Вот как может выглядеть снимок с 10-сантиметровым разрешением. Фото из Spacenews.

Спутниковое ДЗЗ в военном бюджете США на 2023 год

Закон об оборонном бюджете США на 2023 год уже подписан Байденом. Что там в части ДЗЗ?

На Космические силы выделено $26.3 млрд, что почти на $1.7 млрд больше, чем первоначально запрашивал Пентагон. Более $500 млн дополнительных средств приходится на Агентство космического развития (SDA). SDA создано Пентагоном в 2019 году чтобы помочь Космическим силам эффективнее использовать коммерческие спутниковые технологии (гусары молчать!). SDA приобретает сотни коммерческих спутников и соответствующих наземных систем, чтобы создать на низкой околоземной орбите группировку для обнаружения пусков и отслеживания баллистических и гиперзвуковых ракет. Кроме того, SDA создает группировку низкоорбитальных спутников связи для передачи военными данных по всему миру.

В добавление к низкоорбитальной группировке от SDA, Космические силы еще в мае 2021 года заключили контракты с Raytheon Technologies на $727 млн и с Millennium Space Systems на $412 млн для создания прототипов спутников, способных обнаруживать и отслеживать гиперзвуковые и баллистические ракеты со средней околоземной орбиты. В ноябре 2022 на эти разработки выделены дополнительные $605 млн. Предполагается, что спутники будут запущены в 2026 году.

$50 млн предназначены для программы "Тактически отзывчивый космос". Отзывчивость космоса состоит в том, что Пентагон будет использовать малые коммерческие ракеты-​носители для быстрого пополнения своей спутниковой группировки.

#война #США

GEE-5. Экспорт данных

Google Eаrth Engine является одним из лучших источников бесплатных спутниковых снимков. При этом можно выбрать только нужный фрагмент снимка и только нужные его каналы. Или наоборот — составить мозаику из нескольких снимков. В общем сейчас — про то, как получить данные из GEE.

Код примера: https://code.earthengine.google.com/de5e0930a83f9781ef0f27fb68fb0ea2

Отфильтруем коллекцию снимков Sentinel-2 L2A и сортируем ее по доле облачности 'CLOUDY_PIXEL_PERCENTAGE':

var S2_SR = ee.ImageCollection("COPERNICUS/S2_SR")
  ...
  .sort('CLOUDY_PIXEL_PERCENTAGE', true);

true означает сортировку по возрастанию, так что первым будет самый чистый снимок. Узнаем, какая доля площади этого снимка покрыта облаками:

var cpp = S2_SR.first().get('CLOUDY_PIXEL_PERCENTAGE');
print('The cloudy pixel percentage of clearest image: ', cpp);

Скачаем этот снимок на свой Гугл-диск:

// Экспорт снимка
Export.image.toDrive({
  image: image.select('B.*'),
  description: 'S2_'.concat(date),
  scale: 10,
  region: ROI,
  fileFormat: 'GeoTIFF',
});

* Из снимка выбраны только его каналы B1 – B12. Маски и другая вспомогательная информация нам не нужны.
* Пространственное разрешение всех каналов будет равно 10 м (scale). При этом каналы B5 – B7, B8A, B11 и B12 (оригинальное разрешение 20 м) и каналы B1, B9, B10 (60 м) будут ресемплированы к разрешению 10 м.
* Имя готового файла: ‘S2_ + дата снимка’ (YYYY-mm-dd).
* Снимки сохраняются в формате GeoTIFF.

Можно экспортировать несколько снимков, преобразовав коллекцию в список, и поместив экспорт в цикл:

for (var i = n-1; i > -1; i--) {
  var image = ee.Image(colList.get(i));
  var date = image.date().format("YYYY-MM-dd").getInfo();
  
  Export.image.toDrive({
    image: image.select(['B4', 'B3', 'B2']),
    description: date,
    scale: 10,
    region: ROI,
    fileFormat: 'GeoTIFF',
  });
}

Здесь выбираются только RGB каналы снимков.

Код примера: https://code.earthengine.google.com/296383d01c624eae1bb4793326b8d068

#GEE #данные

Векторные карты административных границ

Карты административных границ — один из самых востребованных видов вспомогательных данных, используемых в дистанционном зондировании. Рассмотрим коллекции общедоступных векторных карт, с детализацией вплоть до границ районов.

* Global Administrative Areas (GADM) — наборы данных об административных границах для всех стран мира.

* Humanitarian Data Exchange предоставляет доступ к векторным картам Office for the Coordination of Humanitarian Affairs (OCHA) Common Operational Datasets (CODs), которые используются для гуманитарных миссий ООН. Как правило, эти карты точнее GADM.

* OpenStreetMap (OSM) создаются инициативной общественностью. Нередко эти карты являются лучшими среди общедоступных по точности и актуальности. Можно скачать копию полной базы данных OpenStreetMap, объемом свыше 100 Гб, или сравнительно небольшую область — при помощи Overpass API.

* geoBoundaries — глобальная база данных административных границ, вплоть до 5 уровня (подробности). Данные публикуются в структурированной форме, что позволяет интегрировать geoBoundaries в сервисы крупномасштабного сбора данных. Помимо собственных данных, сервис предлагает данные OCHA CODs и UN SALB. Сервис не создает карт, а отбирает их среди существующих, указывает источник и информацию об открытой лицензии. Инструмент geoContrast позволяет сравнить границы, построенные по разным картам.

Алгоритм выбора карт

1. Выбираем лучшие из доступных карт в инструменте geoBoundaries Visualize & Compare Boundaries. Качество проверяем по подложке, составленной из спутниковых снимков. Если карт OSM в geoBoundaries нет или они устарели, получаем актуальные при помощи Overpass API.
3. Для выбранных карт проверим несколько участков границы, сравнивая их с Bing Aerial (QGIS) или Google Maps (QGIS, Google Earth). Маловероятно, чтобы граница неоднократно разделяла на части сельскохозяйственные поля, пересекала дороги или шла свозь сплошной лес. Выбираем карты, содержащие меньшее число ошибок в интересующем нас регионе.

Карты GADM стоит использовать только если не существует других карт региона.

#данные #границы

Сравнение границ Атбасарского района Казахстана по данным OCHA (синий цвет), GADM (красный) и OSM (черный).

Граница из данных OSM (желтый цвет) выглядит самой логичной. Только она проходит по дороге, лежащей между полями или вдоль русла реки.

Мониторинг нарушений состояния растительности: OPERA_L3_DIST-ALERT-HLS_PROVISIONAL_V0

JPL и лаборатория GLAD разработали новый продукт — данные OPERA* Land Surface Disturbance Alert. Они показывают нарушения состояния растительности, опираясь на уменьшение доли растительности в пикселе или изменения в спектре. Алгоритм разработан в GLAD и продолжает многолетнюю цепочку работ этой лаборатории.

Мониторинг нарушений основан на гармонизированных данных Landsat 8/9 и Sentinel-2 A/B (HLS) с пространственным разрешением 30 м. В идеале, промежуток между съемками составит 2–4 суток.

Аналогичные продукты от GLAD уже существовали, но были ограничены тропическими регионами, снимками с одного спутника, и предназначались для обнаружения нарушений состояния леса (на Global Forest Watch это — GLAD Alerts и GLAD-S2 Alerts). Теперь речь идет о глобальном покрытии и любой растительности. Например, можно посмотреть на уменьшение доли зеленой биомассы в период созревания и уборки сельскохозяйственных культур.

Продукт состоит из 19 слоев, реализованных в виде отдельных файлов GeoTiff. Начать можно со слоя VEG-DIST-STATUS — классификации состояния растительности.

Данные совсем свежие (V0!), информации об их точности нет. Будем изучать.

Поиск/скачивание: https://search.earthdata.nasa.gov/search?q=C2517904291-LPCLOUD
Описание: https://d2pn8kiwq2w21t.cloudfront.net/documents/ProductSpec_DIST_HLS.pdf
Алгоритм: https://lpdaac.usgs.gov/documents/1579/OPERA_DIST_ATBD_V1.pdf

*The Observational Products for End-Users from Remote Sensing Analysis (OPERA) — проект JPL, направленный на создание продуктов для оперативного мониторинга.

#данные #растительность

Беспородный пёс Уголёк — единственный, кто прокатился в космос с Ветерком

GEE-6. Импорт данных

Огромный плюс Earth Engine состоит в том, что он позволяет обрабатывать не только собственные данные, но и данные, загруженные пользователем. Импортировать можно растровые данные в формате GeoTIFF, векторные данные (SHP) и таблицы (CSV). Посмотрим, как это работает, на примере продукта DIST-ALERT.

Код примера: https://code.earthengine.google.com/a5102e9a2325ab0de05af494aebc0776

Рассмотрим нарушения состояния растительности, вызванные пожаром в окрестности пика Отшельника в Национальном лесу Санта-Фе. Пожар начался 6 апреля 2022 года и на момент съемки (28 мая 2022 года) был локализован только на ~48%. Данные можно получить на Earthdata. Мы взяли один слой (файл), в котором указано состояние растений: VEG-DIST-STATUS.

Для импорта данных во вкладке Assets последовательно выбираем Assets > New > GeoTIFF. Указываем загружаемый файл и присваиваем ему имя, под которым он будет хранится на GEE. Имя исходного файла: OPERA_L3_DIST-ALERT-HLS_T13SDV_20220528T173909Z_20220615T143100Z_S2B_30_v0.1_VEG-DIST-STATUS. Точки в имени файлов GEE не допускает, так что сохраним файл как VEG-DIST-STATUS.

Обращение к загруженному файлу будет таким же, как к “родным” данным GEE:

var image = ee.Image('projects/ee-sputnikdzz/assets/VEG-DIST-STATUS');

Можно было бы сразу поместить файл на карту. Но мы не будем спешить. Во-первых, наш файл содержит не непрерывный интервал значений, а 5 классов с оценками состояния растительности:

* 0 – нет нарушений
* 1 – предварительный <50%
* 2 – подтвержденный <50%
* 3 – предварительный ≥50%
* 4 – подтвержденный ≥50%

Статус “предварительный” означает, что нарушение выявлено на одном снимке. Подтвержденным оно становится после того, как будет найдено на следующих снимках. <50% — это небольшое нарушение состояния (болезнь). ≥50% — значительное нарушение, например вырубка леса. В итоге, у нас 4 класса нарушений. Значит для их отображения понадобится палитра с соответствующим числом цветов. Статус “нет нарушений” отображать не имеет смысла: он будет занимать большую часть снимка и просто скрывать лежащий ниже слой карты.

Зададим палитру:

var vdPalette = [
  'F1C40F', // 1: предварительный <50%
  'F39C12', // 2: подтвержденный <50%
  'BA4A00', // 3: предварительный ≥50% 
  'E74C3C'  // 4: подтвержденный ≥50% 
];

Цвета следуют от желтого к красному — по мере увеличения серьезности нарушений. Они подбирались в HTML Color Codes.

Управление отображением слоя задаем так:

var vis = {
  min: 1,
  max: 4,
  palette: vdPalette,
  opacity: 0.7
};

Минимальное и максимальное значения на карте следуют из значений классов. Добавляем палитру и opacity — непрозрачность. По умолчанию, opacity = 1, то есть слой полностью непрозрачен. Уменьшая opacity, мы увеличиваем прозрачность слоя. Это позволит увидеть карту или спутниковый снимок, составляющие подложку, и лучше ориентироваться в данных.

Подробнее, о визуализации изображений в GEE.

Наконец, нужно удалить со снимка значения, соответствующие классу 0 — ненарушенному состоянию растительности. Для этого создадим маску, то есть поставим логическое условие: image.neq(0). Условие истинно для пикселей с нарушениями и ложно для ненарушенных. В результате применения маски к исходному снимку, на нем останутся только пиксели с нарушениями:

image = image.updateMask(image.neq(0));

GEE может маскировать снимок на основе его собственных данных, считая нулевые значения результатом применения маски. Это дает более короткий код:

var image = image.selfMask();

Как видно, кроме значительных и подтвержденных, на снимке есть много мелких нарушений в виде отдельных пикселей. Это могут быть ложные срабатывания алгоритма или же что-то полезное — данные DIST-ALERT совсем свежие и требуют изучения.

#GEE #данные

Больше спутников, четче снимки

Или: “космическая отрасль развертывает больше спутников, которые обеспечивают более четкие изображения” — такую тенденцию обнаружила компания Quilty Analytics на рынке снимков сверхвысокого разрешения. Наверняка Квилти ухватили глубинную суть явления, просто не смогли ее донести. К счастью, есть и выводы попроще. Перейдем к ним.

В числе признанных мировых игроков на рынке изображений сверхвысокого разрешения. Квилти называют: Airbus (штаб-квартира в Германии), Imagesat International (Израиль), Maxar Technologies (США) и SI Imaging Services (Южная Корея). Новые игроки — это BlackSky, Planet (обе — США) и Satellogic (всё сложно). Начинали они с данных среднего разрешения, но теперь стараются повысить его, чтобы потягаться с лидерами.

Есть перспективы возникновения нового сектора отрасли, в котором спутниковые группировки будут разворачивать ближе к Земле, на сверхнизких орбитах (ниже 400 километров). Квилти считают, что это даст возможность получать коммерческие снимки с разрешением от 10 до 35 сантиметров. В ближайшие годы развернуть свои группировки на сверхнизких орбитах планируют три стартапа — Albedo, Earth Observant и Skeyeon.

Бесплатные снимки Maxar

Получить бесплатно снимки Maxar можно тремя способами.

1. Образцы данных: Maxar Product Samples. На них можно научиться работать с подобными снимками.

2. Снимки для анализа последствий чрезвычайных ситуаций: Maxar Open Data Program. Коллекция пополняется, но задать регион исследования невозможно.

3. Заказ в ESA Earth Online. Это единственный способ, позволяющий бесплатно получить снимки интересующего вас района. Выбираем спутник в разделе Third Party Missions. Доступ к данным описан на странице спутника. Как правило, чтобы получить снимки нужно: зарегистрироваться, написать по форме заявку на получение данных, и добиться ее утверждения ESA. После этого можно рассчитывать на получения архивных или текущих снимков согласно квоте для данного спутника. Этот путь требует определенных усилий, но они того стоит. Персонал ESA нормально идет на контакт: даже если заявку сразу не утвердят, они укажут на ошибки, которые можно исправить и подать заявку повторно. Главное — не бросать процесс.

#данные #maxar

Китай: ДЗЗ-2023

В 2023 году Китай планирует выполнить более 70 пусков. В прошлом году их было 64. Для сравнения, США в 2022 году осуществили 87 запусков, 84 из которых были успешными.

На долю государственной China Aerospace Science and Technology Corporation (CASC) в 2022 году пришлось 55 запусков ракет. В 2023 году CASC планирует запустить свыше 200 спутников. Ожидаются запуски новых Gaofen и Yaogan. Последние считают разведывательными. Будут новые метеоспутники и спутники наблюдения за океаном, но без подробностей.

Частная компания Changguang Satellite Technology собирается запускать очередные Jilin-1. Размер группировки к 2025 году должен составить 300 спутников.

Хотя это и не имеет прямого отношения к ДЗЗ, но: испытывается огромное число новых ракет: Zhuque-2, Hyperbola-2, Tianlong-2, Gravity-1, Darwin-1 и несколько модификаций “Великого Похода” (Long March). Ракеты — они всегда в тренде.

#китай

Характеристики космических снимков: пространственное разрешение

Основными характеристиками космических снимков являются четыре типа разрешений (resolution): пространственное, радиометрическое, спектральное и временное.

Спектральное разрешение задает диапазоны длин волн, регистрируемые спутниковым датчиком. Радиометрическое — определяет возможное количество данных каждого спектрального диапазона, сохраняемое в файле снимка. Временное — характеризует частоту, с которой спутниковый датчик получает изображение одной и той же области наблюдения. Пространственное разрешение (spatial resolution) мы сейчас рассмотрим подробнее.

Пространственное разрешение характеризует размер наименьших объектов, различимых на снимке.

Часто пространственное разрешение отождествляют с размером пиксела изображения. Действительно, минимальный размер объектов, различимых на снимке, сопоставим с размерами пиксела. В то же время, на снимке можно выделить объекты, меньшие размера пикселя (например, дороги), если они контрастируют с фоном. С другой стороны, объекты, сопоставимые по размеру с пикселем или даже крупнее, не могут быть выделены, если рядом находятся более яркие и доминирующие объекты, если объект наблюдения движется или из-за влияния атмосферы.

При выборе пространственного разрешения есть простое правило: размер пиксела должен быть вдвое меньше минимального размера наблюдаемого объекта.

Чем выше пространственное разрешение, тем меньше его числовое значение (R). Различают снимки: низкого (R ≥100 м); среднего (10 м ≤ R < 100 м); высокого (1 м ≤ R < 10 м) и сверхвысокого (R < 1 м) пространственного разрешения. Границы показателей пространственного разрешения достаточно условны и со временем уменьшаются. Так, десять лет назад пространственное разрешение 10 м считалось высоким, а 100 м — средним.

Спутниковые системы с низким пространственным разрешением имеют свои преимущества. Как правило, чем ниже пространственное разрешение, тем шире полоса обзора спутниковой системы. Захватывая более широкую полосу земной поверхности, системы с низким пространственным разрешением обеспечивают малое время повторной съемки (или — высокое временное разрешение). Поэтому такие системы применяются при мониторинге больших территорий с высокой частотой съемки. Примеры: системы с приборами MODIS и VIIRS.

Пространственное разрешение зависит от длины волны принимаемого излучения, высоты орбиты спутника и диаметра объектива (или апертуры антенны, в случае радара).

#основы #GEE

HyP3: бесплатная обработка радарных данных

Alaska Satellite Facility (ASF) предлагает бесплатный сервис по обработке радарных данных — Hybrid Pluggable Processing Pipeline (HyP3). HyP3 предоставляет данные двух видов:

* Radiometrically Terrain Corrected (RTC) Sentinel-1 — это обработанные до готовности данные GRD;
* Interferometric SAR (InSAR) Sentinel-1 — содержат интерферограмму, карту когерентности и карту смещений.

Последнее особенно полезно, потому что построение и развертывание интерферограмм на локальном компьютере отнимает кучу времени. Пространственное разрешение готовых продуктов InSAR составляет 80 м (number of looks = 10х2). Разработчики обещают со временем его повысить. Так, пространственное разрешение продуктов RTC сейчас составляет 10 м, а было 30 м.

Доступ к данным можно получить на портале Vertex, с помощью HyP3 Python SDK (conda-forge, PyPI) или через API.

* Sentinel-1 RTC Product Guide
* Sentinel-1 InSAR Product Guide

Квота составляет 1000 задач в месяц на одного пользователя.

Get HyP3! в Twitter: https://twitter.com/ASFHyP3

#sentinel1 #SAR #InSAR #данные