents the plane spread of the landslide, which ranged from 0.1 to 5.6 for the historical landslides in the dense areas, mainly concentrated between 0.5 and 2.5. This interval accounts for 91% of the total landslides. An aspect ratio of ≤ 0.5 accounted for 5.6% of the total landslides while an aspect ratio of Ϣ.5 accounted for 3.4% of the total landslides, with an average of 1.25 (Figure 5C).

FIGURE 5. Landslide parameter statistics. (EIN), statistics on the relationship between landslide length and frequency (B), statistics on the relationship between landslide width and frequency (C), statistics on the relationship between landslide aspect ratio and frequency (D), statistics on the relationship between landslide area and Frequency (E), statistics on the relationship between landslide H/(R − V) and frequency.

The term H/(R − V) refers to the ratio of the height, H, of a landslide to the slope difference (R–V: Ridge–Valley), which represents the ratio of the longitudinal length of the landslide to the slope length where the landslide is located, ranging from 0 to 1. The greater the value of H/(R − V), the greater the proportion of landslides in the slope in the longitudinal direction. Among the landslides in the dense areas, 85.4% of landslides have H/(R − V) ratios Ϡ.6 while 57.7% are greater than 0.8 (Figure 5E). This shows that the scarp tops of these landslides basically reach the Loess Plateau, with notable landform deficits While the foot edge accumulation basically reaches the bottom of the valley, which can lead to the damming of loess valleys at different scales, forming abrupt landform sedimentary features these features are consistent with the observation results collected during the field survey (Figures 6A𠄽𠄽).

FIGURE 6. Google images of typical historical landslides and barrier lakes (A𠄼), UAV. photos of historical landslides(d), and photos of rainfall landslides (E).

In terms of the area, the number of small-area landslides is relatively small landslides with an area greater than 10,000 m 2 account for 93.2% of the total number of landslides. The area advantage of historical landslides interpreted in the study area is 10,000�,000 m 2 the number of landslides in this section accounts for 82.3% of the total number of landslides in the dense area of this study (Figure 5D).


Geochronology and geochemistry of tuff beds from the Shicaohe Formation of Shennongjia Group and tectonic evolution in the northern Yangtze Block, South China

Meso- to Neoproterozoic magmatic events are widespread in the Yangtze Block. The geochronology and tectonic significance of the Shennongjia Group in the Yangtze Block are still highly controversial. An integrated geochronology and geochemistry approach provides new insights into the geochronological framework, tectonic setting, magmatic events, and basin evolution of the northern Yangtze Block. Our new precise sensitive high-resolution ion microprobe U–Pb data indicate a deposition age of 1180 ± 15 Ma for the Shicaohe Formation subalkaline basaltic tuff that is geochemically similar to modern intracontinental rift volcanic rocks. The integration of available geochemical data together with our new U–Pb ages indicates the Shicaohe Formation subalkaline basaltic tuff formed ca. 1180 in a continental rift-related setting on a passive continental margin. The Shennongjia Group is topped by the Zhengjiaya Formation volcanic sequence, indicating arc-related igneous events at 1103 Ma. The transition of the late Mesoproterozoic tectonic regime from intracontinental extension to convergence occurred between ca. 1180 and 1103 Ma in the northern Yangtze Block. Tectonic evolution in the Neoproterozoic led to accretion along the northern margin of the Yangtze Block. These results provide geochronological evidence, which is of utmost importance for reconfiguration of the chronostratigraphic framework and for promoting research on Mesoproterozoic strata in China, thereby increasing understanding of magmatic events and basin evolutionary history in the northern Yangtze Block.

This is a preview of subscription content, access via your institution.


Alvi, S.H. and Raza, M. (1991) Nature and Magma Type of Jagannathpur Volcanics, Singhbhum, Eastern India. Jour. Geol. Soz. India, v.38, pp.524–531.

Banerjee, P.K. (1982) Stratigraphy, petrology and geochemistry of some Precambrian basic volcanic and associated rocks of Singhbhum district, Bihar and Mayurbhanj and Keonjhar districts, Orissa. Mem. Geol. Überleben India, v.111, 54p.

Bose, M.K. (2009) Precambrian mafic magmatism in the Singhbhum craton, eastern India. Jour. Geol. Soz. India., v.73, pp.13–35.

De, A. (1972) Structural features of the Deccan Trap tholeiites basalt flows of southern Kutch. Proz. Indian Sci. Congress, 56th Session. Part v.3, p.180.

De, A. (1974) Short and long distance correlation of the Deccan Trap lava flows. Stier. Geol. Mindest. Met. Soz. India (Abst), v.47, pp.50.

Dunn, J.D. (1940) The stratigraphy of south Singhbhum. Mem. Geol. Überleben India., v.63(3), pp.303–369.

Irvine, T.N. and Baragar, W.R.A. (1971) A guide to the chemical classification of the common volcanic rocks. Können. Jour. Earth Sci., v.8(5), pp.523–548.

