Forwarded from Спутник ДЗЗ
Автоматизированное извлечение береговой линии из данных спутниковых наблюдений с помощью Google Earth Engine
В статье на Spatial Thoughts показано, как построить береговую линию по снимкам Landsat, преобразовать результат в векторную полилинию, упростить и сохранить к себе на локальную машину. Всё делается средствами GEE, полный код доступен. Снимки Landsat можно легко заменить на снимки Sentinel-2.
Автор, предупреждает, что строит среднее положение береговой линии, и получить таким способом расположение приливно-отливных зон не удастся. Предварительно необходимо убедиться, что снимки сделаны в одной и той же фазе прилива. Используя оценки приливов, например данные HYCOM Sea Surface Elevation, можно отфильтровать снимки, сделанные в одну и ту же фазу прилива. Ещё один вариант решения задачи предложен в (Bishop-Taylor et al., 2021).
💡 В блоге Spatial Thoughts и ежемесячном новостном канале Spatial Thoughts Newsletter много интересной информации по геоинформатике и ДЗЗ.
#GEE
В статье на Spatial Thoughts показано, как построить береговую линию по снимкам Landsat, преобразовать результат в векторную полилинию, упростить и сохранить к себе на локальную машину. Всё делается средствами GEE, полный код доступен. Снимки Landsat можно легко заменить на снимки Sentinel-2.
Автор, предупреждает, что строит среднее положение береговой линии, и получить таким способом расположение приливно-отливных зон не удастся. Предварительно необходимо убедиться, что снимки сделаны в одной и той же фазе прилива. Используя оценки приливов, например данные HYCOM Sea Surface Elevation, можно отфильтровать снимки, сделанные в одну и ту же фазу прилива. Ещё один вариант решения задачи предложен в (Bishop-Taylor et al., 2021).
💡 В блоге Spatial Thoughts и ежемесячном новостном канале Spatial Thoughts Newsletter много интересной информации по геоинформатике и ДЗЗ.
#GEE
Forwarded from Спутник ДЗЗ
Данные канадской спутниковой инвентаризации леса — Satellite-Based Forest Inventory (SBFI) [ссылка] — содержат информацию о лесном покрове Канады, восстановлении после нарушений, структуре, видах и возрасте древостоя в 2020 году, а также о нарушениях, замещающих древостой, за период 1985–2020 гг. SBFI представляет собой единый согласованный источник данных о лесных экосистемах Канады, занимающих площадь ~650 млн. га.
Методика создания набора данных описана в (Wulder et al., 2024).
Скачать данные можно по ссылке.
“Inventory”, в контексте леса, обычно переводится как “таксация”. Но в описанных данных нет многих привычных параметров лесной таксации (высоты деревьев, их диаметра и т. п.), так что мы перевели этот термин как “инвентаризация”.
#GEE #данные #лес
Методика создания набора данных описана в (Wulder et al., 2024).
Скачать данные можно по ссылке.
“Inventory”, в контексте леса, обычно переводится как “таксация”. Но в описанных данных нет многих привычных параметров лесной таксации (высоты деревьев, их диаметра и т. п.), так что мы перевели этот термин как “инвентаризация”.
#GEE #данные #лес
👍1
Forwarded from Спутник ДЗЗ
Открытая база данных выбросов парниковых газов Climate TRACE появилась на Google Earth Engine [ссылка].
О данных Climate TRACE мы уже писали. База данных является глобальной и охватывает различные виды деятельности, связанные с выбросами, такие как производство энергии, промышленные процессы и землепользование. Данные получены со спутников дистанционного зондирования, а также из других государственных и коммерческих источников,
❗️ Перед использованием данных ознакомьтесь с методикой оценки выбросов, принятой Climate TRACE.
#данные #GHG #GEE
О данных Climate TRACE мы уже писали. База данных является глобальной и охватывает различные виды деятельности, связанные с выбросами, такие как производство энергии, промышленные процессы и землепользование. Данные получены со спутников дистанционного зондирования, а также из других государственных и коммерческих источников,
❗️ Перед использованием данных ознакомьтесь с методикой оценки выбросов, принятой Climate TRACE.
#данные #GHG #GEE
Forwarded from Спутник ДЗЗ
Продукт EMIT Methane Point Source Plume Complexes [ссылка] содержит данные о шлейфах точечных источников метана, полученные с помощью гиперспектрометра EMIT, размещённого на борту Международной космической станции.
Характеристики продукта:
* Временной охват: 1 августа 2022 г. – н.в.
* Временное разрешение: переменное (в зависимости от орбиты МКС, освещенности Солнцем и расположения района интереса)
* Пространственный охват: 52° с.ш. – 52° ю.ш.
* Пространственное разрешение: 60 м
* Единицы измерения данных (вертикального столба выбросов): parts per million meter (ppm m)
* Задержка в предоставлении данных: идентификация шлейфов метана происходит примерно через неделю после наблюдения и может меняться в зависимости от скорости передачи данных с МКС и необходимости ручного анализа.
Внимание! Первоначальный выпуск данных будет включать только гранулы, в которых были обнаружены шлейфы метана.
Данные уже появились на GEE — Earth Surface Mineral Dust Source Investigation - Methane Enhancement. Там они начинаются с августа 2022 года.
#GHG #данные #GEE
Характеристики продукта:
* Временной охват: 1 августа 2022 г. – н.в.
* Временное разрешение: переменное (в зависимости от орбиты МКС, освещенности Солнцем и расположения района интереса)
* Пространственный охват: 52° с.ш. – 52° ю.ш.
* Пространственное разрешение: 60 м
* Единицы измерения данных (вертикального столба выбросов): parts per million meter (ppm m)
* Задержка в предоставлении данных: идентификация шлейфов метана происходит примерно через неделю после наблюдения и может меняться в зависимости от скорости передачи данных с МКС и необходимости ручного анализа.
Внимание! Первоначальный выпуск данных будет включать только гранулы, в которых были обнаружены шлейфы метана.
Данные уже появились на GEE — Earth Surface Mineral Dust Source Investigation - Methane Enhancement. Там они начинаются с августа 2022 года.
#GHG #данные #GEE
Forwarded from Спутник ДЗЗ
Оценка высоты растительного полога и содержания углерода по спутниковым данным из Google Earth Engine [ссылка]
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
В работе выполняется оценка высоты полога и содержания углерода в районе Малайского университета (Куала-Лумпур, Малайзия) в период с 1 апреля 2021 года по 30 июня 2021 года. На территории кампуса находится заповедный лес Римба Ильму (Лес знаний), площадью около 80 гектаров
Модели высоты полога строятся на данных Sentinel-1, Sentinel-2, NASA SRTM Digital Elevation 30m, GEDI L2A Raster Canopy Top Height и GEDI L4B Gridded Aboveground Biomass Density. Для классификации типов земного покрова используются данные ESA WorldCover 10m.
Все данные взяты из Google Earth Engine (GEE). Все вычисления также выполнены в GEE и находятся в общем доступе.
Точность результатов невысока. Но это — точка отсчёта, с которой можно начинать изучать подобные задачи.
#лес #AGB #GEE
Forwarded from Спутник ДЗЗ
Лекции по Google Earth Engine с “Geo for Good Summit 2023”
Вводные курсы по GEE: 📹 JavaScript, 📹 Python (лектор: Qiusheng Wu).
📹 Все лекции основной программы, Под видео приведены ссылки на презентации.
Избранные лекции:
📹Noel Gorelick. Earth Engine Scaling and Debugging
Советы и рекомендации по отладке и масштабированию GEE-скриптов.
📹Mike Dixon. Using Earth Engine for very large computations
GEE обладает огромными вычислительными возможностями, но не все скрипты позволяют эти возможности использовать. Понимание того, как работает GEE, позволит писать скрипты, максимально использующие мощности вычислительной платформы.
📹 Stories of Dynamic World Land Cover & Probabilities
Применение глобальных данных Dynamic World (DW) позволяет быстрее создавать локальные продукты, используя меньший объем наземных данных.
Отнеситесь к DW не как к готовой карте земного покрова, а как к девяти дополнительным спектральным каналам, которые можно вместе со спутниковыми снимками Sentinel-2 использовать для получения дополнительной информации о том, что происходит в районе исследований.
🔗 Сайт “Geo for Good Summit 2023”
#обучение #GEE
Вводные курсы по GEE: 📹 JavaScript, 📹 Python (лектор: Qiusheng Wu).
📹 Все лекции основной программы, Под видео приведены ссылки на презентации.
Избранные лекции:
📹Noel Gorelick. Earth Engine Scaling and Debugging
Советы и рекомендации по отладке и масштабированию GEE-скриптов.
📹Mike Dixon. Using Earth Engine for very large computations
GEE обладает огромными вычислительными возможностями, но не все скрипты позволяют эти возможности использовать. Понимание того, как работает GEE, позволит писать скрипты, максимально использующие мощности вычислительной платформы.
📹 Stories of Dynamic World Land Cover & Probabilities
Применение глобальных данных Dynamic World (DW) позволяет быстрее создавать локальные продукты, используя меньший объем наземных данных.
