ДИНАМИЧЕСКИЕ КАРТЫ ЗЕМНОГО ПОКРОВА DYNAMIC WORLD
Dynamic World (https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_DYNAMICWORLD_V1) — набор данных Land Use/Land Cover с уникальными характеристиками: высоким пространственным разрешением (10 м) и высокой частотой обновления (5 суток).
Данные имеют глобальный охват и временное покрытие с июня 2015 г. по настоящее время. Каждая карта Dynamic World соответствует снимку Sentinel-2 L1C. Карта имеет 10 слоев: 9 классов (Water, Trees, Grass, Flooded vegetation, Crops, Shrub & Scrub, Built Area, Bare ground, Snow & Ice) + метка основного класса.
Dynamic World — не столько готовая маска классов земной поверхности. В этом качестве она уступает ESA WorldCover (2020 и 2021). Скорее, это конструктор новых продуктов, приспособленных к потребностям пользователя.
Статья про сравнение 10-метровых классификаций: Venter et al. (2022). Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sensing, 14(16), 4101. https://doi.org/10.3390/rs14164101
#данные #LULC
Dynamic World (https://developers.google.com/earth-engine/datasets/catalog/GOOGLE_DYNAMICWORLD_V1) — набор данных Land Use/Land Cover с уникальными характеристиками: высоким пространственным разрешением (10 м) и высокой частотой обновления (5 суток).
Данные имеют глобальный охват и временное покрытие с июня 2015 г. по настоящее время. Каждая карта Dynamic World соответствует снимку Sentinel-2 L1C. Карта имеет 10 слоев: 9 классов (Water, Trees, Grass, Flooded vegetation, Crops, Shrub & Scrub, Built Area, Bare ground, Snow & Ice) + метка основного класса.
Dynamic World — не столько готовая маска классов земной поверхности. В этом качестве она уступает ESA WorldCover (2020 и 2021). Скорее, это конструктор новых продуктов, приспособленных к потребностям пользователя.
Статья про сравнение 10-метровых классификаций: Venter et al. (2022). Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sensing, 14(16), 4101. https://doi.org/10.3390/rs14164101
#данные #LULC
Google for Developers
Dynamic World V1
Dynamic World is a 10m near-real-time (NRT) Land Use/Land Cover (LULC) dataset that includes class probabilities and label information for nine classes. Dynamic World predictions are available for the Sentinel-2 L1C collection from 2015-06-27 to present.…
КЛАССИФИКАЦИЯ ЗЕМНОГО ПОКРОВА ESA WORLDCOVER
Свежая, глобальная, с пространственным разрешением 10 м., что для подобных продуктов очень хорошо. Опирается на данные Sentinel-1,-2. Смотрим тут: https://esa-worldcover.org/en/data-access.
Есть версии 2020 г. (https://worldcover2020.esa.int/) и 2021 г. (https://worldcover2021.esa.int/). Они опираются на разные алгоритмы классификации. Разработчики утверждают, что общая точность WorldCover 2020 равна 74.4%, а WorldCover 2021 — 76.7%.
Сравните результаты обоих WorldCover’ов: https://code.earthengine.google.com/2db3871decc438adaa7559367dd43b7e
#данные #LULC
Свежая, глобальная, с пространственным разрешением 10 м., что для подобных продуктов очень хорошо. Опирается на данные Sentinel-1,-2. Смотрим тут: https://esa-worldcover.org/en/data-access.
Есть версии 2020 г. (https://worldcover2020.esa.int/) и 2021 г. (https://worldcover2021.esa.int/). Они опираются на разные алгоритмы классификации. Разработчики утверждают, что общая точность WorldCover 2020 равна 74.4%, а WorldCover 2021 — 76.7%.
Сравните результаты обоих WorldCover’ов: https://code.earthengine.google.com/2db3871decc438adaa7559367dd43b7e
#данные #LULC
worldcover2020.esa.int
ESA WorldCover 2020
ESA WorldCover 2020 global land cover product at 10 m resolution. Considering the heavy download of the WorldCover map at 10m, a web interface was developed to mainly visualize and interact with data.
Дистанционное зондирование Земли (ДЗЗ)
Термины и сокращения, #термины
Организации: NASA, NOAA, DARPA и другие
Спектральные каналы Landsat 8/9 и Sentinel-2, MODIS
Спектральные сигнатуры
📚Основы дистанционного зондирования Земли, #основы
#индексы (спектральные, вегетационные, ...)
#комбинация каналов
#история ДЗЗ
Научно-популярные лекции по ДЗЗ
Лекции школы молодых учёных (ИКИ РАН): 2015-2017, 2018-2019, 2020-2021, 2022-2023
Рекомендованные практики мониторинга ЧС (UN-SPIDER)
Космическое образование в России: раз, два.
Поиск / Справочная информация
Общий каталог искусственных космических объектов (GCAT)
Спутники и съемочная аппаратура
Российские спутники ДЗЗ, #МВК
Информация о запусках
Орбиты спутников
#наблюдение за спутниками
Где взять научную литературу #книга #журнал
ИИ-поиск, патентный поиск, поиск наборов данных
#справка
Google Earth Engine
📚Учебник по Google Earth Engine
🌍 Список всех данных Google Earth Engine
Проекты и примеры кода
Учебные ресурсы
Полезные ссылки
#GEE
📚🖥 Работа с пространственными данными в R
Спутниковые и другие данные — #данные
Бесплатные спутниковые снимки, в т.ч. высокого разрешения
🛰 Sentinel-1, Радары на GEE
🛰 Sentinel-2
🛰 Landsat Collection 2, снимки Landsat
🛰 CBERS
#LULC — Land Use & Land Cover
#DEM
#границы
#nrt — Земля из космоса в реальном времени
Международная хартия по космосу и крупным катастрофам: список активаций
Погода: фактическая, реанализ, прогнозы
#ЧС
Тематические задачи
#лес, #AGB (надземная биомасса)
#пожары
#вода — водные объекты, наводнения, качество воды
#лед
#погода, #климат
#атмосфера
#археология
#сельхоз
#LST — температура земной поверхности
Типы данных
#гиперспектр
#SAR #InSAR
#лидар
#LST
#GNSSR
#ro
#SIF
Конференции, школы, семинары
#конференции
Конкурсы и чемпионаты
#конкурс
Новости военного ДЗЗ
#война #sigint #SSA
⭐️Все хештеги
Термины и сокращения, #термины
Организации: NASA, NOAA, DARPA и другие
Спектральные каналы Landsat 8/9 и Sentinel-2, MODIS
Спектральные сигнатуры
📚Основы дистанционного зондирования Земли, #основы
#индексы (спектральные, вегетационные, ...)
#комбинация каналов
#история ДЗЗ
Научно-популярные лекции по ДЗЗ
Лекции школы молодых учёных (ИКИ РАН): 2015-2017, 2018-2019, 2020-2021, 2022-2023
Рекомендованные практики мониторинга ЧС (UN-SPIDER)
Космическое образование в России: раз, два.
Поиск / Справочная информация
Общий каталог искусственных космических объектов (GCAT)
Спутники и съемочная аппаратура
Российские спутники ДЗЗ, #МВК
Информация о запусках
Орбиты спутников
#наблюдение за спутниками
Где взять научную литературу #книга #журнал
ИИ-поиск, патентный поиск, поиск наборов данных
#справка
Google Earth Engine
📚Учебник по Google Earth Engine
🌍 Список всех данных Google Earth Engine
Проекты и примеры кода
Учебные ресурсы
Полезные ссылки
#GEE
📚🖥 Работа с пространственными данными в R
Спутниковые и другие данные — #данные
Бесплатные спутниковые снимки, в т.ч. высокого разрешения
🛰 Sentinel-1, Радары на GEE
🛰 Sentinel-2
🛰 Landsat Collection 2, снимки Landsat
🛰 CBERS
#LULC — Land Use & Land Cover
#DEM
#границы
#nrt — Земля из космоса в реальном времени
Международная хартия по космосу и крупным катастрофам: список активаций
Погода: фактическая, реанализ, прогнозы
#ЧС
Тематические задачи
#лес, #AGB (надземная биомасса)
#пожары
#вода — водные объекты, наводнения, качество воды
#лед
#погода, #климат
#атмосфера
#археология
#сельхоз
#LST — температура земной поверхности
Типы данных
#гиперспектр
#SAR #InSAR
#лидар
#LST
#GNSSR
#ro
#SIF
Конференции, школы, семинары
#конференции
Конкурсы и чемпионаты
#конкурс
Новости военного ДЗЗ
#война #sigint #SSA
⭐️Все хештеги
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
Слой качества данных ESA WorldCover 2020
Карта классов земного покрова ESA WorldCover 10 m 2020 V100 находится в каталоге данных GEE: https://developers.google.com/earth-engine/datasets/catalog/ESA_WorldCover_v100, а слой для оценки качества этой карты — ESA WorldCover 10 m 2020 V100 InputQuality, находится здесь.
Слой качества входных данных показывает, сколько снимков Sentinel-1 и Sentinel-2 использовано для получения каждого пикселя итоговой карты. Он представляет собой трехканальный GeoTIFF:
* b1: количество наблюдений Sentinel-1 GAMMA0, использованных в процессе классификации.
* b2: Количество наблюдений Sentinel-2 L2A, использованных в процессе классификации
* b3: процент (0–100) некачественных наблюдений S2, отброшенных в ходе классификации, после фильтрации облаков и теней.
По данным b2 и b3 можно получить общее число достоверных наблюдений Sentinel-2 L2A, использованных для классификации.
Код: https://code.earthengine.google.com/a9b67ae6b5e73657cfa3854dd7af3609
Для ESA WorldCover 10 m 2021 V200 слоя качества пока нет.
#GEE #данные #LULC
Карта классов земного покрова ESA WorldCover 10 m 2020 V100 находится в каталоге данных GEE: https://developers.google.com/earth-engine/datasets/catalog/ESA_WorldCover_v100, а слой для оценки качества этой карты — ESA WorldCover 10 m 2020 V100 InputQuality, находится здесь.
Слой качества входных данных показывает, сколько снимков Sentinel-1 и Sentinel-2 использовано для получения каждого пикселя итоговой карты. Он представляет собой трехканальный GeoTIFF:
* b1: количество наблюдений Sentinel-1 GAMMA0, использованных в процессе классификации.
* b2: Количество наблюдений Sentinel-2 L2A, использованных в процессе классификации
* b3: процент (0–100) некачественных наблюдений S2, отброшенных в ходе классификации, после фильтрации облаков и теней.
По данным b2 и b3 можно получить общее число достоверных наблюдений Sentinel-2 L2A, использованных для классификации.
Код: https://code.earthengine.google.com/a9b67ae6b5e73657cfa3854dd7af3609
Для ESA WorldCover 10 m 2021 V200 слоя качества пока нет.
#GEE #данные #LULC
ESRI 10m Annual Land Use Land Cover (2017–2022)
ESRI 10m Annual Land Use Land Cover (2017–2022) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) за 2017–2021 годы. Карты построены на основе снимков Sentinel-2 и имеют пространственное разрешение 10 метров.
Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland. Описание классов.
Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
На рисунках — карта LULC окрестностей Варны (Болгария) и соответствующий ей снимок из Google Earth. Как видим, легенду проще добавить, чем удалить.
Код примера
Основное преимущество этих данных сейчас — наличие ряда карт за 5 лет (и разработчики собираются продолжать). У близких по параметрам ESA WorldCover карт всего две — за 2020 и 2021 годы. Есть еще Google Dynamic World, но там ежегодную карту еще нужно построить. Про сравнение всех этих карт мы еще поговорим.
#данные #GEE #LULC
ESRI 10m Annual Land Use Land Cover (2017–2022) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) за 2017–2021 годы. Карты построены на основе снимков Sentinel-2 и имеют пространственное разрешение 10 метров.
Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland. Описание классов.
Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
На рисунках — карта LULC окрестностей Варны (Болгария) и соответствующий ей снимок из Google Earth. Как видим, легенду проще добавить, чем удалить.
Код примера
Основное преимущество этих данных сейчас — наличие ряда карт за 5 лет (и разработчики собираются продолжать). У близких по параметрам ESA WorldCover карт всего две — за 2020 и 2021 годы. Есть еще Google Dynamic World, но там ежегодную карту еще нужно построить. Про сравнение всех этих карт мы еще поговорим.
#данные #GEE #LULC
Сравнение карт классов землепользования и земного покрова
Сейчас существуют три глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) с пространственным разрешением 10 метров: ESA WorldCover (2020–2021), ESRI Annual Land Use Land Cover (2017–2021) и Google Dynamic World (2015–н.в.). Возникает естественный вопрос: какие карты точнее?
Ответить на этот вопрос пытаются авторы Venter Z.S. et al. Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens. 2022, 14, 4101. https://doi.org/10.3390/rs14164101
Две первые карты — WC и ESRI — ежегодные, тогда как третья (DW) создается с периодичностью 5 суток (в идеальном случае, при отсутствии облачности). Чтобы сравнить DW с остальными, нужно построить из карт DW ежегодную карту. Каждый пиксель DW содержит вероятность принадлежности к тому или иному классу LULC и атрибут “label” — номер наиболее вероятного класса, к которому относится пиксель. Venter Z.S. et al. брали среднее, медиану и моду атрибута “label” за год. Точность во всех случаях оказалась практически одинаковой, но использование моды сочли более эффективным с вычислительной точки зрения, и строили ежегодную карту на основе моды “label” DW за год.
Результаты сравнения получились противоречивыми. Так, используя наземные данные, взятые по всему миру, для минимальной единицы картографирования 250 м2 (5 х 5 пикселей Sentinel-2, снимки которого являются основой всех рассматриваемых классификаций) оказалось, что наибольшую общую точность (overall accuracy) имеют карты ESRI (75%), далее идут DW (72%) и WC (65%). Однако при использовании наземных данных, ограниченных территорией Европейского союза, и для минимальной картографической единицы 100 м2 (1 пиксель Sentinel-2) самую высокую общую точность показали карты WC (71%). Далее идут DW (66%) и ESRI (63%).
Сравнение точности карт — тема интересная и еще не раз послужит целью публикаций. Любопытно, что авторы не затронули вопрос комбинирования карт для повышения точности. Например, если взять метку класса по большинству “мнений” разных карт, результат обычно бывает точнее, чем исходные карты по-отдельности. Вот вам и готовая тема для исследования.
#LULC #данные #GEE
Сейчас существуют три глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) с пространственным разрешением 10 метров: ESA WorldCover (2020–2021), ESRI Annual Land Use Land Cover (2017–2021) и Google Dynamic World (2015–н.в.). Возникает естественный вопрос: какие карты точнее?
Ответить на этот вопрос пытаются авторы Venter Z.S. et al. Global 10 m Land Use Land Cover Datasets: A Comparison of Dynamic World, World Cover and Esri Land Cover. Remote Sens. 2022, 14, 4101. https://doi.org/10.3390/rs14164101
Две первые карты — WC и ESRI — ежегодные, тогда как третья (DW) создается с периодичностью 5 суток (в идеальном случае, при отсутствии облачности). Чтобы сравнить DW с остальными, нужно построить из карт DW ежегодную карту. Каждый пиксель DW содержит вероятность принадлежности к тому или иному классу LULC и атрибут “label” — номер наиболее вероятного класса, к которому относится пиксель. Venter Z.S. et al. брали среднее, медиану и моду атрибута “label” за год. Точность во всех случаях оказалась практически одинаковой, но использование моды сочли более эффективным с вычислительной точки зрения, и строили ежегодную карту на основе моды “label” DW за год.
Результаты сравнения получились противоречивыми. Так, используя наземные данные, взятые по всему миру, для минимальной единицы картографирования 250 м2 (5 х 5 пикселей Sentinel-2, снимки которого являются основой всех рассматриваемых классификаций) оказалось, что наибольшую общую точность (overall accuracy) имеют карты ESRI (75%), далее идут DW (72%) и WC (65%). Однако при использовании наземных данных, ограниченных территорией Европейского союза, и для минимальной картографической единицы 100 м2 (1 пиксель Sentinel-2) самую высокую общую точность показали карты WC (71%). Далее идут DW (66%) и ESRI (63%).
Сравнение точности карт — тема интересная и еще не раз послужит целью публикаций. Любопытно, что авторы не затронули вопрос комбинирования карт для повышения точности. Например, если взять метку класса по большинству “мнений” разных карт, результат обычно бывает точнее, чем исходные карты по-отдельности. Вот вам и готовая тема для исследования.
#LULC #данные #GEE
GFC в качестве маски леса
Процесс создания маски леса на основе GFC требует некоторых пояснений. Начнем с теории.
Пологом леса (forest canopy) называют совокупность крон сомкнувшихся деревьев, размещающихся в одном или нескольких ярусах леса. На снимках среднего пространственного разрешения (Sentinel-2, Landsat) мы наблюдаем именно полог леса, не различая отдельные деревья.
Сомкнутость полога (canopy cover) — отношение суммы площадей горизонтальных проекций крон деревьев (без учета площади их перекрытия) к общей площади участка леса. Сомкнутость полога измеряют в процентах или в долях от единицы.
В GFC есть слой treecover2000 (TC) — процентное содержание древесного покрова в пикселе, на 2000 год. Информация о горизонтальной плотности древесного покрова — “изюминка” GFC, в других картах #LULC подобного слоя нет.
ТС примерно соответствует сомкнутости полога. Нам неизвестны публикации, где давалась бы оценка точности такого соответствия, поэтому здесь нужно быть осторожным.
Потеря леса (loss) определяется как замена деревьев другим классом земной поверхности и оценивается по годам (lossyear). Прирост деревьев (gain), напротив, представляет собой переход от любого класса поверхности к деревьям. Прирост фиксируется суммарно, по итогам наблюдений за двенадцать лет (2001–2012).
Примерный алгоритм создания маски леса на основе GFC:
1. Задать район интереса.
2. Задать порог TC (tc). Например, 30%.
3. Задать минимальную площадь леса в пикселях. Напомним, что по определению FAO минимальная площадь леса составляет 0,5 га или 9 пикселей Landsat.
4. Создать маску древесного покрова, объединяя следующие маски
* (TC > tc) и loss = 0
* gain = 1 и loss = 0
* gain = 1 и loss = 1 и lossyear < 13
Код примера
В примере не учитывается прирост леса.
В заключение, два замечания:
1. GFC как маска леса в масштабе страны, как правило, недостаточно точна. Ее можно использовать для более крупных регионов или для оценки горизонтальной структуры леса.
2. Было бы интересно сравнить потери древесного покрова по GFC с потерями класса деревьев маски ESRI 10m Annual Land Use Land Cover (2017–2022)
#лес #GEE
Процесс создания маски леса на основе GFC требует некоторых пояснений. Начнем с теории.
Пологом леса (forest canopy) называют совокупность крон сомкнувшихся деревьев, размещающихся в одном или нескольких ярусах леса. На снимках среднего пространственного разрешения (Sentinel-2, Landsat) мы наблюдаем именно полог леса, не различая отдельные деревья.
Сомкнутость полога (canopy cover) — отношение суммы площадей горизонтальных проекций крон деревьев (без учета площади их перекрытия) к общей площади участка леса. Сомкнутость полога измеряют в процентах или в долях от единицы.
В GFC есть слой treecover2000 (TC) — процентное содержание древесного покрова в пикселе, на 2000 год. Информация о горизонтальной плотности древесного покрова — “изюминка” GFC, в других картах #LULC подобного слоя нет.
ТС примерно соответствует сомкнутости полога. Нам неизвестны публикации, где давалась бы оценка точности такого соответствия, поэтому здесь нужно быть осторожным.
Потеря леса (loss) определяется как замена деревьев другим классом земной поверхности и оценивается по годам (lossyear). Прирост деревьев (gain), напротив, представляет собой переход от любого класса поверхности к деревьям. Прирост фиксируется суммарно, по итогам наблюдений за двенадцать лет (2001–2012).
Примерный алгоритм создания маски леса на основе GFC:
1. Задать район интереса.
2. Задать порог TC (tc). Например, 30%.
3. Задать минимальную площадь леса в пикселях. Напомним, что по определению FAO минимальная площадь леса составляет 0,5 га или 9 пикселей Landsat.
4. Создать маску древесного покрова, объединяя следующие маски
* (TC > tc) и loss = 0
* gain = 1 и loss = 0
* gain = 1 и loss = 1 и lossyear < 13
Код примера
В примере не учитывается прирост леса.
В заключение, два замечания:
1. GFC как маска леса в масштабе страны, как правило, недостаточно точна. Ее можно использовать для более крупных регионов или для оценки горизонтальной структуры леса.
2. Было бы интересно сравнить потери древесного покрова по GFC с потерями класса деревьев маски ESRI 10m Annual Land Use Land Cover (2017–2022)
#лес #GEE
Обзор канала за сентябрь
В сентябре мы…
📡 Знакомились с новыми источниками и коллекциями данных (#данные). Copernicus Browser — сервис распространения данных аппаратов Sentinel, лучше чем Copernicus Open Access Hub. NASA Carbon Monitoring System — данные наблюдений и результатов моделирования по оценке содержания углекислого газа в атмосфере. GISS Surface Temperature Analysis — глобальные данные о температуре поверхности Земли. Они рассчитываются в виде температурных аномалий, показывающих насколько сильно температура отклонилась от базового среднего значения 1951–1980 годов.
🛰 Изучали возможности Google Earth Engine (#GEE). Сравнивали площади пахотных земель, полученные по трем классификациям поверхности (#LULC) с пространственным разрешением 10 метров — ESA Worldcover, ESRI Land Cover и Dynamic World. Доводили “до готовности” радарные данные Sentinel-1. Прогнозировали перемещение урагана “Идалия” при помощи модели GEOS-CF. Учебник по GEE, с “живыми” примерами кода, собран здесь. Более крупные проекты находятся здесь.
🛰 Продолжали изучать радарные данные (#SAR #основы). Познакомились с характеристиками отраженного радарного сигнала — β0, σ0 и γ0: 1, 2, и 3. Увидели, как работа военных, и отчасти метеорологических, наземных радаров создает полосы радиопомех на спутниковых радарных снимках. Познакомились с разными вариантами процедуры обработки радарных данных Sentinel-1 в программе SNAP. Разобрались, как связаны между собой данные SLC и GRD. Рассмотрели режимы радарной съемки: Spotlight (прожекторный), Stripmap (маршрутный) и ScanSAR (обзорный). Собрали литературу по радарной съемке: 1, 2. Цикл заметок о радарной съемке продолжается.
🖥 Приступили к изучению R для анализа данных дистанционного зондирования. Рассмотрели возможности онлайновой работы с R, но все же остановились на варианте установки R и RStudio на локальный компьютер. Простейший скрипт, загружающий и воспроизводящий на экране снимок “Канопуса-В”, разбираем здесь.
📜 Вспоминали историю: 75-летие первого пуска ракеты Р-1 17 сентября 1948 года с полигона Капустин Яр. Пуск неудачный, ракета еще, по сути, “Фау-2”, но спустя 9 лет мы запустим первый спутник… В октябре 1969 года с борта советского космического корабля “Союз-7” была выполнена первая гиперспектральная съемка земной поверхности из космоса. Статья, с результатами съемки, есть в свободном доступе.
📖 Публиковали множество анонсов конкурсов и научных конференций. Найти их в канале можно по хештегам: #конкурс #конференции
📖📸 Познакомились с трудностями дешифрирования льда на радарных снимках, и с комбинацией спектральных каналов для выделения гарей и наводнений.
🖥📡 Завод “Протон” представил публике радар для дистанционного зондирования Земли с борта малых летательных аппаратов. Российский аналог STL — цифровая платформа MIDE для моделирования космических систем — разрабатывается на Факультете космических исследований МГУ.
🌊🔥 Наблюдали стихийные бедствия: наводнение в Греции и на северо-востоке Ливии, причиной которых стал ураган “Даниель”. Сравнивали снимки ливийского города Дерна до и после наводнения. Картировали площадь, пройденную огнем в результате лесных пожаров на севере Алжира.
В сентябре мы…
📡 Знакомились с новыми источниками и коллекциями данных (#данные). Copernicus Browser — сервис распространения данных аппаратов Sentinel, лучше чем Copernicus Open Access Hub. NASA Carbon Monitoring System — данные наблюдений и результатов моделирования по оценке содержания углекислого газа в атмосфере. GISS Surface Temperature Analysis — глобальные данные о температуре поверхности Земли. Они рассчитываются в виде температурных аномалий, показывающих насколько сильно температура отклонилась от базового среднего значения 1951–1980 годов.
🛰 Изучали возможности Google Earth Engine (#GEE). Сравнивали площади пахотных земель, полученные по трем классификациям поверхности (#LULC) с пространственным разрешением 10 метров — ESA Worldcover, ESRI Land Cover и Dynamic World. Доводили “до готовности” радарные данные Sentinel-1. Прогнозировали перемещение урагана “Идалия” при помощи модели GEOS-CF. Учебник по GEE, с “живыми” примерами кода, собран здесь. Более крупные проекты находятся здесь.
🛰 Продолжали изучать радарные данные (#SAR #основы). Познакомились с характеристиками отраженного радарного сигнала — β0, σ0 и γ0: 1, 2, и 3. Увидели, как работа военных, и отчасти метеорологических, наземных радаров создает полосы радиопомех на спутниковых радарных снимках. Познакомились с разными вариантами процедуры обработки радарных данных Sentinel-1 в программе SNAP. Разобрались, как связаны между собой данные SLC и GRD. Рассмотрели режимы радарной съемки: Spotlight (прожекторный), Stripmap (маршрутный) и ScanSAR (обзорный). Собрали литературу по радарной съемке: 1, 2. Цикл заметок о радарной съемке продолжается.
🖥 Приступили к изучению R для анализа данных дистанционного зондирования. Рассмотрели возможности онлайновой работы с R, но все же остановились на варианте установки R и RStudio на локальный компьютер. Простейший скрипт, загружающий и воспроизводящий на экране снимок “Канопуса-В”, разбираем здесь.
📜 Вспоминали историю: 75-летие первого пуска ракеты Р-1 17 сентября 1948 года с полигона Капустин Яр. Пуск неудачный, ракета еще, по сути, “Фау-2”, но спустя 9 лет мы запустим первый спутник… В октябре 1969 года с борта советского космического корабля “Союз-7” была выполнена первая гиперспектральная съемка земной поверхности из космоса. Статья, с результатами съемки, есть в свободном доступе.
📖 Публиковали множество анонсов конкурсов и научных конференций. Найти их в канале можно по хештегам: #конкурс #конференции
📖📸 Познакомились с трудностями дешифрирования льда на радарных снимках, и с комбинацией спектральных каналов для выделения гарей и наводнений.
🖥📡 Завод “Протон” представил публике радар для дистанционного зондирования Земли с борта малых летательных аппаратов. Российский аналог STL — цифровая платформа MIDE для моделирования космических систем — разрабатывается на Факультете космических исследований МГУ.
🌊🔥 Наблюдали стихийные бедствия: наводнение в Греции и на северо-востоке Ливии, причиной которых стал ураган “Даниель”. Сравнивали снимки ливийского города Дерна до и после наводнения. Картировали площадь, пройденную огнем в результате лесных пожаров на севере Алжира.
Коротко о некоторых событиях недели в области ДЗЗ.
Американский стартап Albedo привлек 35 млн долларов на создание и запуск своего первого спутника наблюдения Земли со сверхнизкой орбиты (#VLEO) [ссылка]
Инвестиционный раунд серии А-1, возглавляемый компанией Standard Investments, довел общий объем финансирования стартапа до 97 млн долларов.
Венчурное подразделение компании Booz Allen, известной своей работой с правительством и вооруженными силами США, выбрало Albedo в качестве своей первой инвестиции в космическую компанию из-за его потенциала качественно изменить сбор разведывательной информации.
Цель Albedo — получать снимки с самым высоким разрешением на рынке: 10 см в оптическом и 2 м в тепловом инфракрасном диапазоне (подробнее).
Готовясь к запуску своего первого спутника в 2025 году, Albedo расширила штат сотрудников и открыла предприятие в Брумфилде (шт. Колорадо), позволяющее одновременно создавать три или четыре спутника.
Ранее, запуск первого спутника Albedo планировался в нынешнем году.
Synspective старается расширить свое присутствие на рынке ДЗЗ Центральной Азии [ссылка]
Японская компания Synspective, поставщик спутниковых радарных данных и аналитических решений, заключила меморандумы о взаимопонимании с Центром космического мониторинга и геоинформационных технологий Узбекистана, Национальным космическим агентством Казахстана и компанией "Казахстан Гарыш Сапары".
Новые спутники для мониторинга выбросов парниковых газов
За два последних года возможности мониторинга выбросов парниковых газов увеличились, благодаря появлению канадской орбитальной группировки GHGSat, состоящей в данный момент из 12 спутников.
Компания Ball Aerospace разработала высокопроизводительный спектрометр для спутника MethaneSAT (параметры). Запуск спутника запланирован на 2024 год.
Capella Space и Floodbase используют радарные данные высокого разрешения для оценки масштабов наводнения [ссылка]
Спутниковые радарные данные высокого разрешения, поставляемые Capella Space, будут применяться в комплексном решении Floodbase для параметрического (индексного) страхования от наводнений. Радарные данные, слабо зависящие от облачности, позволят максимально оперативно оценить масштабы бедствия.
Copernicus Land Monitoring Service подписала новый контракт на создание Urban Atlas [ссылка]
Copernicus Land Monitoring Service обновит слои данных Urban Atlas за 2021 и 2024 годы. Теперь обновление информации о городском землепользовании будет происходить каждые три года (раньше — каждые 6 лет).
Контракт разделен на два этапа. Первый включает создание слоев данных о состоянии земного покрова и классах землепользования (Land Cover/Land Use), а также о высоте зданий (Building Block Heights) за 2021 год. Будет создан слой изменений этих данных за 2018–2021 гг. На этом этапе предполагается также создание и тестирование нового слоя — Green Land Use, который позволит пользователям различать общественные и частные зеленые насаждения. Если точность нового слоя окажется удовлетворительной, его будут создавать и для 2024 года. Вторая фаза контракта посвящена обновлению данных на 2024 год.
Вышла новая версия PyGMTSAR — программы обработки данных радарной интерферометрии с открытым исходным кодом [ссылка]
#США #война #япония #capella #вода #InSAR #LULC
Американский стартап Albedo привлек 35 млн долларов на создание и запуск своего первого спутника наблюдения Земли со сверхнизкой орбиты (#VLEO) [ссылка]
Инвестиционный раунд серии А-1, возглавляемый компанией Standard Investments, довел общий объем финансирования стартапа до 97 млн долларов.
Венчурное подразделение компании Booz Allen, известной своей работой с правительством и вооруженными силами США, выбрало Albedo в качестве своей первой инвестиции в космическую компанию из-за его потенциала качественно изменить сбор разведывательной информации.
Цель Albedo — получать снимки с самым высоким разрешением на рынке: 10 см в оптическом и 2 м в тепловом инфракрасном диапазоне (подробнее).
Готовясь к запуску своего первого спутника в 2025 году, Albedo расширила штат сотрудников и открыла предприятие в Брумфилде (шт. Колорадо), позволяющее одновременно создавать три или четыре спутника.
Ранее, запуск первого спутника Albedo планировался в нынешнем году.
Synspective старается расширить свое присутствие на рынке ДЗЗ Центральной Азии [ссылка]
Японская компания Synspective, поставщик спутниковых радарных данных и аналитических решений, заключила меморандумы о взаимопонимании с Центром космического мониторинга и геоинформационных технологий Узбекистана, Национальным космическим агентством Казахстана и компанией "Казахстан Гарыш Сапары".
Новые спутники для мониторинга выбросов парниковых газов
За два последних года возможности мониторинга выбросов парниковых газов увеличились, благодаря появлению канадской орбитальной группировки GHGSat, состоящей в данный момент из 12 спутников.
Компания Ball Aerospace разработала высокопроизводительный спектрометр для спутника MethaneSAT (параметры). Запуск спутника запланирован на 2024 год.
Capella Space и Floodbase используют радарные данные высокого разрешения для оценки масштабов наводнения [ссылка]
Спутниковые радарные данные высокого разрешения, поставляемые Capella Space, будут применяться в комплексном решении Floodbase для параметрического (индексного) страхования от наводнений. Радарные данные, слабо зависящие от облачности, позволят максимально оперативно оценить масштабы бедствия.
Copernicus Land Monitoring Service подписала новый контракт на создание Urban Atlas [ссылка]
Copernicus Land Monitoring Service обновит слои данных Urban Atlas за 2021 и 2024 годы. Теперь обновление информации о городском землепользовании будет происходить каждые три года (раньше — каждые 6 лет).
Контракт разделен на два этапа. Первый включает создание слоев данных о состоянии земного покрова и классах землепользования (Land Cover/Land Use), а также о высоте зданий (Building Block Heights) за 2021 год. Будет создан слой изменений этих данных за 2018–2021 гг. На этом этапе предполагается также создание и тестирование нового слоя — Green Land Use, который позволит пользователям различать общественные и частные зеленые насаждения. Если точность нового слоя окажется удовлетворительной, его будут создавать и для 2024 года. Вторая фаза контракта посвящена обновлению данных на 2024 год.
Вышла новая версия PyGMTSAR — программы обработки данных радарной интерферометрии с открытым исходным кодом [ссылка]
#США #война #япония #capella #вода #InSAR #LULC
GLanCE: глобальный набор данных о земном покрове с 1984 по 2020 год
Глобальный набор данных GLanCE (Global Land Cover Estimation) содержит почти 2 миллиона образцов земного покрова для семи первичных и двенадцати вторичных классов почвенно-растительного покрова.
GLanCE основан на спутниковых снимках Landsat, сделанных в период с 1984 по 2020 год, с пространственным разрешением 30 м. Географически и спектрально набор данных представляет все глобальные экорегионы и содержит до 23 характеристик почвенно-растительного покрова на образец.
Схема классификации, используемая в GLanCE, совместима с общепринятыми системами классификации земного покрова, такими как категории землепользования МГЭИК (для отчетности по выбросам парниковых газов) и система классификации земного покрова ФАО (Land Cover Classification System).
Доступ к данным, описание и ссылки на публикации: https://beta.source.coop/repositories/boston-university/bu-glance/description/
Данные на GEE: https://gee-community-catalog.org/projects/glance_training/
#датасет #LULC
Глобальный набор данных GLanCE (Global Land Cover Estimation) содержит почти 2 миллиона образцов земного покрова для семи первичных и двенадцати вторичных классов почвенно-растительного покрова.
GLanCE основан на спутниковых снимках Landsat, сделанных в период с 1984 по 2020 год, с пространственным разрешением 30 м. Географически и спектрально набор данных представляет все глобальные экорегионы и содержит до 23 характеристик почвенно-растительного покрова на образец.
Схема классификации, используемая в GLanCE, совместима с общепринятыми системами классификации земного покрова, такими как категории землепользования МГЭИК (для отчетности по выбросам парниковых газов) и система классификации земного покрова ФАО (Land Cover Classification System).
Доступ к данным, описание и ссылки на публикации: https://beta.source.coop/repositories/boston-university/bu-glance/description/
Данные на GEE: https://gee-community-catalog.org/projects/glance_training/
#датасет #LULC
⭐️ 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
GLC_FCS30D — глобальные данные о динамике земного покрова за 1985–2022 гг. с пространственным разрешением 30 м
Данные GLC_FCS30D содержат сведения о глобальной динамике земного покрова с разрешением 30 метров за период с 1985 по 2022 год. Данные включает 35 подкатегорий земного покрова с 26 временными шагами, обновляемых каждые пять лет до 2000 года и ежегодно — после него. Общая точность набора данных, проверенная на более чем 84 000 образцах ⬆️, равна 80,88%.
Согласно GLC_FCS30D, наибольшие по площади изменения земного покрова за последние 37 лет касаются лесов и пахотных земель: чистая потеря лесов составила около 2,5 млн км², а чистый прирост пахотных земель — около 1,3 млн км².
Данные GLC_FCS30D является частью статьи, которая в настоящее время проходит рецензирование. Мы обновим информацию в этом посте, по мере прохождения статьи через циклы рецензирования и публикации.
#данные #LULC #GEE
Данные GLC_FCS30D содержат сведения о глобальной динамике земного покрова с разрешением 30 метров за период с 1985 по 2022 год. Данные включает 35 подкатегорий земного покрова с 26 временными шагами, обновляемых каждые пять лет до 2000 года и ежегодно — после него. Общая точность набора данных, проверенная на более чем 84 000 образцах ⬆️, равна 80,88%.
Согласно GLC_FCS30D, наибольшие по площади изменения земного покрова за последние 37 лет касаются лесов и пахотных земель: чистая потеря лесов составила около 2,5 млн км², а чистый прирост пахотных земель — около 1,3 млн км².
Данные GLC_FCS30D является частью статьи, которая в настоящее время проходит рецензирование. Мы обновим информацию в этом посте, по мере прохождения статьи через циклы рецензирования и публикации.
#данные #LULC #GEE
BigEarthNet (https://bigearth.net) — набор данных, состоящий из 590 326 пар образцов земного покрова, изображенных на снимках спутников Sentinel-1 и Sentinel-2. Каждый образец размечен по принадлежности к нескольким классам земного покрова. Названия классов взяты из данных CORINE Land Cover за 2018 год.
Первоначально, данные BigEarthNet состояли только из образцов снимков Sentinel-2, сделанных с июня 2017 по май 2018 года над 10 странами Европы (Австрия, Бельгия, Финляндия, Ирландия, Косово, Литва, Люксембург, Португалия, Сербия, Швейцария). Все снимки прошли атмосферную коррекцию с помощью sen2cor v2.5.5 и относятся к уровню обработки 2A. В настоящее время эта часть набора данных называется BigEarthNet-S2 и занимает объем около 66 Гб.
Позже данные были дополнены равным количеством образцов снимков Sentinel-1, сделанных в тот же период на тех же участках. Эти данные называются BigEarthNet-S1 и имеют объем около 55 Гб.
Скачать данные, а также получить детальное описание их самих и методики их создания можно на странице проекта BigEarthNet.
#датасет #LULC
Первоначально, данные BigEarthNet состояли только из образцов снимков Sentinel-2, сделанных с июня 2017 по май 2018 года над 10 странами Европы (Австрия, Бельгия, Финляндия, Ирландия, Косово, Литва, Люксембург, Португалия, Сербия, Швейцария). Все снимки прошли атмосферную коррекцию с помощью sen2cor v2.5.5 и относятся к уровню обработки 2A. В настоящее время эта часть набора данных называется BigEarthNet-S2 и занимает объем около 66 Гб.
Позже данные были дополнены равным количеством образцов снимков Sentinel-1, сделанных в тот же период на тех же участках. Эти данные называются BigEarthNet-S1 и имеют объем около 55 Гб.
Скачать данные, а также получить детальное описание их самих и методики их создания можно на странице проекта BigEarthNet.
#датасет #LULC
Обновление глобальных данных ESRI 10m Annual Land Cover
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
Natural Lands Map
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Ежегодная национальная база данных почвенно-растительного покрова США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
Карта типов сельскохозяйственных культур стран ЕС на 2022 год
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Данные Global Land Cover Estimation (GLanCE) v1
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC