Лесные пожары в Канаде и в Индонезии
Летом основными причинами пожаров в бореальных лесах Канады являются повышение температуры и молнии. С наступлением осени, когда дни становятся короче, а температура понижается, частота пожаров обычно резко уменьшается. Но в этом году все не так. Пожары, начавшиеся на востоке Канады в мае, а затем переместившиеся на запад страны, продолжаю бушевать и в октябре. Свидетельством их интенсивности стало то, что в последние две недели сентября небо на востоке США заполнили обширные шлейфы дыма пожаров, охвативших западную часть Канады.
На снимках 1️⃣ и 2️⃣, сделанных прибором VIIRS спутника NOAA-20 25 сентября и 1 октября 2023 года, показан длинный шлейф дыма (более темный и с более тонкой структурой, по сравнению с окружающими облаками), тянущийся вдоль Восточного побережья США.
После нескольких лет сравнительного спокойствия, интенсивные лесные пожары вспыхнули в Индонезии. Пожарную опасность усиливает засушливая погода, которая в этом году во многом связана с возвращением Эль-Ниньо.
На снимке 3️⃣ показан дым от пожаров, горящих на острове Борнео, в провинциях Южный и Центральный Калимантан. Снимок получен прибором MODIS спутника Terra 2 октября 2023 года. К этому моменту с начала года огонь сжег около 267 900 га, превысив площадь, сожженную за весь 2022 год.
#пожары
Летом основными причинами пожаров в бореальных лесах Канады являются повышение температуры и молнии. С наступлением осени, когда дни становятся короче, а температура понижается, частота пожаров обычно резко уменьшается. Но в этом году все не так. Пожары, начавшиеся на востоке Канады в мае, а затем переместившиеся на запад страны, продолжаю бушевать и в октябре. Свидетельством их интенсивности стало то, что в последние две недели сентября небо на востоке США заполнили обширные шлейфы дыма пожаров, охвативших западную часть Канады.
На снимках 1️⃣ и 2️⃣, сделанных прибором VIIRS спутника NOAA-20 25 сентября и 1 октября 2023 года, показан длинный шлейф дыма (более темный и с более тонкой структурой, по сравнению с окружающими облаками), тянущийся вдоль Восточного побережья США.
После нескольких лет сравнительного спокойствия, интенсивные лесные пожары вспыхнули в Индонезии. Пожарную опасность усиливает засушливая погода, которая в этом году во многом связана с возвращением Эль-Ниньо.
На снимке 3️⃣ показан дым от пожаров, горящих на острове Борнео, в провинциях Южный и Центральный Калимантан. Снимок получен прибором MODIS спутника Terra 2 октября 2023 года. К этому моменту с начала года огонь сжег около 267 900 га, превысив площадь, сожженную за весь 2022 год.
#пожары
This media is not supported in your browser
VIEW IN TELEGRAM
geojson.io — это инструмент для создания, просмотра и обмена векторными картами. Он назван в честь GeoJSON — формата пространственных данных с открытым исходным кодом, но поддерживается и множество других форматов. Например, в качестве исходных данных для карты принимаются также KML, GPX, CSV, GTFS и TopoJSON. Чтобы поместить данные на карту, перетащите файл данных на страницу или нажмите кнопку "Open" и выберите файл.
Новые объекты на карте создают с помощью инструментов рисования, расположенных в правой части окна карты. Можно создавать точки, многоугольники, линии, прямоугольники и окружности (собственно окружности не поддерживаются GeoJSON, фактически создается многоугольник с 64 вершинами). После создания объектов, к каждому из них можно добавить информацию, щелкнув на нем, отредактировав свойства элемента и нажав кнопку "Save". Файлы сохраняются в форматах GeoJSON, TopoJSON, CSV, KML, WKT и SHP.
Для редактирования геометрии нажмите кнопку редактирования (внизу панели инструментов рисования, см. видео). По умолчанию, выбраны все элементы. Щелкните мышью, чтобы выбрать нужный элемент или вершину. Вкладка Table в правой части окна позволяет добавлять/редактировать/удалять атрибуты данных.
Для настройки внешнего вида карты geojson.io поддерживает расширенную версию simplestyle-spec. У точечных объектов, помимо стандартных свойств
Наконец, у geojson.io есть API (см. вкладку Help), так что ряд операций с сервисом можно автоматизировать.
#tool
Новые объекты на карте создают с помощью инструментов рисования, расположенных в правой части окна карты. Можно создавать точки, многоугольники, линии, прямоугольники и окружности (собственно окружности не поддерживаются GeoJSON, фактически создается многоугольник с 64 вершинами). После создания объектов, к каждому из них можно добавить информацию, щелкнув на нем, отредактировав свойства элемента и нажав кнопку "Save". Файлы сохраняются в форматах GeoJSON, TopoJSON, CSV, KML, WKT и SHP.
Для редактирования геометрии нажмите кнопку редактирования (внизу панели инструментов рисования, см. видео). По умолчанию, выбраны все элементы. Щелкните мышью, чтобы выбрать нужный элемент или вершину. Вкладка Table в правой части окна позволяет добавлять/редактировать/удалять атрибуты данных.
Для настройки внешнего вида карты geojson.io поддерживает расширенную версию simplestyle-spec. У точечных объектов, помимо стандартных свойств
marker-color, marker-size и marker-symbol, имеется также свойство symbol-color, определяющее цвет символа.Наконец, у geojson.io есть API (см. вкладку Help), так что ряд операций с сервисом можно автоматизировать.
#tool
Тепловая съемка HotSat-1
Британская компания SatVu продемонстрировала снимки, сделанные принадлежащим ей спутником HotSat-1, запущенным 12 июня нынешнего года. HotSat-1 ведет съемку в средневолновом инфракрасном диапазоне с разрешением 3.5 м.
1️⃣ Лас-Вегас (шт. Невада, США). Асфальт и бетон на дорогах и парковках нагреты гораздо сильнее (оранжевый цвет), чем окружающая жилая застройка (синий цвет). Накопленное за день тепло медленно рассеивается ночью, делая и без того жаркие ночи еще менее комфортными для жителей.
2️⃣ Снимок Альбукерке (шт. Нью-Мексико, США) сделан ночью. Тепловая съемка позволяет сосчитать количество самолетов вокруг терминала, чего не удалось бы добиться при съемке в видимом диапазоне.
3️⃣ Кушинг (шт. Оклахома, США). Компании, желающие знать объем нефти в хранилищах, обычно используют съемку с беспилотников. Спутниковая тепловая съемка высокого разрешения дает возможность решить эту задачу, покрывая значительно большие площади.
4️⃣ На снимке, полученном 27 июля, видны активные фронты лесных пожаров в Канаде (Северо-Западные территории). Видеозапись места происшествия, которую позволяет сделать HotSat-1, можно использовать для прогноза скорости движения фронта и путей распространения огня.
5️⃣ Тепловой снимок акватории порта в городе Дарвин (Австралия) показывает, что поверхность океана нагрета сильнее, чем мангровые заросли.
#LST #снимки #UK
Британская компания SatVu продемонстрировала снимки, сделанные принадлежащим ей спутником HotSat-1, запущенным 12 июня нынешнего года. HotSat-1 ведет съемку в средневолновом инфракрасном диапазоне с разрешением 3.5 м.
1️⃣ Лас-Вегас (шт. Невада, США). Асфальт и бетон на дорогах и парковках нагреты гораздо сильнее (оранжевый цвет), чем окружающая жилая застройка (синий цвет). Накопленное за день тепло медленно рассеивается ночью, делая и без того жаркие ночи еще менее комфортными для жителей.
2️⃣ Снимок Альбукерке (шт. Нью-Мексико, США) сделан ночью. Тепловая съемка позволяет сосчитать количество самолетов вокруг терминала, чего не удалось бы добиться при съемке в видимом диапазоне.
3️⃣ Кушинг (шт. Оклахома, США). Компании, желающие знать объем нефти в хранилищах, обычно используют съемку с беспилотников. Спутниковая тепловая съемка высокого разрешения дает возможность решить эту задачу, покрывая значительно большие площади.
4️⃣ На снимке, полученном 27 июля, видны активные фронты лесных пожаров в Канаде (Северо-Западные территории). Видеозапись места происшествия, которую позволяет сделать HotSat-1, можно использовать для прогноза скорости движения фронта и путей распространения огня.
5️⃣ Тепловой снимок акватории порта в городе Дарвин (Австралия) показывает, что поверхность океана нагрета сильнее, чем мангровые заросли.
#LST #снимки #UK
HotSat 1 создан на базе спутниковой платформы Carbonite (версия DarkCarb), разработанной компанией SSTL. Съемка ведется в средневолновом инфракрасном диапазоне (3400–5000 нм) с пространственным разрешением 3.5 метра. Съемочная аппаратура позволяет записывать видео длительностью до 60 с (при 25 кадрах/c).
Изюминка спутника — использование средневолнового инфракрасного диапазона вместо теплового инфракрасного (8000–14000 нм). Это позволило сделать более дешевый сенсор. Вместе с тем, у разработчиков возникнут вопросы при переводе значений яркости, полученных на снимке, в температуру поверхности. Скорее всего, на снимках выше мы видели не температуру поверхности, а яркостную температуру.
SatVu планирует создать группировку из 8 спутников. Два из них будут находится на приполярной орбите, еще 6 — на так называемых Multisynchronous Inclined Orbits (поскольку съемка не зависит от условий освещенности, нет нужды ограничиваться солнечно-синхронными орбитами). Предполагается, что такая группировка обеспечит глобальное покрытие с периодом повторной съемки меньше 1 суток.
Данные тепловой съемки высокого разрешения очень востребованы. До сих пор лучшими из доступных были данные прибора ECOSTRESS, с разрешением около 70 метров. По сравнению с ними, HotSat-1 представляет собой огромный шаг вперед. Неудивительно, что еще перед запуском SatVu получила обязательства на сумму 100 млн. фунтов стерлингов от пользователей из Великобритании и других стран, которые планируют применять тепловые данные, собранные группировкой SatVu.
#LST
Изюминка спутника — использование средневолнового инфракрасного диапазона вместо теплового инфракрасного (8000–14000 нм). Это позволило сделать более дешевый сенсор. Вместе с тем, у разработчиков возникнут вопросы при переводе значений яркости, полученных на снимке, в температуру поверхности. Скорее всего, на снимках выше мы видели не температуру поверхности, а яркостную температуру.
SatVu планирует создать группировку из 8 спутников. Два из них будут находится на приполярной орбите, еще 6 — на так называемых Multisynchronous Inclined Orbits (поскольку съемка не зависит от условий освещенности, нет нужды ограничиваться солнечно-синхронными орбитами). Предполагается, что такая группировка обеспечит глобальное покрытие с периодом повторной съемки меньше 1 суток.
Данные тепловой съемки высокого разрешения очень востребованы. До сих пор лучшими из доступных были данные прибора ECOSTRESS, с разрешением около 70 метров. По сравнению с ними, HotSat-1 представляет собой огромный шаг вперед. Неудивительно, что еще перед запуском SatVu получила обязательства на сумму 100 млн. фунтов стерлингов от пользователей из Великобритании и других стран, которые планируют применять тепловые данные, собранные группировкой SatVu.
#LST
Ссылки по работе с пространственными данными в R
📢Новости: https://www.r-spatial.org
📚 Книги:
* Edzer Pebesma, Roger Bivand. Spatial Data Science
* Robin Lovelace, Jakub Nowosad, Jannes Muenchow. Geocomputation with R
* Тимофей Самсонов. Визуализация и анализ географических данных на языке R
* Robert Hijmans. Spatial Data Science with R and “terra”
* Taro Mieno. R as GIS for Economists
* Paula Moraga. Spatial Statistics for Data Science: Theory and Practice with R
* Manuel Gimond. Intro to GIS and Spatial Analysis
Мы не пытались составить полный список литературы, зато любой из этих книг достаточно для понимания того, как работать с пространственными данными в R, а первых четыре книги далеко выходят за пределы основ. У Hijmans’a и Самсонова есть разделы для начинающих изучать R “с нуля”.
Может показаться интересным сайт Michael Dorman'a. Автор читает курсы по работе с пространственными данными на R и на Python. Желающие могут сравнить.
✍🏻 В сообществе пользователей R существует традиция составления кратких тематических обзоров пакетов — CRAN Task Views. Эти обзоры помогают пользователям понять, какие пакеты подходят для решения их задач. По пространственным данным и их приложениям существуют обзоры:
* Analysis of Spatial Data
* Handling and Analyzing Spatio-Temporal Data
* Analysis of Ecological and Environmental Data
📝Агрегатор блогов, посвященных R: https://www.r-bloggers.com
Для ответов на конкретные вопросы есть Stack Overflow и Stack Exchange (особенно разделы https://gis.stackexchange.com/ и https://stats.stackexchange.com).
#R
📢Новости: https://www.r-spatial.org
📚 Книги:
* Edzer Pebesma, Roger Bivand. Spatial Data Science
* Robin Lovelace, Jakub Nowosad, Jannes Muenchow. Geocomputation with R
* Тимофей Самсонов. Визуализация и анализ географических данных на языке R
* Robert Hijmans. Spatial Data Science with R and “terra”
* Taro Mieno. R as GIS for Economists
* Paula Moraga. Spatial Statistics for Data Science: Theory and Practice with R
* Manuel Gimond. Intro to GIS and Spatial Analysis
Мы не пытались составить полный список литературы, зато любой из этих книг достаточно для понимания того, как работать с пространственными данными в R, а первых четыре книги далеко выходят за пределы основ. У Hijmans’a и Самсонова есть разделы для начинающих изучать R “с нуля”.
Может показаться интересным сайт Michael Dorman'a. Автор читает курсы по работе с пространственными данными на R и на Python. Желающие могут сравнить.
✍🏻 В сообществе пользователей R существует традиция составления кратких тематических обзоров пакетов — CRAN Task Views. Эти обзоры помогают пользователям понять, какие пакеты подходят для решения их задач. По пространственным данным и их приложениям существуют обзоры:
* Analysis of Spatial Data
* Handling and Analyzing Spatio-Temporal Data
* Analysis of Ecological and Environmental Data
📝Агрегатор блогов, посвященных R: https://www.r-bloggers.com
Для ответов на конкретные вопросы есть Stack Overflow и Stack Exchange (особенно разделы https://gis.stackexchange.com/ и https://stats.stackexchange.com).
#R
Европейская ракета-носитель Vega, успешно запущенная 9 октября в 01:36 UTC c космодрома Куру во Французской Гвиане, вывела на орбиту несколько интересных спутников:
🛰Таиландский спутник ДЗЗ Theos-2, созданный компанией Airbus Defence and Space. Аппарат массой 425 кг способен делать снимки поверхности планеты сверхвысокого разрешения — до 50 см.
🛰Эстонский 3U CubeSat — ESTCube-2. Планируемый срок службы спутника составляет 2,5 года. Последние полгода будет тестироваться “плазменный тормоз” — система увода спутника с орбиты, включающая проводящий трос длиной 50 метров и диаметром 50 микрометров. Таким образом, на полгода спутник должен превратиться в космическую тросовую систему. Про космические тросовые системы читайте здесь, здесь или здесь.
🛰Proba-V Companion CubeSat (Proba-V CC), разработанный бельгийской компанией Aerospacelab (съемочная аппаратура создана бельгийскими OIP Space Instruments и VITO research institute) — наследник знаменитого Proba-V. Это 12U CubeSat, который будет находится на орбите высотой 564 км. Более низкая орбита, по сравнению с оригинальным Proba-V, позволит достигнуть более высокого пространственного разрешения — 70 метров.
На снимках: эмблема миссии Proba-V CC и схема работы эстонского “плазменного тормоза”.
🛰Таиландский спутник ДЗЗ Theos-2, созданный компанией Airbus Defence and Space. Аппарат массой 425 кг способен делать снимки поверхности планеты сверхвысокого разрешения — до 50 см.
🛰Эстонский 3U CubeSat — ESTCube-2. Планируемый срок службы спутника составляет 2,5 года. Последние полгода будет тестироваться “плазменный тормоз” — система увода спутника с орбиты, включающая проводящий трос длиной 50 метров и диаметром 50 микрометров. Таким образом, на полгода спутник должен превратиться в космическую тросовую систему. Про космические тросовые системы читайте здесь, здесь или здесь.
🛰Proba-V Companion CubeSat (Proba-V CC), разработанный бельгийской компанией Aerospacelab (съемочная аппаратура создана бельгийскими OIP Space Instruments и VITO research institute) — наследник знаменитого Proba-V. Это 12U CubeSat, который будет находится на орбите высотой 564 км. Более низкая орбита, по сравнению с оригинальным Proba-V, позволит достигнуть более высокого пространственного разрешения — 70 метров.
На снимках: эмблема миссии Proba-V CC и схема работы эстонского “плазменного тормоза”.
Определены компании, заключившие контракты с NASA в рамках Commercial Smallsat Data Acquisition Program
2 октября NASA объявило о заключении контрактов с семью компаниями в рамках программы Commercial Smallsat Data Acquisition. В течение следующих пяти лет компании будут предоставлять ученым из NASA данные дистанционного зондирования, полученные разными методами в различных диапазонах длин волн. Общая стоимость контрактов составляет около 476 млн. долл.
Вот список компаний:
- Airbus DS Geo, дочерняя компания Airbus, занимающаяся сбором оптических данных;
- Capella Space, предоставляющая радарные снимки высокого разрешения;
- GHGSat, занимающаяся мониторингом выбросов парниковых газов с помощью гиперспектральных датчиков;
- Maxar Intelligence, занимающаяся оптической и радарной-съемкой;*
- PlanetIQ, получает данные о погоде, зондируя атмосферу радиозатменным методом с использованием GPS;
- Spire Global, занимающаяся мониторингом радиочастотных сигналов;
- Umbra Lab — еще одна американская компания, предоставляющая радарные снимки высокого разрешения.
Большинству из нас данные эти не помогут, так как доступ к ним ограничен. Заметим только, что число частных компаний стало больше по сравнению с предыдущим пятилетним периодом. По-видимому, тенденция к переходу на закупки данных высокого разрешения у частников, вместо их сбора собственными средствами, будет только усиливаться.
*Так в оригинале. Maxar получает радарные данные Umbra, но сам, насколько нам известно, такую съемку не осуществляет. Кроме того, аппараты Maxar с трудом подходят под определение “Smallsat”.
2 октября NASA объявило о заключении контрактов с семью компаниями в рамках программы Commercial Smallsat Data Acquisition. В течение следующих пяти лет компании будут предоставлять ученым из NASA данные дистанционного зондирования, полученные разными методами в различных диапазонах длин волн. Общая стоимость контрактов составляет около 476 млн. долл.
Вот список компаний:
- Airbus DS Geo, дочерняя компания Airbus, занимающаяся сбором оптических данных;
- Capella Space, предоставляющая радарные снимки высокого разрешения;
- GHGSat, занимающаяся мониторингом выбросов парниковых газов с помощью гиперспектральных датчиков;
- Maxar Intelligence, занимающаяся оптической и радарной-съемкой;*
- PlanetIQ, получает данные о погоде, зондируя атмосферу радиозатменным методом с использованием GPS;
- Spire Global, занимающаяся мониторингом радиочастотных сигналов;
- Umbra Lab — еще одна американская компания, предоставляющая радарные снимки высокого разрешения.
Большинству из нас данные эти не помогут, так как доступ к ним ограничен. Заметим только, что число частных компаний стало больше по сравнению с предыдущим пятилетним периодом. По-видимому, тенденция к переходу на закупки данных высокого разрешения у частников, вместо их сбора собственными средствами, будет только усиливаться.
*Так в оригинале. Maxar получает радарные данные Umbra, но сам, насколько нам известно, такую съемку не осуществляет. Кроме того, аппараты Maxar с трудом подходят под определение “Smallsat”.
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
Снимки c японского зонда SLIM
Японский зонд SLIM (Smart Lander for Investigating Moon), запущенный к Луне 7 сентября нынешнего года, 30 сентября покинул околоземную орбиту, сделав перед этим снимок Земли 1️⃣ с расстояния около 100 тысяч километров. Снимок был получен в рамках тестирования бортовой камеры зонда.
Утром 4 октября SLIM совершил первый облет Луны, сфотографировав ее 2️⃣.
Посадка зонда на лунную поверхность запланирована на 2024 год. SLIM должен совершить посадку в 300-метровом ударном кратере Шиоли (Shioli) на видимой стороне Луны, на 13° южной широты. Зонд должен доставить на поверхность Луны два небольших лунохода: LEV-1 и LEV-2.
Следить за полетом SLIM можно в:
* SLIM Special Site
* X: @SLIM_JAXA
Японский зонд SLIM (Smart Lander for Investigating Moon), запущенный к Луне 7 сентября нынешнего года, 30 сентября покинул околоземную орбиту, сделав перед этим снимок Земли 1️⃣ с расстояния около 100 тысяч километров. Снимок был получен в рамках тестирования бортовой камеры зонда.
Утром 4 октября SLIM совершил первый облет Луны, сфотографировав ее 2️⃣.
Посадка зонда на лунную поверхность запланирована на 2024 год. SLIM должен совершить посадку в 300-метровом ударном кратере Шиоли (Shioli) на видимой стороне Луны, на 13° южной широты. Зонд должен доставить на поверхность Луны два небольших лунохода: LEV-1 и LEV-2.
Следить за полетом SLIM можно в:
* SLIM Special Site
* X: @SLIM_JAXA
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
Forwarded from KIAM & ISON (♠️)
🔭Минувшей ночью специалисты Международной сети оптических телескопов сопровождали на отлетной траектории межпланетный зонд «Психея», направляющийся к одноименному астероиду, и верхнюю ступень ракеты-носителя «Фэлкон Хэви» (на снимках этот объект - более яркий).
Вы спросите, при чем тут энстатитовые хондриты? 🥸
📸Снимки получены 22-см телескопом в Кастельгранде (С. Шмальц) и 20-см телескопом в Кочеванчике (Е. Ромас)
Вы спросите, при чем тут энстатитовые хондриты? 🥸
📸Снимки получены 22-см телескопом в Кастельгранде (С. Шмальц) и 20-см телескопом в Кочеванчике (Е. Ромас)
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