Отнеситесь к DW не как к готовой карте земного покрова, а как к девяти дополнительным спектральным каналам, которые можно вместе со спутниковыми снимками Sentinel-2 использовать для получения дополнительной информации о том, что происходит в районе исследований.
🔗 Сайт “Geo for Good Summit 2023”
#обучение #GEE
Forwarded from Спутник ДЗЗ
Глобальные карты потоков углерода лесов (2001–2023)
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Forwarded from Спутник ДЗЗ
This media is not supported in your browser
VIEW IN TELEGRAM
Глобальные данные PM2.5 по результатам наблюдений из космоса
В данных Global Monthly Satellite-derived PM2.5 (V6.GL.02) представлены ежегодные и ежемесячные оценки содержания в воздухе на уровне земли мелкодисперсных твёрдых частиц PM2.5 за период с 2000 по 2022 год. Пространственное разрешение данных: 0,01° × 0,01° (≈ 1 км × 1 км).
Данные получены путем интеграции измерений оптической толщины аэрозоля (Aerosol Optical Depth, AOD), полученных с помощью спутниковых приборов NASA — MODIS, MISR, SeaWIFS и VIIRS, и модели химического переноса GEOS-Chem. После чего оценки PM2.5 откалиброваны с помощью остаточной свёрточной нейронной сети по глобальным наземным наблюдениям.
PM2.5 — это мельчайшие частицы, размером от 0,001 до 2,5 микрометра (мкм), находящиеся в воздухе. PM — сокращённое английское Particulate Matter — твёрдые частицы. Значение PM2.5 определяется в весе — количестве микрограмм на кубический метр (мкг/м³).
📖 Shen, S. Li, C. van Donkelaar, A. Jacobs, N. Wang, C. Martin, R. V. Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning. (2024) ACS ES&T Air. https://doi.org/10.1021/acsestair.3c00054
🛢 Данные в формате NetCDF
🌍 Данные на GEE
#атмосфера #данные #GEE
В данных Global Monthly Satellite-derived PM2.5 (V6.GL.02) представлены ежегодные и ежемесячные оценки содержания в воздухе на уровне земли мелкодисперсных твёрдых частиц PM2.5 за период с 2000 по 2022 год. Пространственное разрешение данных: 0,01° × 0,01° (≈ 1 км × 1 км).
Данные получены путем интеграции измерений оптической толщины аэрозоля (Aerosol Optical Depth, AOD), полученных с помощью спутниковых приборов NASA — MODIS, MISR, SeaWIFS и VIIRS, и модели химического переноса GEOS-Chem. После чего оценки PM2.5 откалиброваны с помощью остаточной свёрточной нейронной сети по глобальным наземным наблюдениям.
PM2.5 — это мельчайшие частицы, размером от 0,001 до 2,5 микрометра (мкм), находящиеся в воздухе. PM — сокращённое английское Particulate Matter — твёрдые частицы. Значение PM2.5 определяется в весе — количестве микрограмм на кубический метр (мкг/м³).
📖 Shen, S. Li, C. van Donkelaar, A. Jacobs, N. Wang, C. Martin, R. V. Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning. (2024) ACS ES&T Air. https://doi.org/10.1021/acsestair.3c00054
🛢 Данные в формате NetCDF
🌍 Данные на GEE
#атмосфера #данные #GEE
Forwarded from Спутник ДЗЗ
Сервис NASA Fire Information for Resource Management System (FIRMS) распространяет данные об очагах возгораний и тепловых аномалиях в режиме, близком к реальному времени (Near Real-Time, NRT). Данные FIRMS получены с помощью спектрорадиометров MODIS на спутниках Aqua и Terra, а также приборов VIIRS на спутниках S-NPP, NOAA 20 и NOAA 21. По всему миру эти данные доступны в течение 3 часов после наблюдения со спутника, а в США и Канаде они доступны в режиме реального времени*.
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
👍2
Forwarded from Спутник ДЗЗ
Гармонизация данных Landsat и Sentinel-2 с помощью Google Earth Engine
Непрерывные и плотные временные ряды данных дистанционного зондирования необходимы для решения ряда многих задач. Но недостаточная частота съёмки, а также облачность и тени не позволяют построить подобные ряды для данных оптических сенсоров.
Одним из способов создания плотных и непрерывных временных рядов является гармонизация (согласование) данных нескольких оптических сенсоров. Мы уже рассматривали подобные подходы здесь и вот появился ещё один.
