GEE-40. Маскирование облаков и теней на снимках Sentinel-2
Для маскирования облаков используют единственный снимок (тот самый, на котором облака маскируют) или разновременные данные. В последнем случае, чтобы “почистить” снимок, кроме него самого, используют набор соседних по времени снимков того же сенсора. Это позволяет уменьшить число ложных срабатываний. Например, водоем не будет ошибочно принят за тень от облака, потому что тень на следующем снимке исчезнет, а водоем, скорее всего, нет. Вместе с тем, этот подход обычно требует выполнения большего объема вычислений.
Чаще всего, в GEE используются подходы, опирающиеся на единственный снимок:
1. маски MSK_CLDPRB (Cloud Probability Map) и SCL (ScenCLassification Table), содержащиеся в данных Sentinel-2 Surface Reflectance. Пример.
2. коллекция данных Sentinel-2: Cloud Probability. Пример.
Альтернативный подход Nguyen'а основан на классификации методом Random Forest. Подробнее: Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
Еще один подход к маскированию облаков использует глубокое обучение и сверточные нейросети: Cloud detection in Landsat-8 imagery in Google Earth Engine based on a deep convolutional neural network.
Способ маскирования облаков по разновременным данным описан в Multitemporal Cloud Masking in the GEE и в статье Mateo-García G, Gómez-Chova L, Amorós-López J, Muñoz-Marí J, Camps-Valls G. Multitemporal Cloud Masking in the Google Earth Engine. Remote Sensing. 2018; 10(7):1079. https://doi.org/10.3390/rs10071079. Он реализован для Python API и на примере данных Landsat 8 (а значит, может использоваться и для них). Пример реализации.
Маскирование теней, описанное нами ранее, базируется на методе, предложенном Геннадием Дончицем (Gennadii Donchyts). Еще один вариант его реализации приведен в Nguyen et al.: Cloud Masking of Landsat and Sentinel2 TOA Products.
Ну и в качестве заключения. При выборе информативных снимков для районов, площадь которых существенно меньше площади снимка, удобно вместо доли облачного покрытия снимка (CLOUDY_PIXEL_PERCENTAGE) оценить долю облачного покрытия только интересующего района. Для Landsat 8 такая оценка (cloud score) приведена здесь, а для Sentinel-2 аналогичный cloud score есть в Cloud Masking of Landsat and Sentinel2 TOA Products.
#sentinel2 #landsat #GEE #основы
Для маскирования облаков используют единственный снимок (тот самый, на котором облака маскируют) или разновременные данные. В последнем случае, чтобы “почистить” снимок, кроме него самого, используют набор соседних по времени снимков того же сенсора. Это позволяет уменьшить число ложных срабатываний. Например, водоем не будет ошибочно принят за тень от облака, потому что тень на следующем снимке исчезнет, а водоем, скорее всего, нет. Вместе с тем, этот подход обычно требует выполнения большего объема вычислений.
Чаще всего, в GEE используются подходы, опирающиеся на единственный снимок:
1. маски MSK_CLDPRB (Cloud Probability Map) и SCL (ScenCLassification Table), содержащиеся в данных Sentinel-2 Surface Reflectance. Пример.
2. коллекция данных Sentinel-2: Cloud Probability. Пример.
Альтернативный подход Nguyen'а основан на классификации методом Random Forest. Подробнее: Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
Еще один подход к маскированию облаков использует глубокое обучение и сверточные нейросети: Cloud detection in Landsat-8 imagery in Google Earth Engine based on a deep convolutional neural network.
Способ маскирования облаков по разновременным данным описан в Multitemporal Cloud Masking in the GEE и в статье Mateo-García G, Gómez-Chova L, Amorós-López J, Muñoz-Marí J, Camps-Valls G. Multitemporal Cloud Masking in the Google Earth Engine. Remote Sensing. 2018; 10(7):1079. https://doi.org/10.3390/rs10071079. Он реализован для Python API и на примере данных Landsat 8 (а значит, может использоваться и для них). Пример реализации.
Маскирование теней, описанное нами ранее, базируется на методе, предложенном Геннадием Дончицем (Gennadii Donchyts). Еще один вариант его реализации приведен в Nguyen et al.: Cloud Masking of Landsat and Sentinel2 TOA Products.
Ну и в качестве заключения. При выборе информативных снимков для районов, площадь которых существенно меньше площади снимка, удобно вместо доли облачного покрытия снимка (CLOUDY_PIXEL_PERCENTAGE) оценить долю облачного покрытия только интересующего района. Для Landsat 8 такая оценка (cloud score) приведена здесь, а для Sentinel-2 аналогичный cloud score есть в Cloud Masking of Landsat and Sentinel2 TOA Products.
#sentinel2 #landsat #GEE #основы
GEE-41. Дополнительная обработка данных Sentinel-2 Surface Reflectance
Данные Sentinel-2 MSI Surface Reflectance — это данные 2-го уровня и, после маскирования облаков и теней, они полностью готовы к работе. Тем не менее, в некоторых случаях дополнительная обработка снимков может существенно улучшить качество результатов. Мы имеем в виду две операции — топографическую коррекцию и коррекцию угла съемки в надир.
Топографическая коррекция — учет вариаций отражательной способности (сходных объектов), вызванных наклоном, ориентацией склона и высотой. Топографическая коррекция нужна не всегда, но в горной или пересеченной местности она может быть важнее атмосферной коррекции.
Коррекция угла съемки в надир — освещенность снимка корректируется так, будто снимок сделан точно в надир. Реализуется с помощью двулучевой функции отражательной способности (Bidirectional Reflectance Distribution Function, BRDF), известной по результатам наблюдений. Выполняется после топографической коррекции. Результат называется: Nadir BRDF-Adjusted Reflectance (NBAR).
Обе вида коррекции и JavaScript-код для них приведены здесь, а также в Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
BRDF- и топо-коррекция основаны на коде из статьи Poortinga, A. et al. Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification. Remote Sens. 2019, 11, 831. https://doi.org/10.3390/rs11070831 (в конце статьи есть ссылки на JavaScript-код).
Реализацию для GEE Python API можно найти здесь и здесь.
Отметим, что Nguen et al. (2020) решает более общую задачу гармонизации данных Sentinel-2 и Landsat 8/9, то есть создание объединенного набора данных этих спутников.
Частичное решение этой задачи уже известно — это данные Harmonized Landsat Sentinel-2 (HLS). Они основаны на работе: Claverie, M., Ju, J., Masek, J. G., Dungan, J. L., Vermote, E. F., Roger, J.-C., Skakun, S. V., & Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, 219, 145–161. https://doi.org/10.1016/j.rse.2018.09.002. Nguen et al. (2020) пытаются реализовать аналогичный подход средствами Google Earth Engine.
Увы, идеального объединения данных Sentinel-2 и Landsat не получилось. Тем не менее, с работами стоит ознакомится, так как ряд описанных в них операций пригодится в других задачах. Например, корегистрация снимков или радиометрическая кросс-калибровка (выравнивание) данных двух сенсоров.
#sentinel2 #landsat #GEE #основы
Данные Sentinel-2 MSI Surface Reflectance — это данные 2-го уровня и, после маскирования облаков и теней, они полностью готовы к работе. Тем не менее, в некоторых случаях дополнительная обработка снимков может существенно улучшить качество результатов. Мы имеем в виду две операции — топографическую коррекцию и коррекцию угла съемки в надир.
Топографическая коррекция — учет вариаций отражательной способности (сходных объектов), вызванных наклоном, ориентацией склона и высотой. Топографическая коррекция нужна не всегда, но в горной или пересеченной местности она может быть важнее атмосферной коррекции.
Коррекция угла съемки в надир — освещенность снимка корректируется так, будто снимок сделан точно в надир. Реализуется с помощью двулучевой функции отражательной способности (Bidirectional Reflectance Distribution Function, BRDF), известной по результатам наблюдений. Выполняется после топографической коррекции. Результат называется: Nadir BRDF-Adjusted Reflectance (NBAR).
Обе вида коррекции и JavaScript-код для них приведены здесь, а также в Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
BRDF- и топо-коррекция основаны на коде из статьи Poortinga, A. et al. Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification. Remote Sens. 2019, 11, 831. https://doi.org/10.3390/rs11070831 (в конце статьи есть ссылки на JavaScript-код).
Реализацию для GEE Python API можно найти здесь и здесь.
Отметим, что Nguen et al. (2020) решает более общую задачу гармонизации данных Sentinel-2 и Landsat 8/9, то есть создание объединенного набора данных этих спутников.
Частичное решение этой задачи уже известно — это данные Harmonized Landsat Sentinel-2 (HLS). Они основаны на работе: Claverie, M., Ju, J., Masek, J. G., Dungan, J. L., Vermote, E. F., Roger, J.-C., Skakun, S. V., & Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, 219, 145–161. https://doi.org/10.1016/j.rse.2018.09.002. Nguen et al. (2020) пытаются реализовать аналогичный подход средствами Google Earth Engine.
Увы, идеального объединения данных Sentinel-2 и Landsat не получилось. Тем не менее, с работами стоит ознакомится, так как ряд описанных в них операций пригодится в других задачах. Например, корегистрация снимков или радиометрическая кросс-калибровка (выравнивание) данных двух сенсоров.
#sentinel2 #landsat #GEE #основы
Отчего зависит цвет морской воды?
Отвечаем на вопрос читателя.
Вопрос “отчего зависит цвет воды?” — далеко не простой. Цвет чистой морской воды зависит от поглощения водой света разных длин волн. Красные и оранжевые лучи спектра поглощаются уже на незначительной глубине 1️⃣. Голубые и фиолетовые лучи поглощаются гораздо слабее, и потому имеют больше шансов отразиться в направлении поверхности. В результате, вода кажется голубой.
При небольшой глубине или низкой прозрачности воды, наряду с голубыми лучами, от дна или взвешенных в воде частиц отражаются также красные и оранжевые лучи. Вместе они придают воде зеленый цвет. На совсем небольшой глубине (у кромки берега или в стакане) различия в поглощении света разных цветов не успевают сказаться, и вода выглядит бесцветной.
На цвет морской воды влияют примеси, приносимые реками. Желтое море получает свой желтый цвет из-за выносимого реками лесса. В Красном море у берегов обитают микроорганизмы красноватого цвета. Выносимый реками торф делает воду почти черной. Примеси влияют на цвет воды у берегов, но вдали их влияние сходит на нет.
На цвет морской воды может влиять фосфоресценция микроорганизмов.
Цвет воды зависит от цвета неба: в ясную погоду море выглядит более голубым или синим, в пасмурную его цвет сменяется на серый (свинцовый).
Цвет морской воды колеблется между зеленым, голубым и кобальтово-синим. Замечено, что более соленая и теплая вода имеет более интенсивный голубой цвет, тогда как холодная и менее соленая имеет зеленоватый оттенок. Поэтому южные моря обычно голубые, а северные — зеленые. Над более глубокими местами цвет голубой, над менее глубокими — зеленый. Чем выше соленость воды, тем скорее происходит осаждение мелкой мути, вследствие чего увеличивается прозрачность воды, отсюда и ее более синий цвет.
Важно! Мы не является специалистами в данном вопросе. Все, что здесь изложено, мы узнали из научно-популярных книг и учебника “Основы оптики океана” (конкретно — отсюда).
#вода #основы
Отвечаем на вопрос читателя.
Вопрос “отчего зависит цвет воды?” — далеко не простой. Цвет чистой морской воды зависит от поглощения водой света разных длин волн. Красные и оранжевые лучи спектра поглощаются уже на незначительной глубине 1️⃣. Голубые и фиолетовые лучи поглощаются гораздо слабее, и потому имеют больше шансов отразиться в направлении поверхности. В результате, вода кажется голубой.
При небольшой глубине или низкой прозрачности воды, наряду с голубыми лучами, от дна или взвешенных в воде частиц отражаются также красные и оранжевые лучи. Вместе они придают воде зеленый цвет. На совсем небольшой глубине (у кромки берега или в стакане) различия в поглощении света разных цветов не успевают сказаться, и вода выглядит бесцветной.
На цвет морской воды влияют примеси, приносимые реками. Желтое море получает свой желтый цвет из-за выносимого реками лесса. В Красном море у берегов обитают микроорганизмы красноватого цвета. Выносимый реками торф делает воду почти черной. Примеси влияют на цвет воды у берегов, но вдали их влияние сходит на нет.
На цвет морской воды может влиять фосфоресценция микроорганизмов.
Цвет воды зависит от цвета неба: в ясную погоду море выглядит более голубым или синим, в пасмурную его цвет сменяется на серый (свинцовый).
Цвет морской воды колеблется между зеленым, голубым и кобальтово-синим. Замечено, что более соленая и теплая вода имеет более интенсивный голубой цвет, тогда как холодная и менее соленая имеет зеленоватый оттенок. Поэтому южные моря обычно голубые, а северные — зеленые. Над более глубокими местами цвет голубой, над менее глубокими — зеленый. Чем выше соленость воды, тем скорее происходит осаждение мелкой мути, вследствие чего увеличивается прозрачность воды, отсюда и ее более синий цвет.
Важно! Мы не является специалистами в данном вопросе. Все, что здесь изложено, мы узнали из научно-популярных книг и учебника “Основы оптики океана” (конкретно — отсюда).
#вода #основы
Учебники проекта SEOS
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы
Обзор канала за октябрь
В октябре мы…
🖥 Приступили к изучению R (#R). Начали с основ языка: переменных и структур данных. Учебник по R собираем здесь. Основ осталось немного. В ноябре перейдем, наконец, к пространственным данным.
👨🏻💻 Знакомились с новыми коллекциями данных (#данные) и полезными инструментами. OpenTopography — сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. geojson.io — инструмент для создания, просмотра и обмена векторными картами. Satellites.pro — свободный агрегатор спутниковых изображений и карт. На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA, а также ESA CCI Global Forest Above Ground Biomass и AgERA5 (ECMWF) dataset.
🖥🛰 Изучали возможности Google Earth Engine (#GEE). Атмосферная коррекция данных Sentinel-2 Level-1C позволяет продлить временной ряд данных Sentinel-2 Surface Reflectance, начав его с 2015 года вместо 2019. Обобщили наши знания по маскированию облаков и теней на снимках Sentinel-2. Познакомились с топографической коррекцией и коррекцией угла съемки в надир для данных Sentinel-2 Surface Reflectance. Научились рассчитывать индексы состояния растений: VCI, TCI и VHI. Учебник по GEE с “живыми” примерами кода находится здесь. Более крупные проекты — здесь.
📖🛰 В рубрике “Основы ДЗЗ” ( #основы) обсудили влияние вулканов и стратосферных аэрозолей на климат. Разобрали, отчего зависит цвет морской воды и как распространение радарных сигналов в атмосфере зависит от длины волны. Cобрали учебники по ДЗЗ, подготовленные по проекту SEOS, в том числе, на русском языке.
📜 🗓 Вспоминали о том, как 66 лет назад Советский Союз запустил первый в мире искусственный спутник Земли. Познакомились с планами по созданию новой группировки метеоспутников NOAA — Near Earth Orbit Network, новой российской группировки спутников ДЗЗ “Грифон” и планами по развитию российской спутниковой группировки до 2036 года.
🚀Следили за запуском европейской ракеты-носителя Vega, которая успешно вывела на орбиту несколько интересных спутников, но только не космическую тросовую систему с электропроводящим тросом ESTCube-2. Ожидаем проведения российского эксперимента “Напор-миниРСА” по радарной съемке с борта МКС.
🔔 🗓 Публиковали анонсы конкурсов, турниров, соревнований и челенджей, связанных с космонавтикой и дистанционным зондированием, а также научных конференций и семинаров. На некоторые регистрация еще продолжается. Ищите их по хештегам: #конкурс #конференции Особенно отметим “Золотой лекторий” на Всероссийском фестивале NAUKA 0+ с десятками научно-популярных лекций российских ученых. Все записи доступны в VK.
🖥📡 Знакомились с новыми технологиями. 1️⃣ IDRS реализует двусторонний канал передачи данных через группировку геостационарных спутников INMARSAT-4, что позволяет компаниям-операторам спутников на низкой околоземной орбите в любой момент связаться со своими аппаратами. 2️⃣ Тепловая съемка на спутнике HotSat-1 реализована в среднем инфракрасном диапазоне. Возможно, определять температуру поверхности с его помощью станет сложнее, зато сенсор стал дешевле, а выявлять очаги возгораний такой выбор диапазона не помешает.
🔥🌋Следили за стихийными бедствиями: лесными пожарами в Индонезии и в Канаде (последние, наконец-то, пошли на спад), извержением вулкана Безымянный на Камчатке и тропическим циклоном “Лола” в Тихом океане.
📸 ❄️🌕 Рассматривали снимки мыса Челюскин, снимки Земли c японского лунного зонда SLIM, а также тень от Луны на поверхности Земли, возникшую в результате кольцеобразного солнечного затмения.
🌲 Много писали о лесе и оценках его биомассы: об углеродных кредитах и компенсациях, методе оценки надземной биомассы леса в проектах углеродной компенсации, данных ICESat-2 для оценки высоты леса, о том, где их взять, а также о том, как беспилотники ускоряют проведение лесной таксации.
В октябре число подписчиков канала превысило 500. Нам очень приятно!
Спасибо, что читаете.
#октябрь2023
В октябре мы…
🖥 Приступили к изучению R (#R). Начали с основ языка: переменных и структур данных. Учебник по R собираем здесь. Основ осталось немного. В ноябре перейдем, наконец, к пространственным данным.
👨🏻💻 Знакомились с новыми коллекциями данных (#данные) и полезными инструментами. OpenTopography — сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. geojson.io — инструмент для создания, просмотра и обмена векторными картами. Satellites.pro — свободный агрегатор спутниковых изображений и карт. На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA, а также ESA CCI Global Forest Above Ground Biomass и AgERA5 (ECMWF) dataset.
🖥🛰 Изучали возможности Google Earth Engine (#GEE). Атмосферная коррекция данных Sentinel-2 Level-1C позволяет продлить временной ряд данных Sentinel-2 Surface Reflectance, начав его с 2015 года вместо 2019. Обобщили наши знания по маскированию облаков и теней на снимках Sentinel-2. Познакомились с топографической коррекцией и коррекцией угла съемки в надир для данных Sentinel-2 Surface Reflectance. Научились рассчитывать индексы состояния растений: VCI, TCI и VHI. Учебник по GEE с “живыми” примерами кода находится здесь. Более крупные проекты — здесь.
📖🛰 В рубрике “Основы ДЗЗ” ( #основы) обсудили влияние вулканов и стратосферных аэрозолей на климат. Разобрали, отчего зависит цвет морской воды и как распространение радарных сигналов в атмосфере зависит от длины волны. Cобрали учебники по ДЗЗ, подготовленные по проекту SEOS, в том числе, на русском языке.
📜 🗓 Вспоминали о том, как 66 лет назад Советский Союз запустил первый в мире искусственный спутник Земли. Познакомились с планами по созданию новой группировки метеоспутников NOAA — Near Earth Orbit Network, новой российской группировки спутников ДЗЗ “Грифон” и планами по развитию российской спутниковой группировки до 2036 года.
🚀Следили за запуском европейской ракеты-носителя Vega, которая успешно вывела на орбиту несколько интересных спутников, но только не космическую тросовую систему с электропроводящим тросом ESTCube-2. Ожидаем проведения российского эксперимента “Напор-миниРСА” по радарной съемке с борта МКС.
🔔 🗓 Публиковали анонсы конкурсов, турниров, соревнований и челенджей, связанных с космонавтикой и дистанционным зондированием, а также научных конференций и семинаров. На некоторые регистрация еще продолжается. Ищите их по хештегам: #конкурс #конференции Особенно отметим “Золотой лекторий” на Всероссийском фестивале NAUKA 0+ с десятками научно-популярных лекций российских ученых. Все записи доступны в VK.
🖥📡 Знакомились с новыми технологиями. 1️⃣ IDRS реализует двусторонний канал передачи данных через группировку геостационарных спутников INMARSAT-4, что позволяет компаниям-операторам спутников на низкой околоземной орбите в любой момент связаться со своими аппаратами. 2️⃣ Тепловая съемка на спутнике HotSat-1 реализована в среднем инфракрасном диапазоне. Возможно, определять температуру поверхности с его помощью станет сложнее, зато сенсор стал дешевле, а выявлять очаги возгораний такой выбор диапазона не помешает.
🔥🌋Следили за стихийными бедствиями: лесными пожарами в Индонезии и в Канаде (последние, наконец-то, пошли на спад), извержением вулкана Безымянный на Камчатке и тропическим циклоном “Лола” в Тихом океане.
📸 ❄️🌕 Рассматривали снимки мыса Челюскин, снимки Земли c японского лунного зонда SLIM, а также тень от Луны на поверхности Земли, возникшую в результате кольцеобразного солнечного затмения.
🌲 Много писали о лесе и оценках его биомассы: об углеродных кредитах и компенсациях, методе оценки надземной биомассы леса в проектах углеродной компенсации, данных ICESat-2 для оценки высоты леса, о том, где их взять, а также о том, как беспилотники ускоряют проведение лесной таксации.
В октябре число подписчиков канала превысило 500. Нам очень приятно!
Спасибо, что читаете.
#октябрь2023
Пространственное разрешение
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Простейшая геометрическая схема съемки с расположением детекторного элемента (пикселя) в фокальной плоскости датчика показана на рисунке 1️⃣.
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Есть еще одна простая характеристика — наземный интервал дискретизации (GSD, ground sample distance или GSI — ground sample interval). Это расстояние на земной поверхности, соответствующее расстоянию между центрами соседних пикселов.
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Подведем итоги. При выборе снимков для решения практических задач чаще всего применяют номинальное пространственное разрешение или наземный интервал дискретизации (GSD). Они дают косвенное представление о возможности различения объектов на снимке и используются, в основном, благодаря своей простоте. Для объективной оценки пространственного разрешения снимков применяют технологии, основанные на статистическом анализе изображений, полученных в ходе испытаний на заданной системе тестов (Современные технологии обработки данных ДЗЗ, 2015).
#основы
#основы
Soil-Adjusted Vegetation Index (SAVI)
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы