Уточнение пространственного разрешения данных Sentinel-2 с помощью нейросетей
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
Разновременные данные Sentinel-1 и Sentinel-2 улучшают обнаружение оползней в GEE
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
MDPI
Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape
Regional early warning systems for landslides rely on historic data to forecast future events and to verify and improve alarms. However, databases of landslide events are often spatially biased towards roads or other infrastructure, with few reported in remote…
Оценка плотности надземной биомассы по данным GEDI и другим
Недавно мы искали готовый продукт для оценки надземной биомассы леса, достаточно свежий и глобальный (или около того). На эту роль претендовал GEDI L4B Gridded Aboveground Biomass Density, Version 2 (есть он и на GEE).
GEDI — это лидар, расположенный на МКС. Из-за орбиты МКС, он обеспечивает съемку земной поверхности в полосе широт между 51.6° с.ш. и 51.6° ю.ш. Продукт GEDI L4B — результат модельной оценки плотности надземной биомассы. Это не наблюдения, а результат моделирования по ним. Популярный рассказ о данных GEDI L4B: ORNL DAAC Releases GEDI Level 4B Dataset Offering Gridded Estimates of Aboveground Biomass Density.
Оказалось, что GEDI 4B не обеспечивает сплошного покрытия данными даже в заявленной полосе широт. На рисунке ниже размер пикселя составляет 1 км х 1 км, площадь участка — около 10 000 га.
Что делать? 1) Искать другой готовый продукт. 2) Натягивать сову на глобус, то есть заполнять пробелы в имеющемся продукте. О других продуктах поговорим позже, сначала — о заполнении пробелов.
Есть подход Shendryk Y. The latest dataset from the GEDI mission provides gridded estimates of aboveground biomass density at greater accuracy and resolution than previously available (2022), который состоит в следующем.
Берутся данные GEDI уровня 4A, а также снимки Sentinel-1 GRD (радар) и Sentinel-2 уровня 2A (оптика), цифровая модель рельефа (GLO-30) и карта классов земной поверхности ESA WorldCover. Все это есть в Google Earth Engine. Из всего этого формируется набор обучающих и тестовых данных. На них будут учить и тестировать модель машинного обучения (LightGBM).
GEDI L4A Raster Aboveground Biomass Density, как и L4B, — это результат моделирования надземной биомассы. В отличие от L4B, продукт L4A дает не пиксели размером 1 км х 1 км, а 25-метровые “пятна” (footprint — след сигнала лидара на поверхности Земли). Кроме того, L4A чаще обновляется: есть данные до конца 2022 года, указан момент съемки каждого “пятна”. В результате есть возможность привязать каждое “пятно” к определенному участку данных Sentinel-1 и Sentinel-2.
Данные GEDI L4A используются вместо “наземки” (ground truth), как будто они дают реальную, а не модельную биомассу, а также служат откликом будущей модели. Все остальные данные и их производные служат предикторами. Дальше следует машинное обучение, игры с выбором предикторов, и в итоге получается оценка надземной биомассы с R^2 = 0,66–0,74 (коэффициент детерминации), RMSE = 55–81 Мг/га (Мг = 10^6 грамм, то есть 1 тонна), или в процентах — RMSE = 41–77%. Да, среднеквадратичная ошибка (RMSE) больше 40%, но таков современный уровень моделирования в данной задаче. Авторы справедливо отмечают, что созданные ими прогнозные карты надземной биомассы (с разрешением 100 м), могут служить в качестве ориентира для определения текущих запасов надземной биомассы. В целом, данное исследование показывает возможность применения открытых данных ДЗЗ для получения глобальных карт надземной биомассы путем слияния различных видов данных (радаров, оптики, ЦМР и т.п.).
Лучше бы, конечно, найти более точные данные для обучения моделей (вместо модельных!) и попробовать использовать в качестве предикторов данные вертикального профиля высот от того же GEDI (GEDI L2B Raster Canopy Cover Vertical Profile Metrics). Но это все надо пробовать…
Сравните, как выглядят данные GEDI L4B и L4A: https://code.earthengine.google.com/c494ff396398ee2629b67eb4778db468
#лидар #sentinel1 #sentinel2 #LULC #GEE #AGB
Недавно мы искали готовый продукт для оценки надземной биомассы леса, достаточно свежий и глобальный (или около того). На эту роль претендовал GEDI L4B Gridded Aboveground Biomass Density, Version 2 (есть он и на GEE).
GEDI — это лидар, расположенный на МКС. Из-за орбиты МКС, он обеспечивает съемку земной поверхности в полосе широт между 51.6° с.ш. и 51.6° ю.ш. Продукт GEDI L4B — результат модельной оценки плотности надземной биомассы. Это не наблюдения, а результат моделирования по ним. Популярный рассказ о данных GEDI L4B: ORNL DAAC Releases GEDI Level 4B Dataset Offering Gridded Estimates of Aboveground Biomass Density.
Оказалось, что GEDI 4B не обеспечивает сплошного покрытия данными даже в заявленной полосе широт. На рисунке ниже размер пикселя составляет 1 км х 1 км, площадь участка — около 10 000 га.
Что делать? 1) Искать другой готовый продукт. 2) Натягивать сову на глобус, то есть заполнять пробелы в имеющемся продукте. О других продуктах поговорим позже, сначала — о заполнении пробелов.
Есть подход Shendryk Y. The latest dataset from the GEDI mission provides gridded estimates of aboveground biomass density at greater accuracy and resolution than previously available (2022), который состоит в следующем.
Берутся данные GEDI уровня 4A, а также снимки Sentinel-1 GRD (радар) и Sentinel-2 уровня 2A (оптика), цифровая модель рельефа (GLO-30) и карта классов земной поверхности ESA WorldCover. Все это есть в Google Earth Engine. Из всего этого формируется набор обучающих и тестовых данных. На них будут учить и тестировать модель машинного обучения (LightGBM).
GEDI L4A Raster Aboveground Biomass Density, как и L4B, — это результат моделирования надземной биомассы. В отличие от L4B, продукт L4A дает не пиксели размером 1 км х 1 км, а 25-метровые “пятна” (footprint — след сигнала лидара на поверхности Земли). Кроме того, L4A чаще обновляется: есть данные до конца 2022 года, указан момент съемки каждого “пятна”. В результате есть возможность привязать каждое “пятно” к определенному участку данных Sentinel-1 и Sentinel-2.
Данные GEDI L4A используются вместо “наземки” (ground truth), как будто они дают реальную, а не модельную биомассу, а также служат откликом будущей модели. Все остальные данные и их производные служат предикторами. Дальше следует машинное обучение, игры с выбором предикторов, и в итоге получается оценка надземной биомассы с R^2 = 0,66–0,74 (коэффициент детерминации), RMSE = 55–81 Мг/га (Мг = 10^6 грамм, то есть 1 тонна), или в процентах — RMSE = 41–77%. Да, среднеквадратичная ошибка (RMSE) больше 40%, но таков современный уровень моделирования в данной задаче. Авторы справедливо отмечают, что созданные ими прогнозные карты надземной биомассы (с разрешением 100 м), могут служить в качестве ориентира для определения текущих запасов надземной биомассы. В целом, данное исследование показывает возможность применения открытых данных ДЗЗ для получения глобальных карт надземной биомассы путем слияния различных видов данных (радаров, оптики, ЦМР и т.п.).
Лучше бы, конечно, найти более точные данные для обучения моделей (вместо модельных!) и попробовать использовать в качестве предикторов данные вертикального профиля высот от того же GEDI (GEDI L2B Raster Canopy Cover Vertical Profile Metrics). Но это все надо пробовать…
Сравните, как выглядят данные GEDI L4B и L4A: https://code.earthengine.google.com/c494ff396398ee2629b67eb4778db468
#лидар #sentinel1 #sentinel2 #LULC #GEE #AGB
Ландшафт округа Сконе
На первом снимке, сделанном космическим аппаратом Sentinel-2, видны сельскохозяйственные поля, окружающие города Лунд и Мальме в Швеции. Сельскохозяйственные поля, в основном, окрашены в оттенки зеленого. На их фоне отчетливо выделяются ярко-желтые поля цветущего рапса.
Город Лунд находится в центре снимка. Мальме лежит к юго-западу от него, на побережье. Центры обоих городов окрашены в красные тона, благодаря традиционному цвету крыш зданий (такие как на снимке).
Из Мальме через пролив Эресунн проходит одноименный мост, соединяющий Швецию с Данией. Эресуннский мост (на снимке) имеет длину около 16 км и состоит из трех частей. Сам мост и искусственный остров Пеберхольм на снимке видны (слева внизу). Невидимую часть составляет подводный туннель, ведущий из Пеберхольма в Данию.
К северу от Пеберхольма находится датский остров Сальтольм. Он находится в нескольких километрах к востоку от датского острова Амагер, где хорошо виден аэропорт Копенгагена.
В проливе Эресунн можно заметить несколько судов. Глубокие воды пролива окрашены в темно-синий цвет, а мелководье — в более светлые зеленые тона.
Мальме — крупнейший город шведского округа или лена Сконе (Skåne). Многим Сконе известен по марке грузовиков Scania — это название округа на английском.
В Сконе родился Франц Гуннар Бенгтссон (Бентсон) — автор исторического романа “Рыжий Орм”, известного у нас как “Драконы Моря”. Написанный в стиле скандинавской саги, роман наполнен иронией и юмором. Он рассказывает о невероятных приключениях еще одного уроженца Сконе — Рыжего Орма, о его пленении, рабстве у халифа Кордовы, работе гребцом на галерах, принятии христианства, освобождении, женитьбе на дочери конунга и поиске клада у днепровских порогов.
#снимки #sentinel2 #сельхоз
На первом снимке, сделанном космическим аппаратом Sentinel-2, видны сельскохозяйственные поля, окружающие города Лунд и Мальме в Швеции. Сельскохозяйственные поля, в основном, окрашены в оттенки зеленого. На их фоне отчетливо выделяются ярко-желтые поля цветущего рапса.
Город Лунд находится в центре снимка. Мальме лежит к юго-западу от него, на побережье. Центры обоих городов окрашены в красные тона, благодаря традиционному цвету крыш зданий (такие как на снимке).
Из Мальме через пролив Эресунн проходит одноименный мост, соединяющий Швецию с Данией. Эресуннский мост (на снимке) имеет длину около 16 км и состоит из трех частей. Сам мост и искусственный остров Пеберхольм на снимке видны (слева внизу). Невидимую часть составляет подводный туннель, ведущий из Пеберхольма в Данию.
К северу от Пеберхольма находится датский остров Сальтольм. Он находится в нескольких километрах к востоку от датского острова Амагер, где хорошо виден аэропорт Копенгагена.
В проливе Эресунн можно заметить несколько судов. Глубокие воды пролива окрашены в темно-синий цвет, а мелководье — в более светлые зеленые тона.
Мальме — крупнейший город шведского округа или лена Сконе (Skåne). Многим Сконе известен по марке грузовиков Scania — это название округа на английском.
В Сконе родился Франц Гуннар Бенгтссон (Бентсон) — автор исторического романа “Рыжий Орм”, известного у нас как “Драконы Моря”. Написанный в стиле скандинавской саги, роман наполнен иронией и юмором. Он рассказывает о невероятных приключениях еще одного уроженца Сконе — Рыжего Орма, о его пленении, рабстве у халифа Кордовы, работе гребцом на галерах, принятии христианства, освобождении, женитьбе на дочери конунга и поиске клада у днепровских порогов.
#снимки #sentinel2 #сельхоз
Снимки Sentinel-2
Copernicus Open Access Hub — “родина” данных Sentinel, предоставляет данные уровней обработки Level-1C (L1C, Top of Atmosphere) и Level-2A (L2A, Bottom of Atmosphere = Surface Reflectance). Есть два API: Open Search (для поиска) и OData (для скачивания). Ограничение на скачивание данных: не более двух параллельных потоков, что не подходит для промышленных задач. Снимки, сделанные за последней месяц, скачиваются сразу.* Более ранние снимки извлекаются из архива в течение 1 часа, после чего доступны для скачивания следующие трое суток.
Снимки предоставляются в “родном” формате SAFE (в виде папки, содержащей снимок формата JPEG2000 и метаданные в формате XML). Для конвертации в GeoTiff понадобятся инструменты вроде GDAL и SNAP.
AWS — для промышленного использования данных, когда нужны сотни снимков.
Sentinel-2 в формате SAFE. Данные L1C доступны, начиная с июня 2015 года. L2A — с ноября 2016 года для Европы и с января 2017 года глобально.
Sentinel-2 Cloud-Optimized GeoTIFFs — снимки, преобразованные в Cloud-Optimized GeoTIFF. Метаданные SpatioTemporal Asset Catalog (STAC) помещены в JSON-файл вместе с данными снимка, а для поиска в архиве доступен STAC API — Earth-search. L2A доступны с апреля 2017 года (Европа) и с декабря 2018 года (глобально).
Copernicus Browser дает возможность скачивать данные Level 1C и Level 2A. В браузере слева видны две вкладки: Visualize и Search. После регистрации, из второй доступно скачивание. В отличие от Copernicus Open Access Hub, здесь все доступные снимки можно скачать сразу. Снимки предоставляются в формате SAFE. Про доступ по API.
Google Earth Engine. Снимки Top-of-Atmosphere Reflectance (L1C) и Surface Reflectance (L2A). L1C доступны с июня 2015 года, L2A — с апреля 2017 года (Европа) и с декабря 2018 года (глобально). Огромный плюс платформы GEE в том, что можно выбрать нужный фрагмент снимка и скачать только интересующие каналы. Преимуществом, разумеется, является и возможность обработки данных в GEE.
Sentinel Hub EO Browser. L2A (по умолчанию) и L1C. Можно выбрать район, каналы и скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Удобно для выполнения небольших задач.
Есть комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные на основе снимков Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых 2 (тепловых инфракрасных) доступны только для Landsat, а 5 (3 канала “красного края” (B5–B7), широкий канал NIR (B8), водяной пар (B9)) — только для Sentinel. Снимки согласованы по радиометрии (насколько это возможно), преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
Earthdata Search. В чистом виде снимков Sentinel-2 в центрах хранения данных NASA нет. Есть данные HLS Sentinel-2 Multi-spectral Instrument Surface Reflectance Daily Global 30m v2.0 — часть данных HLS, относящаяся к S2. Выбрать каналы нельзя.
Везде требуется бесплатная регистрация.
Ограничения для отдельных стран обходятся через использование при регистрации международных почтовых служб, типа gmail.com, и указание страны, не подпадающей под ограничения.
* Это называется синхронный доступ к данным. Период синхронного доступа может изменяться. Смотреть его нужно в User Guide/The Data Hub Archive.
#данные #sentinel2
Copernicus Open Access Hub — “родина” данных Sentinel, предоставляет данные уровней обработки Level-1C (L1C, Top of Atmosphere) и Level-2A (L2A, Bottom of Atmosphere = Surface Reflectance). Есть два API: Open Search (для поиска) и OData (для скачивания). Ограничение на скачивание данных: не более двух параллельных потоков, что не подходит для промышленных задач. Снимки, сделанные за последней месяц, скачиваются сразу.* Более ранние снимки извлекаются из архива в течение 1 часа, после чего доступны для скачивания следующие трое суток.
Снимки предоставляются в “родном” формате SAFE (в виде папки, содержащей снимок формата JPEG2000 и метаданные в формате XML). Для конвертации в GeoTiff понадобятся инструменты вроде GDAL и SNAP.
AWS — для промышленного использования данных, когда нужны сотни снимков.
Sentinel-2 в формате SAFE. Данные L1C доступны, начиная с июня 2015 года. L2A — с ноября 2016 года для Европы и с января 2017 года глобально.
Sentinel-2 Cloud-Optimized GeoTIFFs — снимки, преобразованные в Cloud-Optimized GeoTIFF. Метаданные SpatioTemporal Asset Catalog (STAC) помещены в JSON-файл вместе с данными снимка, а для поиска в архиве доступен STAC API — Earth-search. L2A доступны с апреля 2017 года (Европа) и с декабря 2018 года (глобально).
Copernicus Browser дает возможность скачивать данные Level 1C и Level 2A. В браузере слева видны две вкладки: Visualize и Search. После регистрации, из второй доступно скачивание. В отличие от Copernicus Open Access Hub, здесь все доступные снимки можно скачать сразу. Снимки предоставляются в формате SAFE. Про доступ по API.
Google Earth Engine. Снимки Top-of-Atmosphere Reflectance (L1C) и Surface Reflectance (L2A). L1C доступны с июня 2015 года, L2A — с апреля 2017 года (Европа) и с декабря 2018 года (глобально). Огромный плюс платформы GEE в том, что можно выбрать нужный фрагмент снимка и скачать только интересующие каналы. Преимуществом, разумеется, является и возможность обработки данных в GEE.
Sentinel Hub EO Browser. L2A (по умолчанию) и L1C. Можно выбрать район, каналы и скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Удобно для выполнения небольших задач.
Есть комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные на основе снимков Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых 2 (тепловых инфракрасных) доступны только для Landsat, а 5 (3 канала “красного края” (B5–B7), широкий канал NIR (B8), водяной пар (B9)) — только для Sentinel. Снимки согласованы по радиометрии (насколько это возможно), преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
Earthdata Search. В чистом виде снимков Sentinel-2 в центрах хранения данных NASA нет. Есть данные HLS Sentinel-2 Multi-spectral Instrument Surface Reflectance Daily Global 30m v2.0 — часть данных HLS, относящаяся к S2. Выбрать каналы нельзя.
Везде требуется бесплатная регистрация.
Ограничения для отдельных стран обходятся через использование при регистрации международных почтовых служб, типа gmail.com, и указание страны, не подпадающей под ограничения.
* Это называется синхронный доступ к данным. Период синхронного доступа может изменяться. Смотреть его нужно в User Guide/The Data Hub Archive.
#данные #sentinel2
Классификация высокорослых и низкорослых сельскохозяйственных культур по данным Sentinel-2 и GEDI
Данные космического лидара NASA Global Ecosystem Dynamics Investigation (GEDI), изначально предназначенного для мониторинга лесов, дополненные оптическими снимками Sentinel-2, позволили создать качественные глобальные карты классификации сельскохозяйственных культур на высокорослые и низкорослые, с пространственным разрешением 10 метров. Высокорослые культуры — это, в частности, кукуруза и подсолнечник (высота примерно 2.5 метра), низкорослые — пшеница и ячмень (0.5–1 метр).
Применение спутниковых лидаров не всегда давало приемлемые результаты даже для измерений высоты леса. Среднеквадратичная ошибка определения высоты нередко составляла примерно 2–3 метра, так что пробовать силы на сельскохозяйственных культурах вроде бы не имело смысла. Авторы исследования все же попробовали, и у них получилось. Об измерении высоты речь, конечно, не идет, но различать высоко- и низкорослые сельскохозяйственные культуры оказалось вполне возможно.
Применялись снимки GEDI, полученные в период, когда сельскохозяйственные культуры достигают максимальной высоты. Для определения этих периодов понадобятся фенологические календари.
Данные космических лидаров, вроде GEDI, покрывают наблюдаемую поверхность “пятнами”, не образуя сплошного покрытия. По-видимому, максимальных результатов можно достичь, располагая границами сельскохозяйственных полей.
Отмечена систематическая недооценка площади высоких культур в регионах, где эти культуры имеют низкую биомассу. Скорее всего, лидар такие культуры просто не видит. Вероятно, проблемы должны возникать и при анализе полей малой площади.
Полученные результаты позволяют надеется обнаружить при помощи лидара уборку или полегание культуры, то есть события на поле, сопровождающиеся резким уменьшением высоты растительного покрова.
#лидар #sentinel2 #сельхоз
Данные космического лидара NASA Global Ecosystem Dynamics Investigation (GEDI), изначально предназначенного для мониторинга лесов, дополненные оптическими снимками Sentinel-2, позволили создать качественные глобальные карты классификации сельскохозяйственных культур на высокорослые и низкорослые, с пространственным разрешением 10 метров. Высокорослые культуры — это, в частности, кукуруза и подсолнечник (высота примерно 2.5 метра), низкорослые — пшеница и ячмень (0.5–1 метр).
Применение спутниковых лидаров не всегда давало приемлемые результаты даже для измерений высоты леса. Среднеквадратичная ошибка определения высоты нередко составляла примерно 2–3 метра, так что пробовать силы на сельскохозяйственных культурах вроде бы не имело смысла. Авторы исследования все же попробовали, и у них получилось. Об измерении высоты речь, конечно, не идет, но различать высоко- и низкорослые сельскохозяйственные культуры оказалось вполне возможно.
Применялись снимки GEDI, полученные в период, когда сельскохозяйственные культуры достигают максимальной высоты. Для определения этих периодов понадобятся фенологические календари.
Данные космических лидаров, вроде GEDI, покрывают наблюдаемую поверхность “пятнами”, не образуя сплошного покрытия. По-видимому, максимальных результатов можно достичь, располагая границами сельскохозяйственных полей.
Отмечена систематическая недооценка площади высоких культур в регионах, где эти культуры имеют низкую биомассу. Скорее всего, лидар такие культуры просто не видит. Вероятно, проблемы должны возникать и при анализе полей малой площади.
Полученные результаты позволяют надеется обнаружить при помощи лидара уборку или полегание культуры, то есть события на поле, сопровождающиеся резким уменьшением высоты растительного покрова.
#лидар #sentinel2 #сельхоз
MDPI
Annual Field-Scale Maps of Tall and Short Crops at the Global Scale Using GEDI and Sentinel-2
Crop type maps are critical for tracking agricultural land use and estimating crop production. Remote sensing has proven an efficient and reliable tool for creating these maps in regions with abundant ground labels for model training, yet these labels remain…
atm_corr_SIAC.gif
1 MB
GEE-39. Атмосферная коррекция данных Sentinel-2 Level-1C
Коррекция влияния атмосферы на спутниковые снимки нужна, чтобы получить более точную количественную оценку отражения земной поверхности. На GEE есть готовые снимки 2-го уровня обработки — Sentinel-2 Surface Reflectance, которые уже прошли атмосферную коррекцию, но они начинаются только с 2019 года. Если нужны более ранние снимки, берем данные Sentinel-2 Level-1C, которые начинаются с 2015 года, и выполняем их атмосферную коррекцию, превращая в данные 2-го уровня.
Для атмосферной коррекции в GEE сейчас есть два способа.
Первый способ предложен Сэмом Мерфи и реализован для Python API с помощью пакета Py6S (пакет атмосферной коррекции atmospheric находится в папке bin). Устанавливать Py6S проще всего под Anaconda/Miniconda.
🖥 Пример применения. Еще один пример, в котором результаты сохраняются в виде GEE Assets для последующего использования в GEE JavaScript API.
Второй способ атмосферной коррекции — метод SIAC (Sensor Invariant Atmospheric Correction) — реализован для GEE JavaScript API. Атмосферная коррекция этим методом выполняется после маскирования облаков, иначе возникает ошибка: User memory limit exceeded. Работает удовлетворительно, хотя код основного скрипта закрыт от пользователей.
🖥 Код примера.
Статья с описанием метода SIAC уже несколько лет находится на стадии препринта. Забавно, что к последней его версии приложен код метода, реализованный на Python.
#sentinel2 #GEE
Коррекция влияния атмосферы на спутниковые снимки нужна, чтобы получить более точную количественную оценку отражения земной поверхности. На GEE есть готовые снимки 2-го уровня обработки — Sentinel-2 Surface Reflectance, которые уже прошли атмосферную коррекцию, но они начинаются только с 2019 года. Если нужны более ранние снимки, берем данные Sentinel-2 Level-1C, которые начинаются с 2015 года, и выполняем их атмосферную коррекцию, превращая в данные 2-го уровня.
Для атмосферной коррекции в GEE сейчас есть два способа.
Первый способ предложен Сэмом Мерфи и реализован для Python API с помощью пакета Py6S (пакет атмосферной коррекции atmospheric находится в папке bin). Устанавливать Py6S проще всего под Anaconda/Miniconda.
🖥 Пример применения. Еще один пример, в котором результаты сохраняются в виде GEE Assets для последующего использования в GEE JavaScript API.
Второй способ атмосферной коррекции — метод SIAC (Sensor Invariant Atmospheric Correction) — реализован для GEE JavaScript API. Атмосферная коррекция этим методом выполняется после маскирования облаков, иначе возникает ошибка: User memory limit exceeded. Работает удовлетворительно, хотя код основного скрипта закрыт от пользователей.
🖥 Код примера.
Статья с описанием метода SIAC уже несколько лет находится на стадии препринта. Забавно, что к последней его версии приложен код метода, реализованный на Python.
#sentinel2 #GEE
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
Major TOM: расширяемая структура набора данных [ссылка]
Модели глубокого обучения, в том числе те, что используются в дистанционном зондировании Земли (ДЗЗ), требуют огромного количества данных. Существующие наборы данных различаются форматами и структурой данных, а также покрываемой территорией. Чтобы облегчить пользователям процесс расширения наборов данных, необходима общая структура, позволяющая дополнять эти наборы и объединять разные наборы между собой. В качестве такой расширяемой структуры предлагается Major TOM (Terrestrial Observation Metaset). Она состоит из системы географического индексирования, основанной на наборе точек сетки, и структуры метаданных, позволяющей объединять несколько наборов данных из разных источников.
Помимо спецификации Major TOM, в работе представлен набор данных MajorTOM-Core, который охватывает большую часть земной поверхности. Этот набор данных общедоступен, и пригодится как сам по себе, так и в качестве образца для будущих дополнений экосистемы Major TOM.
MajorTOM-Core состоит из 2 245 886 образцов снимков Sentinel-2 (разрешение 10 м) размером 1068 x 1068 пикселей, доступных на уровнях обработки L1C и L2A.
🛢 MajorTOM на HuggingFace и на GitHub.
💻 Пример в Colab
#датасет #sentinel2 #нейронки
Модели глубокого обучения, в том числе те, что используются в дистанционном зондировании Земли (ДЗЗ), требуют огромного количества данных. Существующие наборы данных различаются форматами и структурой данных, а также покрываемой территорией. Чтобы облегчить пользователям процесс расширения наборов данных, необходима общая структура, позволяющая дополнять эти наборы и объединять разные наборы между собой. В качестве такой расширяемой структуры предлагается Major TOM (Terrestrial Observation Metaset). Она состоит из системы географического индексирования, основанной на наборе точек сетки, и структуры метаданных, позволяющей объединять несколько наборов данных из разных источников.
Помимо спецификации Major TOM, в работе представлен набор данных MajorTOM-Core, который охватывает большую часть земной поверхности. Этот набор данных общедоступен, и пригодится как сам по себе, так и в качестве образца для будущих дополнений экосистемы Major TOM.
MajorTOM-Core состоит из 2 245 886 образцов снимков Sentinel-2 (разрешение 10 м) размером 1068 x 1068 пикселей, доступных на уровнях обработки L1C и L2A.
🛢 MajorTOM на HuggingFace и на GitHub.
💻 Пример в Colab
#датасет #sentinel2 #нейронки
Возможности Sentinel-2 для оценки выбросов метана
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
Обнаружение выбросов диоксида азота по данным Sentinel-2 и Landsat
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
Первые снимки Sentinel-2C [ссылка]
Менее чем через две недели после запуска на орбиту спутник ESA Sentinel-2C передал на землю первые снимки.
Третий спутник серии Sentinel-2 был запущен 5 сентября с Европейского космодрома во Французской Гвиане. Как и его собратья Sentinel-2A и Sentinel-2B, спутник оснащён мультиспектральной камерой MultiSpectral Instrument (MSI), которая с высоты орбиты 786 км делает снимки в 13 спектральных диапазонах с разрешением 10 м, 20 м и 60 м. Ширина полосы захвата составляет 290 км.
1️⃣ На одном из первых снимков Sentinel-2C хорошо видна Севилья и её окрестности на юге Испании. Севилья является столицей Андалусии, и в ней находится штаб-квартира Испанского космического агентства.
2️⃣ Ложно-цветное изображение, полученное с помощью коротковолнового инфракрасного и ближнего инфракрасного каналов MSI, основано на снимке, сделанном 12 сентября. На нём виден один их лесных пожаров в Калифорнии. Выжженная площадь и активные пожары, выделяются как ярко-оранжевые пятна.
#ESA #sentinel2
Менее чем через две недели после запуска на орбиту спутник ESA Sentinel-2C передал на землю первые снимки.
Третий спутник серии Sentinel-2 был запущен 5 сентября с Европейского космодрома во Французской Гвиане. Как и его собратья Sentinel-2A и Sentinel-2B, спутник оснащён мультиспектральной камерой MultiSpectral Instrument (MSI), которая с высоты орбиты 786 км делает снимки в 13 спектральных диапазонах с разрешением 10 м, 20 м и 60 м. Ширина полосы захвата составляет 290 км.
1️⃣ На одном из первых снимков Sentinel-2C хорошо видна Севилья и её окрестности на юге Испании. Севилья является столицей Андалусии, и в ней находится штаб-квартира Испанского космического агентства.
2️⃣ Ложно-цветное изображение, полученное с помощью коротковолнового инфракрасного и ближнего инфракрасного каналов MSI, основано на снимке, сделанном 12 сентября. На нём виден один их лесных пожаров в Калифорнии. Выжженная площадь и активные пожары, выделяются как ярко-оранжевые пятна.
#ESA #sentinel2
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
Спутник Sentinel-2C введен в эксплуатацию
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные