Спектральные каналы Landsat 8 и Sentinel-2
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
Выявление деградации почв по картам внутриполевой неоднородности
Исследователи из Почвенного института им. В.В. Докучаева* предложили технологию выявления деградации почв. Для этого они строят карты внутриполевой неоднородности плодородия.
Карты зон неоднородности позволяют разделить сельскохозяйственное поля на зоны с различным уровнем плодородия: повышенного, нормального и пониженного. Обычно такие карты для внесения удобрений. Для создания карт используют вегетационные индексы (NDVI, EVI и т. п.) за последние несколько лет перед годом наблюдения. Но у авторов статьи была другая цель. Они попытались отделить внутри зон пониженного плодородия почвы, чье низкое плодородие вызвано естественными причинами, и почвы, подвергшиеся деградации (в первую очередь, эрозии). Это позволит выбрать правильный способ “лечения” почвы. Для этого были построены карты зон неоднородности за 35 лет, благо данные Landsat это позволяют.
Отделить деградированные почвы от естественно низко плодородных можно при помощи линии почв. Дело в том, что зависимость между отражением открытой почвы в красной и ближней инфракрасной областях спектра остается примерно постоянной для конкретного типа почвы. В результате отражение образцов почв одного типа на плоскости параметров “Красный (Red) – Инфракрасный (NIR)“ образует прямую линию — ту самую линию почв. Так вот, эти прямые у почвы в нормальном состоянии и у деградированной почвы отличаются.
Процессы деградации нарушают спектральные характеристики почв, а поскольку в работе используются разновременные данные (за 35 лет), то видно как изменяется линия почвы со временем. В результате можно выявить одну из причин снижения почвенного плодородия и классифицировать разные виды деградации почв.
*Рухович Д. И. и др. Детектирование деградированных участков пашни на основе анализа больших спутниковых данных // Почвоведение, 2021, № 2. — С. 151-167. DOI: 10.31857/S0032180X21020131
#почва #landsat
Исследователи из Почвенного института им. В.В. Докучаева* предложили технологию выявления деградации почв. Для этого они строят карты внутриполевой неоднородности плодородия.
Карты зон неоднородности позволяют разделить сельскохозяйственное поля на зоны с различным уровнем плодородия: повышенного, нормального и пониженного. Обычно такие карты для внесения удобрений. Для создания карт используют вегетационные индексы (NDVI, EVI и т. п.) за последние несколько лет перед годом наблюдения. Но у авторов статьи была другая цель. Они попытались отделить внутри зон пониженного плодородия почвы, чье низкое плодородие вызвано естественными причинами, и почвы, подвергшиеся деградации (в первую очередь, эрозии). Это позволит выбрать правильный способ “лечения” почвы. Для этого были построены карты зон неоднородности за 35 лет, благо данные Landsat это позволяют.
Отделить деградированные почвы от естественно низко плодородных можно при помощи линии почв. Дело в том, что зависимость между отражением открытой почвы в красной и ближней инфракрасной областях спектра остается примерно постоянной для конкретного типа почвы. В результате отражение образцов почв одного типа на плоскости параметров “Красный (Red) – Инфракрасный (NIR)“ образует прямую линию — ту самую линию почв. Так вот, эти прямые у почвы в нормальном состоянии и у деградированной почвы отличаются.
Процессы деградации нарушают спектральные характеристики почв, а поскольку в работе используются разновременные данные (за 35 лет), то видно как изменяется линия почвы со временем. В результате можно выявить одну из причин снижения почвенного плодородия и классифицировать разные виды деградации почв.
*Рухович Д. И. и др. Детектирование деградированных участков пашни на основе анализа больших спутниковых данных // Почвоведение, 2021, № 2. — С. 151-167. DOI: 10.31857/S0032180X21020131
#почва #landsat
Telegram
Спутник ДЗЗ
Линия почвы, аппроксимирующая экспериментальные данные.
Продолжение примечаний к предыдущему посту.
***Названия данных MODIS Aqua начинаются с префикса “MYD”. Например, MYD11A2. Здесь у вас может появиться вопрос: почему бы не объединить температурные данные с Terra и Aqua? На эту тему есть немало статей. Поищите, и вы узнаете о плюсах и минусах такого объединения.
****Период составления композита — 8 суток — выбран разработчиками потому, что он в два раза больше периода точного повторения наземного трека спутников Terra и Aqua.
#GEE #LST #MODIS #landsat
***Названия данных MODIS Aqua начинаются с префикса “MYD”. Например, MYD11A2. Здесь у вас может появиться вопрос: почему бы не объединить температурные данные с Terra и Aqua? На эту тему есть немало статей. Поищите, и вы узнаете о плюсах и минусах такого объединения.
****Период составления композита — 8 суток — выбран разработчиками потому, что он в два раза больше периода точного повторения наземного трека спутников Terra и Aqua.
#GEE #LST #MODIS #landsat
Годовщина запуска Landsat 1
51 год назад, 23 июля 1972 года ракетой Дельта-900 со второго стартового комплекса авиабазы Ванденберг в Калифорнии (США) был запущен спутник Earth Resources Technological Satellite 1 (ERTS 1). Позже спутник был переименован в Landsat, и стал первым аппаратом одноименной программы дистанционного зондирования Земли, которая продолжается до сих пор.
На протяжении нескольких лет Landsat 1 снабжал информацией о сельскохозяйственных и лесных ресурсах, геологическом строении, минеральных ресурсах, водных ресурсах, загрязнении окружающей среды, морских ресурсах и метеорологических явлениях. В 1976 году на снимках Landsat обнаружили крошечный необитаемый остров в 20 километрах от восточного побережья Канады. Впоследствии, остров назвали в честь спутника — Landsat Island. Выключен аппарат был 6 января 1978 года.
На рисунке (источник) представлена мозаика 48 континентальных штатов США, впервые составленная из спутниковых снимков. На это потребовалось 595 снимков Landsat 1, сделанных в период с 25 июля по 31 октября 1972 года. Были использованы данные 5-го (красного) канала прибора Multi-spectral Scanner System.
#landsat
51 год назад, 23 июля 1972 года ракетой Дельта-900 со второго стартового комплекса авиабазы Ванденберг в Калифорнии (США) был запущен спутник Earth Resources Technological Satellite 1 (ERTS 1). Позже спутник был переименован в Landsat, и стал первым аппаратом одноименной программы дистанционного зондирования Земли, которая продолжается до сих пор.
На протяжении нескольких лет Landsat 1 снабжал информацией о сельскохозяйственных и лесных ресурсах, геологическом строении, минеральных ресурсах, водных ресурсах, загрязнении окружающей среды, морских ресурсах и метеорологических явлениях. В 1976 году на снимках Landsat обнаружили крошечный необитаемый остров в 20 километрах от восточного побережья Канады. Впоследствии, остров назвали в честь спутника — Landsat Island. Выключен аппарат был 6 января 1978 года.
На рисунке (источник) представлена мозаика 48 континентальных штатов США, впервые составленная из спутниковых снимков. На это потребовалось 595 снимков Landsat 1, сделанных в период с 25 июля по 31 октября 1972 года. Были использованы данные 5-го (красного) канала прибора Multi-spectral Scanner System.
#landsat
USGS Landsat Collection 2
Архив спутниковых снимков программы Landsat, начавшейся в 1972 году и продолжающейся в настоящее время, является самой протяженной непрерывной общедоступной коллекцией спутниковых данных.
Текущая версия архива — вышедшая в 2021 году Landsat Collection 2 — представляет собой результат переработки всего архива снимков, в котором улучшена совместимость данных во времени. Collection 2 использует более современные цифровые модели рельефа, а также ряд усовершенствований в части калибровки данных.
Коллекция содержит данные уровня 1, полученные со спутников Landsat 1–9 (начиная с 1972 года), и данные уровней 2 и 3 со спутников Landsat 4–9 (начиная с 1982 года). Данные уровней 1 и 2 имеют глобальный охват, а данные уровня 3 покрывают континентальную часть США. Данные 1-го и 2-го уровней распространяются в формате Cloud Optimized GeoTIFF с размером пикселя 30 м х 30 м.
Данные коллекции разделены на три класса (Tiers), в зависимости от качества и степени обработки. Все новые снимки попадают в класс Real-Time и обрабатываются при передаче на землю с применением исходного варианта модели прямой видимости TIRS (Landsat 8). Для загрузки они становятся доступны спустя 4–6 (максимум — 12) часов. После повторной обработки уточненным вариантом модели прямой видимости TIRS, продукты переводятся в классы Tier 1 или Tier 2, и исключаются из класса Real-Time.
Снимки Landsat наивысшего доступного качества относятся к классу 1 (Tier 1). Они считаются пригодными для анализа временных рядов. При работе со снимками, специалисты обычно имеют дело с данными Tier 1. Снимки с проблемами в части радиометрической калибровки, геопривязки и т. п., относятся к классу 2 (Tier 2).
Задержка с переходом снимка из класса Real-Time в Tier 1 или Tier 2 составляет от 14 до 26 суток. Продукты Landsat Level-2 Surface Reflectance и Surface Temperature обычно доступны в течение 24 часов после помещения обработанной сцены в Tier 1 или Tier 2.
Подробнее о Landsat Collection 2 можно узнать здесь.
#landsat #LST #данные
Архив спутниковых снимков программы Landsat, начавшейся в 1972 году и продолжающейся в настоящее время, является самой протяженной непрерывной общедоступной коллекцией спутниковых данных.
Текущая версия архива — вышедшая в 2021 году Landsat Collection 2 — представляет собой результат переработки всего архива снимков, в котором улучшена совместимость данных во времени. Collection 2 использует более современные цифровые модели рельефа, а также ряд усовершенствований в части калибровки данных.
Коллекция содержит данные уровня 1, полученные со спутников Landsat 1–9 (начиная с 1972 года), и данные уровней 2 и 3 со спутников Landsat 4–9 (начиная с 1982 года). Данные уровней 1 и 2 имеют глобальный охват, а данные уровня 3 покрывают континентальную часть США. Данные 1-го и 2-го уровней распространяются в формате Cloud Optimized GeoTIFF с размером пикселя 30 м х 30 м.
Данные коллекции разделены на три класса (Tiers), в зависимости от качества и степени обработки. Все новые снимки попадают в класс Real-Time и обрабатываются при передаче на землю с применением исходного варианта модели прямой видимости TIRS (Landsat 8). Для загрузки они становятся доступны спустя 4–6 (максимум — 12) часов. После повторной обработки уточненным вариантом модели прямой видимости TIRS, продукты переводятся в классы Tier 1 или Tier 2, и исключаются из класса Real-Time.
Снимки Landsat наивысшего доступного качества относятся к классу 1 (Tier 1). Они считаются пригодными для анализа временных рядов. При работе со снимками, специалисты обычно имеют дело с данными Tier 1. Снимки с проблемами в части радиометрической калибровки, геопривязки и т. п., относятся к классу 2 (Tier 2).
Задержка с переходом снимка из класса Real-Time в Tier 1 или Tier 2 составляет от 14 до 26 суток. Продукты Landsat Level-2 Surface Reflectance и Surface Temperature обычно доступны в течение 24 часов после помещения обработанной сцены в Tier 1 или Tier 2.
Подробнее о Landsat Collection 2 можно узнать здесь.
#landsat #LST #данные
Снимки Landsat
Обзор доступа к данным Landsat приведен на официальной странице: Landsat Data Access. Отдельная таблица посвящена сервисам пакетного скачивания данных.
USGS EarthExplorer — основное место хранения данных Landsat. Для выбора снимков используется традиционный графический интерфейс с указанием района интереса, интервала времени и коллекции данных (можно задавать сразу несколько).
Google Earth Engine (GEE) для каждого спутника Landsat содержит три вида данных:
* Raw Images — освещенность на уровне сенсора,
* Top of Atmosphere — отражательная способность на уровне сенсора, продукт уровня обработки 1,
* Surface Reflectance — отражательная способность поверхности, продукт уровня 2.
Каждый вид данных разделен на классы: Tier 1 и Tier 2.
GEE позволяет выбрать нужный фрагмент и каналы снимка, обработать их и получить уже готовый результат.
Amazon Web Services (AWS) предназначен для получения данных в промышленных масштабах, когда нужны сотни снимков. Подробнее о работе с сервисом, в том числе о SpatioTemporal Asset Catalog, можно узнать здесь.
Sentinel Hub EO Browser позволяет выбрать район, каналы, а также скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Это удобно для выполнения небольших задач. Кроме данных Landsat, на сервисе представлены комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные по снимкам Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых два (тепловых инфракрасных) доступны только для Landsat, а пять (три канала “красного края” (B5–B7), "широкий" канал NIR (B8) и канал для детектирования водяного пара (B9)) — только для Sentinel. Снимки, насколько возможно, согласованы по радиометрии, преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
NASA Earthdata Search не содержит снимков Landsat в чистом виде. Вместо них есть данные HLS Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m v2.0 (часть HLS, относящаяся к Landsat) и ряд других производных данных, опирающихся на снимки Landsat.
Во всех случаях: 1) на сервисах требуется бесплатная регистрация; 2) под данными Landsat понимаются данные Landsat Collection 2.
Помимо указанных выше сервисов, Геопортал Роскосмоса содержит снимки Landsat 8 до октября 2022 года.
#данные #landsat
Обзор доступа к данным Landsat приведен на официальной странице: Landsat Data Access. Отдельная таблица посвящена сервисам пакетного скачивания данных.
USGS EarthExplorer — основное место хранения данных Landsat. Для выбора снимков используется традиционный графический интерфейс с указанием района интереса, интервала времени и коллекции данных (можно задавать сразу несколько).
Google Earth Engine (GEE) для каждого спутника Landsat содержит три вида данных:
* Raw Images — освещенность на уровне сенсора,
* Top of Atmosphere — отражательная способность на уровне сенсора, продукт уровня обработки 1,
* Surface Reflectance — отражательная способность поверхности, продукт уровня 2.
Каждый вид данных разделен на классы: Tier 1 и Tier 2.
GEE позволяет выбрать нужный фрагмент и каналы снимка, обработать их и получить уже готовый результат.
Amazon Web Services (AWS) предназначен для получения данных в промышленных масштабах, когда нужны сотни снимков. Подробнее о работе с сервисом, в том числе о SpatioTemporal Asset Catalog, можно узнать здесь.
Sentinel Hub EO Browser позволяет выбрать район, каналы, а также скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Это удобно для выполнения небольших задач. Кроме данных Landsat, на сервисе представлены комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные по снимкам Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых два (тепловых инфракрасных) доступны только для Landsat, а пять (три канала “красного края” (B5–B7), "широкий" канал NIR (B8) и канал для детектирования водяного пара (B9)) — только для Sentinel. Снимки, насколько возможно, согласованы по радиометрии, преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
NASA Earthdata Search не содержит снимков Landsat в чистом виде. Вместо них есть данные HLS Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m v2.0 (часть HLS, относящаяся к Landsat) и ряд других производных данных, опирающихся на снимки Landsat.
Во всех случаях: 1) на сервисах требуется бесплатная регистрация; 2) под данными Landsat понимаются данные Landsat Collection 2.
Помимо указанных выше сервисов, Геопортал Роскосмоса содержит снимки Landsat 8 до октября 2022 года.
#данные #landsat
Комбинации каналов Landsat
Комбинации каналов нужны, чтобы подчеркнуть цветом различия интересующих объектов и упростить визуальное дешифрирование снимков. При изучении комбинаций важно иметь перед глазами примеры: снимки с описанием изображенных на них объектов и того, как они выглядят в данной комбинации каналов. Вот несколько коллекций таких примеров:
📸 Интерпретация комбинаций каналов данных Landsat TM / ETM+ / OLI.
📸 The Many Band Combinations of Landsat 8 OLI.
📸 Шихов А. Н., Герасимов А. П., Пономарчук А. И., Перминова Е. С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения. — Пермь: Пермский государственный национальный исследовательский университет, 2020. Комбинации спектральных каналов Landsat-8 приведены в п. 2.3.
📸 Jensen J. Introductory Digital Image Processing: A Remote Sensing Perspective, 4th Edition. — Pearson Education, 2015. Глава 5, Color Composites, с. 164 — Optimum Index Factor и Sheffield Index для выбора оптимальной комбинации.
🔴🟢🔵 Landsat Band Combinations — интерактивный инструмент, позволяющий увидеть результат применения той или иной комбинации каналов на тестовом снимке.
🔴🟢🔵 Natural and False Color Composites — попробуйте различные комбинации каналов на снимке, сделанном Landsat 8 OLI в марте 2014 года.
Описанные комбинации можно применять и для соответствующих каналов Sentinel-2.
На снимке 18 января 2023 года спутник Landsat 9 запечатлел редкое явление — снегопад в пустыне Такла-Макан (Китай). Для создания изображения использованы коротковолновый инфракрасный, ближний инфракрасный и красный диапазоны (каналы 6, 5, 4). Это позволяет подчеркнуть контраст между песком пустыни и покрытыми снегом дюнами: песок выглядит красноватым, а снег — голубым.
#комбинация #landsat
Комбинации каналов нужны, чтобы подчеркнуть цветом различия интересующих объектов и упростить визуальное дешифрирование снимков. При изучении комбинаций важно иметь перед глазами примеры: снимки с описанием изображенных на них объектов и того, как они выглядят в данной комбинации каналов. Вот несколько коллекций таких примеров:
📸 Интерпретация комбинаций каналов данных Landsat TM / ETM+ / OLI.
📸 The Many Band Combinations of Landsat 8 OLI.
📸 Шихов А. Н., Герасимов А. П., Пономарчук А. И., Перминова Е. С. Тематическое дешифрирование и интерпретация космических снимков среднего и высокого пространственного разрешения. — Пермь: Пермский государственный национальный исследовательский университет, 2020. Комбинации спектральных каналов Landsat-8 приведены в п. 2.3.
📸 Jensen J. Introductory Digital Image Processing: A Remote Sensing Perspective, 4th Edition. — Pearson Education, 2015. Глава 5, Color Composites, с. 164 — Optimum Index Factor и Sheffield Index для выбора оптимальной комбинации.
🔴🟢🔵 Landsat Band Combinations — интерактивный инструмент, позволяющий увидеть результат применения той или иной комбинации каналов на тестовом снимке.
🔴🟢🔵 Natural and False Color Composites — попробуйте различные комбинации каналов на снимке, сделанном Landsat 8 OLI в марте 2014 года.
Описанные комбинации можно применять и для соответствующих каналов Sentinel-2.
На снимке 18 января 2023 года спутник Landsat 9 запечатлел редкое явление — снегопад в пустыне Такла-Макан (Китай). Для создания изображения использованы коротковолновый инфракрасный, ближний инфракрасный и красный диапазоны (каналы 6, 5, 4). Это позволяет подчеркнуть контраст между песком пустыни и покрытыми снегом дюнами: песок выглядит красноватым, а снег — голубым.
#комбинация #landsat
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
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
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
⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
#журнал — статьи по ДЗЗ, опубликованные в выпуске журнала
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python #ГИС
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Raytheon создаст съёмочную аппаратуру спутников Landsat Next [ссылка]
NASA выбрало компанию Raytheon для поставки трёх приборов и оказания сопутствующих услуг по проекту Landsat Next с возможностью приобретения ещё одного прибора. Контракт включает в себя базовый период с оплатой по принципу "затраты + вознаграждение" (cost-plus-award-fee) и опционный период с оплатой по принципу "затраты + фиксированное вознаграждение" (cost-plus-fixed-fee) общей стоимостью 506,7 млн долларов США.
В рамках проекта Landsat Next NASA создаст группировку из трёх спутников наблюдения Земли, способных обеспечить в два-три раза большее временное, пространственное и спектральное разрешение, чем предыдущие спутники Landsat. Съёмочная аппаратура Landsat Next будет иметь 26 спектральных каналов.
Запуск спутников Landsat Next планируется после 2030 года.
#landsat
NASA выбрало компанию Raytheon для поставки трёх приборов и оказания сопутствующих услуг по проекту Landsat Next с возможностью приобретения ещё одного прибора. Контракт включает в себя базовый период с оплатой по принципу "затраты + вознаграждение" (cost-plus-award-fee) и опционный период с оплатой по принципу "затраты + фиксированное вознаграждение" (cost-plus-fixed-fee) общей стоимостью 506,7 млн долларов США.
В рамках проекта Landsat Next NASA создаст группировку из трёх спутников наблюдения Земли, способных обеспечить в два-три раза большее временное, пространственное и спектральное разрешение, чем предыдущие спутники Landsat. Съёмочная аппаратура Landsat Next будет иметь 26 спектральных каналов.
Запуск спутников Landsat Next планируется после 2030 года.
#landsat