GEE-38. Доработка данных Sentinel-1

Данные Sentinel-1 GRD на платформе GEE прошли следующие этапы обработки:

1. Thermal Noise Removal
2. Radiometric Calibration
3. Range Doppler Terrain Correction (в качестве ЦМР используется SRTM 30 — для широт ниже 60°, и ASTER DEM — для широт выше 60°, где данные SRTM отсутствуют).

Результатом являются изображения σ0 с геометрической коррекцией рельефа.

Дополнительная обработка данных Sentinel-1 описана в статье

Mullissa A, Vollrath A, Odongo-Braun C, Slagter B, Balling J, Gou Y, Gorelick N, Reiche J. Sentinel-1 SAR Backscatter Analysis Ready Data Preparation in Google Earth Engine. _Remote Sensing_. 2021; 13(10):1954. https://doi.org/10.3390/rs13101954

и включает в себя этапы:

4. Addtional Border noise correction
5. Speckle Filtering: Mono-temporal / Multi-temporal
6. Radiometric Terrain Normalization

— удаление шума на границах снимков, спекл-фильтрацию (одновременную и разновременную), а также радиометрическую нормализацию рельефа (два способа упрощенной радиометрической коррекции).

Репозиторий c кодом (JavaScript и Python): https://github.com/adugnag/gee_s1_ard

Пример использования кода, район Мурманска

Параметры обработки данных:

* START_DATE: Дата начала съемки.
* END_DATE: Дата конца съемки (не включая).
* POLARIZATION: Поляризация данных: 'VV', 'VH', 'VVVH' (VV- и VH-поляризация).
* ORBIT: Тип орбиты: 'BOTH', 'ASCENDING' или 'DESCENDING'.
* GEOMETRY: Район интереса (полигон).
* APPLY_BORDER_NOISE_CORRECTION: (Необязательный) true/false - корректировать шум на границах снимков.
* APPLY_SPECKLE_FILTERING: (Необязательный) true/false - применить спекл-фильтрацию.
* SPECKLE_FILTER: Тип спекл-фильтра: 'BOXCAR', 'LEE', 'GAMMA MAP', 'REFINED LEE', 'LEE SIGMA'. Сработает, если APPLY_SPECKLE_FILTERING = true.
* SPECKLE_FILTER_FRAMEWORK: способ фильтрации - 'MONO' (по одному снимку) или 'MULTI' (по временному ряду снимков). Применяется выбранный выше тип фильтра.
* SPECKLE_FILTER_KERNEL_SIZE: размеры ядра (пространственного окна) выбранного фильтра. Должно быть нечетным натуральным числом.
* SPECKLE_FILTER_NR_OF_IMAGES: число снимков, участвующих в разновременной спекл-фильтрации ('MULTI'). Выбираются все снимки до даты фильтрации. Если их недостаточно, то добавляются снимки, сделанные после этой даты.
* TERRAIN_FLATTENING: (Необязательный) true/false - применить радиометрическую коррекцию влияния рельефа.
* TERRAIN_FLATTENING_MODE: модель радиометрической коррекции (нормализации) влияния рельефа: 'DIRECT', 'VOLUME'.
* DEM: цифровая модель рельефа (ee.Image).
* TERRAIN_FLATTENING_ADDITIONAL_LAYOVER_SHADOW_BUFFER: ширина дополнительной буферной зоны для пассивной маски layover/shadow, в метрах.
* FORMAT: шкала значений отраженного сигнала: 'LINEAR' (линейная), 'DB' (логарифмическая).
* CLIP_TO_ROI: (Необязательный) Обрезать снимок по району интереса.
* SAVE_ASSETS: (Необязательный) Экспортировать обработанную коллекцию в Assets.

Вся обработка сводится к 1) подключению функций обработки снимков

var wrapper = require('users/adugnagirma/gee_s1_ard:wrapper');
var helper = require('users/adugnagirma/gee_s1_ard:utilities');

и 2) выполнению функции preproc из модуля wrapper c заданным словарем параметров на входе (см. выше).

В результаnе будут получены две коллекции снимков — исходная и обработанная

var s1_preprocces = wrapper.s1_preproc(parameter);
var s1 = s1_preprocces[0]; // исходная коллекция
s1_preprocces = s1_preprocces[1]; // обработанная коллекция

В примере кода, в качестве ЦМР мы использовали Copernicus DEM (GLO-30), которая обеспечивает глобальное покрытие

var glo30 = ee.ImageCollection("projects/sat-io/open-datasets/GLO-30");
var elev = glo30.mosaic().setDefaultProjection('EPSG:3857',null,30);

#GEE #SAR

Месторождения водорода

На снимке, сделанном 27 июня 2023 года спутником Landsat 9, изображены группы так называемых "кругов фей" (fairy circles) вблизи города Мооры, расположенного примерно в 150 км к северу от Перта (Австралия). “Круги фей” — это круглые впадины, тянущиеся с севера на юг вдоль разлома Дарлинг. Диаметр впадин достигает нескольких сотен метров, а количество растительности и воды в них меняется со временем. В 2021 году австралийские ученые провели здесь измерения содержания газов в почве, и обнаружили, что в почве присутствует водород, причем его концентрация повышена по краям “кругов фей”.

Водород образуется в недрах Земли естественным путем в результате ряда процессов, включая метаморфические реакции и радиолиз воды (разложение молекул воды под действием ионизирующих излучений). Авторы исследования предполагают, что водород в бассейне Северного Перта образовался благодаря реакции воды с богатыми железом породами, а зона разломов обеспечила путь для миграции газа к поверхности.

Полукруглые и круглые участки поверхности с высокой концентрацией водорода в почве зафиксированы по всему миру. Сейчас, как правило, водородные резервуары обнаруживаются случайно — по следам утечек из них, вроде "кругов фей". Проблема в том, что в смеси с кислородом или воздухом водород взрывается, и утечки природного водорода могут вызвать катастрофические последствия.

В то же время, растет интерес к водороду как к топливу с нулевым уровнем выбросов. Для производства водорода используются энергоемкие процессы, такие как разделение воды на водород и кислород с помощью электрического тока или выделение водорода из ископаемого топлива. В этой связи природные источники водорода могли бы стать разумной альтернативой. Однако, предстоит еще многое узнать о том, как и где водород образуется под землей, как его лучше добывать и хранить.

#водород

Вот интересное видео об ископаемом водороде. Обсуждаются причины появления водородных колец (“кругов фей”), теория водородной земли, опасности дегазации водорода и возможности водородной экономики.

#водород

Таиландский спутник THEOS-2 планируется к запуску в октябре

Как сообщает тайландское Агентство по развитию геоинформатики и космических технологий (Geo-Informatics and Space Technology Development Agency, GISTDA) спутник Thailand Earth Observation Satellite 2 (THEOS-2) планируется к запуску в октябре нынешнего года. Спутник уже отправлен из Тулузы на космодром Куру во Французской Гвиане. THEOS-2 заменит на орбите своего предшественника — первый тайландский спутник THEOS, запущенный 1 октября 2008 года.

THEOS-2, о котором идет речь, точнее называть — THEOS-2 Main. Его разработчиком, как и разработчиком THEOS, является Airbus Defence and Space. Собранный на платформе AstroBus-S спутник имеет массу около 425 кг и оснащен камерой с максимальным пространственным разрешением 50 сантиметров.

Параллельно с THEOS-2 Main дочернее предприятие Airbus DS — Surrey Satellite Technology Ltd (SSTL) создает 100-килограммовый THEOS-2 SmallSAT. В работе над этим спутником принимают участие таиландские специалисты. На рисунке показано тестирование аппарата THEOS-2 SmallSAT.

Упоминается (здесь и здесь), что в разработке THEOS-2 принимала участие Южная Корея. Однако подробностей по этому поводу не сообщается.

Известно, что Южная Корея в феврале этого года договорилась с Таиландом изучить возможность совместного строительства космодрома на территории Таиланда, о чем Южнокорейское министерство науки и информационно-коммуникационных технологий подписало соглашение с GISTDA. Они совместно подготовят технико-экономическое обоснование проекта космодрома.

Оценка индекса содержания азота по данным видимого и ближнего инфракрасного диапазонов

В статье

Çimtay, Y. Estimating Plant Nitrogen by Developing an Accurate Correlation between VNIR-Only Vegetation Indexes and the Normalized Difference Nitrogen Index. Remote Sens. 2023, 15, 3898. https://doi.org/10.3390/rs15153898

затрагивается интересная проблема. Есть индекс для оценки содержания азота в почве — NDNI, но для его расчета используются экзотические SWIR-каналы (1510 нм и 1680 нм), которые есть только у гиперспектральных данных. Хорошо бы выразить этот индекс через значения каналов (и индексов) видимого и ближнего инфракрасного диапазонов (VNIR). Тогда оценить NDNI, а значит и содержание азота, можно было бы по данных других спутников, например Sentinel-2.

В качестве гиперспектральных данных использованы данные "Гипериона", которые есть на Google Earth Engine. Автор демонстрируют сильную корреляцию между набором выбранных им каналов и индексов из VNIR и NDNI (коэффициент детерминации R^2 = 0.91). Казалось бы, цель достигнута. Но есть два нюанса: поменьше и побольше.

1. Автор использует для регрессии нейросеть, которую называет глубокой. Возможно, это оттого, что для ее создания используется Matlab Deep Learning Toolboх. Тем не менее, сеть прямого распространения с четырьмя скрытыми слоями трудно назвать глубокой.

2. Выбранные каналы и индексы из VNIR являются специфическими для гиперспектральных данных. Автор выбрал каналы: красный, зеленый, синий, NIR, 550 нм, 670 нм, 715 нм, 726 нм, 747 нм, 734 нм и 800 нм. Большинства из них нет в Sentinel-2 и других распространенных спутниковых данных, а значит применить подход напрямую можно будет только для гиперспектральных сенсоров, ограниченных диапазоном VNIR. Для мультиспектральных данных потребуются дополнительные исследования.

Естественно, во Введении и в Выводах этого второго нюанса нет)

#растительность #данные

NASA Carbon Monitoring System — здесь собираются данные спутниковых, воздушных и наземных наблюдений NASA, а также результаты моделирования, касающиеся оценки содержания углекислого газа в атмосфере.

Сейчас, когда закладываются системы карбоновых и тестовых полигонов, важно, чтобы результаты наблюдений на этих полигонах были доступны широкому кругу исследователей, и оформились в какой-то аналог CMS. Почти также важно, еще на старте процесса создания полигонов выработать единые методики проведения наблюдений и стандарты представления результатов. По CMS очень заметно, что это коллекция, создаваемая “с бору по сосенке”. Искать информацию в ней — не самое простое дело. Хотя, безусловно, лучше такая коллекция, чем никакой.

#данные

Приближаются конференции

🌲 19–20 октября 2023 г. в Санкт-Петербурге, в Санкт-Петербургском государственном лесотехническом университете им. С.М. Кирова состоится Третья научно-техническая конференция “Цифровые технологии в лесном секторе”.

Секции:

1. Геоинформационные технологии и дистанционные методы зондирования Земли в
лесоустройстве и лесном хозяйстве.
2. Цифровые технологии в ландшафтной архитектуре, строительстве и производстве
продукции из древесины.
3. Инфокоммуникационные и Web-технологии — возможности и перспективы применения в
лесном секторе.
4. Развитие экономики на основе использования современных цифровых технологий.
5. Цифровизация в образовании, дизайне, туризме и социальной сфере.

Подача тезисов: до 1 октября 2023 г.
Регистрация на конференцию: до 10 октября 2023 г.
Подробнее: https://spbftu.ru/dtf2023

🛰 13–17 ноября 2023 г. в Москве, в Институте космических исследований РАН состоится Двадцать первая международная конференция "Современные проблемы дистанционного зондирования Земли из космоса".

Конференция проводится в очном и онлайн формате. В рамках Конференции будет проходить XIX Международная научная Школа-конференция молодых ученых по фундаментальным проблемам дистанционного зондирования Земли из космоса.

Подача тезисов: до 15 октября 2023 г.
Регистрация на конференцию: до 7 ноября 2023 г.
Сайт конференции: http://conf.rse.geosmis.ru

#конференции

Sentinel-1: данные SLC и GRD

Радар Sentinel-1 способен работать в четырех режимах съемки. Нас прежде всего интересует его основной режим, в котором получено подавляющее большинство снимков — режим Interferometric Wide swath (IW), при котором данные собираются в трех полосах с использованием метода Terrain Observation with Progressive Scanning SAR (TOPSAR).

Данные Sentinel-1 распространяются с различными уровнями обработки — от нулевого до второго.

Первичное “сырое” радарное изображение формируется в координатах “азимут – наклонная дальность” на наземном приемном пункте с использованием специального программного обеспечения. Такое изображение относится к данным нулевого уровня обработки.

Первый уровень обработки радарных данных — комплексное радарное изображение (Single Look Complex, SLC). Комплексное — означает, что каждый пиксель характеризуется комплексным числом, то есть изображение состоит из двух слоев — действительной и мнимой части комплексного числа. Изображение SLC представляется в системе координат снимка. Оно деформировано ввиду специфической геометрии съемки и различий разрешающей способности по азимуту и по наклонной дальности. Изображения SLC пригодны для выполнения любого вида последующей обработки данных.

Следующий уровень обработки радарных данных — амплитудное изображение (Ground Range Detected, GRD). Оно формируется из комплексного радарного изображения SLC путем вычисления модуля. Изображение также представлено в системе координат снимка, то есть в наклонной плоскости. При переходе от SLC к GRD осуществляется усреднение значений отсчетов радарного изображения по дальности и азимуту для того, чтобы приблизительно привести размеры пикселя к квадрату. Последовательность формирования GRD-изображений из SLC в программе SNAP приведена здесь.

Отметим, что радарная интерферометрия базируется на обработанных данных SLC, данные GRD для нее непригодны, так как в них не содержится информации о фазе сигнала.

По всему следует, что изображения GRD должны относиться ко второму уровню обработки, и в некоторых радарных системах так оно и есть. Но у данных Sentinel-1 изображения GRD, как и SLC, относятся к данным первого уровня обработки.

К данным второго уровня у Sentinel-1 относятся продукты Ocean (OCN), представляющие собой геофизические параметры океана, извлеченные из радарных изображений.

#SAR #основы