Iyengar, S.V.P. and Murthy, Y.G.K. (1982) The evolution of the Archaean-Proterozoic crust in parts of Bihar and Orissa, eastern India. Empf. Geol. Überleben India, v. 112(3), pp.1–5.

Jelínek, E., Soucek, J., Bluck, B.J., Bowes, D.R. and Treloar, P.J. (1980) Nature and significance of beerbachites in the Ballantrae ophiolite, SW Scotland. Übers. Royal. Soz. Edinburgh: Earth Sci., v.71(3), pp.159–179.

Jensen, L.S. (1976) A new cation plot for classifying subalkalic volcanic rocks. Ont. Divs. Mines. Misc. Paper No. 66, 22p.

Jones, H.C. (1934) The iron ore deposits of Bihar and Orissa. Mem. Geol. Überleben India, v.63(2), pp.167–302.

Mahadevan, T.M. (2002) Geology of Bihar and Jharkhand. Geol. Soz. India, Bangalore, 563p.

Manikyamba, C., Ray, J., Ganguly, S., Singh, M.R., Santosh, M., Saha, A. and Satyanarayanan, M. (2015) Boninitic metavolcanic rocks and island arc tholeiites from the Older Metamorphic Group (OMG) of Singhbhum Craton, eastern India: Geochemical evidence for Archean subduction processes. Precambrian Res., v.271, pp.138–159.

Misra, S. (2006) Precambrian chronostratigraphic growth of Singhbhum-Orissa craton, Eastern Indian shield: an alternative model. Jour. Geol. Soz. India, v.67, pp.356–378.

Misra, S. and Johnson, P.T. (2005) Geochronological constraints on evolution of Singhbhum mobile belt and associated basic volcanics of eastern Indian shield. Gondwana Res., v.8(2), pp.129–142.

Mukherji, A., Chaudhuri, A.K. and Mamtani, M.A. (2004) Regional scale strain variations in Banded Iron Formations of Eastern India: results from anisotropy of magnetic susceptibility studies. Jour. Struct. Geol., v.26(12), pp.2175–2189.

Mukhopadhyay, D. (1988) Precambrian of the eastern Indian shield — perspective and prospect. Indian Jour. Earth Sci., v.3, pp.208–219.

Mukhopadhyay, D. and Matin, A. (2020) The Architecture and Evolution of the Singhbhum Craton. Episodes, v.43(1), pp.19–50.

Roy, A. and Sarkar, A. (2006) Geochronological constraints on evolution of Singhbhum mobile belt and associated basic volcanics of Eastern Indian shield-comment. Gondwana Res., v.9(4), pp.541–542.

Roy, H.P. (1969) A note on the occurrence of high-potash basalts in the lava flows south-west of Jagannathpur, district Singhbhum, Bihar. Stier. Geol. Soz. India, v.6, pp.28–30.

Saha, A.K. (1964) On the stratigraphic position of the basic lavas south of Jagannathpur. Stier. Geol. Soz. India, v.1, pp.2–6.

Saha, A.K. (1994) Crustal evolution of Singhbhum-North Orissa, Eastern India. Mem. Geol. Soz. India, v.27, 341p.

Saha, A.K., Ray, S.L. and Sarkar, S.N. (1988) Early history of the Earth: evidence from the Eastern Indian shield. Im: D. Mukhopadhyay (Ed.), Precambrian of the Eastern Indian shield. Mem. Geol. Soz. India, no.8, pp.13–37.

Saha, D. and Mazumder, R. (2012) An overview of the Palaeoproterozoic geology of Peninsular India and key stratigraphic and tectonic issues. Geol. Soz. London, Spec. Publ., v.365(1), pp.5–29.

Sarkar, S.C. and Gupta, A. (2012) Crustal Evolution and Metallogeny in India. Cambridge University Press, Cambridge, 840p.

Sarkar, S.N. and Saha, A.K. (1977) The present status of the Precambrian stratigraphy, tectonics and geochronology of Singhbhum-Keonjhar-Mayurbhanj region, Eastern India. Indian Jour. Earth Sci., S. Ray Volume, pp.37–66.

Sarkar, S.N., Saha, A.K. and Miller, J.A. (1969) Geochronology of the Precambrian rocks of Singhbhum and adjacent regions, eastern India. Geol. Magz., v.106(1), pp.15–45.

Sengupta, S., Acharyya, S.K. and Deshmeth, J.B. (1997) Geochemistry of Archaean volcanic rocks from Iron Ore Supergroup, Singhbhum eastern India. Proz. Indian Acad. Wissenschaft (Earth Planet. Sci.)., v.106(4), pp.327–342.

Streckeisen, A. (1976) To each plutonic rock its proper name. Earth Sci. Rev., v.12, pp.1–33.

Tomkeieff, S.I. (1940) The basalt lavas of the Giant’s Causeway District of Northern Ireland. Stier. Volcanol., v.6(1), pp.89–143.


1. INTRODUCTION

University rankings have become important in higher education worldwide (Hägg & Wedlin, 2013 Rauhvargers, 2013), as evidenced by their increasing number and the increasing number of papers published annually about them. Before 2010, there were five international university ranking systems today, there are 17 1 . In 2009, researchers published fewer than 20 journal articles on the topic in 2019, they published over 100 according to the Scopus database. Universities participate in rankings and pursue higher ranks to obtain greater visibility, attract higher quality students and faculty, and get more resources from stakeholders (Hazelkorn, 2015 Hazelkorn & Gibson, 2017 Hou & Jacob, 2017).

University rankings claim to provide valid and useful information for determining academic and research excellence (Moed, 2017). Administrators rely on them as indicators of improvement over time, as methods to determine institutional priorities, and as benchmarking tools against peer institutions. Faculty, staff, and students and their parents use university rankings as tools to help them decide which institutions to apply to for employment or higher education. Rankings also boost faculty professional reputation. Governments and funding agencies use university rankings for information about the performance of their higher education institutions or the ones in which they have invested resources. Media outlets utilize them to create commercial opportunities (Hägg & Wedlin, 2013 Hazelkorn, 2015). Universities constantly strive to become world class and aim to improve their rankings. These rankings are thus perceived by many at higher education institutions as ultimate tools for assessing academic and research performance. According to Hazelkorn (2015), Moed (2017), and Rauhvargers (2013), university ranking systems have made enormous progress in quality during the past decade. Their systems are currently much more informative and user friendly than they were some 10 years ago. Yet, more work is needed to improve them. There is a large body of literature on the role and nature of university rankings. Notable reviews of this literature can be found in Hazelkorn (2015), Johnes (2018), Moed (2017), Olcay and Bulu (2017), and Soh (2017).

Developers of ranking systems use a variety of metrics for assessing and comparing the academic and research performance of universities, including expert opinion, publication and citation metrics, intellectual property metrics (e.g., patents), research and development income and expenditures, student-faculty ratios, and international outlook (e.g., percentage of foreign faculty and students Vernon, Balas, & Momani, 2018). Highly prestigious honors, awards, prizes, and medals, which play major roles at universities (Ma & Uzzi, 2018), are rarely considered in university rankings. Of the 12 international university rankings examined by Vernon et al. (2018), only two included prizes in their criteria: the Academic Ranking of World Universities (the Shanghai Ranking) 2 and the Center for World University Rankings 3 . The recently developed University Three Missions Moscow International University Rankings (MosIUR) 4 , which was first published in 2017, became the third university ranking system to use awards as one of its criteria. In this study, we use the terms Auszeichnungen, prizes, Ehrungen, und medals interchangeably.

It is unclear why so few university ranking systems include awards in their analyses or among their performance indicators. A contributing factor, however, could be the lack of a standard list of, or method to use for, prestigious awards. The Shanghai Ranking, for example, uses only the Nobel Prize and the Fields Medal as measures of the quality of faculty and education (with 30% of the total ranking score). This decision, however, raises doubts about the reliability of the rankings, because few individuals and institutions worldwide win these two prestigious awards (Dobrota & Dobrota, 2016 Hou & Jacob, 2017). The Center for World University Rankings (CWUR) bases 35% of its total ranking score on awards. CWUR uses 30 awards as a measure of universities’ education and faculty quality without explaining how and why they selected these awards over others 5 . MosIUR assigns 6% of its total university score on prizes, using the IREG List of 99 International Academic Awards, which is based on the the study by Zheng and Liu (2015) 6 . The IREG list, however, misses 36 of the highly prestigious international awards identified in this study, includes 20 awards that none of the sources or methods used in this study has classified as highly prestigious, and includes 15 awards given from 2005 to 2019 exclusively to individuals affiliated with institutions located in a single country—a fact that in our opinion disqualifies these awards as international.

Awards identify and confirm distinctive research, advance scientific discoveries, and confer credibility to persons, ideas, and disciplines (Ma & Uzzi, 2018). Awards are also among the highest forms of recognition researchers accord one another (Frey & Neckermann, 2009). Moreover, receiving a major award provides much greater visibility within the scientific community and beyond, and measures research quality and contribution to society in general better than citations can (Seglen, 1992). In short, awards serve as important, easy signaling functions about academic and research excellence (Gallus & Frey, 2017).

The increasing number of awards worldwide and their merit in research assessment and funding decisions necessitates a standard list of the most prominent international academic awards (Jiang & Liu, 2018 Ma & Uzzi, 2018). Such a list would be instrumental in identifying, characterizing, and differentiating the academic and research excellence of authors, centers, institutes, schools, universities, and countries. This study describes how we created such a list. We then use the list to answer the following research question: To what extent does the use of highly prestigious international academic awards affect university rankings?

Answering this question may encourage the producers of rankings to consider awards as an indicator to generate more accurate assessments and comparisons of universities’ academic and research performance. Answering this question may also lead to giving more weight to awards within the academic community, increasing the number and range of highly prestigious awards, and encouraging more high-quality academic and research work worldwide.