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

Функции

Функция — это фрагмент кода, предназначенный для решения какой-либо конкретной задачи. Мы уже знакомы с большим количеством готовых функций R, а теперь научимся создавать функции сами.

Синтаксис функции имеет вид:

имя <- function(список_аргументов) {
  тело функции
}

Например:

sqr <- function(x) {
  x^2
}

или

sqr <- function(x) x^2

Вызов функции по имени:

sqr(2)

Обратите внимание, что присваивание имени функции выглядит так же, как присваивание значения переменной. И действительно, переменная sqr относится к классу функций ("function"):

class(sqr)

Имя функции без круглых скобок возвращает код функции.

Можно создавать анонимные функции:

(function(x) x^2)(3)

Список аргументов функции может быть пуст, тогда после имени функции указываются лишь круглые скобки ().

Можно задавать значения аргументов по умолчанию в виде x = a, y = b и т. д. Обратите внимание: для присваивания значений аргументов используется только знак равенства, стрелка <- тут недопустима.

Список аргументов переменной длины формируется добавлением многоточия ... в конце списка. Так открывается широкий простор для создания функций-"оберток".

Пусть нам нужна функция, строящая графики линиями красного цвета. Создадим функцию-обертку вокруг plot, то есть функцию, основу которой составляет plot, но с некоторыми "доработками" — в данном случае, с фиксированным значением параметра цвета (col):

plot.red <- function(x, y, ...) {
  plot(x, y, col = "red", ...)
}

Вот как это работает:

x <- seq(-pi,pi,.1)
y <- sin(x)
plot.red(x,y)

По умолчанию, функция возвращает значение, вычисленное в последней строке ее кода. Кроме того, для возвращения значений можно использовать return().

Функции в R могут возвращать несколько объектов, относящихся к разным типам данных. Такие объекты нужно предварительно “завернуть” в список:

sqr <- function(x) {
  val <- x^2
  txt <- "Squaring"
  ret <- list(value=val,text=txt)
  return(ret)
}
sqr(2)

Созданные внутри функции переменные являются локальными, то есть их значения доступны (видимы) только внутри данной функции или вложенных в нее функций. Соответственно и функция "видит" переменные, заданные вне ее пределов:

a <- 5

foo <- function() {
  b <- 10  # локальная переменная foo
  a <- 3
  print(a) # foo видит a
  print(b) # foo видит b
}

foo()
# a в основной программе не изменилась
print(a)
# b в основной программе не определена
print(b)

Хотя a задана вне функции и не передается в нее через входные параметры, функция все равно видит эту переменную 1️⃣. Изменения внешних переменных внутри функции не сказываются на значении этих переменных по выходе из функции.

Области видимости вкладываются друг в друга 2️⃣.

Глобальные переменные внутри функции можно задать при помощи специального оператора присваивания <<-:

foo <- function() {
   b <<- 10
}
foo()
# теперь b видима из основной программы
b

Локальность и глобальность считается по отношению к конкретному окружению. Так, в следующем примере функция g() является глобальной по отношению к h():

g <- function(x) {
  h <- function(x) {x-1}
  print(environment(h))
  print(h(x))
  return(x+1)
}
g(2)

#R

Функциональное программирование

По сути, R является языком функционального программирования. Практически все в нем делается при помощи функций. Например, элементы векторов выбираются при помощи функции-квадратной скобки:

x <- c(1,2,3)
x[1] 

Ничего необычного? Тогда запишем функцию-квадратную скобку в “более функциональном" виде:

`[`(x,1)

За следующей записью:

`+`(1,`*`(2,3))

кроется обычное

1+2*3

а операцию присваивания можно выполнить так:

assign("a",1)

В качестве примера создадим оператор +=, которого нет в базовом R:

`%+=%` <- function(o1,o2) eval.parent(substitute(o1 <- o1 + o2))

x <- 1
x %+=% 2

Внутри новый оператор остается функцией.

Возможности функций в R огромны, мы лишь намекнули на них. Подробности можно найти во второй части книги Хэдли Уикэма: Wickam H. Advanced R. — CRC Press, 2015.

#R

Рассказ про основы языка R в целом закончен. Дальше будет (наконец-то!) про пространственные данные, но уже не в таком интенсивном темпе.

В этот день, в 1957 году, в СССР запущен второй искусственный спутник Земли, по западной классификации «Спутник-2», с собакой Лайкой на борту.

Успешные испытания китайской многоразовой коммерческой ракеты Hyperbola-2

Частная китайская компания iSpace провела успешное испытание многоразовой ракеты Hyperbola-2. Первая возвращаемая ступень ракеты поднялась на высоту 178,4 м и мягко опустилась на землю с точностью 1,7 м.

Двухступенчатая ракета Hyperbola-2 работает на жидком топливе: метане и кислороде. Предполагается, что она сможет доставлять на низкую околоземную орбиту до 1,9 тонн груза. Кроме этого, удачные технологические решения, отработанные на Hyperbola-2, будут использованы на более крупной многоразовой ракете Hyperbola-3.

Hyperbola-3 в конфигурации с двумя ускорителями должна выводить на низкую околоземную орбиту до 8,5 тонн полезной нагрузки. Старт Hyperbola-3 намечен на 2025 год.

#китай

https://youtu.be/7zAyma-B1EQ
Евгений Бабичев, ветеран космодрома Плесецк, к.и.н., рассказывает о космической фоторазведке США 1950-60-х годов XX века:
- зарождение в США интереса к разведке из космоса, мотивы, факторы и обломки U-2;
- программа WS-117L, эволюция подходов;
- секретность, легендирование и реорганизации;
- о фобиях и буржуинском патриотизме;
- тернистый путь программы Corona к успеху;
- о «ведре», Белке и Стрелке;
- создание NRO – как итог начального этапа развития космической разведки США.

Поддержи наши проекты: http://tacticmedia.ru/donate/
Ранний доступ к нашим новостям и видео: https://sponsr.ru/tacticmedia/
Tacticmedia Вконтакте: https://vk.com/tacticmedia
Телеграмм: https://yangx.top/TacticMedia_Official
Дзен: https://zen.yandex.ru/tacticmedia
Rutube: https://rutube.ru/channel/23606772/

Reuters опубликовало забавную статью — Climate's 'Catch-22': Cutting pollution heats up the planet — про то как борьба с загрязнением атмосферы якобы усиливает глобальное потепление.

Борьба с загрязнением атмосферы, ведущаяся в Китае на протяжении последнего десятилетия, позволила сократить выбросы диоксида серы (SO2) почти на 90%: в “рекордном” 2006 году объем выбросов SO2 в Китае составил 26 млн. тонн, а к 2021 году он сократился до 2,7 млн. тонн. Принятые меры позволили продлить жизни сотням тысяч людей, чьи проблемы со здоровьем вызваны загрязнением атмосферы.

Вместе с тем оказалось, что средняя температура в Китае, начиная с 2014 года, повысилась на 0,7°С. Предположительно, произошло это из-за того, что атмосфера лишилась части аэрозольного щита, рассеивающего и отражающего солнечную радиацию. Если это так, то попытка очистить воздух привела в итоге к усилению потепления климата.

Связь между сокращением выбросов диоксида серы и потеплением была отмечена МГЭИК в докладе 2021 года, где было указано что без аэрозольного щита, создаваемого загрязнением SO2, средняя глобальная температура поднялась бы на 1,6°С по сравнению с доиндустриальным уровнем. То есть попытка ограничить потепление 1,5°С уже была бы провалена.

Итак, не бороться с загрязнением атмосферы нельзя, поскольку оно напрямую угрожает здоровью людей. Но и перспектива глобального потепления тоже не радует. Что же делать?

Предлагается еще активнее сокращать выбросы парниковых газов, в первую очередь, метана. По данным МГЭИК, по состоянию на 2019 год, метан вызвал потепление примерно на 0,5 С по сравнению с доиндустриальным уровнем. Предполагается, что снижение выбросов метана даст более быстрый эффект в плане снижения глобальных температур, чем сокращение выбросов диоксида углерода (CO2).

На наш взгляд, здесь есть несколько проблем.

Первая проблема касается моделирования глобального потепления. Сами по себе такие модели содержат высокий уровень неопределенности. Оценки вкладов в потепление природных и антропогенных факторов также довольно расплывчаты. Есть вопросы к исходным данным. Климатическим моделям не хватает комплексности, то есть непонятно, как отреагирует планета на повышение температуры, какие обратные связи при этом возникнут.

Вторая проблема — оценка связи между борьбой с выбросами SO2 и антропогенным потеплением. Неясно, насколько изменилась бы температура в Китае без этой борьбы.

Так что же делать? Действовать самостоятельно. Самим выявлять причины и моделировать изменения климата: наблюдать за состоянием атмосферы и потоками парниковых газов, создавать климатические модели, считать по ним. Хуже от этого точно не будет, и наши знания о предмете исследования увеличатся. А главное: самим делать выводы, а не цитировать “признанных международных экспертов”. Все это понемногу делается: создается сеть карбоновых полигонов, уже есть свои климатические модели… Когда удастся наладить мониторинг в масштабах страны, можно будет обсуждать проблемы с основными договороспособными “игроками” в плане влияния на климат: Китаем, Индией, Бразилией.

#атмосфера #климат

Финская компания Kuva Space привлекла инвестиции в размере 17,6 млн. долларов

Финская компания Kuva Space привлекла, в рамках серии А, инвестиции в размере 17,6 млн. долларов. Полученные средства предполагается использовать для ускорения разработки гиперспектральных камер, поддержки развертывания группировки и расширения деятельности в США.

Kuva Space планирует развернуть на орбите группировку из 100 спутников, которые будут осуществлять гиперспектральную съемку земной поверхности. Два первых коммерческих спутника должны быть запущены в следующем году, еще четыре — в 2025 году. Развертывание группировки должно завершиться к 2030 году. Для реализации своих планов компания намерена увеличить штат сотрудников в три раза — с 20 до 60 человек.

Сейчас в активе компании: разработка гиперспектральных сенсоров и три запущенных демонстрационных спутника.

В июне компания получила контракт Европейской комиссии на сумму 5,5 млн. долларов на мониторинг сельскохозяйственных полей, лесов, выбросов метана и цветения водорослей в рамках программы Copernicus.

Кроме сбора данных, Kuva Space собирается осуществлять их обработку, вплоть до получения коммерчески пригодных результатов.

Kuva следует по пути ICEYE: ее данные уже включены в Copernicus Contributing Mission, теперь компания стремится расширить деятельность в США.

#гиперспектр