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

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

Отчего зависит цвет морской воды?

Отвечаем на вопрос читателя.

Вопрос “отчего зависит цвет воды?” — далеко не простой. Цвет чистой морской воды зависит от поглощения водой света разных длин волн. Красные и оранжевые лучи спектра поглощаются уже на незначительной глубине 1️⃣. Голубые и фиолетовые лучи поглощаются гораздо слабее, и потому имеют больше шансов отразиться в направлении поверхности. В результате, вода кажется голубой.

При небольшой глубине или низкой прозрачности воды, наряду с голубыми лучами, от дна или взвешенных в воде частиц отражаются также красные и оранжевые лучи. Вместе они придают воде зеленый цвет. На совсем небольшой глубине (у кромки берега или в стакане) различия в поглощении света разных цветов не успевают сказаться, и вода выглядит бесцветной.

На цвет морской воды влияют примеси, приносимые реками. Желтое море получает свой желтый цвет из-за выносимого реками лесса. В Красном море у берегов обитают микроорганизмы красноватого цвета. Выносимый реками торф делает воду почти черной. Примеси влияют на цвет воды у берегов, но вдали их влияние сходит на нет.

На цвет морской воды может влиять фосфоресценция микроорганизмов.

Цвет воды зависит от цвета неба: в ясную погоду море выглядит более голубым или синим, в пасмурную его цвет сменяется на серый (свинцовый).

Цвет морской воды колеблется между зеленым, голубым и кобальтово-синим. Замечено, что более соленая и теплая вода имеет более интенсивный голубой цвет, тогда как холодная и менее соленая имеет зеленоватый оттенок. Поэтому южные моря обычно голубые, а северные — зеленые. Над более глубокими местами цвет голубой, над менее глубокими — зеленый. Чем выше соленость воды, тем скорее происходит осаждение мелкой мути, вследствие чего увеличивается прозрачность воды, отсюда и ее более синий цвет.

Важно! Мы не является специалистами в данном вопросе. Все, что здесь изложено, мы узнали из научно-популярных книг и учебника “Основы оптики океана” (конкретно — отсюда).

#вода #основы

Учебники проекта SEOS

Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.

Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.

Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.

#основы

Обзор канала за октябрь

В октябре мы…

🖥 Приступили к изучению R (#R). Начали с основ языка: переменных и структур данных. Учебник по R собираем здесь. Основ осталось немного. В ноябре перейдем, наконец, к пространственным данным.

👨🏻‍💻 Знакомились с новыми коллекциями данных (#данные) и полезными инструментами. OpenTopography — сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. geojson.io — инструмент для создания, просмотра и обмена векторными картами. Satellites.pro — свободный агрегатор спутниковых изображений и карт. На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA, а также ESA CCI Global Forest Above Ground Biomass и AgERA5 (ECMWF) dataset.

🖥🛰 Изучали возможности Google Earth Engine (#GEE). Атмосферная коррекция данных Sentinel-2 Level-1C позволяет продлить временной ряд данных Sentinel-2 Surface Reflectance, начав его с 2015 года вместо 2019. Обобщили наши знания по маскированию облаков и теней на снимках Sentinel-2. Познакомились с топографической коррекцией и коррекцией угла съемки в надир для данных Sentinel-2 Surface Reflectance. Научились рассчитывать индексы состояния растений: VCI, TCI и VHI. Учебник по GEE с “живыми” примерами кода находится здесь. Более крупные проекты — здесь.

📖🛰 В рубрике “Основы ДЗЗ” ( #основы) обсудили влияние вулканов и стратосферных аэрозолей на климат. Разобрали, отчего зависит цвет морской воды и как распространение радарных сигналов в атмосфере зависит от длины волны. Cобрали учебники по ДЗЗ, подготовленные по проекту SEOS, в том числе, на русском языке.

📜 🗓 Вспоминали о том, как 66 лет назад Советский Союз запустил первый в мире искусственный спутник Земли. Познакомились с планами по созданию новой группировки метеоспутников NOAA — Near Earth Orbit Network, новой российской группировки спутников ДЗЗ “Грифон” и планами по развитию российской спутниковой группировки до 2036 года.

🚀Следили за запуском европейской ракеты-носителя Vega, которая успешно вывела на орбиту несколько интересных спутников, но только не космическую тросовую систему с электропроводящим тросом ESTCube-2. Ожидаем проведения российского эксперимента “Напор-миниРСА” по радарной съемке с борта МКС.

🔔 🗓 Публиковали анонсы конкурсов, турниров, соревнований и челенджей, связанных с космонавтикой и дистанционным зондированием, а также научных конференций и семинаров. На некоторые регистрация еще продолжается. Ищите их по хештегам: #конкурс #конференции Особенно отметим “Золотой лекторий” на Всероссийском фестивале NAUKA 0+ с десятками научно-популярных лекций российских ученых. Все записи доступны в VK.

🖥📡 Знакомились с новыми технологиями. 1️⃣ IDRS реализует двусторонний канал передачи данных через группировку геостационарных спутников INMARSAT-4, что позволяет компаниям-операторам спутников на низкой околоземной орбите в любой момент связаться со своими аппаратами. 2️⃣ Тепловая съемка на спутнике HotSat-1 реализована в среднем инфракрасном диапазоне. Возможно, определять температуру поверхности с его помощью станет сложнее, зато сенсор стал дешевле, а выявлять очаги возгораний такой выбор диапазона не помешает.

🔥🌋Следили за стихийными бедствиями: лесными пожарами в Индонезии и в Канаде (последние, наконец-то, пошли на спад), извержением вулкана Безымянный на Камчатке и тропическим циклоном “Лола” в Тихом океане.

📸 ❄️🌕 Рассматривали снимки мыса Челюскин, снимки Земли c японского лунного зонда SLIM, а также тень от Луны на поверхности Земли, возникшую в результате кольцеобразного солнечного затмения.

🌲 Много писали о лесе и оценках его биомассы: об углеродных кредитах и компенсациях, методе оценки надземной биомассы леса в проектах углеродной компенсации, данных ICESat-2 для оценки высоты леса, о том, где их взять, а также о том, как беспилотники ускоряют проведение лесной таксации.

В октябре число подписчиков канала превысило 500. Нам очень приятно!
Спасибо, что читаете.

#октябрь2023

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

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

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

Подведем итоги. При выборе снимков для решения практических задач чаще всего применяют номинальное пространственное разрешение или наземный интервал дискретизации (GSD). Они дают косвенное представление о возможности различения объектов на снимке и используются, в основном, благодаря своей простоте. Для объективной оценки пространственного разрешения снимков применяют технологии, основанные на статистическом анализе изображений, полученных в ходе испытаний на заданной системе тестов (Современные технологии обработки данных ДЗЗ, 2015).

#основы

SAVI. Часть 2

Вернемся к формуле

NDVI = (NIR – Red) / (NIR + Red + 2ε).

‍Обратите внимание, что ε не влияет на числитель NDVI. Если бы мы использовали в качестве индекса разность (NIR – RED), у нас бы не было проблем с изменением цвета почвы. Однако, возникла бы другая сложность: новый вегетационный индекс будет меняться в зависимости от освещенности. Когда общая интенсивность света составляет 50% от нормы (например, из-за умеренной облачности), (NIR – RED) тоже будет на 50% меньше. Отсюда и необходимость нормализации индекса путем деления на общую интенсивность (NIR + RED).

Чтобы уменьшить чувствительность формулы к ε, добавим в знаменатель константу L:

Стабилизированный NDVI = (NIR – Red) / (NIR + Red + 2ε + L).

‍‍Разберемся с тем, как выбрать L. Если L будет очень велико по сравнению с NIR и RED, то формула для вычисления стабилизированного NDVI превратится в

(NIR – Red) / (NIR + Red + 2ε + L) ≈ (NIR – Red) / L

Таким образом, для больших L чувствительность к ε исчезает. Зато формула сводится к масштабированной версии (NIR – RED), которая, как мы знаем, не работает.

Напротив, при L=0, мы вернемся к формуле NDVI, которая слишком чувствительна к ε.

Существует компромисс: выберем L достаточно большим, чтобы знаменатель был чувствителен к ε, но не слишком большим, чтобы не исчез эффект нормализации от деления на (NIR + RED).

Для конкретного региона можно определить свое значение L, откалибровав его на основе реальных данных. Однако в целом исследователи пришли к выводу, что L=0,5 создает вегетационный индекс, значительно менее чувствительный к цвету почвы, чем NDVI, и при этом достаточно нормализованный, чтобы общие изменения в интенсивности света не привели к существенному изменению индекса.

‍Осталось сделать последний шаг, чтобы сделать новый индекс удобным. Мы хотим, чтобы его значения находилась в интервале между –1 и 1. Увеличив знаменатель на L, мы добились того, что максимальное значение индекса (теоретически встречающееся при NIR=1, RED=0) стало равно 1/1+L. Если мы хотим, чтобы максимальное значение было равно 1, нам нужно умножить числитель на (1+L):

SAVI = (1 + L)(NIR – Red) / (NIR + Red + L), где L = 0,5

Новый индекс называется Soil-Adjusted Vegetation Index или SAVI. Он предложен в работе: Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-x

SAVI варьируется в пределах от –1 до 1, малочувствителен к цвету почвы, нечувствителен к общей интенсивности света и увеличивается пропорционально состоянию и плотности растительности. Он лучше NDVI подходит для районов с разреженной растительностью, где цвет почвы может меняться.

#индексы #сельхоз #основы

⭐️ 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

Мониторинг содержания парниковых газов в атмосфере
Лекция д. ф.-м. н. Ермакова Д.М. (ИКИ РАН) на XVII Всероссийской школе-конференции молодых ученых по фундаментальным проблемам дистанционного зондирования Земли из космоса, 15 ноября 2021 года [ссылка]

Рассмотрены возможности спутникового дистанционного мониторинга парниковых газов в атмосфере Земли. Обсуждены базовые физические механизмы взаимодействия излучения с молекулами атмосферных газов, частицами аэрозолей и воды в разных фазовых состояниях. Показаны способы описания этих механизмов, позволяющие эффективно решать задачи дистанционного зондирования химического состава и состояния атмосферы из космоса. Перечислены основные типы применяемых спутниковых приборов и способов организации измерений для извлечения полезной информации из регистрируемых спектров рассеянного, пропущенного и собственного излучения компонентов атмосферы. На примере фактических спутниковых наблюдений продемонстрированы возможности и перспективы мониторинга состояния и динамики атмосферы на различных пространственно-временных масштабах.

👨🏻‍💻 Презентация
📹 Видео

📖 Руководство по приборам и методам наблюдений. Том IV – Космические наблюдения. Издание 2021 г. Всемирная Метеорологическая Организация, 2021. ВМО-№8. 231 с. (PDF)

#обучение #основы #атмосфера

Особенности радарных данных

В заявлениях провайдеров радарных данных можно прочитать, что радары, в отличие от оптических сенсоров, способны вести съёмку в любую погоду независимо от времени суток. Из-за этого может сложиться впечатление, что радарные данные похожи на оптические, только лучше. Разберёмся с тем, о чём провайдеры предпочитают умалчивать.

Радар (англ. radar — сокращение от RAdio Detection And Ranging) измеряет интенсивность (или амплитуду) и фазу отраженного сигнала, дискретизированные во временных интервалах по азимуту (вдоль направления движения антенны) и дальности (перпендикулярно направлению движения антенны).

Термин синтезированная апертура у радаров (Synthetic Aperture Radar или SAR) относится к виртуальному созданию огромной антенны, используя движение спутниковой платформы. Большая виртуальная антенна нужна для обеспечения адекватного разрешения по азимуту. Все космические радары являются радарами с синтезированной апертурой.

Основные различия между радарами и оптическими сенсорами:

* Радар осуществляет активное зондирование: он излучает сигнал в микроволновом диапазоне и фиксирует часть этого сигнала, отраженную от поверхности. Оптические сенсоры — пассивные. Они регистрируют отраженное излучение от Солнца в определённых диапазонах видимого и инфракрасного спектра.
* Радар имеет боковой обзор, в отличие от оптических сенсоров, которые обычно “смотрят” в надир.
* Излучение радара является когерентным, поскольку микроволновое излучение передается с точным набором длин волн. Это позволяет проводить точные измерения фазы и амплитуды отражённых волн, а также использовать поляризацию. Отражённый солнечный свет не является когерентным и имеет широкий диапазон длин волн со случайными фазами.

Эти различия являются основой для понимания как относительных преимуществ, так и недостатков радаров по сравнению с оптическими (тепловыми) сенсорами.

Важно помнить, что обратное рассеяние сигнала радара зависит от иных физических свойств подстилающей поверхности, по сравнению со свойствами, определяющими отражение в оптических сенсорах. Для радаров эти свойства связаны со структурной геометрией и электромагнитными свойствами материала поверхности, освещаемой падающим излучением.

Преимущества радаров по сравнению с оптическими сенсорами:

* Радар не зависит от солнечного света, поэтому может получать данные в дневное и в ночное время.
* Облачность не оказывают существенного влияния на распространение радарного сигнала в ряде диапазонов микроволнового излучения.
* Радарные данные не требуют атмосферной коррекции.

#SAR #основы

Особенности радарных данных-2

Наряду с достоинствами, наблюдение при помощи радаров имеет ряд недостатков или, если угодно, особенностей:

* Когерентная природа микроволнового излучения радара вызывает спекл-шум. Это приводит к появлению на снимках искажений типа "соль и перец". Спекл можно уменьшить различными способами, но его нельзя устранить полностью.
* Обратное рассеяние сигнала радара зависит от угла падения микроволнового излучения. Поскольку радар работает в некотором диапазоне углов падения вдоль полосы обзора, одна и та же цель будет выглядеть по-разному, в зависимости от того, находится ли она в ближней (с малым углом падения) или в дальней (с большим углом падения) зоне полосы обзора. То, как обратное рассеяние изменяется с углом падения, зависит от свойств поверхности. Так, обратное рассеяние от плоской сухой поверхности почвы уменьшается с увеличением угла падения значительно сильнее, чем обратное рассеяние от полога леса. На практике, чтобы исследовать свойства интересующей области поверхности, используют радарные снимки, где эта область снята с одинаковыми или близкими по значению углами падения.
* Рельеф местности оказывает сильное влияние на обратное рассеяние сигнала, поскольку он изменяет площадь, освещаемую боковым излучением радара. В частности, рельеф вызывает сокращение склонов, ориентированных в сторону радара, и затенение склонов, направленных в сторону от радара, крутизна которых превышает местный угол падения. Многие из этих эффектов можно исправить методами геометрической коррекции радарных изображений, однако полностью избавится от особенностей радарной съемки не удаётся.

Всё это затрудняет интерпретацию радарных изображений. Если снимки, сделанные оптическими сенсорами, во многом интерпретируются нами на основе жизненного опыта, то чтобы эффективно использовать радарные данные, нужно знать, какая часть изменений сигнала связана с внутренними свойствами радарной системы (длиной волны, поляризацией), с геометрией съемки (углом падения), а какая — с физическими свойствами исследуемой поверхности. Радарные снимки во многом похожи на то, как “видит” мир летучая мышь при помощи своего сонара (за исключением поляризации).

#SAR #основы

Особенности радарных данных-3

Формально, радарные данные Sentinel-1 IW GRD имеют такое же пространственное разрешение (10 м), как и оптические снимки Sentinel-2, но выглядят они как данные более низкого разрешения. Действительно, разрешение радарных данных по азимуту и по дальности различается, так что “квадратность” пикселя является результатом достаточно хитрой обработки. Кроме того, спекл-фильтрация потребует применения пространственных фильтров с размерами ядра 3 х 3, 5 х 5 и т. п., что дополнительно снижает пространственное разрешение. Так что, на практике, выглядеть сходно с 10-метровыми оптическими снимками будут радарные данные с разрешением 2–3 м.

Все микроволновые данные чувствительны по отношению к выпавшим осадкам в виде дождя и росы. Так, радарные данные, полученные в сезон дождей, серьезно недооценивают площадь обезлесения, поскольку участки вырубок и ненарушенного леса имеют близкие значения обратного рассеяния. Поэтому иногда приходится маскировать участки снимка, где выпали осадки или исключать из рассмотрения снимки, сделанные после дождя или выпадения росы. Чем-то напоминает проблемы с облачностью у оптических сенсоров, не так ли?

Плотная облачность в тропиках ослабляет радарные сигналы коротковолновых диапазонов, включая C-диапазон. Для сигнала L-диапазона такого не происходит.

Радарные данные не нуждаются в атмосферной коррекции, но для построения интерферограмм нужно вводить атмосферную поправку.

В учебниках по радарной съемке часто встречается картинка, на которой сигналы X-диапазона отражаются от верхней части древесного полога, а сигналы L-диапазона пронизывают полог до самой земли. Это справедливо для довольно низкого пространственного разрешения. Когда разрешение составляет десятки сантиметров, сигналы X-диапазона свободно проникают в щели между ветвями, делая видимыми объекты под пологом леса.

Как видим, радарные данные не хуже и не лучше оптических — они просто другие: служат для решения других задач и дополняют информацию, полученную от оптических и тепловых сенсоров.

#SAR #основы

📖 Шихов А.Н., Абдуллин Р.К. Фонд космических снимков для создания карт. Пермь: Пермский государственный национальный исследовательский университет, 2024. — 115 с. [PDF]

Фонд космических снимков — это виртуальное объединение всех данных, полученных методами дистанционного зондирования Земли из космоса.

Книга содержит систематизированную информацию о современном состоянии мирового фонда космических снимков. Она позволяет обоснованно подойти к выбору источников данных для решения той или иной задачи (в частности, сократить временные затраты, используя готовые тематические продукты вместо “сырых” данных) и получить представление о результатах исследований ведущих мировых научных центров в области обработки и анализа спутниковых данных.

Рассматривается история развития и современное состояние мирового фонда спутниковых снимков в различных спектральных диапазонах, современные тенденции развития фонда снимков и рынка данных дистанционного зондирования Земли из Космоса, основные области применения данных, полученных различными съемочными системами; тематические продукты, созданные на основе спутниковых данных для глобального картографирования природных ресурсов и их многолетней динамики, а также глобальные цифровые модели рельефа, созданные по спутниковым данным.

#основы

Инфракрасная камера зафиксировала исходящее от слона тепловое излучение —электромагнитные волны в тепловом инфракрасном диапазоне. Вода отражает эти волны, и мы видим “тепловое” отражение слона. Часть энергии электромагнитных волн поглощается водой, поэтому отражение выглядит более холодным, чем тело слона.

📸 Источник

#основы