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
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.
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
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
Основные пакеты R для работы с пространственными данными
Пространственные данные (spatial data)* — это данные, имеющие географическую привязку, а именно:
🌍 дискретные объекты с четкими границами: река, дорога, город, страна. Это — векторные данные. Они состоят из описания геометрии объектов и дополнительных переменных (атрибутов).
🌍 непрерывные объекты, не имеющие естественных границ: температура, высота над уровнем моря, концентрация вещества. Это — растровые данные.
Векторные данные
sf — основной пакет для работы с векторными данными. Реализует simple features в виде таблицы (
sp — был основным до появления
Растровые данные
terra — основной пакет R для работы с растровыми данными. Реализует чтение/запись, обработку и анализ пространственных данных, как растровых так и векторных. Поддерживает векторные данные в форматах
stars (Spatiotemporal Arrays, Raster and Vector Data Cubes) — чтение/запись, обработка и визуализация пространственно-временных массивов данных (растровых и векторных дата-кубов) средствами GDAL. В первую очередь, предназначен для работы со спутниковыми снимками.
Есть в stars, но нет в terra:
* нерастровые временные ряды
* временные ряды мультиатрибутных растров
* растры с атрибутами смешанного типа (например, числовой, логический, факторный, POSIXct)
* криволинейные растры
* Их еще называют геопространственными (geospatial) данными или геоданными.
#R
Пространственные данные (spatial data)* — это данные, имеющие географическую привязку, а именно:
🌍 дискретные объекты с четкими границами: река, дорога, город, страна. Это — векторные данные. Они состоят из описания геометрии объектов и дополнительных переменных (атрибутов).
🌍 непрерывные объекты, не имеющие естественных границ: температура, высота над уровнем моря, концентрация вещества. Это — растровые данные.
Векторные данные
sf — основной пакет для работы с векторными данными. Реализует simple features в виде таблицы (
data.frame) с дополнительным столбцом для хранения геометрической информации. Поддерживает интерфейсы с GEOS, GDAL, PRØJ, обмен данных с географическими базами данных (PostGIS) с помощью DBI и многое другое.sp — был основным до появления
sf. Реализует классы: Spatial*, Spatial*DataFrame (* — Point, Line, Polygon). На sp завязано множество пакетов по работе с пространственными данными, поэтому он регулярно обновляется. Список соответствия функций sp и sf. Растровые данные
terra — основной пакет R для работы с растровыми данными. Реализует чтение/запись, обработку и анализ пространственных данных, как растровых так и векторных. Поддерживает векторные данные в форматах
sf и sp. Руководство по terra. В сети также часто упоминается пакет raster — это предшественник terra, у них один автор и во многом сходный интерфейс, но terra работает намного быстрее.stars (Spatiotemporal Arrays, Raster and Vector Data Cubes) — чтение/запись, обработка и визуализация пространственно-временных массивов данных (растровых и векторных дата-кубов) средствами GDAL. В первую очередь, предназначен для работы со спутниковыми снимками.
Есть в stars, но нет в terra:
* нерастровые временные ряды
* временные ряды мультиатрибутных растров
* растры с атрибутами смешанного типа (например, числовой, логический, факторный, POSIXct)
* криволинейные растры
* Их еще называют геопространственными (geospatial) данными или геоданными.
#R
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
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.
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.
Forwarded from Госкорпорация «Роскосмос»
В Сочи продолжается конференция «Цифровая реальность: космические и пространственные данные, технологии обработки». Сегодня представители Роскосмоса провели две секции, на которых обсуждались данные ДЗЗ из космоса и сервисы на их основе.
Секцию «Космические данные ДЗЗ» модерировал заместитель директора департамента автоматических космических комплексов, систем навигации и ДЗЗ Госкорпорации Валерий Заичко. Он подчеркнул, что Роскосмос активно взаимодействует с коммерческими компаниями и ведёт системную работу по совершенствованию законодательства в части использования данных ДЗЗ.
В ходе этого заседания были заслушаны доклады других представителей Госкорпорации, а также компаний НПК «БАРЛ», «Газпром СПКА» и СПУТНИКС.
Модератором секции «Космические данные ДЗЗ. Сервисы» выступил Максим Болтачев, генеральный директор «Терра Тех» (входит в Роскосмос). Он рассказал о развитии российского рынка сервисов на основе ДЗЗ.
Подробности — на сайте!
Секцию «Космические данные ДЗЗ» модерировал заместитель директора департамента автоматических космических комплексов, систем навигации и ДЗЗ Госкорпорации Валерий Заичко. Он подчеркнул, что Роскосмос активно взаимодействует с коммерческими компаниями и ведёт системную работу по совершенствованию законодательства в части использования данных ДЗЗ.
В ходе этого заседания были заслушаны доклады других представителей Госкорпорации, а также компаний НПК «БАРЛ», «Газпром СПКА» и СПУТНИКС.
Модератором секции «Космические данные ДЗЗ. Сервисы» выступил Максим Болтачев, генеральный директор «Терра Тех» (входит в Роскосмос). Он рассказал о развитии российского рынка сервисов на основе ДЗЗ.
Подробности — на сайте!
Vegetation Health Index
1. VCI
Сегодня мы научимся рассчитывать индекс здоровья растительности — Vegetation Health Index (VHI) — на основе индексов температурного режима (Temperature Condition Index, TCI) и состояния растительности (Vegetation Condition Index, VCI), используя Google Earth Engine.
Все три индекса — VCI, TCI и VHI — служат косвенными показателями засухи, изменения климата и общего состояния растительности. Они показывают, насколько текущие показатели отличаются от типичных для данной местности в это время года.
Код скрипта
Начнем с указания области интереса и периода наблюдений: Смоленская и Брянская области России, а также сопредельная территория Республики Беларусь, июнь 2023 года. Область интереса можно создать в GEE при помощи Инспектора (Inspector) или построить в geojson.io и скопировать координаты в свой код.
Индекс состояния растительности VCI (мы уже касались его здесь) оценивает текущее значение NDVI в сравнении с диапазоном значений NDVI, наблюдавшихся в тот же период в предыдущие годы. VCI показывает, где находится текущее значение между минимальным и максимальным значениями NDVI прошлых лет:
VCI = (NDVI – NDVI_min) / (NDVI_max – NDVI_min)
Чем выше VCI, тем лучше состояние растительности. Как правило, VCI изменяется в пределах от 0 до 1, но если текущий NDVI окажется меньше минимального или больше максимального, то мы получим значения ниже 0 и выше 1 соответственно.
Для значений NDVI возьмем коллекцию MOD13Q1.061 Terra Vegetation Indices 16-Day Global 250m и выберем из нее канал NDVI
Пройдем по коллекции, рассчитывая VCI с помощью функции:
#GEE #индексы
1. VCI
Сегодня мы научимся рассчитывать индекс здоровья растительности — Vegetation Health Index (VHI) — на основе индексов температурного режима (Temperature Condition Index, TCI) и состояния растительности (Vegetation Condition Index, VCI), используя Google Earth Engine.
Все три индекса — VCI, TCI и VHI — служат косвенными показателями засухи, изменения климата и общего состояния растительности. Они показывают, насколько текущие показатели отличаются от типичных для данной местности в это время года.
Код скрипта
Начнем с указания области интереса и периода наблюдений: Смоленская и Брянская области России, а также сопредельная территория Республики Беларусь, июнь 2023 года. Область интереса можно создать в GEE при помощи Инспектора (Inspector) или построить в geojson.io и скопировать координаты в свой код.
Индекс состояния растительности VCI (мы уже касались его здесь) оценивает текущее значение NDVI в сравнении с диапазоном значений NDVI, наблюдавшихся в тот же период в предыдущие годы. VCI показывает, где находится текущее значение между минимальным и максимальным значениями NDVI прошлых лет:
VCI = (NDVI – NDVI_min) / (NDVI_max – NDVI_min)
Чем выше VCI, тем лучше состояние растительности. Как правило, VCI изменяется в пределах от 0 до 1, но если текущий NDVI окажется меньше минимального или больше максимального, то мы получим значения ниже 0 и выше 1 соответственно.
Для значений NDVI возьмем коллекцию MOD13Q1.061 Terra Vegetation Indices 16-Day Global 250m и выберем из нее канал NDVI
var NDVI = ee.ImageCollection('MODIS/061/MOD13Q1').select('NDVI');Пройдем по коллекции, рассчитывая VCI с помощью функции:
function calcVCI(image) {
var date = image.date();
var history = NDVI.filterDate('2000-01-01', ee.Date.fromYMD(date.get('year').subtract(1), 1, 1));
var min = history.min();
var max = history.max();
var vci = image.subtract(min).divide(max.subtract(min));
return vci.rename('VCI').copyProperties(image, ['system:time_start','system:time_end']);
}#GEE #индексы
Vegetation Health Index
2. TCI
Индекс температурного режима TCI позволяет сравнить текущее значение температуры поверхности суши (land surface temperature, LST) с диапазоном значений, наблюдавшихся в тот же период в предыдущие годы. Индекс показывает, где находится наблюдаемое значение температуры поверхности относительно крайних значений (минимума и максимума) в предыдущие годы:
TCI = (LST_max – LST) / (LST_max – LST_min)
Низкие значения TCI показывают, что температура поверхности близка к максимальной для данной местности, а высокие — что к минимальной. Диапазон изменений TCI — от 0 до 1, с теми же оговорками, что и для VCI.
Температуру берем из коллекции MOD11A2.061 Terra Land Surface Temperature and Emissivity 8-Day Global 1km
Периодичность данных в коллекциях отличается: NDVI вычисляется каждые 16 суток, а LST — каждые 8 суток. Нам нужно получать данные LST каждые 16 суток. Для этого мы перебираем снимки MOD11A2, сделанные за период создания одного композита NDVI (16 суток) и вычисляем среднее значение LST с помощью
После этого, рассчитываем TCI аналогично VCI.
Как видно из рисунка, июнь выдался жарким, хотя и не рекордным.
#GEE #индексы
2. TCI
Индекс температурного режима TCI позволяет сравнить текущее значение температуры поверхности суши (land surface temperature, LST) с диапазоном значений, наблюдавшихся в тот же период в предыдущие годы. Индекс показывает, где находится наблюдаемое значение температуры поверхности относительно крайних значений (минимума и максимума) в предыдущие годы:
TCI = (LST_max – LST) / (LST_max – LST_min)
Низкие значения TCI показывают, что температура поверхности близка к максимальной для данной местности, а высокие — что к минимальной. Диапазон изменений TCI — от 0 до 1, с теми же оговорками, что и для VCI.
Температуру берем из коллекции MOD11A2.061 Terra Land Surface Temperature and Emissivity 8-Day Global 1km
var LST = ee.ImageCollection('MODIS/061/MOD11A2').select('LST_Day_1km');Периодичность данных в коллекциях отличается: NDVI вычисляется каждые 16 суток, а LST — каждые 8 суток. Нам нужно получать данные LST каждые 16 суток. Для этого мы перебираем снимки MOD11A2, сделанные за период создания одного композита NDVI (16 суток) и вычисляем среднее значение LST с помощью
ee.ImageCollection.mean().function convert_lst_dates_to_modis_dates(ndvimg) {
var start = ndvimg.get('system:time_start');
var end = ndvimg.get('system:time_end');
var composite = LST.filterDate(start, end).mean();
return composite
.set('system:time_start', start)
.set('date', ee.Date(start).format())
.set('system:time_end', end)
.set('empty', composite.bandNames().size().eq(0));
}После этого, рассчитываем TCI аналогично VCI.
Как видно из рисунка, июнь выдался жарким, хотя и не рекордным.
#GEE #индексы
Vegetation Health Index
3. Объединение коллекций и вычисление VHI
Теперь, зная VCI и TCI, мы можем объединить эти коллекции для расчета VHI. Последний вычисляется по формуле:
VHI = α * VCI + (1 - α) * TCI,
то есть является взвешенным средним значений VCI и TCI. Повышенная температура и плохое состояние растительности (низкий NDVI) являются признаками наступившей засухи, что вполне логично.
Для простоты, примем α = 0.5.
Объединяем коллекции изображений VCI и TCI, и вычисляем VHI, как показано здесь
Код выполняет левое внешнее объединение коллекций VCI и TCI с помощью функции
К полученной коллекции применяется функция
После этого выполняем еще один
В итоге, получим коллекцию изображений, каждое из которых содержит каналы VCI, TCI и VHI.
Код скрипта
Индексы VCI и TCI предложены Феликсом Коганом в работе: Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15(11), 91–100. https://doi.org/10.1016/0273-1177(95)00079-t Там же была предложена формула для вычисления VHI, хотя название индекса Коган придумал позже.
Первоначально, индексы использовались для наблюдений, сделанных прибором AVHRR — Advance Very High Resolution Radiometer, летавшим на спутниках семейств GOES, METEOSAT, MTSAT и DMSP. Сейчас эти данные находятся на странице STAR - Global Vegetation Health Products. Они являются глобальными, начинаются с 1981 года, имеют пространственное разрешение 4 км (Very High Resolution того времени!) и используются в виде 7-суточного композита.
#GEE #индексы
3. Объединение коллекций и вычисление VHI
Теперь, зная VCI и TCI, мы можем объединить эти коллекции для расчета VHI. Последний вычисляется по формуле:
VHI = α * VCI + (1 - α) * TCI,
то есть является взвешенным средним значений VCI и TCI. Повышенная температура и плохое состояние растительности (низкий NDVI) являются признаками наступившей засухи, что вполне логично.
Для простоты, примем α = 0.5.
Объединяем коллекции изображений VCI и TCI, и вычисляем VHI, как показано здесь
var filter = ee.Filter.equals({leftField:'system:time_start', rightField:'system:time_start'});
var join = ee.Join.saveFirst('match');
var bothCol = ee.ImageCollection(join.apply({primary: VCI,
secondary: TCI,
condition: filter}))
.map(function(img) { return img.addBands(img.get('match')).set('date', img.date().format('YYYY_MM_dd')) });
var VHI = bothCol.map(function(img){
return img.addBands(
img.expression('a/2 + b/2', {
'a': img.select('VCI'),
'b': img.select('TCI'),
}).rename('VHI'));
}
);Код выполняет левое внешнее объединение коллекций VCI и TCI с помощью функции
ee.Join.saveFirst(). В результате создается коллекция, содержащая пары изображений VCI и TCI, у которых совпадают свойства 'system:time_start'.К полученной коллекции применяется функция
map(). Она используется для добавления к каждому изображению нового канала (ee.Image.addBands()), содержащего совпадающее изображение из другой коллекции. Используем ee.Image.get() для получения совпадающего изображения.После этого выполняем еще один
map(), чтобы вычислить VHI с помощью ee.Image.expression(). В итоге, получим коллекцию изображений, каждое из которых содержит каналы VCI, TCI и VHI.
Код скрипта
Индексы VCI и TCI предложены Феликсом Коганом в работе: Kogan, F. N. (1995). Application of vegetation index and brightness temperature for drought detection. Advances in Space Research, 15(11), 91–100. https://doi.org/10.1016/0273-1177(95)00079-t Там же была предложена формула для вычисления VHI, хотя название индекса Коган придумал позже.
Первоначально, индексы использовались для наблюдений, сделанных прибором AVHRR — Advance Very High Resolution Radiometer, летавшим на спутниках семейств GOES, METEOSAT, MTSAT и DMSP. Сейчас эти данные находятся на странице STAR - Global Vegetation Health Products. Они являются глобальными, начинаются с 1981 года, имеют пространственное разрешение 4 км (Very High Resolution того времени!) и используются в виде 7-суточного композита.
#GEE #индексы
Напомним, что проекты и примеры кода, не вошедшие в учебник по Google Earth Engine, находятся здесь. Всё вместе можно найти по тегу #GEE
Forwarded from РИА Новости
This media is not supported in your browser
VIEW IN TELEGRAM
Облако пепла от извергающегося вулкана Безымянный на Камчатке видно из космоса. Последствий для главного аэропорта Камчатки - "Елизово" - быть не должно, всё работает штатно, рассказали РИА Новости в воздушной гавани
На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA
О данных Harmonized Landsat Sentinel-2 (HLS) на канале говорилось уже не раз (например, здесь и здесь). HLS — это попытка объединить данные нескольких сенсоров, а именно: Landsat 8 OLI, Landsat 9 OLI-2 и Sentinel-2A/2B MSI. Вместе они позволят проводить глобальные наблюдения с периодичностью 2–3 суток.
Для получения бесшовных продуктов HLS на основе данных OLI и MSI используется набор алгоритмов, включающий атмосферную коррекцию, маскировку облаков и теней, корегистрацию, топографическую коррекцию и коррекцию угла съемки, а также радиометрическое выравнивание снимков. Ссылки на алгоритмы есть здесь.
Данные HLS существуют в двух уровнях обработки: Top of Atmosphere (уровень 1) и Surface Reflectance (уровень 2). Все данные имеют пространственное разрешение 30 метров.
Раньше данные HLS можно было найти на NASA Earthdata Search и Sentinel Hub EO Browser. И вот теперь к ним добавился Google Earth Engine.
Продукт HLSL30: HLS-2 Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m — это скорректированные данные 1-го уровня обработки, полученные на основе сенсоров спутников Landsat. Чтобы добиться периодичности 2–3 суток, их нужно дополнить аналогичными данными Sentinel-2, но пока таких данных на GEE нет.
Временное покрытие данных HLS начинается с момента запуска Landsat 8, то есть с 2013 года.
Сейчас данные только начали размещать на GEE. Так, за лето нынешнего года по всему миру нам удалось найти всего 2101 снимков 1️⃣ (код), покрывающих часть территории Бразилии, Индии, Юго-Восточной Азии и островов Тихого океана. Закончить размещение данных планируется до конца года.
#GEE #sentinel2 #landsat #данные
О данных Harmonized Landsat Sentinel-2 (HLS) на канале говорилось уже не раз (например, здесь и здесь). HLS — это попытка объединить данные нескольких сенсоров, а именно: Landsat 8 OLI, Landsat 9 OLI-2 и Sentinel-2A/2B MSI. Вместе они позволят проводить глобальные наблюдения с периодичностью 2–3 суток.
Для получения бесшовных продуктов HLS на основе данных OLI и MSI используется набор алгоритмов, включающий атмосферную коррекцию, маскировку облаков и теней, корегистрацию, топографическую коррекцию и коррекцию угла съемки, а также радиометрическое выравнивание снимков. Ссылки на алгоритмы есть здесь.
Данные HLS существуют в двух уровнях обработки: Top of Atmosphere (уровень 1) и Surface Reflectance (уровень 2). Все данные имеют пространственное разрешение 30 метров.
Раньше данные HLS можно было найти на NASA Earthdata Search и Sentinel Hub EO Browser. И вот теперь к ним добавился Google Earth Engine.
Продукт HLSL30: HLS-2 Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m — это скорректированные данные 1-го уровня обработки, полученные на основе сенсоров спутников Landsat. Чтобы добиться периодичности 2–3 суток, их нужно дополнить аналогичными данными Sentinel-2, но пока таких данных на GEE нет.
Временное покрытие данных HLS начинается с момента запуска Landsat 8, то есть с 2013 года.
Сейчас данные только начали размещать на GEE. Так, за лето нынешнего года по всему миру нам удалось найти всего 2101 снимков 1️⃣ (код), покрывающих часть территории Бразилии, Индии, Юго-Восточной Азии и островов Тихого океана. Закончить размещение данных планируется до конца года.
#GEE #sentinel2 #landsat #данные
This media is not supported in your browser
VIEW IN TELEGRAM
Satellites.pro — это свободный агрегатор спутниковых изображений и карт. Он позволяет выбирать данные из нескольких источников:
* Apple Maps
* OpenStreetMap
* Google Maps
* Yandex Maps
Все они, кроме OpenStreetMap, доступны в вариантах Satellite View (спутниковые изображения) и Plan (карта). OpenStreetMap предоставляет только карты.
Satellites.pro сообщает информацию о погоде и ее прогноз в рассматриваемом районе. Для этого, щелкните на значке погоды, в левой нижней части экрана.
Здесь находится Python-пакет для выкачивания данных из satellites.pro. Нами в работе не тестировался.
#данные
* Apple Maps
* OpenStreetMap
* Google Maps
* Yandex Maps
Все они, кроме OpenStreetMap, доступны в вариантах Satellite View (спутниковые изображения) и Plan (карта). OpenStreetMap предоставляет только карты.
Satellites.pro сообщает информацию о погоде и ее прогноз в рассматриваемом районе. Для этого, щелкните на значке погоды, в левой нижней части экрана.
Здесь находится Python-пакет для выкачивания данных из satellites.pro. Нами в работе не тестировался.
#данные
14 октября 2023 года произошло кольцеобразное солнечное затмение, наблюдавшееся на территории США, Центральной Америки, Колумбии и Бразилии.
Кольцеобразные солнечные затмения — самый редкий вид затмений. На их долю приходится всего 5% затмений. Кольцеобразные затмения случаются, когда лунный диск проецируется на солнечный и, имея видимый угловой диаметр меньше последнего, не закрывает Солнце целиком, а оставляет узкое, не затмившееся яркое красно-оранжевое кольцо (рисунок 1️⃣).
На снимке 2️⃣, полученном прибором EPIC спутника DSCOVR (Deep Space Climate Observatory) в 16:58 по всемирному времени, видно, как тень от Луны падает на юго-восточное побережье Техаса.
#снимки
Кольцеобразные солнечные затмения — самый редкий вид затмений. На их долю приходится всего 5% затмений. Кольцеобразные затмения случаются, когда лунный диск проецируется на солнечный и, имея видимый угловой диаметр меньше последнего, не закрывает Солнце целиком, а оставляет узкое, не затмившееся яркое красно-оранжевое кольцо (рисунок 1️⃣).
На снимке 2️⃣, полученном прибором EPIC спутника DSCOVR (Deep Space Climate Observatory) в 16:58 по всемирному времени, видно, как тень от Луны падает на юго-восточное побережье Техаса.
#снимки
Учебники проекта SEOS
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы