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

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

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”.

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

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

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

Рисунок 1️⃣ приблизительно показывает глубину проникновения в воду света с разной длиной волны. В целом, глубина проникновения света уменьшается с увеличением длины волны.

Приблизительно — потому что не указана степень затухания света, для которой считается, что он полностью исчез. Во сколько раз при этом должна уменьшиться интенсивность света на глубине по сравнению с поверхностью? Например, уменьшение интенсивности света в 1000 раз по сравнению с поверхностью для красного света достигается на глубине 10–11 м, для синего — на глубине 160 м. Ультрафиолетовые лучи проникают в воду еще глубже, до глубин около 1000 м.

Эксперимент “Напор-миниРСА” — радарная съемка с борта МКС

Очередной плановый выход в открытый космос по российской программе с борта МКС намечен на 25 октября 2023 года. Его совершат участники 70-й длительной экспедиции космонавты Олег Кононенко и Николай Чуб.

Одна из плановых задач выхода — установка на модуле “Наука” радара для наблюдения земной поверхности. Радар был доставлен на станцию в феврале нынешнего года. Его планируется протестировать в рамках эксперимента “Напор-миниРСА”, разработанного РКК “Энергия”,

Помимо запланированных задач, космонавтам предстоит осмотреть и сфотографировать место утечки на дополнительном радиационном теплообменнике на модуле “Наука” для выяснения специалистами на Земле причин ее возникновения.

Отметим, что эксперимент с тем же названием проводился на станции в 2014 году. В тот раз цель состояла в отработке системы оптических телескопов для получения и передачи на наземные приемные станции видеоизображений подстилающей поверхности Земли, в том числе — получение видеоизображений тестовых участков, синхронных с радиолокационными (радарными). В эксперименте 2014 года оптическая съемочная аппаратура принадлежала канадской компании UrtheCast (сейчас — EarthDaily).

#SAR #россия

16 и 17 октября — cессия “Ближний Космос (Дальнее Небо)“

16 и 17 октября в Москве проходит сессия “Ближний Космос (Дальнее Небо)“, проводимая АНО “Агентство стратегических инициатив по продвижению новых проектов” совместно с АНО “Платформа НТИ”.

Сообщается, что “В рамках сессии состоится совместное уточнение целевой архитектуры освоения неба, задействующей тропосферу, стратосферу и ближний космос (низкие и критически низкие орбиты), а также интеграция перспективных космических систем и сервисов компаний частного космоса в целевую архитектуру”.

Коллеги из тг-каналов Образование Будущего и Alice in Wonder New Space посетили первый день мероприятия и рассказывают много интересно. На рисунке — карта специализаций российских частных компаний, работающих в космонавтике.

#конференции

Неудача при выводе двух попутных полезных нагрузок миссии Vega VV23

European Spaceflight сообщает, что пара попутных полезных нагрузок миссии Vega VV23 — CubeSat’ы ESTCube-2 и ANSER-Leader — не отделились от своих пусковых контейнеров и сгорели вместе с последней ступенью ракеты-носителя при входе в атмосферу Земли.

Европейская ракета-носитель Vega была успешно запущена 9 октября в 01:36 UTC c космодрома Куру во Французской Гвиане. В качестве основной полезной нагрузки она вывела на орбиту спутники THEOS-2 и FORMOSAT-7R/TRITON. Попутной полезной нагрузкой являлись десять CubeSat'ов, восемь из которых отделились успешно.

На спутнике ESTCube-2, созданном Эстонским фондом студенческих спутников, планировали провести эксперимент по уводу спутника с орбиты с помощью электропроводной космической тросовой системы.

ANSER-Leader — один из трех аппаратов ANSER, которы, вместе с ANSER-Follower 1 и ANSER-Follower 2, запускался данной миссией. Все ANSER’ы созданы испанским Национальным институтом аэрокосмической техники (INTA).

Заметим, что NORAD идентифицировал ANSER-Leader и внес его в свой каталог с номером 58018. Так что, возможно, речь идет о другом спутнике.