Стартап Nuview планирует создание коммерческой спутниковой группировки для лидарной съемки Земли
Новая компания Nuview заявила о планах по созданию первой коммерческой группировки спутников для лидарной съемки земной поверхности.
Лидар (LiDAR — от Light Detection and Ranging) измеряет расстояния при помощи лазерного импульса, формируя трехмерную модель наблюдаемой поверхности. Сейчас только 5% суши покрыто измерениями лидаров самолетного базирования. Космических лидаров всего два — ICESat-2 и GEDI. Последний размещен на борту МКС и, возможно, завершит работу уже в этом году. Снимки нынешних космических лидаров имеют низкое пространственное разрешение и, по сути, являются двухмерными.
Nuview планирует создать группировку из 20 спутников. Запуск первых спутников ориентировочно состоится через 24–36 месяцев. Компания планирует запускать спутники группами по пять штук.
Nuview собирается полностью покрыть поверхность Земли трехмерными данными лидарной съемки и обновлять эту карту ежегодно. Компания заявила, что у нее есть контракты с заказчиками на сумму 1,2 млрд долларов.
Трудно сказать, что-там будет с космическими лидарами, но в рекламу Nuview умеет: Via Satellite, Payload, TechCrunch опубликовали новость о ней почти синхронно. Компании предстоит изрядно расширится, чтобы достигнуть своих целей — сейчас в штате всего 21 сотрудник.
#лидар
Новая компания Nuview заявила о планах по созданию первой коммерческой группировки спутников для лидарной съемки земной поверхности.
Лидар (LiDAR — от Light Detection and Ranging) измеряет расстояния при помощи лазерного импульса, формируя трехмерную модель наблюдаемой поверхности. Сейчас только 5% суши покрыто измерениями лидаров самолетного базирования. Космических лидаров всего два — ICESat-2 и GEDI. Последний размещен на борту МКС и, возможно, завершит работу уже в этом году. Снимки нынешних космических лидаров имеют низкое пространственное разрешение и, по сути, являются двухмерными.
Nuview планирует создать группировку из 20 спутников. Запуск первых спутников ориентировочно состоится через 24–36 месяцев. Компания планирует запускать спутники группами по пять штук.
Nuview собирается полностью покрыть поверхность Земли трехмерными данными лидарной съемки и обновлять эту карту ежегодно. Компания заявила, что у нее есть контракты с заказчиками на сумму 1,2 млрд долларов.
Трудно сказать, что-там будет с космическими лидарами, но в рекламу Nuview умеет: Via Satellite, Payload, TechCrunch опубликовали новость о ней почти синхронно. Компании предстоит изрядно расширится, чтобы достигнуть своих целей — сейчас в штате всего 21 сотрудник.
#лидар
Воздушное лазерное сканирование в археологии
Спутниковые снимки чаще всего используются а археологии вместе с топографическими картами и цифровыми моделями рельефа для определения потенциальных мест исследований — мест, где в древности могли проживать люди. В отдельных случаях археологический объект можно найти прямо на снимке, но для этого должны сложиться удачные условия наблюдения, и возможно это только в регионах, где поверхность хорошо видна из космоса. Так что лесные массивы из числа перспективных объектов наблюдения можно сразу исключить. Основным методом дистанционного зондирования, применяемым в археологии, является воздушная лазерная (лидарная) съемка.
Вот хорошая вводная лекция по применению воздушного лазерного сканирования в археологии. Лектор — кандидат исторических наук, руководитель департамента археологии ООО "НИПИИ ЭТ "Энерготранспроект" Василий Новиков.
Слушатели узнают, как производится воздушное лазерное сканирование, какие преимущества есть у этого метода перед другими способами фиксации археологических объектов. На примере реальных работ (Ирак, Гнездово, Засечная черта в Тульской области и др.) показан диапазон возможностей лидарной съемки.
На снимке (источник): лидарная съемка позволяет выявлять в лесной зоне курганы высотой не более 20 см.
#лидар #археология
Спутниковые снимки чаще всего используются а археологии вместе с топографическими картами и цифровыми моделями рельефа для определения потенциальных мест исследований — мест, где в древности могли проживать люди. В отдельных случаях археологический объект можно найти прямо на снимке, но для этого должны сложиться удачные условия наблюдения, и возможно это только в регионах, где поверхность хорошо видна из космоса. Так что лесные массивы из числа перспективных объектов наблюдения можно сразу исключить. Основным методом дистанционного зондирования, применяемым в археологии, является воздушная лазерная (лидарная) съемка.
Вот хорошая вводная лекция по применению воздушного лазерного сканирования в археологии. Лектор — кандидат исторических наук, руководитель департамента археологии ООО "НИПИИ ЭТ "Энерготранспроект" Василий Новиков.
Слушатели узнают, как производится воздушное лазерное сканирование, какие преимущества есть у этого метода перед другими способами фиксации археологических объектов. На примере реальных работ (Ирак, Гнездово, Засечная черта в Тульской области и др.) показан диапазон возможностей лидарной съемки.
На снимке (источник): лидарная съемка позволяет выявлять в лесной зоне курганы высотой не более 20 см.
#лидар #археология
Оценка плотности надземной биомассы по данным GEDI и другим
Недавно мы искали готовый продукт для оценки надземной биомассы леса, достаточно свежий и глобальный (или около того). На эту роль претендовал GEDI L4B Gridded Aboveground Biomass Density, Version 2 (есть он и на GEE).
GEDI — это лидар, расположенный на МКС. Из-за орбиты МКС, он обеспечивает съемку земной поверхности в полосе широт между 51.6° с.ш. и 51.6° ю.ш. Продукт GEDI L4B — результат модельной оценки плотности надземной биомассы. Это не наблюдения, а результат моделирования по ним. Популярный рассказ о данных GEDI L4B: ORNL DAAC Releases GEDI Level 4B Dataset Offering Gridded Estimates of Aboveground Biomass Density.
Оказалось, что GEDI 4B не обеспечивает сплошного покрытия данными даже в заявленной полосе широт. На рисунке ниже размер пикселя составляет 1 км х 1 км, площадь участка — около 10 000 га.
Что делать? 1) Искать другой готовый продукт. 2) Натягивать сову на глобус, то есть заполнять пробелы в имеющемся продукте. О других продуктах поговорим позже, сначала — о заполнении пробелов.
Есть подход Shendryk Y. The latest dataset from the GEDI mission provides gridded estimates of aboveground biomass density at greater accuracy and resolution than previously available (2022), который состоит в следующем.
Берутся данные GEDI уровня 4A, а также снимки Sentinel-1 GRD (радар) и Sentinel-2 уровня 2A (оптика), цифровая модель рельефа (GLO-30) и карта классов земной поверхности ESA WorldCover. Все это есть в Google Earth Engine. Из всего этого формируется набор обучающих и тестовых данных. На них будут учить и тестировать модель машинного обучения (LightGBM).
GEDI L4A Raster Aboveground Biomass Density, как и L4B, — это результат моделирования надземной биомассы. В отличие от L4B, продукт L4A дает не пиксели размером 1 км х 1 км, а 25-метровые “пятна” (footprint — след сигнала лидара на поверхности Земли). Кроме того, L4A чаще обновляется: есть данные до конца 2022 года, указан момент съемки каждого “пятна”. В результате есть возможность привязать каждое “пятно” к определенному участку данных Sentinel-1 и Sentinel-2.
Данные GEDI L4A используются вместо “наземки” (ground truth), как будто они дают реальную, а не модельную биомассу, а также служат откликом будущей модели. Все остальные данные и их производные служат предикторами. Дальше следует машинное обучение, игры с выбором предикторов, и в итоге получается оценка надземной биомассы с R^2 = 0,66–0,74 (коэффициент детерминации), RMSE = 55–81 Мг/га (Мг = 10^6 грамм, то есть 1 тонна), или в процентах — RMSE = 41–77%. Да, среднеквадратичная ошибка (RMSE) больше 40%, но таков современный уровень моделирования в данной задаче. Авторы справедливо отмечают, что созданные ими прогнозные карты надземной биомассы (с разрешением 100 м), могут служить в качестве ориентира для определения текущих запасов надземной биомассы. В целом, данное исследование показывает возможность применения открытых данных ДЗЗ для получения глобальных карт надземной биомассы путем слияния различных видов данных (радаров, оптики, ЦМР и т.п.).
Лучше бы, конечно, найти более точные данные для обучения моделей (вместо модельных!) и попробовать использовать в качестве предикторов данные вертикального профиля высот от того же GEDI (GEDI L2B Raster Canopy Cover Vertical Profile Metrics). Но это все надо пробовать…
Сравните, как выглядят данные GEDI L4B и L4A: https://code.earthengine.google.com/c494ff396398ee2629b67eb4778db468
#лидар #sentinel1 #sentinel2 #LULC #GEE #AGB
Недавно мы искали готовый продукт для оценки надземной биомассы леса, достаточно свежий и глобальный (или около того). На эту роль претендовал GEDI L4B Gridded Aboveground Biomass Density, Version 2 (есть он и на GEE).
GEDI — это лидар, расположенный на МКС. Из-за орбиты МКС, он обеспечивает съемку земной поверхности в полосе широт между 51.6° с.ш. и 51.6° ю.ш. Продукт GEDI L4B — результат модельной оценки плотности надземной биомассы. Это не наблюдения, а результат моделирования по ним. Популярный рассказ о данных GEDI L4B: ORNL DAAC Releases GEDI Level 4B Dataset Offering Gridded Estimates of Aboveground Biomass Density.
Оказалось, что GEDI 4B не обеспечивает сплошного покрытия данными даже в заявленной полосе широт. На рисунке ниже размер пикселя составляет 1 км х 1 км, площадь участка — около 10 000 га.
Что делать? 1) Искать другой готовый продукт. 2) Натягивать сову на глобус, то есть заполнять пробелы в имеющемся продукте. О других продуктах поговорим позже, сначала — о заполнении пробелов.
Есть подход Shendryk Y. The latest dataset from the GEDI mission provides gridded estimates of aboveground biomass density at greater accuracy and resolution than previously available (2022), который состоит в следующем.
Берутся данные GEDI уровня 4A, а также снимки Sentinel-1 GRD (радар) и Sentinel-2 уровня 2A (оптика), цифровая модель рельефа (GLO-30) и карта классов земной поверхности ESA WorldCover. Все это есть в Google Earth Engine. Из всего этого формируется набор обучающих и тестовых данных. На них будут учить и тестировать модель машинного обучения (LightGBM).
GEDI L4A Raster Aboveground Biomass Density, как и L4B, — это результат моделирования надземной биомассы. В отличие от L4B, продукт L4A дает не пиксели размером 1 км х 1 км, а 25-метровые “пятна” (footprint — след сигнала лидара на поверхности Земли). Кроме того, L4A чаще обновляется: есть данные до конца 2022 года, указан момент съемки каждого “пятна”. В результате есть возможность привязать каждое “пятно” к определенному участку данных Sentinel-1 и Sentinel-2.
Данные GEDI L4A используются вместо “наземки” (ground truth), как будто они дают реальную, а не модельную биомассу, а также служат откликом будущей модели. Все остальные данные и их производные служат предикторами. Дальше следует машинное обучение, игры с выбором предикторов, и в итоге получается оценка надземной биомассы с R^2 = 0,66–0,74 (коэффициент детерминации), RMSE = 55–81 Мг/га (Мг = 10^6 грамм, то есть 1 тонна), или в процентах — RMSE = 41–77%. Да, среднеквадратичная ошибка (RMSE) больше 40%, но таков современный уровень моделирования в данной задаче. Авторы справедливо отмечают, что созданные ими прогнозные карты надземной биомассы (с разрешением 100 м), могут служить в качестве ориентира для определения текущих запасов надземной биомассы. В целом, данное исследование показывает возможность применения открытых данных ДЗЗ для получения глобальных карт надземной биомассы путем слияния различных видов данных (радаров, оптики, ЦМР и т.п.).
Лучше бы, конечно, найти более точные данные для обучения моделей (вместо модельных!) и попробовать использовать в качестве предикторов данные вертикального профиля высот от того же GEDI (GEDI L2B Raster Canopy Cover Vertical Profile Metrics). Но это все надо пробовать…
Сравните, как выглядят данные GEDI L4B и L4A: https://code.earthengine.google.com/c494ff396398ee2629b67eb4778db468
#лидар #sentinel1 #sentinel2 #LULC #GEE #AGB
Классификация высокорослых и низкорослых сельскохозяйственных культур по данным Sentinel-2 и GEDI
Данные космического лидара NASA Global Ecosystem Dynamics Investigation (GEDI), изначально предназначенного для мониторинга лесов, дополненные оптическими снимками Sentinel-2, позволили создать качественные глобальные карты классификации сельскохозяйственных культур на высокорослые и низкорослые, с пространственным разрешением 10 метров. Высокорослые культуры — это, в частности, кукуруза и подсолнечник (высота примерно 2.5 метра), низкорослые — пшеница и ячмень (0.5–1 метр).
Применение спутниковых лидаров не всегда давало приемлемые результаты даже для измерений высоты леса. Среднеквадратичная ошибка определения высоты нередко составляла примерно 2–3 метра, так что пробовать силы на сельскохозяйственных культурах вроде бы не имело смысла. Авторы исследования все же попробовали, и у них получилось. Об измерении высоты речь, конечно, не идет, но различать высоко- и низкорослые сельскохозяйственные культуры оказалось вполне возможно.
Применялись снимки GEDI, полученные в период, когда сельскохозяйственные культуры достигают максимальной высоты. Для определения этих периодов понадобятся фенологические календари.
Данные космических лидаров, вроде GEDI, покрывают наблюдаемую поверхность “пятнами”, не образуя сплошного покрытия. По-видимому, максимальных результатов можно достичь, располагая границами сельскохозяйственных полей.
Отмечена систематическая недооценка площади высоких культур в регионах, где эти культуры имеют низкую биомассу. Скорее всего, лидар такие культуры просто не видит. Вероятно, проблемы должны возникать и при анализе полей малой площади.
Полученные результаты позволяют надеется обнаружить при помощи лидара уборку или полегание культуры, то есть события на поле, сопровождающиеся резким уменьшением высоты растительного покрова.
#лидар #sentinel2 #сельхоз
Данные космического лидара NASA Global Ecosystem Dynamics Investigation (GEDI), изначально предназначенного для мониторинга лесов, дополненные оптическими снимками Sentinel-2, позволили создать качественные глобальные карты классификации сельскохозяйственных культур на высокорослые и низкорослые, с пространственным разрешением 10 метров. Высокорослые культуры — это, в частности, кукуруза и подсолнечник (высота примерно 2.5 метра), низкорослые — пшеница и ячмень (0.5–1 метр).
Применение спутниковых лидаров не всегда давало приемлемые результаты даже для измерений высоты леса. Среднеквадратичная ошибка определения высоты нередко составляла примерно 2–3 метра, так что пробовать силы на сельскохозяйственных культурах вроде бы не имело смысла. Авторы исследования все же попробовали, и у них получилось. Об измерении высоты речь, конечно, не идет, но различать высоко- и низкорослые сельскохозяйственные культуры оказалось вполне возможно.
Применялись снимки GEDI, полученные в период, когда сельскохозяйственные культуры достигают максимальной высоты. Для определения этих периодов понадобятся фенологические календари.
Данные космических лидаров, вроде GEDI, покрывают наблюдаемую поверхность “пятнами”, не образуя сплошного покрытия. По-видимому, максимальных результатов можно достичь, располагая границами сельскохозяйственных полей.
Отмечена систематическая недооценка площади высоких культур в регионах, где эти культуры имеют низкую биомассу. Скорее всего, лидар такие культуры просто не видит. Вероятно, проблемы должны возникать и при анализе полей малой площади.
Полученные результаты позволяют надеется обнаружить при помощи лидара уборку или полегание культуры, то есть события на поле, сопровождающиеся резким уменьшением высоты растительного покрова.
#лидар #sentinel2 #сельхоз
MDPI
Annual Field-Scale Maps of Tall and Short Crops at the Global Scale Using GEDI and Sentinel-2
Crop type maps are critical for tracking agricultural land use and estimating crop production. Remote sensing has proven an efficient and reliable tool for creating these maps in regions with abundant ground labels for model training, yet these labels remain…
OpenTopography
OpenTopography — онлайн-сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. OpenTopography базируется в Суперкомпьютерном центре Сан-Диего при Калифорнийском университете Сан-Диего и финансируется Национальным научным фондом США (National Science Foundation, NSF).
Региональные и глобальные данные с пространственным разрешением 10–90 м, а также данные, размещенные сообществом пользователей (как правильно, имеющие малое пространственное покрытие), OpenTopography предоставляет бесплатно. К остальным данным организован академический доступ (Academic Acces): необходимо подать заявку в OpenTopography на получение данных, и дождаться ее одобрения.
Каталог данных содержит разделы:
* OT High Resolution Topography — лидарные данные в виде “облаков точек” и растровых файлов
* USGS 3DEP — данные USGS 3D Elevation Program. К значительной части данных есть только академический доступ.
* NOAA — данные программы NOAA Coastal Lidar program. В основном, академический доступ
* Community Contributed — данные, предоставленные сообществом пользователей. В основном, лидарные.
* Global & Regional DEM — глобальные и региональные ЦМР. В частности, есть данные ArcticDEM и Reference Elevation Model of Antarctica (REMA) с пространственными разрешениями 32, 10 и 2 метра. Все — в открытом доступе.
Заметим, что данные, к которым OpenTopography дает академический доступ, свободно доступны в:
* USGS 3DEP
* NOAA Coastal Lidar
На сайте есть реестр свободных программ Tool Registry, ориентированных на обработку и анализ топографических данных, а также программы, разработанные в OpenTopography — OT Software.
Для доступа к свободно распространяемым данным OpenTopography предоставляет набор REST API.
#данные #DEM #лидар
OpenTopography — онлайн-сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. OpenTopography базируется в Суперкомпьютерном центре Сан-Диего при Калифорнийском университете Сан-Диего и финансируется Национальным научным фондом США (National Science Foundation, NSF).
Региональные и глобальные данные с пространственным разрешением 10–90 м, а также данные, размещенные сообществом пользователей (как правильно, имеющие малое пространственное покрытие), OpenTopography предоставляет бесплатно. К остальным данным организован академический доступ (Academic Acces): необходимо подать заявку в OpenTopography на получение данных, и дождаться ее одобрения.
Каталог данных содержит разделы:
* OT High Resolution Topography — лидарные данные в виде “облаков точек” и растровых файлов
* USGS 3DEP — данные USGS 3D Elevation Program. К значительной части данных есть только академический доступ.
* NOAA — данные программы NOAA Coastal Lidar program. В основном, академический доступ
* Community Contributed — данные, предоставленные сообществом пользователей. В основном, лидарные.
* Global & Regional DEM — глобальные и региональные ЦМР. В частности, есть данные ArcticDEM и Reference Elevation Model of Antarctica (REMA) с пространственными разрешениями 32, 10 и 2 метра. Все — в открытом доступе.
Заметим, что данные, к которым OpenTopography дает академический доступ, свободно доступны в:
* USGS 3DEP
* NOAA Coastal Lidar
На сайте есть реестр свободных программ Tool Registry, ориентированных на обработку и анализ топографических данных, а также программы, разработанные в OpenTopography — OT Software.
Для доступа к свободно распространяемым данным OpenTopography предоставляет набор REST API.
#данные #DEM #лидар
Данные ICESat-2 для оценки высоты леса
Лидар ATLAS на борту спутника ICESat-2 — лидар с подсчетом фотонов (photon counting LIDAR). Он испускает лазерные импульсы с высокой частотой и детектирует отдельные фотоны, отраженные объектами на земной поверхности. Измерение времени полета фотона, совместно с информацией о положении и ориентации прибора, позволяет рассчитать координаты отражающего объекта земной поверхности, включая его высоту.
Пространственное разрешение прибора ATLAS, то есть размер “пятна” (footprint) лазерного луча на поверхности Земли составляет около 14 м. Частота генерации лазерных импульсов подобрана так, чтобы обеспечить смещение “пятна” каждого следующего импульса на расстояние около 70 см по мере пролета спутника. В результате происходит непрерывное получение информации вдоль трека спутника на земной поверхности для полосы шириной 14 м. Расстояние между двумя соседними треками измерений составляет около 3 км на экваторе.
Система ATLAS/ICESat-2, так же как и ее предшественник GLAS/ICESat, разработана в основном для мониторинга ледового покрова, но может быть использована и для оценки высоты леса на больших территориях, в том числе для бореальных лесов (Neuenschwander et al., 2020a). Результаты применения данных ATLAS/ICESat-2 для оценки высоты лесов России приведены в (Барталев и др., 2022) и (Шинкаренко и др., 2023).
Для оценки высоты леса используется информационный продукт ATL08, построенный по данным ATLAS/ICESat-2 и содержащий информацию о значениях высоты растительности. В указанном продукте полученное лидаром облако точек разделяется на четыре класса: подстилающая поверхность, листва/кроны (canopy), верхний полог листвы/крон (top-of-canopy) и шум. Далее, непрерывный трек, соответствующий полосе земной поверхности шириной 14 м, разбивается на сегменты длиной 100 м. Каждый стометровый сегмент состоит из пяти последовательных сегментов, длиной 20 м, взятых из продукта ATL03. Пространственное расположение таких сегментов характеризуется координатами их центров. Таким образом, данные ATL08 представлены в виде сегментов шириной 14 м и длиной 20 м (Neuenschwander et al., 2022), что позволяет обеспечить достаточно высокую пространственную детальность измерений высоты.
Элемент набора данных ATL08 соответствует одному сегменту и содержит параметры, характеризующие распределение относительной высоты растительности на данном участке: значения минимума, максимума, среднего, стандартного отклонения и различные перцентили высот растительности, а также количество измерений и показатель степени их неопределенности (uncertainty). Высота отразивших фотоны элементов растительности (кроны/листва) оценивается относительно пространственно-интерполированных точек, отнесенных к классу подстилающей поверхности. В качестве параметра, характеризующего высоту леса, используется величина h_canopy — 98 перцентиль высот растительности.
Барталев С.А., Богодухов М.А., Жарко В.О., Сидоренков В.М. Исследование возможностей использования данных ICESat-2 для оценки высоты лесов России. Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 195-206. https://doi.org/10.21046/2070-7401-2022-19-4-195-206
Шинкаренко С.С., Барталев С.А., Богодухов М.А., Жарко В.О. Оценка возможностей определения высоты и проективного покрытия защитных лесных насаждений по данным ICESat-2. Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. №2. С. 174–183. http://dx.doi.org/10.21046/2070-7401-2023-20-2-174-183
Neuenschwander, A., Guenther, E., White, J. C., Duncanson, L., & Montesano, P. (2020). Validation of ICESat-2 terrain and canopy heights in boreal forests. Remote Sensing of Environment, 251, 112110. https://doi.org/10.1016/j.rse.2020.112110
Neuenschwander A., Pitts K., Jelley B. et al. Ice, Cloud, and Land Elevation Satellite 2 (ICESat-2): Algorithm Theoretical Basis Document (ATBD) for Land-Vegetation Along-Track Products (ATL08). Version 6. 2022. 144 p. https://doi.org/10.5067/8ANPSL1NN7YS
#лидар #лес
Лидар ATLAS на борту спутника ICESat-2 — лидар с подсчетом фотонов (photon counting LIDAR). Он испускает лазерные импульсы с высокой частотой и детектирует отдельные фотоны, отраженные объектами на земной поверхности. Измерение времени полета фотона, совместно с информацией о положении и ориентации прибора, позволяет рассчитать координаты отражающего объекта земной поверхности, включая его высоту.
Пространственное разрешение прибора ATLAS, то есть размер “пятна” (footprint) лазерного луча на поверхности Земли составляет около 14 м. Частота генерации лазерных импульсов подобрана так, чтобы обеспечить смещение “пятна” каждого следующего импульса на расстояние около 70 см по мере пролета спутника. В результате происходит непрерывное получение информации вдоль трека спутника на земной поверхности для полосы шириной 14 м. Расстояние между двумя соседними треками измерений составляет около 3 км на экваторе.
Система ATLAS/ICESat-2, так же как и ее предшественник GLAS/ICESat, разработана в основном для мониторинга ледового покрова, но может быть использована и для оценки высоты леса на больших территориях, в том числе для бореальных лесов (Neuenschwander et al., 2020a). Результаты применения данных ATLAS/ICESat-2 для оценки высоты лесов России приведены в (Барталев и др., 2022) и (Шинкаренко и др., 2023).
Для оценки высоты леса используется информационный продукт ATL08, построенный по данным ATLAS/ICESat-2 и содержащий информацию о значениях высоты растительности. В указанном продукте полученное лидаром облако точек разделяется на четыре класса: подстилающая поверхность, листва/кроны (canopy), верхний полог листвы/крон (top-of-canopy) и шум. Далее, непрерывный трек, соответствующий полосе земной поверхности шириной 14 м, разбивается на сегменты длиной 100 м. Каждый стометровый сегмент состоит из пяти последовательных сегментов, длиной 20 м, взятых из продукта ATL03. Пространственное расположение таких сегментов характеризуется координатами их центров. Таким образом, данные ATL08 представлены в виде сегментов шириной 14 м и длиной 20 м (Neuenschwander et al., 2022), что позволяет обеспечить достаточно высокую пространственную детальность измерений высоты.
Элемент набора данных ATL08 соответствует одному сегменту и содержит параметры, характеризующие распределение относительной высоты растительности на данном участке: значения минимума, максимума, среднего, стандартного отклонения и различные перцентили высот растительности, а также количество измерений и показатель степени их неопределенности (uncertainty). Высота отразивших фотоны элементов растительности (кроны/листва) оценивается относительно пространственно-интерполированных точек, отнесенных к классу подстилающей поверхности. В качестве параметра, характеризующего высоту леса, используется величина h_canopy — 98 перцентиль высот растительности.
Барталев С.А., Богодухов М.А., Жарко В.О., Сидоренков В.М. Исследование возможностей использования данных ICESat-2 для оценки высоты лесов России. Современные проблемы дистанционного зондирования Земли из космоса. 2022. Т. 19. № 4. С. 195-206. https://doi.org/10.21046/2070-7401-2022-19-4-195-206
Шинкаренко С.С., Барталев С.А., Богодухов М.А., Жарко В.О. Оценка возможностей определения высоты и проективного покрытия защитных лесных насаждений по данным ICESat-2. Современные проблемы дистанционного зондирования Земли из космоса. 2023. Т. 20. №2. С. 174–183. http://dx.doi.org/10.21046/2070-7401-2023-20-2-174-183
Neuenschwander, A., Guenther, E., White, J. C., Duncanson, L., & Montesano, P. (2020). Validation of ICESat-2 terrain and canopy heights in boreal forests. Remote Sensing of Environment, 251, 112110. https://doi.org/10.1016/j.rse.2020.112110
Neuenschwander A., Pitts K., Jelley B. et al. Ice, Cloud, and Land Elevation Satellite 2 (ICESat-2): Algorithm Theoretical Basis Document (ATBD) for Land-Vegetation Along-Track Products (ATL08). Version 6. 2022. 144 p. https://doi.org/10.5067/8ANPSL1NN7YS
#лидар #лес
Данные космических лидаров ICESat и ICESat-2
Коллекция NSIDC DAAC ICESat/GLAS содержит данные, полученные лидаром Geoscience Laser Altimeter System (GLAS), работавшего на спутнике Ice, Cloud, and Land Elevation Satellite (ICESat) с 2003 по начало 2010 года. Продукты данных ICESat/GLAS описывают высоты ледяных покровов, ледников и морского льда, а также профили высот облаков и аэрозолей в атмосфере.
Коллекция NSIDC DAAC ICESat-2/ATLAS содержит данные, полученные лидаром Advanced Topographic Laser Altimeter System (ATLAS), установленным на спутнике Ice, Cloud and Land Elevation Satellite-2 (ICESat-2). Продукты данных ICESat-2 позволяют определить высоту морского льда, льда на суше, лесного покрова, высоту воды, городских территорий и т. д. Временное покрытие данных: с конца 2018 года по настоящее время.
Пространственное покрытие обоих видов данных — глобальное.
Данные ICESat и ICESat-2 находятся в NASA’овском тематическом центре обработки и хранения данных ДЗЗ (DAAC) National Snow and Ice Data Center (NSIDC) 1️⃣.
Получить данные ICESat и ICESat-2 можно в:
❄️NSIDC: меню Data/Explore Data, далее — поиском 2️⃣.
❄️NASA Earthdata Search 3️⃣.
❄️OpenAltimetry — это онлайн-платформа для поиска, получения и визуализации данных ICESat и ICESat-2.
Описания алгоритмов получения продуктов ICESat-2 (Algorithm Theoretical Basis Document, ATBD) находятся здесь.
#лидар #данные
Коллекция NSIDC DAAC ICESat/GLAS содержит данные, полученные лидаром Geoscience Laser Altimeter System (GLAS), работавшего на спутнике Ice, Cloud, and Land Elevation Satellite (ICESat) с 2003 по начало 2010 года. Продукты данных ICESat/GLAS описывают высоты ледяных покровов, ледников и морского льда, а также профили высот облаков и аэрозолей в атмосфере.
Коллекция NSIDC DAAC ICESat-2/ATLAS содержит данные, полученные лидаром Advanced Topographic Laser Altimeter System (ATLAS), установленным на спутнике Ice, Cloud and Land Elevation Satellite-2 (ICESat-2). Продукты данных ICESat-2 позволяют определить высоту морского льда, льда на суше, лесного покрова, высоту воды, городских территорий и т. д. Временное покрытие данных: с конца 2018 года по настоящее время.
Пространственное покрытие обоих видов данных — глобальное.
Данные ICESat и ICESat-2 находятся в NASA’овском тематическом центре обработки и хранения данных ДЗЗ (DAAC) National Snow and Ice Data Center (NSIDC) 1️⃣.
Получить данные ICESat и ICESat-2 можно в:
❄️NSIDC: меню Data/Explore Data, далее — поиском 2️⃣.
❄️NASA Earthdata Search 3️⃣.
❄️OpenAltimetry — это онлайн-платформа для поиска, получения и визуализации данных ICESat и ICESat-2.
Описания алгоритмов получения продуктов ICESat-2 (Algorithm Theoretical Basis Document, ATBD) находятся здесь.
#лидар #данные
Археологические открытия в Амазонии
Расширение использования воздушной лидарной съемки в последние несколько лет привело к резкому скачку числа археологических находок в Амазонии. Так, в прошлом году в Боливии была обнаружена новая археологическая культура — Касарабе*. Раньше, археологи использовали в этом районе данные оптической и радарной съемки, но эти данные не позволяли заглянуть под полог леса, обладали недостаточным пространственным разрешением и не могли обнаружить некоторые виды объектов, в частности, земляные сооружения. Последние в большом количестве обнаруживают на спутниковых снимках высокого разрешения, но сделать это можно только на безлесных территориях, а таких в Амазонии около 17%. Что же происходит на остальных 83%?
Винисиус Перипато, специалист по дистанционному зондированию из Национального института космических исследований Бразилии, искал земляные сооружения по лидарным данным, собранным за 5 лет наблюдений. Вместе с коллегами, он изучил 5315 кв. км данных, выявив более 900 известных земляных сооружений и обнаружив 24 ранее не зафиксированные постройки. Однако все их усилия походили на поиск иголки в стоге сена, так как покрытая лидарными данными территория охватывала лишь около 0,08% площади Амазонии.
Поэтому, основываясь на новых находках и ранее обнаруженных земляных сооружениях, Перипато с коллегами разработали компьютерную модель для прогноза мест возможного расположения земляных сооружений. Модель учитывала факторы, позволяющие людям выжить в данном регионе, в частности, расстояние до ближайшего источника воды, количество осадков, температуру и тип почвы.
Результаты моделирования показали, что до сих пор не обнаружено от 10272 до 23648 земляных сооружений. Подавляющее большинство из них, скорее всего, расположено в юго-западной части тропического леса.
Если результаты Перипато и его коллег окажутся верны, будет развеян миф о том, что Амазония — огромное пространство, покрытое девственными лесами, которое сформировалось под воздействием природных сил с минимальным участием человека. Напротив, вблизи мест, где были обнаружены земляные сооружения, наблюдается высокая концентрация 53 видов одомашненных деревьев. Среди них какао, бразильский орех, хлебный орех, каучуковое дерево и десятки других. Это свидетельствует о том, что жители региона изменяли природный ландшафт, чтобы иметь постоянный запас продовольствия и полезных материалов. Так что Амазония похожа скорее не на девственный лес, а на заброшенный сад. Следующий вопрос: почему он был заброшен?
Оригинальная статья (Peripato et al., 2023): http://www.science.org/doi/10.1126/science.ade2541
Статью можно свободно взять здесь.
Качественный пересказ результатов статьи в Smithsonian Magazine.
Подробности о модели и использованных данных — в дополнительных материалах к статье.
* Про открытие культуры Касарабе. Оригинальная статья: Prümers, H., Betancourt, C.J., Iriarte, J. _et al._ Lidar reveals pre-Hispanic low-density urbanism in the Bolivian Amazon. Nature 606, 325–328 (2022). https://doi.org/10.1038/s41586-022-04780-4. Качественный пересказ в Smithsonian Magazine.
#лидар #археология
Расширение использования воздушной лидарной съемки в последние несколько лет привело к резкому скачку числа археологических находок в Амазонии. Так, в прошлом году в Боливии была обнаружена новая археологическая культура — Касарабе*. Раньше, археологи использовали в этом районе данные оптической и радарной съемки, но эти данные не позволяли заглянуть под полог леса, обладали недостаточным пространственным разрешением и не могли обнаружить некоторые виды объектов, в частности, земляные сооружения. Последние в большом количестве обнаруживают на спутниковых снимках высокого разрешения, но сделать это можно только на безлесных территориях, а таких в Амазонии около 17%. Что же происходит на остальных 83%?
Винисиус Перипато, специалист по дистанционному зондированию из Национального института космических исследований Бразилии, искал земляные сооружения по лидарным данным, собранным за 5 лет наблюдений. Вместе с коллегами, он изучил 5315 кв. км данных, выявив более 900 известных земляных сооружений и обнаружив 24 ранее не зафиксированные постройки. Однако все их усилия походили на поиск иголки в стоге сена, так как покрытая лидарными данными территория охватывала лишь около 0,08% площади Амазонии.
Поэтому, основываясь на новых находках и ранее обнаруженных земляных сооружениях, Перипато с коллегами разработали компьютерную модель для прогноза мест возможного расположения земляных сооружений. Модель учитывала факторы, позволяющие людям выжить в данном регионе, в частности, расстояние до ближайшего источника воды, количество осадков, температуру и тип почвы.
Результаты моделирования показали, что до сих пор не обнаружено от 10272 до 23648 земляных сооружений. Подавляющее большинство из них, скорее всего, расположено в юго-западной части тропического леса.
Если результаты Перипато и его коллег окажутся верны, будет развеян миф о том, что Амазония — огромное пространство, покрытое девственными лесами, которое сформировалось под воздействием природных сил с минимальным участием человека. Напротив, вблизи мест, где были обнаружены земляные сооружения, наблюдается высокая концентрация 53 видов одомашненных деревьев. Среди них какао, бразильский орех, хлебный орех, каучуковое дерево и десятки других. Это свидетельствует о том, что жители региона изменяли природный ландшафт, чтобы иметь постоянный запас продовольствия и полезных материалов. Так что Амазония похожа скорее не на девственный лес, а на заброшенный сад. Следующий вопрос: почему он был заброшен?
Оригинальная статья (Peripato et al., 2023): http://www.science.org/doi/10.1126/science.ade2541
Статью можно свободно взять здесь.
Качественный пересказ результатов статьи в Smithsonian Magazine.
Подробности о модели и использованных данных — в дополнительных материалах к статье.
* Про открытие культуры Касарабе. Оригинальная статья: Prümers, H., Betancourt, C.J., Iriarte, J. _et al._ Lidar reveals pre-Hispanic low-density urbanism in the Bolivian Amazon. Nature 606, 325–328 (2022). https://doi.org/10.1038/s41586-022-04780-4. Качественный пересказ в Smithsonian Magazine.
#лидар #археология
Глобальные карты высоты леса
В (Potapov et al., 2020) описан метод создания глобальной карты высоты лесного полога с пространственным разрешением 30 м, основанной на данных космического лидара GEDI и разновременных данных Landsat.
Для создания карты использованы данные GEDI (апрель–октябрь 2019 года) и данные Landsat за 2019 год. Высота леса моделировалась ансамблем деревьев регрессии с движущимся окном. Калибровка модели осуществлялась локально, с применением метрики GEDI RH95 (относительная высота на уровне 95%). В качестве признаков взяты разновременные данные Landsat, призванные отразить фенологические изменения на поверхности. Поскольку лидар GEDI, работающий на борту МКС, позволяет проводить измерения лишь в полосе широт от 51.6° с.ш. до 51.6° ю.ш., то для создания глобальной карты пришлось экстраполировать построенную модель в бореальные регионы (за пределы диапазона данных GEDI).
🌍 Карту можно получить на GEE: Global Forest Canopy Height from GEDI & Landsat.
Карта подготовлена лабораторией Global Land Analysis and Discovery (GLAD) департамента Географических наук университета штата Мэриленд. GLAD известна своими картами Global Forest Change и данными Harmonized Landsat Sentinel-2.
Следующая глобальная карта высоты лесного полога построена по данным 2020 года с пространственным разрешением 10 м (Lang et al., 2023). Для ее создания использованы данные GEDI, спутниковые снимки Sentinel-2 и ансамбль моделей на основе сверточных нейросетей (CNN). Итоговая модель позволяет получить в любой точке Земли высоту лесного полога и погрешность оценки высоты полога.
Применявшиеся ранее подходы для создания карт высоты полога на основе данных GEDI и Landsat-8, в частности (Potapov et al., 2020) реализовывали попиксельное отображение пространства признаков в высоту полога, без учета свойств окрестности пикселя и текстуры изображения. Применение сверточных нейросетей позволило учесть эти локальные особенности, что является существенной новизной предложенного подхода.
Проблема насыщения при расчете высоты полога, которая приводит к ухудшению точности оценок с увеличением высоты полога, в (Lang et al., 2023) решалась чисто механически — за счет огромного объема обучающих данных. Точность оценки высоты по-прежнему падает с увеличением высоты деревьев, хотя и несколько лучше, чем у более ранних подходов.
Важно, что предложенный (Lang et al., 2023) подход к расчету высоты полога может переноситься на другой временной период. Напомним, что лидар GEDI будет работать на орбите по крайней мере до конца 2024 года.
Исходный код и обученные модели доступны на Github: github.com/langnico/global-canopy-height-model.
🌍 Карта на GEE: ETH Global Sentinel-2 10m Canopy Height (2020).
Код примера
Представляется, что данная карта высот лесного полога является лучшей на сегодняшний день среди глобальных карт с точки зрения пространственного разрешения и точности. В то же время, она не использует лидарные данные для оценки высоты за пределами полосы измерений GEDI, что открывает возможности для ее совершенствования, например, с привлечением данных лидара ICESat-2.
P. Potapov, X. Li, A. Hernandez-Serna, A. Tyukavina, M.C. Hansen, A. Kommareddy, A. Pickens, S. Turubanova, H. Tang, C. E. Silva, J. Armston, R. Dubayah, J. B. Blair, M. Hofton (2020). https://doi.org/10.1016/j.rse.2020.112165
Lang, N., Jetz, W., Schindler, K. _et al._ A high-resolution canopy height model of the Earth. _Nat Ecol Evol_ (2023). https://doi.org/10.1038/s41559-023-02206-6
#лидар #лес #данные #GEE
В (Potapov et al., 2020) описан метод создания глобальной карты высоты лесного полога с пространственным разрешением 30 м, основанной на данных космического лидара GEDI и разновременных данных Landsat.
Для создания карты использованы данные GEDI (апрель–октябрь 2019 года) и данные Landsat за 2019 год. Высота леса моделировалась ансамблем деревьев регрессии с движущимся окном. Калибровка модели осуществлялась локально, с применением метрики GEDI RH95 (относительная высота на уровне 95%). В качестве признаков взяты разновременные данные Landsat, призванные отразить фенологические изменения на поверхности. Поскольку лидар GEDI, работающий на борту МКС, позволяет проводить измерения лишь в полосе широт от 51.6° с.ш. до 51.6° ю.ш., то для создания глобальной карты пришлось экстраполировать построенную модель в бореальные регионы (за пределы диапазона данных GEDI).
🌍 Карту можно получить на GEE: Global Forest Canopy Height from GEDI & Landsat.
Карта подготовлена лабораторией Global Land Analysis and Discovery (GLAD) департамента Географических наук университета штата Мэриленд. GLAD известна своими картами Global Forest Change и данными Harmonized Landsat Sentinel-2.
Следующая глобальная карта высоты лесного полога построена по данным 2020 года с пространственным разрешением 10 м (Lang et al., 2023). Для ее создания использованы данные GEDI, спутниковые снимки Sentinel-2 и ансамбль моделей на основе сверточных нейросетей (CNN). Итоговая модель позволяет получить в любой точке Земли высоту лесного полога и погрешность оценки высоты полога.
Применявшиеся ранее подходы для создания карт высоты полога на основе данных GEDI и Landsat-8, в частности (Potapov et al., 2020) реализовывали попиксельное отображение пространства признаков в высоту полога, без учета свойств окрестности пикселя и текстуры изображения. Применение сверточных нейросетей позволило учесть эти локальные особенности, что является существенной новизной предложенного подхода.
Проблема насыщения при расчете высоты полога, которая приводит к ухудшению точности оценок с увеличением высоты полога, в (Lang et al., 2023) решалась чисто механически — за счет огромного объема обучающих данных. Точность оценки высоты по-прежнему падает с увеличением высоты деревьев, хотя и несколько лучше, чем у более ранних подходов.
Важно, что предложенный (Lang et al., 2023) подход к расчету высоты полога может переноситься на другой временной период. Напомним, что лидар GEDI будет работать на орбите по крайней мере до конца 2024 года.
Исходный код и обученные модели доступны на Github: github.com/langnico/global-canopy-height-model.
🌍 Карта на GEE: ETH Global Sentinel-2 10m Canopy Height (2020).
Код примера
Представляется, что данная карта высот лесного полога является лучшей на сегодняшний день среди глобальных карт с точки зрения пространственного разрешения и точности. В то же время, она не использует лидарные данные для оценки высоты за пределами полосы измерений GEDI, что открывает возможности для ее совершенствования, например, с привлечением данных лидара ICESat-2.
P. Potapov, X. Li, A. Hernandez-Serna, A. Tyukavina, M.C. Hansen, A. Kommareddy, A. Pickens, S. Turubanova, H. Tang, C. E. Silva, J. Armston, R. Dubayah, J. B. Blair, M. Hofton (2020). https://doi.org/10.1016/j.rse.2020.112165
Lang, N., Jetz, W., Schindler, K. _et al._ A high-resolution canopy height model of the Earth. _Nat Ecol Evol_ (2023). https://doi.org/10.1038/s41559-023-02206-6
#лидар #лес #данные #GEE
Открытые данные авиационных лидаров
1. NASA Land, Vegetation, and Ice Sensor (LVIS): Blair, J. Processing of NASA LVIS elevation and canopy (LGE, LCE and LGW) data products, version 1.0. NASA https://lvis.gsfc.nasa.gov (2018).
2. Коллекция лидарных измерений высоты лесного полога, выполненных в Европе: Liu, S., Brandt, M., Nord-Larsen, T., Chave, J. et al. (2023). The overlooked contribution of trees outside forests to tree cover and woody biomass across Europe. Science Advances, 9(37). https://doi.org/10.1126/sciadv.adh4097
Растровые данные о высоте лесного полога с пространственным разрешением 10 м, извлеченные из указанных источников находятся в:
✈️ Lang, N., Jetz, W., Schindler, K., & Wegner, J. D. (2023). A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 1-12, https://doi.org/10.1038/s41559-023-02206-6
Land, Vegetation, and Ice Sensor (LVIS) — это авиационный лазерный альтиметр с широкой полосой обзора, которым NASA собирает данные о рельефе и трехмерной структуре поверхности.
LVIS использует лазер с длиной волны 1064 нм и 3 детектора, с помощью которых оцифровывается вся временнАя история исходящих и возвращающихся импульсов. Вместе с информацией о положении и ориентации самолета, это позволяет получать топографические карты с дециметровой точностью, а также измерять высоту и структуру объектов на поверхности, например, растительности и льда.
LVIS обычно работает на высоте 10 км над землей, создавая полосу данных шириной 2 км со следами* (footprint) диаметром 7–10 м. Возможны конфигурации LVIS с меньшим или большим диаметрами следа. При этом общая ширина полосы данных зависит от высоты полета и диаметра следа.
Данные LVIS уровней L1B и L2 (2017 г. – н. в.) хранятся здесь.
На рисунке показана схема сканирования LVIS: в полосе захвата шириной 2 км насчитывается около 100 следов лучей лидара. Цвет характеризует высоту поверхности (синий — низкая, желтый/белый — высокая). Волнистость полосы является следствием крена самолета.
#лидар #данные
1. NASA Land, Vegetation, and Ice Sensor (LVIS): Blair, J. Processing of NASA LVIS elevation and canopy (LGE, LCE and LGW) data products, version 1.0. NASA https://lvis.gsfc.nasa.gov (2018).
2. Коллекция лидарных измерений высоты лесного полога, выполненных в Европе: Liu, S., Brandt, M., Nord-Larsen, T., Chave, J. et al. (2023). The overlooked contribution of trees outside forests to tree cover and woody biomass across Europe. Science Advances, 9(37). https://doi.org/10.1126/sciadv.adh4097
Растровые данные о высоте лесного полога с пространственным разрешением 10 м, извлеченные из указанных источников находятся в:
✈️ Lang, N., Jetz, W., Schindler, K., & Wegner, J. D. (2023). A high-resolution canopy height model of the Earth. Nature Ecology & Evolution, 1-12, https://doi.org/10.1038/s41559-023-02206-6
Land, Vegetation, and Ice Sensor (LVIS) — это авиационный лазерный альтиметр с широкой полосой обзора, которым NASA собирает данные о рельефе и трехмерной структуре поверхности.
LVIS использует лазер с длиной волны 1064 нм и 3 детектора, с помощью которых оцифровывается вся временнАя история исходящих и возвращающихся импульсов. Вместе с информацией о положении и ориентации самолета, это позволяет получать топографические карты с дециметровой точностью, а также измерять высоту и структуру объектов на поверхности, например, растительности и льда.
LVIS обычно работает на высоте 10 км над землей, создавая полосу данных шириной 2 км со следами* (footprint) диаметром 7–10 м. Возможны конфигурации LVIS с меньшим или большим диаметрами следа. При этом общая ширина полосы данных зависит от высоты полета и диаметра следа.
Данные LVIS уровней L1B и L2 (2017 г. – н. в.) хранятся здесь.
На рисунке показана схема сканирования LVIS: в полосе захвата шириной 2 км насчитывается около 100 следов лучей лидара. Цвет характеризует высоту поверхности (синий — низкая, желтый/белый — высокая). Волнистость полосы является следствием крена самолета.
#лидар #данные
Обзор применения лидаров для оценки биомассы леса
Borsah, A.A.; Nazeer, M.; Wong, M.S. LIDAR-Based Forest Biomass Remote Sensing: A Review of Metrics, Methods, and Assessment Criteria for the Selection of Allometric Equations. Forests, 2023, 14, 2095. https://doi.org/10.3390/f14102095
За последние двадцать лет лидары существенно расширили наши возможности мониторинга биомассы леса. Лидары позволяют измерять множество характеристик лесных насаждений: высоту, базальную площадь, вертикальный профиль, размер кроны, объем ствола и др. Они способны определять биомассу в районах с высокой плотностью леса и не имеют проблем с насыщением. Эффект насыщения состоит в том, что показания сенсоров ДЗЗ в какой-то момент перестают реагировать на увеличение биомассы леса. Этот эффект проявляется у пассивных оптических сенсоров и, отчасти, у радаров. Пример насыщения у радара: 1️⃣ (источник).
С помощью лидаров проводятся дистанционные измерения с наземных, воздушных и космических платформ 2️⃣. Как следует из обзора, в большинстве исследований надземной биомассы леса применялись данные авиационных лидаров, полученные для небольших участков леса.
В разделе "LIDAR Technology for Biomass Studies" есть любопытные соображения по выбору типа лидара для оценки биомассы.
В большинстве исследований для определения надземной биомассы леса применялись не методы машинного обучения, а параметрические модели. Это когда структура модели задается заранее, и в ходе обучения подгоняются только коэффициенты модели. Наиболее влиятельными признаками в моделях являются средняя высота лесного полога (mean canopy height) и средняя квадратичная высота (quadratic mean height).
Авторы обзора изучили публикации по теме с 1999 по 2023 год. На наш взгляд, в обзоре нет удивительных открытий, но он аккуратно фиксирует современное состояние проблемы. Иногда несколько занудно. Например, сообщается, что точность моделей обычно оценивается попиксельно, при помощи коэффициента детерминации и среднеквадратичной ошибки…
#лидар #AGB #лес
Borsah, A.A.; Nazeer, M.; Wong, M.S. LIDAR-Based Forest Biomass Remote Sensing: A Review of Metrics, Methods, and Assessment Criteria for the Selection of Allometric Equations. Forests, 2023, 14, 2095. https://doi.org/10.3390/f14102095
За последние двадцать лет лидары существенно расширили наши возможности мониторинга биомассы леса. Лидары позволяют измерять множество характеристик лесных насаждений: высоту, базальную площадь, вертикальный профиль, размер кроны, объем ствола и др. Они способны определять биомассу в районах с высокой плотностью леса и не имеют проблем с насыщением. Эффект насыщения состоит в том, что показания сенсоров ДЗЗ в какой-то момент перестают реагировать на увеличение биомассы леса. Этот эффект проявляется у пассивных оптических сенсоров и, отчасти, у радаров. Пример насыщения у радара: 1️⃣ (источник).
С помощью лидаров проводятся дистанционные измерения с наземных, воздушных и космических платформ 2️⃣. Как следует из обзора, в большинстве исследований надземной биомассы леса применялись данные авиационных лидаров, полученные для небольших участков леса.
В разделе "LIDAR Technology for Biomass Studies" есть любопытные соображения по выбору типа лидара для оценки биомассы.
В большинстве исследований для определения надземной биомассы леса применялись не методы машинного обучения, а параметрические модели. Это когда структура модели задается заранее, и в ходе обучения подгоняются только коэффициенты модели. Наиболее влиятельными признаками в моделях являются средняя высота лесного полога (mean canopy height) и средняя квадратичная высота (quadratic mean height).
Авторы обзора изучили публикации по теме с 1999 по 2023 год. На наш взгляд, в обзоре нет удивительных открытий, но он аккуратно фиксирует современное состояние проблемы. Иногда несколько занудно. Например, сообщается, что точность моделей обычно оценивается попиксельно, при помощи коэффициента детерминации и среднеквадратичной ошибки…
#лидар #AGB #лес
⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Как обычно по субботам будет краткий обзор событий недели из мира ДЗЗ.
Очередной радарный спутник Synspective — StriX-3 — будет запущен в марте [ссылка]
Запуск космического аппарата StriX-3 японской компании Synspective запланирован на 8-дневное окно, которое откроется 9 марта. StriX-3 станет четвертым спутником компании, следом за StriX-α, StriX-β и StriX-1, запущенными в декабре 2020, марте и сентябре 2022 года соответственно.
NUVIEW приобретает компанию Astræa, чтобы использовать искусственный интеллект для обработки данных ДЗЗ [ссылка]
Компания NUVIEW, создающая первую в мире коммерческую лидарную спутниковую группировку, приобрела компанию Astræa, Inc. — платформу, предоставляющую программное обеспечение как услугу (SaaS). Инфраструктура и наработки Astræa, основанные на искусственном интеллекте, должны позволить NUVIEW реализовать собственную стратегию по созданию инструмента обработки и предоставления пользователю готовых к работе данных наблюдения Земли.
Crisis Response Program компании Planet предоставила избранные некоммерческие данные о продолжающихся лесных пожарах в Чили [ссылка]
Crisis Response Program от Planet — программа избирательного доступа к данным Planet, для организации помощи в мониторинге и ликвидации последствий стихийных бедствий. Ранее, аналогичную программу реализовала Maxar. Однако, если доступ к данным Maxar Open Data Program открыт, то для получения данных Planet необходимо подать заявку.
#SAR #лидар #оптика #planet
Очередной радарный спутник Synspective — StriX-3 — будет запущен в марте [ссылка]
Запуск космического аппарата StriX-3 японской компании Synspective запланирован на 8-дневное окно, которое откроется 9 марта. StriX-3 станет четвертым спутником компании, следом за StriX-α, StriX-β и StriX-1, запущенными в декабре 2020, марте и сентябре 2022 года соответственно.
NUVIEW приобретает компанию Astræa, чтобы использовать искусственный интеллект для обработки данных ДЗЗ [ссылка]
Компания NUVIEW, создающая первую в мире коммерческую лидарную спутниковую группировку, приобрела компанию Astræa, Inc. — платформу, предоставляющую программное обеспечение как услугу (SaaS). Инфраструктура и наработки Astræa, основанные на искусственном интеллекте, должны позволить NUVIEW реализовать собственную стратегию по созданию инструмента обработки и предоставления пользователю готовых к работе данных наблюдения Земли.
Crisis Response Program компании Planet предоставила избранные некоммерческие данные о продолжающихся лесных пожарах в Чили [ссылка]
Crisis Response Program от Planet — программа избирательного доступа к данным Planet, для организации помощи в мониторинге и ликвидации последствий стихийных бедствий. Ранее, аналогичную программу реализовала Maxar. Однако, если доступ к данным Maxar Open Data Program открыт, то для получения данных Planet необходимо подать заявку.
#SAR #лидар #оптика #planet
Данные наземных и авиационных лидарных измерений на Oak Ridge National Laboratory Distributed Active Archive Center (ORNL DAAC) NASA: поиск в данных по ключевому слову lidar ⬆️.
Данные получены в период 2008–2018 гг. и относятся к нескольким районам Бразилии, Индонезии (Калимантан) и США (Аляска и Айдахо).
#данные #лидар
Данные получены в период 2008–2018 гг. и относятся к нескольким районам Бразилии, Индонезии (Калимантан) и США (Аляска и Айдахо).
#данные #лидар