978-3-031-26588-4.pdf
45.4 MB
Cloud-Based Remote Sensing with Google Earth Engine: Fundamentals and Applications / Eds. Jeffrey A. Cardille, Morgan A. Crowley, David Saah, Nicholas E. Clinton. — Springer, 2024. https://doi.org/10.1007/978-3-031-26588-4
Cloud-Based Remote Sensing with Google Earth Engine: Fundamentals and Applications
Cloud-Based Remote Sensing with Google Earth Engine: Fundamentals and Applications / Eds. Jeffrey A. Cardille, Morgan A. Crowley, David Saah, Nicholas E. Clinton. — Springer, 2024. https://doi.org/10.1007/978-3-031-26588-4
Самый современный учебник по Google Earth Engine и приложениям. Первая половина книги, "Основы" (Fundamentals), состоит из 31 лабораторной работы, призванной помочь новичку в Earth Engine развиться до продвинутого пользователя. Вторая половина, “Приложения” (Applications), в 24 главах показывает примеры использования Earth Engine в самых разных областях, где применяются данные дистанционного зондирования.
Книга находится в открытом доступе.
Сайт книги: https://www.eefabook.org
Краткое содержание:
Fundamentals
I. Programming and Remote Sensing Basics
II. Interpreting Images
III. Advanced Image Processing
IV. Interpreting Image Series
V. Vectors and Tables
VI. Advanced Topics
Applications
VII. Human Applications
VIII. Aquatic and Hydrological Applications
IX. Terrestrial Applications
#GEE
Cloud-Based Remote Sensing with Google Earth Engine: Fundamentals and Applications / Eds. Jeffrey A. Cardille, Morgan A. Crowley, David Saah, Nicholas E. Clinton. — Springer, 2024. https://doi.org/10.1007/978-3-031-26588-4
Самый современный учебник по Google Earth Engine и приложениям. Первая половина книги, "Основы" (Fundamentals), состоит из 31 лабораторной работы, призванной помочь новичку в Earth Engine развиться до продвинутого пользователя. Вторая половина, “Приложения” (Applications), в 24 главах показывает примеры использования Earth Engine в самых разных областях, где применяются данные дистанционного зондирования.
Книга находится в открытом доступе.
Сайт книги: https://www.eefabook.org
Краткое содержание:
Fundamentals
I. Programming and Remote Sensing Basics
II. Interpreting Images
III. Advanced Image Processing
IV. Interpreting Image Series
V. Vectors and Tables
VI. Advanced Topics
Applications
VII. Human Applications
VIII. Aquatic and Hydrological Applications
IX. Terrestrial Applications
#GEE
Австралийская гиперспектральная камера сделала первые снимки из космоса
Гиперспектральная камера CyanoSat, размещенная на одном из малых космических аппаратов австралийской компании Skykraft, запущенных 12 июня 2023 года, сделала свои первые снимки из космоса. CyanoSat является первой австралийской гиперспектральной камерой, запущенной в космос.
Камера разработана специалистами CSIRO (Commonwealth Scientific and Industrial Research Organisation) Space Optics Lab в сотрудничестве с Университетом Аделаиды. Она предназначена для обнаружения сине-зеленых водорослей и выделения цианобактерий среди других видов водорослей в прибрежных и внутренних водоемах Австралии. Идентификация цианобактерий важна, в первую очередь, для оценки качества воды.
CyanoSat обеспечивает пространственное разрешение 50 метров при высоте орбиты 600 километров. С помощью специального фильтра формируется более 30 спектральных каналов в видимом и ближнем инфракрасном диапазоне.
Статья о подборе оптимального состава спектральных каналов, позволяющих идентифицировать цианобактерии:
Matthews, M.W.; Kravitz, J.; Pease, J.; Gensemer, S. Determining the Spectral Requirements for Cyanobacteria Detection for the CyanoSat Hyperspectral Imager with Machine Learning. Sensors 2023, 23, 7800. https://doi.org/10.3390/s23187800
Сейчас CSIRO Space Optics Lab работает над камерой следующего поколения, CyanoSat 2.0, в которой будут учтен опыт эксплуатации CyanoSat. Новая камера должна иметь более широкое поле зрения и также будет использоваться для мониторинга цветения водорослей.
📸Схема CyanoSat
#гиперспектр #австралия
Гиперспектральная камера CyanoSat, размещенная на одном из малых космических аппаратов австралийской компании Skykraft, запущенных 12 июня 2023 года, сделала свои первые снимки из космоса. CyanoSat является первой австралийской гиперспектральной камерой, запущенной в космос.
Камера разработана специалистами CSIRO (Commonwealth Scientific and Industrial Research Organisation) Space Optics Lab в сотрудничестве с Университетом Аделаиды. Она предназначена для обнаружения сине-зеленых водорослей и выделения цианобактерий среди других видов водорослей в прибрежных и внутренних водоемах Австралии. Идентификация цианобактерий важна, в первую очередь, для оценки качества воды.
CyanoSat обеспечивает пространственное разрешение 50 метров при высоте орбиты 600 километров. С помощью специального фильтра формируется более 30 спектральных каналов в видимом и ближнем инфракрасном диапазоне.
Статья о подборе оптимального состава спектральных каналов, позволяющих идентифицировать цианобактерии:
Matthews, M.W.; Kravitz, J.; Pease, J.; Gensemer, S. Determining the Spectral Requirements for Cyanobacteria Detection for the CyanoSat Hyperspectral Imager with Machine Learning. Sensors 2023, 23, 7800. https://doi.org/10.3390/s23187800
Сейчас CSIRO Space Optics Lab работает над камерой следующего поколения, CyanoSat 2.0, в которой будут учтен опыт эксплуатации CyanoSat. Новая камера должна иметь более широкое поле зрения и также будет использоваться для мониторинга цветения водорослей.
📸Схема CyanoSat
#гиперспектр #австралия
This media is not supported in your browser
VIEW IN TELEGRAM
Kayrros обнародовала карту глобального мониторинга выбросов метана
Французская компания Kayrros обнародовала бесплатную версию карты ежедневного глобального мониторинга метана.
На карте представлены результаты мониторинга, начиная с 2019 года.
Можно переключаться между двумя представлениями карты: "Суперэмитенты" и "Страны" (Super-emitter view / Country view). Суперэмитенты — это источники выбросов, которые выделяют газ со скоростью, значительно превышающей среднюю.
Щелкнув по кружку, соответствующему суперэмитенту метана, можно посмотреть карту концентрации метана вокруг данного источника выбросов, построенную по спутниковым данным. Щелкнув по стране, можно просмотреть данные об объеме выбросов метана.
Данные можно скачать в формате CSV.
Для обнаружения и количественной оценки крупных антропогенных выбросов метана используются спутниковые данные Sentinel-5p TROPOMI, гиперспектрометра EMIT и ряд других открытых данных.
Данные канадских спутников GHGSat используются в платной версии карты.
Сейчас на карте показаны 5 645 суперэмитентов метана по всему миру. Из них 3320 связаны с добычей нефти и газа, 874 — угля и 1451 — отходов и сельского хозяйства. Похоже, на карте показаны только источники антропогенных выбросов метана.
Информация об источниках данных и методах, используемых Kayrros, приведена в FAQ. См. также рисунок ниже.
#данные #CH4 #GHG
Французская компания Kayrros обнародовала бесплатную версию карты ежедневного глобального мониторинга метана.
На карте представлены результаты мониторинга, начиная с 2019 года.
Можно переключаться между двумя представлениями карты: "Суперэмитенты" и "Страны" (Super-emitter view / Country view). Суперэмитенты — это источники выбросов, которые выделяют газ со скоростью, значительно превышающей среднюю.
Щелкнув по кружку, соответствующему суперэмитенту метана, можно посмотреть карту концентрации метана вокруг данного источника выбросов, построенную по спутниковым данным. Щелкнув по стране, можно просмотреть данные об объеме выбросов метана.
Данные можно скачать в формате CSV.
Для обнаружения и количественной оценки крупных антропогенных выбросов метана используются спутниковые данные Sentinel-5p TROPOMI, гиперспектрометра EMIT и ряд других открытых данных.
Данные канадских спутников GHGSat используются в платной версии карты.
Сейчас на карте показаны 5 645 суперэмитентов метана по всему миру. Из них 3320 связаны с добычей нефти и газа, 874 — угля и 1451 — отходов и сельского хозяйства. Похоже, на карте показаны только источники антропогенных выбросов метана.
