Сравнение карт классов землепользования и земного покрова

Сейчас существуют три глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) с пространственным разрешением 10 метров: ESA WorldCover (2020–2021), ESRI Annual Land Use Land Cover (2017–2021) и Google Dynamic World (2015–н.в.). Возникает естественный вопрос: какие карты точнее?

Ответить на этот вопрос пытаются авторы Venter Z.S. et al. Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens. 2022, 14, 4101. https://doi.org/10.3390/rs14164101

Две первые карты — WC и ESRI — ежегодные, тогда как третья (DW) создается с периодичностью 5 суток (в идеальном случае, при отсутствии облачности). Чтобы сравнить DW с остальными, нужно построить из карт DW ежегодную карту. Каждый пиксель DW содержит вероятность принадлежности к тому или иному классу LULC и атрибут “label” — номер наиболее вероятного класса, к которому относится пиксель. Venter Z.S. et al. брали среднее, медиану и моду атрибута “label” за год. Точность во всех случаях оказалась практически одинаковой, но использование моды сочли более эффективным с вычислительной точки зрения, и строили ежегодную карту на основе моды “label” DW за год.

Результаты сравнения получились противоречивыми. Так, используя наземные данные, взятые по всему миру, для минимальной единицы картографирования 250 м2 (5 х 5 пикселей Sentinel-2, снимки которого являются основой всех рассматриваемых классификаций) оказалось, что наибольшую общую точность (overall accuracy) имеют карты ESRI (75%), далее идут DW (72%) и WC (65%). Однако при использовании наземных данных, ограниченных территорией Европейского союза, и для минимальной картографической единицы 100 м2 (1 пиксель Sentinel-2) самую высокую общую точность показали карты WC (71%). Далее идут DW (66%) и ESRI (63%).

Сравнение точности карт — тема интересная и еще не раз послужит целью публикаций. Любопытно, что авторы не затронули вопрос комбинирования карт для повышения точности. Например, если взять метку класса по большинству “мнений” разных карт, результат обычно бывает точнее, чем исходные карты по-отдельности. Вот вам и готовая тема для исследования.

#LULC #данные #GEE

Завершился финальный этап научно-исследовательской программы “Стратосферный спутник – 2023”. Итоги — на канале “Ключ на старт”.

🥇Первое место в Лиге “Стратонавт-испытатель” заняла команда радиолаборатории “Импульс” из Челябинска, и 27 июня на орбиту отправился их первый спутник — TinySat Stratosat-TK1A. Телеметрию аппарата можно посмотреть в @EfirNet_bot

А для подготовки к следующей программе прослушайте цикл лекций на канале “Стратонавтика”.

#обучение

Секция «Баллистика и орбитальная механика» — это уникальная возможность узнать о профессии баллистика из первых рук: о том, как проектируются траектории для космических аппаратов и их группировок, как работает Центр управления полётом, что такое баллистическое обеспечение космического полёта.

Программа секции охватывает:

▪️ баллистику в околоземном пространстве (виды и особенности орбит, возмущённое и невозмущённое движение космических аппаратов, расчёт сеансов связи, оценка срока активного существования на орбите);
▪️ баллистику межпланетных полетов (приближенные методы расчёта перелётов между несколькими телами, гравитационные манёвры, орбиты в окрестностях точек либрации);
▪️ применение специализированного ПО для баллистических расчётов (NASA GMAT и KSP TOT);
▪️освоение симуляции космического полёта по методике Летней Космической Школы;
▪️управление и пилотирование космической техники в симуляции, включая навыки ручной стыковки и посадки на безатмосферные небесные тела.

В конце Школы участников ждёт симуляция космического полёта. Участники секции станут пилотами, навигаторами и сотрудниками Центра управления полётом в сценариях космических миссий:

▪️полёт к Луне с высадкой на обратной стороне у сверхдлинноволнового радиотелескопа;
▪️полёт в точку либрации L2 системы Земля-Солнце для доставки и развёртывания нового рентген-гамма космического телескопа;
▪️экспедиция в систему Сатурна к Энцеладу для завершения строительства гигантского нейтринного телескопа;
▪️рейс на дальнюю окраину Солнечной системы для проведения наблюдений с помощью гравитационной линзы Солнца;
▪️миссия-перехват межзвёздного астероида для сбора вещества из другой звёздной системы.

Регистрация

Выпуск пикоспутников TinySat из пускового контейнера состоится сегодня в 09:40 МСК

11 июля 2023 года, в 09:40 МСК, малый космический аппарат “STRATOSAT-TK1 (RS52S)“ произведет выпуск из своего контейнера шести школьных пикоспутников формата TinySat: STRATOSAT-TK1-A, STRATOSAT-TK1-B, …, STRATOSAT-TK1-F. Аппараты будут передавать телеметрическую информацию и изображения с камеры.

Информация для радиолюбителей: https://r4uab.ru/2023/07/11/11-iyulya-2023-goda-sostoitsya-vypusk-shesti-piko-sputnikov-formata-tynysat-iz-kontejnera-mka-stratosat-tk1-rs52s/

TinySat — это миниатюрные спутники размером 50х50х50 мм и массой до 250 гр.

Последние новости по развертыванию пикоспутников можно узнать на тг-канале https://yangx.top/r4uab_ru.

Продолжается регистрация участников Национальной технологической олимпиады

Национальная технологическая олимпиада — это командные инженерные соревнования для школьников и студентов. Участники разделены на три возрастные категории: школьники 5−7 классов, школьники 8−11 классов, студенты колледжей и вузов. Срок окончания регистрации: 27 августа 2023 года. Все подробности — на сайте олимпиады.

Олимпиада проводится ежегодно, начиная с 2015 года. Кроме возрастных категорий, существует разделение по дисциплинам (профилям), которых на олимпиаде десятки. Вот пример для школьников 8–11 классов.

Среди дисциплин “Космического проекта” есть “Анализ космических снимков и геопространственных данных”, а также “Спутниковые системы”, “Большие данные и машинное обучение”.

На НТО Junior для школьников 5-7 классов есть сфера "Технологии и космос" (тг-канал).

Олимпиада — это безусловно хорошо. Можно получить опыт командной работы, прибавить баллов к ЕГЭ. Но нужно хорошо подготовится. Для этого в каждой дисциплине прилагаются материалы и задания прошлых лет. Так что оценить свой уровень, выявить слабые места и подтянуть их, можно заранее. А некоторые задания для школьников заставят призадуматься и студентов. Организация такого дела — огромный труд и спасибо организатором за то, что они его делают.

Теперь о минусах. Первый поменьше, скорее это просто брюзжание: использование птичьего языка — мейкерство, hard skills (без перевода) и т. п. Изобилие таких терминов не делает тексты доступнее. Скорее, они становятся похожими на старые фильмы про XVIII век, с их “баталиями“, “детраншементами” и прочими “кунштюками”. Вопрос: почему Олимпиада — национальная? Она что, относится к какой-то национальности? Так говорят в США, чтобы обозначить общегосударственный уровень, выше уровня отдельных штатов.

Второй минус поважнее: освещение события. ТВ, конечно, сообщит, что олимпиада состоялась. Но, раз это соревнование, то хотелось бы наблюдать борьбу. Хочется, чтобы за борьбой следили сверстники участников, и видели, что не боги горшки обжигают, что они могут не хуже... Кстати, среди дисциплин есть научная журналистика. А как насчет ведения стримов? В смысле — подготовить тех, кто может освещать олимпиаду, на самой олимпиаде. Возражение, что это будет скучно, опровергается многолетним опытом “Что? Где? Когда?”

#обучение #конкурс

GEE-33. Данные Sentinel-1 GRD в линейной шкале

У нас уже есть опыт создания RGB-композита из данных Sentinel-1, представленных в логарифмической шкале (‘COPERNICUS/S1_GRD'). Теперь создадим аналогичный композит из данных в линейной шкале (‘COPERNICUS/S1_GRD_FLOAT’).

Кроме того, наладим более детальную фильтрацию коллекции (в прошлый раз мы ограничились указанием района и интервала времени). Вот свойства радарных снимков (и их значения), по которым обычно отбирают данные Sentinel-1:

1. transmitterReceiverPolarisation: ['VV'], ['HH'], ['VV', 'VH'], ['HH', 'HV'].
2. instrumentMode: 'IW' (Interferometric Wide Swath), 'EW' (Extra Wide Swath), 'SM' (Strip Map).
3. orbitProperties_pass: 'ASCENDING', 'DESCENDING'
4. resolution_meters: 10, 25, 40
5. resolution: 'M' (medium), 'H' (high).

Наша коллекция дополнительно фильтруется по режиму съемки и типу орбиты:

var s1Col = ee.ImageCollection('COPERNICUS/S1_GRD_FLOAT')
  .filter(ee.Filter.eq('instrumentMode', 'IW'))
  .filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING'))
  .filterDate('2019-03-22', '2019-03-24')
  .filterBounds(point) // добавим канал VV/VH
  .map(function(image) {
  var band = image.select('VV').divide(image.select('VH')).rename('VV_VH');
  return image.addBands(band);
});

К каждому снимку добавляется канал VV/VH, используемый вместе с VV и VH для создания RGB-композита.

Цветовая гамма полученного композита, в конечном счете, зависит от диапазонов изменения каждого цвета (min, max). Мы подбирали их отдельно для каждого канала, ограничивая шириной в 1σ.

var s1VisParam = {
  bands: ['VV','VH','VV_VH'],
  min: [-0.3, -0.02, -1.3],
  max: [0.5, 0.06, 9.8],
};

Если цветовой диапазон узкий, вы получаете более сильные контрасты. То же самое относится и к соотношению компонент красного, зеленого и синего. Например, если вы хотите больше зеленого, уменьшите диапазон зеленого.

Код примера

#GEE #SAR

11 июля шесть пикоспутников успешно выпущены из транспортного контейнера миниатюрного спутника StratoSat-TK1 (RS52S).
‌
Обозначения пикоспутников отличаются суффиксом в виде латинской или транслитерированной русской буквы: StratoSat-TK1-A (RS52SA), StratoSat-TK1-B (RS52SB), StratoSat-TK1-C (RS52SV), StratoSat-TK1-D (RS52SG), StratoSat-TK1-E (RS52SD) STRATOSAT-TK1-F (RS52SE).

Частоты пикоспутников StratoSat-TK1-B – StratoSat-TK1-F: 436.260 MHz, 2-FSK 1200 bd, LoRa
Частота пикоспутника StratoSat-TK1-B: 435.060 MHz, CW

Про различия между пикоспутниками читайте здесь.

В сети любительских наземных станций TinyGS установлена связь с 5 пикоспутниками:

https://tinygs.com/satellite/RS52SB
https://tinygs.com/satellite/RS52SV
https://tinygs.com/satellite/RS52SG
https://tinygs.com/satellite/RS52SD
https://tinygs.com/satellite/RS52SE

В базе SatNOGS указано, что установлена связь со всеми шестью пикоспутниками:

https://db.satnogs.org/search/?q=stratosat

Все пикоспутники функционируют. Правда, относительно каждого стоит пометка: Satellite is reported to be transmitting at an uncoordinated or denied frequency.

#наблюдение

GEE-34. Преобразование Tasseled Cap: теория

Tasseled Cap (“Шляпа с кисточкой”) — это линейное преобразование мультиспектральных снимков, частный случай метода главных компонент. Преобразование Tasseled Cap (TC) позволяет сократить число признаков, используемых при распознавании объектов, и тем самым упростить процесс распознавания. Достигается это путем перехода от системы координат, где признаки скоррелированы между собой, к новой системе координат, где они не коррелированы.

Признаки — это яркости в спектральных каналах спутникового сенсора. Вектор яркостей x преобразуется в вектор новых признаков u следующим образом

u = W*x + r

W — ортогональная матрица преобразования, r — вектор смещения.

Преобразование TC осуществляет поворот многомерного эллипсоида в пространстве яркостей спектральных каналов так, чтобы главные оси эллипсоида соответствовали спектрам поглощения сельскохозяйственных культур. Метод получил свое название по форме области рассеяния значений пикселей в новой системе координат.

С двумерным TC мы уже знакомы. Вот (и вот) изображения в пространстве яркостей красного и ближнего инфракрасного каналов. Примерный результат TC показан на рисунке 1️⃣. Линия почвы после преобразования располагается параллельно одной из новых координатных осей (Brightness).

В результате многочисленных экспериментов были выделены три производных признака, которые содержат основную информацию о растительности:

1. ”Яркость” (Brightness) или “яркость почв”. Соответствующее ей значение пикселя определяется как взвешенная сумма всех каналов. Яркость обычно ассоциируется с открытой почвой (или почвой, частично покрытой растительностью), антропогенными объектами и вариациями рельефа.

2. ”Зелень” (Greenness) — направление, ортогональное яркости. Соответствует контрасту между видимыми и ближним ИК каналами, и хорошо отражает количество хлорофилла в растениях. Кривые отражения открытой почвы имеют высокие значения “яркости” и низкие значения “зелени”.

3. ”Влажность” (Wetness) или “желтизна” — третье ортогональное направление, связанное с водными объектами, влагосодержанием почвы и состоянием растительности.

Остальные новые признаки, если они есть, называются по их номерам.

TC поворачивает пространство исходных мультиспектральных данных таким образом, чтобы “яркость”, “зелень” и “влажность” стали новыми осями пространства признаков.

В отличие от матрицы преобразования в методе главных компонент, матрица преобразования TC одинакова для всех сцен, полученных одним сенсором. В то же время, поскольку свойства почв, растительности и влажности различаются для разных климатических зон, подбор линейных комбинаций каналов носит эмпирический характер. В литературе обычно приводятся значения коэффициентов преобразования ТС, соответствующие съемке территории США.

#GEE #основы #сельхоз

1️⃣ Результат преобразования Tasseled Cap в двумерном случае. Источник: Crist, E. P., & Cicone, R. C. (1984). A Physically-Based Transformation of Thematic Mapper Data—The TM Tasseled Cap. IEEE Transactions on Geoscience and Remote Sensing, GE-22(3), 256–263. doi:10.1109/tgrs.1984.350619

GEE-34. Преобразование Tasseled Cap: работа с массивами

Преобразование Tasseled Cap (TC) привязано к конкретному сенсору. Реализуем его для Landsat 8 OLI. Для этого нужно выполнить матричное умножение

u = W*x

x — вектор яркостей в спектральных каналах Landsat, u — вектор новых признаков (яркость, зелень, влажность и т. п.), W — ортогональная матрица преобразования. Вектор r из общей формулы в данном случае является нулевым.

Сначала зададим матрицу преобразования W:

var W = ee.Array([
  [0.3029, 0.2786, 0.4733, 0.5599, 0.508, 0.1872],
  [-0.2941, -0.243, -0.5424, 0.7276, 0.0713, -0.1608],
  [0.1511, 0.1973, 0.3283, 0.3407, -0.7117, -0.4559],
  [-0.8239, 0.0849, 0.4396, -0.058, 0.2013, -0.2773],
  [-0.3294, 0.0557, 0.1056, 0.1855, -0.4349, 0.8085],
  [0.1079, -0.9023, 0.4119, 0.0575, -0.0259, 0.0252],
]);

Индексация массивов начинается с 0. Двумерный массив или матрица записывается по строкам: индекс 0 соответствует изменению по строкам, индекс 1 — изменению по столбцам (рисунок 1️⃣).

Можно проверить, что получился массив размером 6 х 6:

print(W.length()); //    [6,6]

Из снимка Landsat 8, на котором изображена бухта Сан-Франциско, выберем 6 каналов

var image = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20140318')
  .select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'])
  .multiply(0.0000275).add(-0.2);

Теперь нужно преобразовать многоканальное изображение Landsat (объект ee.Image) в “Array Image” — изображение-массив, где каждый пиксель является массивом значений каналов.

var arrayImage1D = image.toArray();
var arrayImage2D = arrayImage1D.toArray(1);

Функция toArray() преобразует изображение в изображение-массив, в котором каждый пиксель является одномерным вектором, элементы которого соответствуют 6 значениям каналов изображения. На рисунке 2️⃣ сделана попытка показать как это выглядит, вот только векторы в каждом пикселе должны быть векторами-строками (а не столбцами). Для выполнения матричного умножения векторы-строки нужно преобразовать в векторы-столбцы. Делается это с помощью функции toArray(1).

Изображение-массив — забавная вещь. Получается, что обычное изображение (а точнее — один слой или канал) — это изображение-скаляр. Каждый пиксель обычного изображение — число. А у изображения-массива пиксели являются векторами, матрицами, в общем, — массивами. Зато у таких изображений нет слоев.

Наглядно показать, что происходит при выполнении описанной выше операции, можно на обычных массивах:

var array1D = ee.Array([1, 2, 3]);            // [1,2,3]  
var array2D = ee.Array.cat([array1D], 1);     // [[1],[2],[3]]

cat() пришлось применить потому что для массивов ee.Array не существует функции toArray().

Матричное умножение выглядит так

var componentsArrayImage = ee.Image(W).matrixMultiply(arrayImage2D)

Изображение-массив ee.Image(W) размера 6x6 мы умножили на изображение-массив arrayImage2D размера 6х1.

Пора вернуться от изображения-массива к привычному многоканальному изображению:

var componentsImage = componentsArrayImage
  .arrayProject([0])
  .arrayFlatten([['brightness', 'greenness', 'wetness', 'fourth', 'fifth', 'sixth']]);

Cначала переходим к изображению-массиву с векторами-строками с помощью функции project(), а затем преобразуем его в обычное изображение с помощью функции arrayFlatten(). Аргументами последней являются названия каналов (признаков) нового изображения.

Коэффициенты преобразования TC для Sentinel-2.

Видеолекция по массивам и изображениям-массивам в GEE (1,5 часа).

Ну, и наконец, — результат преобразования показан на рисунке 3️⃣ (для сравнения, на рисунке 4️⃣ бухта Сан-Франциско в естественных цветах).

Код примера

#GEE #основы #сельхоз