Практического смысла в показанных выше снимках немного. Чтобы смысл появился, нужна существенно более высокая частота съемки, чем раз в 12 суток, как это есть сейчас.

При обнаружении судов на радарных снимках возникает проблема борьбы с помехами от наземных источников (сравните яркость порта и кораблей в акватории) и неоднозначностью отражения сигнала, когда из-за многократного отражения возникают "корабли-призраки" — эффект, знакомый нам по радарным снимкам мостов.

Как правило, судоходные трассы визуализируют по данным автоматических идентификационных систем (АИС), как это сделано на сервисе Marine Traffic. Данные АИС передаются всеми типами судов, даже небольшими судами, которые могут быть пропущены Sentinel-1. Но АИС-трекер можно отключить, тогда как спутниковый радар отключить гораздо сложнее.

Мы использовали поляризацию VH, потому что в ней оказалось проще добиться сильного контраста между яркостями поверхности моря и кораблей, чем в поляризации VV, хотя принципиальных различий мы не обнаружили. Спекл-фильтрация не применялась. Фактически, ее роль выполняет способ создания композита: максимум каждого пикселя во временном ряду снимков.

В заключение, забавный снимок из статьи. В Мраморном море, между проливами Босфор и Дарданеллы, движение судов весьма интенсивное. Тем не менее, вокруг острова Имралы наблюдается темная зона. Дело в том, что на острове находится турецкая военная база и тюрьма строгого режима, так что окрестные воды закрыты для судоходства.

Constellr собрала 17 млн евро на создание спутниковой группировки для измерения температуры земной поверхности

Немецкая компания Сonstellr планирует потратить собранные ей 17 млн евро на создание группировки спутников для мониторинга температуры земной поверхности.

Разработанный Сonstellr прибор LisR уже работает на МКС, и делает снимки в тепловом ИК-диапазоне с разрешением 80 м. Приборы будущей группировки, состоящей из аппаратов массой около 100 кг, должны обеспечить ежедневную съемку (без учета облачности) с пространственным разрешением 30 метров. Такое разрешение нельзя назвать прорывом, но это значительно лучше чем у имеющихся в свободном доступе данных Landsat TIRS/TIRS-2 (100 метров). Первый спутник группировки предполагается запустить в 2024 году.

В апреле нынешнего года Constellr приобрела бельгийский стартап ScanWorld, занимавшийся получением и анализом гиперспектральных данных.

Судя по заявлениям компании, Constellr движется в сторону технологий умного земледелия (smart farming): мониторинг состояния сельскохозяйственных культур, управление орошением, оценка содержания углерода в почве и т. п. Среди перспективных направлений на сайте компании значатся также промышленный мониторинг и ликвидация последствий стихийных бедствий.

Редкий случай, когда за компанией, занимающейся измерением температуры поверхности, не маячат военные. По крайней мере, на первый взгляд. Ведь судить об этом можно только по косвенным признакам: источникам финансирования, составу руководства и т. п.

#LST #гиперспектр #сельхоз

Лесные пожары лета 2023 года

Площадь лесов, пройденных огнем по всей России, на 13 августа 2023 года достигла 4 млн гектаров. Прошлогодний показатель в 3,4 млн гектаров, сгоревших за весь 2022 год, был превзойден еще в конце июля. Погода в России в августе ожидается выше климатической нормы на 0,5–2 ℃, что способствует засухам и лесным пожарам.

В Канаде лесные пожары происходят каждое лето, но это лето — особенное. По состоянию на 10 августа 2023 года пройденная пожарами площадь составила 3,5 млн. гектаров. Таким образом, в середине пожароопасного сезона выгоревшая площадь уже примерно вдвое больше, чем обычно за весь сезон. Лесные пожары в Канаде привели к рекордным выбросам углекислого газа в атмосферу. Они составили “более 25% вредных веществ в воздухе всей планеты в 2023 году”.

Несмотря на то, что лето 2023 года в некоторых регионах США было необычно жарким, год оказался спокойным в плане пожаров. По состоянию на 3 августа 2023 г. с начала года выгоревшая площадь составила 480 тыс. гектаров. По данным Национального межведомственного пожарного центра, это наименьшая выгоревшая площадь за последние 10 лет. Среднее десятилетнее значение площади, выгорающей к 3 августа, составляет 1.54 миллиона гектаров.

По данным Европейской системы информации о лесных пожарах (EFFIS), к 22 июля текущего года на территории ЕС сгорело более 182 569 гектаров, что более чем на 40% превысило средний показатель за период с 2003 по 2022 год (128 225 гектара). Масштабные пожары в Греции и Италии стали угрозой не только для окружающей среды, но и для населенных пунктов.

#пожары

В этот день, в 1974 году, на орбиту был выведен КА «Космос-673», представляющий спутник радиотехнической разведки «Целина-Д».

Назначение аппарата - детальное радиотехническое наблюдение.

GEE-35. Временные ряды

Вопроса построения временных рядов мы уже касались. Речь шла о временных рядах для нескольких участков, но возможности GEE позволяют строить временные ряды одновременно для тысяч участков. При этом возникает несколько проблем, решением которых мы сейчас и займемся.

Район интереса geometry представлен тремя сельскохозяйственными полями 1️⃣. Для этих полей построим временные ряды нормализованного разностного вегетационного индекса (NDVI) за 2019 год — для каждого поля в каждую дату съемки рассчитывается среднее по участку значение NDVI. На практике такая задача возникает при мониторинге состояния сельскохозяйственных культур.

Сформируем коллекцию снимков Sentinel-2:

var col = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED')
    .filterDate(startDate, endDate)
    .filter(ee.Filter.lt('CLOUDY_PIXEL_PERCENTAGE', cloudMax))
    .map(maskCloudAndShadows)
    .map(addNDVI)
    .filterBounds(geometry);

Здесь startDate и endDate — начальная и конечная даты периода наблюдений, cloudMax — максимальная доля облачного покрытия снимков. Функция maskCloudAndShadows маскирует облачность и тени облаков, а addNDVI добавляет к снимкам слой с рассчитанными значениями NDVI.

Запишем код, отвечающий за построение временных рядов:

var timeSeries = col.select('ndvi').map(function(image) {
  return image.reduceRegions({
    collection: geometry, 
    reducer: ee.Reducer.mean().setOutputs(['ndvi']).combine({
      reducer2: ee.Reducer.count(),
      sharedInputs: true
    }), 
    scale: 10,
  }).map(function(feature) {
    var ndvi = ee.List([feature.get('ndvi'), 'NA'])
      .reduce(ee.Reducer.firstNonNull());
    var imageID = image.id();
    var area = feature.area({'maxError': 1});
    var date = ee.String(imageID).slice(0,8);
    var share = ee.Number(feature.get('count')).multiply(10).multiply(10).divide(area);
    return feature.set({'id': feature.id(),'ndvi': ndvi, 'imageID': imageID, 'date':date, 'share': share});
    });
}).flatten();

Разбором кода займемся в следующем посте.

Код примера

#GEE

GEE-35. Временные ряды
Продолжение

Рассмотрим упрощенный код для построения временных рядов, который будем постепенно наращивать:

var timeSeries = col.select('ndvi').map(function(image) {
  return image.reduceRegions({
    collection: geometry, 
    reducer: ee.Reducer.mean().setOutputs(['ndvi']), 
    scale: 10,
  }).map(function(feature) {
    var ndvi = ee.List([feature.get('ndvi'), 'NA'])
      .reduce(ee.Reducer.firstNonNull());
    return feature.set({'ndvi': ndvi});
    });
}).flatten();

Из каждого снимка коллекции выбираем слои с NDVI и вычисляем средние значения индекса по каждому участку. В первой анонимной функции этим занимается reduceRegions. В результате получим ee.FeatureCollection, элементы которой содержат свойство 'ndvi'. Если бы мы не применили .setOutputs(['ndvi']), это свойство, по умолчанию, называлось бы mean.

К элементам полученной FeatureCollection применяется еще одна анонимная функция. Она нужна, чтобы свойство 'ndvi' всегда имело какое-то значение (кроме null). Дело в том, что reduceRegion не возвращает результат, если снимок не пересекается с полигоном района интереса или если фрагмент снимка удален после маскирования облачности. Для обработки таких ситуаций мы создаем список (ee.List), составленный из результата выполнения reduceRegion и пустого значения (‘NA’ — Not Available). Редьюсер ee.Reducer.firstNonNull() возвращает первое непустое значение. Если 'ndvi' окажется пустым (null), то этот редьюсер вернет ‘ndvi = NA’.

#GEE

GEE-35. Временные ряды
Продолжение

В отличие от данных MODIS и Landsat, гранулы Sentinel-2 пересекаются 1️⃣. Если район интереса имеет большую площадь, может возникнуть ситуация, когда один участок попадает на несколько соседних гранул Sentinel-2. То есть у одного участка в одну и ту же дату может оказаться несколько средних значений NDVI.

Решить эту проблему несложно. В качестве окончательного результата можно взять среднее или максимальное значение средних NDVI. Но для этого в готовой FeatureCollection нужно возвращать не только NDVI, но и идентификатор снимка 'imageID'. Последний позволяет не только различать снимки — из него можно извлечь дату съемки:

var imageID = image.id();
var date = ee.String(imageID).slice(0,8);

Есть и другое решение: можно составить мозаику для каждой даты съемки и проблема с несколькими значениями NDVI за одну дату исчезнет. Мозаики мы строить умеем (или здесь). Однако коллекция мозаик отнимает слишком много памяти, и потому позволит работать с меньшим числом участков, чем рассматриваемый нами подход.

#GEE

GEE-35. Временные ряды
Окончание. Начало

Еще одна проблема: данные могут не покрывать участок целиком. Происходит это в результате маскирования облачности или из-за того, что участок находится на краю гранулы.

Участки с малым покрытием данными стоит исключить из рассмотрения (например, если данными NDVI покрыто меньше 10% площади участка), а в случае, когда участок имеет несколько NDVI за одну дату, доля покрытия данными может выступать в качестве весового коэффициента при расчете итогового среднего. Так или иначе, но мы должны получить долю покрытия данными каждого участка.

Площадь участка вычислим по полигону его границ:

var area = feature.area({'maxError': 1});

Число пикселей участка, покрытых данными, вычислим редьюсером ee.Reducer.count(). Функция combine позволяет объединить вычисление двух редьюсеров — mean и count:

...
reducer: ee.Reducer.mean().setOutputs(['ndvi']).combine({
      reducer2: ee.Reducer.count(),
      sharedInputs: true
    }), 
...    

Умножим число пикселей покрытых данными 'count', на площадь одного пикселя, и разделим на площадь участка area. Получим долю площади участка, покрытую данными:

var share = ee.Number(feature.get('count')).multiply(10).multiply(10).divide(area);

Кроме того, в результате нужно вернуть идентификатор участка 'id'. В итоге, возвращаем следующий набор свойств:

...
return feature.set({'id': feature.id(), 'ndvi': ndvi, 'imageID': imageID, 'date':date, 'share': share});

Доля покрытия участка данными share может оказаться немного больше единицы из-за не совсем корректной оценки площади одного пикселя. Однако, поскольку площадь поля редко превышает несколько сотен гектар, этой погрешностью можно пренебречь.

В результате мы получили временные ряды NDVI, которые нуждаются в доработке. Она зависит от того, как вы будете считать NDVI за одну дату, и какие снимки, в зависимости от доли покрытия данными, будете учитывать.

Можно ли вычислить готовые ряды NDVI полностью в GEE? Можно. Пример такого расчета приведен здесь. Но по нашему опыту подобное “допиливание” проще выполнять специализированным инструментом. Например, R или Python.

#GEE

Временной ряд, полученный в результате выполнения примера.

Космическая компания "Бюро 1440" выполнила сеанс видеосвязи из точки, где нет покрытия сотовой связи и земного интернета благодаря своей низкоорбитальной группировке.
Молодцы!

@dobriy_ovchinnikov

NRO ищет поставщиков новых видов спутниковых снимков

Национальное управление военно-космической разведки США (NRO) запрашивает предложения от коммерческих компаний, занимающихся дистанционным зондированием, на поставку новых перспективных видов данных оптического и инфракрасного диапазонов, кроме тех, что уже включены в контракты на поставку оптических снимков, которые управление заключило в прошлом году с компаниями Maxar Technologies, BlackSky и Planet Labs.

В заявке, опубликованной 14 августа, предлагаются такие технологии, как*: ночная съемка, съемка за пределами Земли, мультиспектральная съемка, видеосъемка и съемка в инфракрасном диапазоне.

Заказ данных осуществляется в рамках реализации программы Strategic Commercial Enhancements BAA**. В рамках этой программы NRO уже подписало соглашения с несколькими поставщиками радарных, радиочастотных и гиперспектральных данных.

Из указанных в заявке видов съемки самым непонятным является мультиспектральная. Вроде бы все перечисленные выше компании занимаются как раз мультиспектральной съемкой, особенно это касается Maxar.

Съемка за пределами Земли — это съемка космических объектов, в первую очередь, чужих спутников — новый сектор дистанционного зондирования, который надеются захватить компании вроде Maxar. После изменений в процедуре лицензирования, объявленных NOAA в начале августа, подобные данные могут предлагаться на коммерческой основе.


* Цитируем по SpaceNews: “the government needs imagery products across the electro-optical spectrum, including but not limited to panchromatic imagery, multispectral imagery, nighttime imaging, non-Earth imaging, video, and spectrally diverse Imagery including short-wave infrared, mid-wave infrared  and long-wave infrared.”

** BAA означает Broad Agency Announcement — инструмент, используемый правительственными агентствами для поддержки фундаментальных и прикладных исследований и той части разработок, которая не связана с созданием конкретной системы или закупкой оборудования.

#война