В 📖 работе весь процесс гармонизации данных Landsat-7 ETM+, Landsat-8 OLI и Sentinel-2 MSI первого уровня реализован в Google Earth Engine (GEE). Предложены и описаны шесть основных этапов обработки данных для создания гармонизированного временного ряда Landsat и Sentinel с пространственным разрешением 30 м:
* корректировка диапазонов
* атмосферная коррекция
* маскировка облаков и теней облаков
* корректировка угла обзора и освещённости
* корегистрация
* перепроецирование и передискретизация (resampling).
🌍 Код JavaScript-реализации на GEE
🖥 Github
Сразу предупредим горячие головы: идеального решения у этой задачи нет (подробности — в разделе Discussion статьи). Но хорошо, что появился ещё один подход, к тому же реализованный в GEE.
#GEE
Непрерывные и плотные временные ряды данных дистанционного зондирования необходимы для решения ряда многих задач. Но недостаточная частота съёмки, а также облачность и тени не позволяют построить подобные ряды для данных оптических сенсоров.
Одним из способов создания плотных и непрерывных временных рядов является гармонизация (согласование) данных нескольких оптических сенсоров. Мы уже рассматривали подобные подходы здесь и вот появился ещё один.
В 📖 работе весь процесс гармонизации данных Landsat-7 ETM+, Landsat-8 OLI и Sentinel-2 MSI первого уровня реализован в Google Earth Engine (GEE). Предложены и описаны шесть основных этапов обработки данных для создания гармонизированного временного ряда Landsat и Sentinel с пространственным разрешением 30 м:
* корректировка диапазонов
* атмосферная коррекция
* маскировка облаков и теней облаков
* корректировка угла обзора и освещённости
* корегистрация
* перепроецирование и передискретизация (resampling).
🌍 Код JavaScript-реализации на GEE
🖥 Github
Сразу предупредим горячие головы: идеального решения у этой задачи нет (подробности — в разделе Discussion статьи). Но хорошо, что появился ещё один подход, к тому же реализованный в GEE.
#GEE
Forwarded from Спутник ДЗЗ
Popcorn (POPulation from COaRrse census Numbers) — метод картографирования населения в регионах с дефицитом данных. Он использует для прогноза распределения населения методы машинного обучения, опирающиеся на открытые спутниковые данные Sentinel-1 и Sentinel-2, а также на небольшое количество местных переписей населения.
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Метод Popcorn извлекает карты застроенных территорий и коэффициенты заполненности местных зданий, что позволяет получить дополнительные сведения о распределении незаселенных застроенных территорий, например, промышленных складов. Это делает метод интерпретируемым и практичным для городского планирования и гуманитарной деятельности.
📖 Статья, с изложением метода Popcorn.
🌍 Карты Popcorn на GEE
Дополнительную информацию о модели можно получить на странице проекта 🔗 Popcorn Population Mapping Project.
🗺 Карта плотности населения Руанды, построенная с помощью Popcorn.
#данные #GEE
Forwarded from Спутник ДЗЗ
This media is not supported in your browser
VIEW IN TELEGRAM
QDANN — карты урожайности кукурузы, сои и озимой пшеницы на внутриполевом уровне
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
В 🛢 наборе данных QDANN 30m Yield Map for Corn, Soy, and Winter Wheat in the U.S представлены общедоступные 30-метровые годовые карты урожайности кукурузы, сои и озимой пшеницы для основных растениеводческих штатов США, начиная с 2008 года. В отличие от других подобных данных, эти карты показывают урожайность на каждом пикселе поля.
Набор данных основан на снимках Landsat и погодных данных Gridmet. Он проверен с помощью записей мониторов урожайности, содержащих около миллиона полевых наблюдений за год.
Карты созданы по методике Quantile Loss Domain Adversarial Neural Networks (QDANN), которая для нас может оказаться гораздо интереснее, чем готовые карты. QDANN использует информацию из наборов данных на уровне округов (county) для картографирования урожайности в более тонком пространственном разрешении, и призвана устранить ограничения, связанные с нехваткой наземных данных для обучения и оценки моделей. QDANN использует стратегию адаптации домена без обучения (unsupervised domain adaptation strategy), обучаясь на маркированных данных уровня округа и используя при этом немаркированные данные подполей, что устраняет необходимость в информации об урожайности на уровне подполей.
Данные объединены в две коллекции — для кукурузы-сои и озимой пшеницы. По сравнению с оригинальной статьей, к данным на GEE добавлены аббревиатуры штатов (свойство ‘state_abbv’) и календарные даты. Это позволяет легко фильтровать по штатам и датам коллекции:
🔹 Corn & Soybean. Слои: b1 – corn, kg/ha; b2 – soybean, kg/ha
🔹 Winter Wheat. Слои: b1 – winter wheat, kg/ha
📖 Ma, Y., Liang, S.-Z., Myers, D. B., Swatantran, A., & Lobell, D. B. (2024). Subfield-level crop yield mapping without ground truth data: A scale transfer framework. Remote Sensing of Environment, 315, 114427. https://doi.org/10.1016/j.rse.2024.114427
#данные #GEE #сельхоз #GAN
Forwarded from Спутник ДЗЗ
This media is not supported in your browser
VIEW IN TELEGRAM
Данные Global Land Cover Estimation (GLanCE) v1
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Forwarded from Спутник ДЗЗ
Список всех данных Google Earth Engine
🖥 В репозитории Earth-Engine-Catalog собран список всех пространственных данных, хранящихся Earth Engine. Список представлен в виде файлов TSV (значения, разделенные табуляцией) или JSON. Обновляется ежедневно.
Учитываются только данные из официального каталога Earth Engine:
📚 Каталог пространственных данных Google Earth Engine
Напомним, что существует еще 🖥 Awesome-gee-community-catalog (https://gee-community-catalog.org/), данные в который добавляются сообществом пользователей Earth Engine.
#данные #GEE
🖥 В репозитории Earth-Engine-Catalog собран список всех пространственных данных, хранящихся Earth Engine. Список представлен в виде файлов TSV (значения, разделенные табуляцией) или JSON. Обновляется ежедневно.
Учитываются только данные из официального каталога Earth Engine:
📚 Каталог пространственных данных Google Earth Engine
Напомним, что существует еще 🖥 Awesome-gee-community-catalog (https://gee-community-catalog.org/), данные в который добавляются сообществом пользователей Earth Engine.
#данные #GEE
GitHub
GitHub - opengeos/Earth-Engine-Catalog: The Google Earth Engine data catalog in CSV format
The Google Earth Engine data catalog in CSV format - opengeos/Earth-Engine-Catalog
Forwarded from Спутник ДЗЗ
Данные ALOS-2 PALSAR-2 ScanSAR Level 2.2
Данные японского спутникового радара PALSAR-2 ScanSAR Level 2.2 находятся в открытом доступе с ноября 2022 года. Тем не менее, доступных данных было довольно мало, и лишь в последнее время в этом деле наметился некоторый прогресс.
РALSAR-2 (Phased Array type L-band Synthetic Aperture Radar-2) — радар L-диапазона (1257,5 МГц), работающий на спутнике ALOS-2. Режим ScanSAR (обзорный) обеспечивает пространственное разрешение 60 м и 100 м для полос обзора 490 км и 350 км соответственно. Режим Stripmap (непрерывный) имеет разрешение 10 м, 6 м и 3 м с полосами обзора 70 км, 70 км и 50 км соответственно. Режим Spotlight (прожекторный) обеспечивает разрешение 1 м x 3 м для участка 25 км x 25 км.
Спутник ALOS-2 находится на солнечно-синхронной орбите с наклонением 97,9° на высоте 628 км с периодом 97 минут. Периодичность данных ALOS-2 составляет 14 суток.
В настоящее время продукты ScanSAR Level 2.2 постепенно выкладываются на платформах:
* JAXA G-Portal
* Google Earth Engine
* Amazon Web Service (AWS)
* NASA Alaska Satellite Facility Data Search (обещают к концу 2024 года)
* Tellus (в будущем)
Доступны данные с августа 2014 года по настоящее время. Данные обновляются ежемесячно. Самые свежие снимки — примерно месячной давности.
Данные PALSAR-2 ScanSAR Level 2.2 представляют собой нормализованные данные обратного рассеяния обзорного режима наблюдения с шириной полосы обзора 350 км. Снимки прошли ортокоррекцию и коррекцию рельефа с использованием цифровой модели поверхности ALOS World 3D (AW3D30).
Данные хранятся в виде 16-битных цифровых чисел (digital numbers, DN). DN можно преобразовать в нормализованное обратное рассеяния в децибелах (γ0) по формуле: γ0 = 10*log10(DN2) - 83,0 дБ
📸 Художественное изображение спутника ALOS-2 (источник)
#данные #SAR #GEE
Данные японского спутникового радара PALSAR-2 ScanSAR Level 2.2 находятся в открытом доступе с ноября 2022 года. Тем не менее, доступных данных было довольно мало, и лишь в последнее время в этом деле наметился некоторый прогресс.
РALSAR-2 (Phased Array type L-band Synthetic Aperture Radar-2) — радар L-диапазона (1257,5 МГц), работающий на спутнике ALOS-2. Режим ScanSAR (обзорный) обеспечивает пространственное разрешение 60 м и 100 м для полос обзора 490 км и 350 км соответственно. Режим Stripmap (непрерывный) имеет разрешение 10 м, 6 м и 3 м с полосами обзора 70 км, 70 км и 50 км соответственно. Режим Spotlight (прожекторный) обеспечивает разрешение 1 м x 3 м для участка 25 км x 25 км.
Спутник ALOS-2 находится на солнечно-синхронной орбите с наклонением 97,9° на высоте 628 км с периодом 97 минут. Периодичность данных ALOS-2 составляет 14 суток.
В настоящее время продукты ScanSAR Level 2.2 постепенно выкладываются на платформах:
* JAXA G-Portal
* Google Earth Engine
* Amazon Web Service (AWS)
* NASA Alaska Satellite Facility Data Search (обещают к концу 2024 года)
* Tellus (в будущем)
Доступны данные с августа 2014 года по настоящее время. Данные обновляются ежемесячно. Самые свежие снимки — примерно месячной давности.
Данные PALSAR-2 ScanSAR Level 2.2 представляют собой нормализованные данные обратного рассеяния обзорного режима наблюдения с шириной полосы обзора 350 км. Снимки прошли ортокоррекцию и коррекцию рельефа с использованием цифровой модели поверхности ALOS World 3D (AW3D30).
Данные хранятся в виде 16-битных цифровых чисел (digital numbers, DN). DN можно преобразовать в нормализованное обратное рассеяния в децибелах (γ0) по формуле: γ0 = 10*log10(DN2) - 83,0 дБ
📸 Художественное изображение спутника ALOS-2 (источник)
#данные #SAR #GEE
🔥1
Forwarded from Спутник ДЗЗ
Покрытие данными ALOS-2 PALSAR-2 ScanSAR Level 2.2
Рассмотрим покрытие данными на примере территории Китая и его окрестностей в 2024 году:
🌍 Код в GEE
Данных пока довольно мало: за 11 месяцев 2024 года набралось 718 снимков. Большая часть территории Китая снята всего 2–3 раза, но есть два исключения. Одно из них — Тайвань, второе предлагаем угадать самостоятельно. Район этот в нынешнем году снимали более 100 раз.
С данными 2021–2023 гг. ситуация примерно такая же, даже немного хуже. Впрочем, раньше не было и этого.
#GEE #SAR
Рассмотрим покрытие данными на примере территории Китая и его окрестностей в 2024 году:
🌍 Код в GEE
Данных пока довольно мало: за 11 месяцев 2024 года набралось 718 снимков. Большая часть территории Китая снята всего 2–3 раза, но есть два исключения. Одно из них — Тайвань, второе предлагаем угадать самостоятельно. Район этот в нынешнем году снимали более 100 раз.
С данными 2021–2023 гг. ситуация примерно такая же, даже немного хуже. Впрочем, раньше не было и этого.
#GEE #SAR
Forwarded from Спутник ДЗЗ
This media is not supported in your browser
VIEW IN TELEGRAM
Global Natural and Planted Forests
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Глобальные данные Global Natural and Planted Forests представляют собой карту естественных и посаженных лесов по состоянию на 2021 год с пространственным разрешением 30 метров.
Карта создана на основе более 70 миллионов образцов обучающих данных, полученных из снимков Landsat (1985–2021 гг.). Используется метод обнаружения изменений во временных рядах, примененный к снимкам Landsat и позволяющий отличать посаженные леса от естественных лесов на основе частоты нарушений. Локально-адаптивная классификация методом “случайного леса” обеспечила общую точность 85%, что позволяет использовать данные для глобальной оценки лесных ресурсов.
Данные отображаются в виде карты, на которой:
🟢 Зеленые пиксели обозначают естественные леса,
🟡 Желтые пиксели обозначают посаженные (искусственные) леса,
⚪️ Другие цвета обозначают безлесные территории.
Данные на:
🛢 Zenodo
🌍 Google Earth Engine
📖 Xiao, Yuelong, Qunming Wang, and Hankui K. Zhang. Global Natural and Planted Forests Mapping at Fine Spatial Resolution of 30 m. Journal of Remote Sensing 4 (2024): 0204. https://doi.org/10.34133/remotesensing.0204
#лес #данные #GEE
Forwarded from Спутник ДЗЗ
Мониторинг нефтяного загрязнения, возникшего в результате аварий танкеров “Волго-нефть 212” и “Волго-нефть 239”
15 декабря в Керченском проливе произошло крушение танкеров “Волго-нефть 212” и “Волго-нефть 239”. Первый танкер затонул, а кормовая часть судна “Волго-нефть 239” села на мель в 82 м от берега в районе п. Волна.
Количество нефтепродуктов на судне “Волго-нефть 212” по данным МЧС составляла 4251 тонн мазута, а на судне “Волго-нефть 239” — 4300 тонн мазута. Значительная часть мазута вытекла в море.
Через некоторое время в сети появились радарные снимки Sentinel-1, сделанные 18 и 19 декабря. На последнем из них хорошо видно нефтяное пятно, вытянувшееся вдоль побережья по направлению к Анапе и, вероятно, вызванное утечкой мазута с танкера “Волго-нефть 239”. Продолжается утечка мазута с затонувшего танкера “Волго-нефть 212”.
Заметим, что при высоких скоростях ветра (свыше 9 м/с) тонкие нефтяные пленки на морской поверхности перестают быть видны на радарных снимках. Остаются только толстые пленки нефти или тяжелых нефтепродуктов, вроде мазута. 18 и 19 декабря скорость ветра у поверхности превышала 9 м/с, так что оценить площадь загрязнения по данным космических радаров в штормовую погоду весьма затруднительно.
К сожалению, открытых данных ДЗЗ из космоса недостаточно для мониторинга данной аварии. Оптические снимки почти недоступны из-за облачности. Радарные, кроме сказанного выше, имеют низкую периодичность. В основном, наблюдение ведется наземными (водными) и воздушными средствами.
Следить за оперативной информацией МЧС можно на 🔗 сайте ГУ МЧС России по Краснодарскому краю.
Помимо сотрудников МЧС, на земле ликвидацией последствий аварии занимаются десятки добровольцев. Как это происходит, можно увидеть 🔗 здесь.
📖 Для интересующихся вопросами мониторинга нефтяных загрязнений рекомендуем обзорную статью А. Ю. Иванова.
🗺 В заключение, вот небольшой скрипт GEE, где есть оба радарных снимка Sentinel-1, оптический снимок Sentinel-2, результаты прогноза скорости ветра, а также расположение танкеров (“Волго-нефть 239” хорошо заметен у берега, а координаты “Волго-нефть 212” взяты из сообщения МЧС). Можете все сами посмотреть.
📸 Кормовая часть судна “Волго-нефть 239” у побережья в районе поселка Волна (источник)
#нефть #GEE #SAR
15 декабря в Керченском проливе произошло крушение танкеров “Волго-нефть 212” и “Волго-нефть 239”. Первый танкер затонул, а кормовая часть судна “Волго-нефть 239” села на мель в 82 м от берега в районе п. Волна.
Количество нефтепродуктов на судне “Волго-нефть 212” по данным МЧС составляла 4251 тонн мазута, а на судне “Волго-нефть 239” — 4300 тонн мазута. Значительная часть мазута вытекла в море.
Через некоторое время в сети появились радарные снимки Sentinel-1, сделанные 18 и 19 декабря. На последнем из них хорошо видно нефтяное пятно, вытянувшееся вдоль побережья по направлению к Анапе и, вероятно, вызванное утечкой мазута с танкера “Волго-нефть 239”. Продолжается утечка мазута с затонувшего танкера “Волго-нефть 212”.
Заметим, что при высоких скоростях ветра (свыше 9 м/с) тонкие нефтяные пленки на морской поверхности перестают быть видны на радарных снимках. Остаются только толстые пленки нефти или тяжелых нефтепродуктов, вроде мазута. 18 и 19 декабря скорость ветра у поверхности превышала 9 м/с, так что оценить площадь загрязнения по данным космических радаров в штормовую погоду весьма затруднительно.
К сожалению, открытых данных ДЗЗ из космоса недостаточно для мониторинга данной аварии. Оптические снимки почти недоступны из-за облачности. Радарные, кроме сказанного выше, имеют низкую периодичность. В основном, наблюдение ведется наземными (водными) и воздушными средствами.
Следить за оперативной информацией МЧС можно на 🔗 сайте ГУ МЧС России по Краснодарскому краю.
Помимо сотрудников МЧС, на земле ликвидацией последствий аварии занимаются десятки добровольцев. Как это происходит, можно увидеть 🔗 здесь.
📖 Для интересующихся вопросами мониторинга нефтяных загрязнений рекомендуем обзорную статью А. Ю. Иванова.
🗺 В заключение, вот небольшой скрипт GEE, где есть оба радарных снимка Sentinel-1, оптический снимок Sentinel-2, результаты прогноза скорости ветра, а также расположение танкеров (“Волго-нефть 239” хорошо заметен у берега, а координаты “Волго-нефть 212” взяты из сообщения МЧС). Можете все сами посмотреть.
📸 Кормовая часть судна “Волго-нефть 239” у побережья в районе поселка Волна (источник)
#нефть #GEE #SAR
Forwarded from Спутник ДЗЗ
This media is not supported in your browser
VIEW IN TELEGRAM
Открытые данные тепловой стратосферной съемки Urban Sky
Компания Urban Sky предоставила свободный доступ к избранным данным тепловой инфракрасной съемки высокого разрешения, полученным со стратосферной платформы Microballoon во время пожаров в Лос-Анджелесе.
Платформа Microballoon работает на высоте 15–21 км. Данные содержат RGB-снимки в видимом диапазоне с пространственным разрешением 10 см и снимки в длинноволновом инфракрасном диапазоне (LWIR) с разрешением 3 м.
🌍 Данные Urban Sky на Google Earth Engine
#данные #LST #пожары #GEE #псевдоспутник
Компания Urban Sky предоставила свободный доступ к избранным данным тепловой инфракрасной съемки высокого разрешения, полученным со стратосферной платформы Microballoon во время пожаров в Лос-Анджелесе.
Платформа Microballoon работает на высоте 15–21 км. Данные содержат RGB-снимки в видимом диапазоне с пространственным разрешением 10 см и снимки в длинноволновом инфракрасном диапазоне (LWIR) с разрешением 3 м.
🌍 Данные Urban Sky на Google Earth Engine
#данные #LST #пожары #GEE #псевдоспутник
Forwarded from Спутник ДЗЗ
Данные LUCAS и LUCAS Copernicus
Land Use/Cover Area frame Survey (LUCAS) — это обследование, проводимое в странах Европейского союза (ЕС) для сбора данных о землепользовании и земном покрове. Оно проводится статистической службой ЕС Eurostat каждые три года, начиная с 2006 года, и охватывает около 1 миллиона точек наблюдения.
Данные LUCAS содержит информацию о почвенно-растительном покрове и землепользовании, переменных агроэкологических условий, почвах и пастбищах.
🌍 GEE: LUCAS Harmonized (Theoretical Location, 2006-2018) V1
Точечные данные, включающие информацию о земном покрове, землепользовании, экологических параметрах.
🌍 GEE: LUCAS Copernicus (Polygons with attributes, 2018) V1
LUCAS Copernicus 2018 — наземные данные, собранные (в 2018 году) так, чтобы их можно было использовать вместе с данными дистанционного зондирования Земли, полученными спутниками программы Copernicus. В частности, в отличие от контрольных точек в LUCAS (круг радиусом 1,5 м), в LUCAS Copernicus данные собраны на полигонах, площадью до 0,52 га.
Данные LUCAS Copernicus состоят из 63 287 полигонов различных размеров и форм с согласованным почвенно-растительным покровом. Легенда соответствует уровню LUCAS Level-3.
🛢 LUCAS Copernicus 2022
📖 О методике сбора данных
📸Примеры полигонов LUCAS Copernicus (зеленая точка — контрольная точка сбора данных LUCAS).
#данные #LULC #GEE
Land Use/Cover Area frame Survey (LUCAS) — это обследование, проводимое в странах Европейского союза (ЕС) для сбора данных о землепользовании и земном покрове. Оно проводится статистической службой ЕС Eurostat каждые три года, начиная с 2006 года, и охватывает около 1 миллиона точек наблюдения.
Данные LUCAS содержит информацию о почвенно-растительном покрове и землепользовании, переменных агроэкологических условий, почвах и пастбищах.
🌍 GEE: LUCAS Harmonized (Theoretical Location, 2006-2018) V1
Точечные данные, включающие информацию о земном покрове, землепользовании, экологических параметрах.
🌍 GEE: LUCAS Copernicus (Polygons with attributes, 2018) V1
LUCAS Copernicus 2018 — наземные данные, собранные (в 2018 году) так, чтобы их можно было использовать вместе с данными дистанционного зондирования Земли, полученными спутниками программы Copernicus. В частности, в отличие от контрольных точек в LUCAS (круг радиусом 1,5 м), в LUCAS Copernicus данные собраны на полигонах, площадью до 0,52 га.
Данные LUCAS Copernicus состоят из 63 287 полигонов различных размеров и форм с согласованным почвенно-растительным покровом. Легенда соответствует уровню LUCAS Level-3.
🛢 LUCAS Copernicus 2022
📖 О методике сбора данных
📸Примеры полигонов LUCAS Copernicus (зеленая точка — контрольная точка сбора данных LUCAS).
#данные #LULC #GEE