Информация об источниках данных и методах, используемых Kayrros, приведена в FAQ. См. также рисунок ниже.
#данные #CH4 #GHG
SRON публикует глобальные карты суперэмитентов метана
Исследователи из Нидерландского института космических исследований SRON разработали алгоритм, который обнаруживает шлейфы суперэмитентов (крупнейших выбросов) метана на снимках Sentinel-5P TROPOMI при помощи машинного обучения.
SRON публикует еженедельные глобальные карты расположения суперэмитентов метана. Данные можно скачать в формате CSV.
В конце года обещают опубликовать более полный и тщательный анализ всех обнаруженных шлейфов.
📸Карта крупнейших выбросов метана за 27.11.2023–01.12.2023
#данные #CH4 #GHG
Исследователи из Нидерландского института космических исследований SRON разработали алгоритм, который обнаруживает шлейфы суперэмитентов (крупнейших выбросов) метана на снимках Sentinel-5P TROPOMI при помощи машинного обучения.
SRON публикует еженедельные глобальные карты расположения суперэмитентов метана. Данные можно скачать в формате CSV.
В конце года обещают опубликовать более полный и тщательный анализ всех обнаруженных шлейфов.
📸Карта крупнейших выбросов метана за 27.11.2023–01.12.2023
#данные #CH4 #GHG
Интерес к суперэмитентам метана возник неспроста. Метан — второй по значимости парниковый газ после углекислого газа. Хотя время жизни метана в атмосфере намного короче, чем у углекислого газа, он эффективнее поглощает тепловое излучение: тонна выброшенного метана в течение столетия задержит в 30 раз больше тепла, чем тонна углекислого газа.
Если удастся сократить выбросы метана, то это сравнительно быстро (в течение примерно десяти лет) приведет к снижению глобальной концентрации метана в атмосфере и, следовательно, к меньшему усилению парникового эффекта.
В этой связи суперэмитенты метана — первые кандидаты на сокращение выбросов. Но сначала таких суперэмитентов нужно найти. Здесь и пригодятся карты, вроде этой и этой.
#CH4
Если удастся сократить выбросы метана, то это сравнительно быстро (в течение примерно десяти лет) приведет к снижению глобальной концентрации метана в атмосфере и, следовательно, к меньшему усилению парникового эффекта.
В этой связи суперэмитенты метана — первые кандидаты на сокращение выбросов. Но сначала таких суперэмитентов нужно найти. Здесь и пригодятся карты, вроде этой и этой.
#CH4
Читатели периодически задают вопросы по покупке спутниковых снимков, и очень удивляются, когда узнают, что простые, на первый взгляд, вопросы — “Сколько стоит?“, “Где дешевле?“ — не имеют однозначного ответа. Рассмотрим, как в целом выглядит процедура покупки снимков.
Есть несколько способов приобретения спутниковых снимков:
1. оплата по факту (pay-as-you-go);
2. подписка;
3. покупка базовых карт;
4. государственные контракты.
Самый простой способ — оплата по факту. Вы указываете область интереса, период времени, платите указанную сумму и получаете снимок. По ценам есть детали, о которых скажем позже.
Подписка — фиксированная периодическая плата за доступ к определенным видам снимков. У многих провайдеров спутниковых данных есть подписные программы: Planet Monitoring, Airbus Living Library, Maxar SecureWatch и т. п. Стоимость подписки имеет порядок десятков тысяч долларов месяц, но зато дает непрерывный доступ к снимкам.
Базовая карта (basemaps) — это глобальная мозаика из снимков с разрешением 30–70 см и возрастом от 1 до 5 лет. Проще говоря, это спутниковая карта из Яндекс.Карт. Базовые карты должны постоянно обновляться. Для этого отбираются наименее облачные снимки и может оказаться, что один участок карты представлен свежим снимком, а соседний — снимком годичной давности. Об оперативности здесь можно забыть. По ценам: годовая лицензия на данные Bing Maps, в зависимости от количества пользователей, стоит около 5000 евро.
Наконец, государственные контракты — это когда государственная организация выкупает снимки у провайдера и предоставляет их потребителям на своих условиях, в том числе, бесплатно. Если вы попадали в число таких потребителей, значит вам повезло.
Что касается оплаты по факту. Основное различие в ценах зависит от того, приобретаются архивные данные или делается заказ на новую съемку. В обоих случаях цена за км² зависит от пространственного разрешения данных. Естественно, данные с более высоким разрешением стоят дороже.
Важную роль при составлении бюджета на закупку снимков играет минимальная площадь заказа. Например, Airbus предлагает минимальный заказ в 100 км². То есть, даже если вам нужен участок площадью 1 км², купить придется 100 км². Здесь нужно искать сочетание низкой цены и минимальной площади заказа.
В последние годы появились онлайн-площадки, предлагающие спутниковые снимки одновременно от десятка поставщиков по модели оплаты по факту. Они дают возможность отфильтровать нужные данные и сравнить различные предложения между собой. Такие площадки легко ищутся в сети. Ситуация с ними довольно быстро меняется, так что мы не рискнем советовать вам какую-то определенную.
Для понимания порядка цен — вот данные Landinfo за июль 2023 года. Они не самые дешевые, но дают представление о соотношении цен на архивные данные и на новую съемку, а также на данные с разным пространственным разрешением.
Есть несколько способов приобретения спутниковых снимков:
1. оплата по факту (pay-as-you-go);
2. подписка;
3. покупка базовых карт;
4. государственные контракты.
Самый простой способ — оплата по факту. Вы указываете область интереса, период времени, платите указанную сумму и получаете снимок. По ценам есть детали, о которых скажем позже.
Подписка — фиксированная периодическая плата за доступ к определенным видам снимков. У многих провайдеров спутниковых данных есть подписные программы: Planet Monitoring, Airbus Living Library, Maxar SecureWatch и т. п. Стоимость подписки имеет порядок десятков тысяч долларов месяц, но зато дает непрерывный доступ к снимкам.
Базовая карта (basemaps) — это глобальная мозаика из снимков с разрешением 30–70 см и возрастом от 1 до 5 лет. Проще говоря, это спутниковая карта из Яндекс.Карт. Базовые карты должны постоянно обновляться. Для этого отбираются наименее облачные снимки и может оказаться, что один участок карты представлен свежим снимком, а соседний — снимком годичной давности. Об оперативности здесь можно забыть. По ценам: годовая лицензия на данные Bing Maps, в зависимости от количества пользователей, стоит около 5000 евро.
Наконец, государственные контракты — это когда государственная организация выкупает снимки у провайдера и предоставляет их потребителям на своих условиях, в том числе, бесплатно. Если вы попадали в число таких потребителей, значит вам повезло.
Что касается оплаты по факту. Основное различие в ценах зависит от того, приобретаются архивные данные или делается заказ на новую съемку. В обоих случаях цена за км² зависит от пространственного разрешения данных. Естественно, данные с более высоким разрешением стоят дороже.
Важную роль при составлении бюджета на закупку снимков играет минимальная площадь заказа. Например, Airbus предлагает минимальный заказ в 100 км². То есть, даже если вам нужен участок площадью 1 км², купить придется 100 км². Здесь нужно искать сочетание низкой цены и минимальной площади заказа.
В последние годы появились онлайн-площадки, предлагающие спутниковые снимки одновременно от десятка поставщиков по модели оплаты по факту. Они дают возможность отфильтровать нужные данные и сравнить различные предложения между собой. Такие площадки легко ищутся в сети. Ситуация с ними довольно быстро меняется, так что мы не рискнем советовать вам какую-то определенную.
Для понимания порядка цен — вот данные Landinfo за июль 2023 года. Они не самые дешевые, но дают представление о соотношении цен на архивные данные и на новую съемку, а также на данные с разным пространственным разрешением.
Ледник Маласпина на Аляске — один из популярнейших объектов на этом канале, в чем можно легко убедиться при помощи поиска. Поэтому очередной снимок этого ледника в Earth Observatory мы думали проигнорировать. Однако, снимок приобрел неожиданную популярность в сети, а его описание обросло некоторым количеством ошибок. Поэтому — Маласпина снова возвращается.
Снимок 1️⃣ ледника сделан 27 октября 2023 года спутником Sentinel-2* и представлен в комбинации каналов: 1-8-12 (coastal/aerosol, ближний ИК, коротковолновой ИК). В этой довольно редкой комбинации водные объекты отображаются красным, оранжевым и желтым цветами, растительность — зеленым, а горные породы — оттенками голубого. Темные синевато-фиолетовые “складки” по краям ледника — это морены — области, где откладываются почва, камни и другие обломки, соскобленные ледником во время его движения.
Построить снимок самому можно здесь.
Заметим, что оригинальный снимок был сделан Landsat 9 в тот же день, и представлен в аналогичной комбинации 1-5-7.
Теперь об ошибках и “трудностях перевода”. В публикации Space.com показана “скрытая лагуна” 2️⃣, обнаруженная на снимке. При ближайшем рассмотрении, она оказалась озером Маласпина, которое есть на любой карте.
Ученые действительно исследовали лагуны, расположенные на тонкой полоске земли между ледником и океаном (Гугл называет его “Север Пасифик Ошен”), и выяснили, что вода в них почти такая же соленая, как в океане. Но это — другие лагуны 3️⃣.
В русскоязычной статье добавлена пикантная деталь о том, что "тайную лагуну" можно увидеть только со спутника.
Исследователи обнаружили, что под ледником сквозь коренную породу проходят подледные каналы с водой. “Они простираются подо льдом на глубину до 35 километров” (источник). Нет, Кольская сверхглубокая может спать спокойно. Ее славе ничто не угрожает, поскольку речь идет о длине каналов, а не о глубине.
Что можно сказать по этому поводу? Читайте первоисточники.
*Точнее: прибором MSI спутника Sentinel-2B.
#комбинация #GEE #лед
Снимок 1️⃣ ледника сделан 27 октября 2023 года спутником Sentinel-2* и представлен в комбинации каналов: 1-8-12 (coastal/aerosol, ближний ИК, коротковолновой ИК). В этой довольно редкой комбинации водные объекты отображаются красным, оранжевым и желтым цветами, растительность — зеленым, а горные породы — оттенками голубого. Темные синевато-фиолетовые “складки” по краям ледника — это морены — области, где откладываются почва, камни и другие обломки, соскобленные ледником во время его движения.
Построить снимок самому можно здесь.
Заметим, что оригинальный снимок был сделан Landsat 9 в тот же день, и представлен в аналогичной комбинации 1-5-7.
Теперь об ошибках и “трудностях перевода”. В публикации Space.com показана “скрытая лагуна” 2️⃣, обнаруженная на снимке. При ближайшем рассмотрении, она оказалась озером Маласпина, которое есть на любой карте.
Ученые действительно исследовали лагуны, расположенные на тонкой полоске земли между ледником и океаном (Гугл называет его “Север Пасифик Ошен”), и выяснили, что вода в них почти такая же соленая, как в океане. Но это — другие лагуны 3️⃣.
В русскоязычной статье добавлена пикантная деталь о том, что "тайную лагуну" можно увидеть только со спутника.
Исследователи обнаружили, что под ледником сквозь коренную породу проходят подледные каналы с водой. “Они простираются подо льдом на глубину до 35 километров” (источник). Нет, Кольская сверхглубокая может спать спокойно. Ее славе ничто не угрожает, поскольку речь идет о длине каналов, а не о глубине.
Что можно сказать по этому поводу? Читайте первоисточники.
*Точнее: прибором MSI спутника Sentinel-2B.
#комбинация #GEE #лед
Forwarded from Росатом
Встреча на Енисее. С левой стороны - атомный ледокол «Таймыр», с правой - универсальный атомный ледокол «Урал», а на переднем плане - универсальный атомный ледокол «Сибирь».
👌 Подписывайтесь на «Росатом»
#фото #Атомфлот
#фото #Атомфлот
Please open Telegram to view this post
VIEW IN TELEGRAM
Бесплатные спутниковые снимки высокого пространственного разрешения
🛰Оптика
* Maxar Product Samples: https://resources.maxar.com/product-samples
* Maxar Open Data Program: https://registry.opendata.aws/maxar-open-data/
* Airbus Defence & Space Sample satellite imagery*: https://intelligence.airbus.com/imagery/sample-imagery/
* Planet NICFI Basemaps: https://www.planet.com/nicfi/
* Образцы спутниковых данных от European Space Imaging: https://www.euspaceimaging.com/samples/
🛰Радары
* Capella Space Synthetic Aperture Radar (SAR) Open Dataset: https://registry.opendata.aws/capella_opendata/
* Umbra Synthetic Aperture Radar (SAR) Open Data: https://yangx.top/sputnikDZZ/584 https://registry.opendata.aws/umbra-open-data/
* ICEYE SAR Datasets: https://www.iceye.com/downloads/datasets
* Synspective SAR Data Gallery: https://synspective.com/gallery/
В большинстве случаев требуется бесплатная регистрация.
*Не регистрирует на эл. почту от бесплатных провайдеров, вроде gmail.com.
#данные
🛰Оптика
* Maxar Product Samples: https://resources.maxar.com/product-samples
* Maxar Open Data Program: https://registry.opendata.aws/maxar-open-data/
* Airbus Defence & Space Sample satellite imagery*: https://intelligence.airbus.com/imagery/sample-imagery/
* Planet NICFI Basemaps: https://www.planet.com/nicfi/
* Образцы спутниковых данных от European Space Imaging: https://www.euspaceimaging.com/samples/
🛰Радары
* Capella Space Synthetic Aperture Radar (SAR) Open Dataset: https://registry.opendata.aws/capella_opendata/
* Umbra Synthetic Aperture Radar (SAR) Open Data: https://yangx.top/sputnikDZZ/584 https://registry.opendata.aws/umbra-open-data/
* ICEYE SAR Datasets: https://www.iceye.com/downloads/datasets
* Synspective SAR Data Gallery: https://synspective.com/gallery/
В большинстве случаев требуется бесплатная регистрация.
*Не регистрирует на эл. почту от бесплатных провайдеров, вроде gmail.com.
#данные
Сегодня будет один длинный текст, разделенный на несколько постов: ответ на вопросы читателей о характеристиках пространственного разрешения.
Пространственное разрешение
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Литература
1. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. — М.: Техносфера, 2010. — 560 с.
2. Joseph, G. How to Specify an Electro-optical Earth Observation Camera? A Review of the Terminologies Used and its Interpretation // Journal Indian Soc. Remote Sens. — 2020. — V. 48. — P. 171–180. https://doi.org/10.1007/s12524-020-01105-8
3. Геча В. Я., Жиленев М. Ю., Новоселов С. А. Обзор средств оценки составляющих качества изображения на выходе спутниковой оптико-электронной аппаратуры дистанционного зондирования Земли в целях обеспечения бортовой обработки снимков на борту космического аппарата // Вопросы электромеханики. Труды ВНИИЭМ. — 2021. — Т. 185, № 6. — C. 38–48.
4. Современные технологии обработки данных дистанционного зондирования Земли / Под ред. В.В. Еремеева. — М.: Физматлит, 2015. — 460 с. В первую очередь: глава 7.
5. Fiete, R. D. Image Chain Analysis for Space Imaging Systems // Journal of Imaging Science and Technology. — 2007. — V. 51, N 2. — P. 103–109.
1. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. — М.: Техносфера, 2010. — 560 с.
2. Joseph, G. How to Specify an Electro-optical Earth Observation Camera? A Review of the Terminologies Used and its Interpretation // Journal Indian Soc. Remote Sens. — 2020. — V. 48. — P. 171–180. https://doi.org/10.1007/s12524-020-01105-8
3. Геча В. Я., Жиленев М. Ю., Новоселов С. А. Обзор средств оценки составляющих качества изображения на выходе спутниковой оптико-электронной аппаратуры дистанционного зондирования Земли в целях обеспечения бортовой обработки снимков на борту космического аппарата // Вопросы электромеханики. Труды ВНИИЭМ. — 2021. — Т. 185, № 6. — C. 38–48.
4. Современные технологии обработки данных дистанционного зондирования Земли / Под ред. В.В. Еремеева. — М.: Физматлит, 2015. — 460 с. В первую очередь: глава 7.
5. Fiete, R. D. Image Chain Analysis for Space Imaging Systems // Journal of Imaging Science and Technology. — 2007. — V. 51, N 2. — P. 103–109.
Простейшая геометрическая схема съемки с расположением детекторного элемента (пикселя) в фокальной плоскости датчика показана на рисунке 1️⃣.
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Есть еще одна простая характеристика — наземный интервал дискретизации (GSD, ground sample distance или GSI — ground sample interval). Это расстояние на земной поверхности, соответствующее расстоянию между центрами соседних пикселов.
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы