Лед на реке Кеть в Красноярском крае.

RUS Copernicus Training

Рост доступности и качества данных ДЗЗ в 2010-х годах породил и несколько проблем: новички не знали, как решать ту или иную задачу, а желающим попробовать свои силы в обработке снимков не хватало вычислительных ресурсов. В результате в интернете появился ряд сервисов, обучающих использованию данных дистанционного зондирования.

Особое место среди таких сервисов занимает RUS Copernicus Training, созданный в 2017 году. В нем зарегистрированный пользователь мог бесплатно получить виртуальную машину с установленным софтом для обработки и анализа снимков. Конфигурация машины подбиралась под пользовательскую задачу, совместно с консультантом из RUS. Кроме того, пользователь мог поучаствовать в тематических вебинарах по решению разных задач ДЗЗ. Всего было проведено более 40 вебинаров, посмотреть материалы которых может любой желающий.

У сожалению, 31 декабря 2021 года проект был закрыт. Однако обучающие материалы (видео и PDF) по-прежнему доступны.

Список вебинаров с кратким описанием и ссылкой на youtube-канал:
https://rus-copernicus.eu/portal/category/events/training/

Канал на YouTube: RUS Copernicus Training (@ruscopernicustraining5404)

Обучающие материалы вебинаров (PDF): https://rus-copernicus.eu/portal/the-rus-library/train-with-rus/

У RUS Copernicus Training было почти все, что нужно для обучения работе с данными ДЗЗ:
пользователь мог узнать, как решить задачу, и тут же попробовать сделать это самостоятельно. И все это — бесплатно.

Сейчас, если речь идет о бесплатных сервисах, попробовать работать с данными позволяет Google Earth Engine, а вебинарами занимаются многие сервисы. Мы с ними постепенно познакомимся.

#обучение

На планете Венера есть кратеры, названные именами жен Абдуллы из "Белого солнца пустыни" -- Гюльчатай, Джамиля, Гюзель, Зарина, Саида, Хафиза, Зухра, Лейла, Зульфия 

В Телеграм появился канал Прозрачный Мир, где показывают снимки Земли, сделанные из космоса. Ребята из Прозрачного Мира рассказывают про дистанционное зондирование, про приемные станции, на которых можно получить космические снимки, а главное — про то, как сделать наш мир чище и лучше.

Присоединяйтесь! :)

Вегетационные индексы

Вегетационный индекс — это число, рассчитываемое в результате операций со спектральными каналами снимка, которое характеризует интересующий исследователя параметр растительности.

Расчет многих вегетационных индексов базируется на двух наиболее стабильных участках кривой спектральной отражательной способности растений: на красную область спектра (0.62–0.75 мкм) приходится максимум поглощения солнечной радиации хлорофиллом, а на ближнюю инфракрасную область (0.75–1.3 мкм) — максимальное отражение энергии клеточной структурой листа. Таким образом, высокая фотосинтетическая активность, связанная, как правило, с большой фитомассой растительности, ведет к более низким значениям коэффициентов отражения в красной области и большим высоким — в ближней инфракрасной.

Оценить фотосинтетическую активность мы можем, сравнивая отражение в красном (Red) и в ближнем инфракрасном (NIR) каналах. Например, можно построить простое отношение каналов

SR = Red/NIR,

то есть значение каждого пикселя канала Red делится на значение соответствующего пикселя канала NIR. При больших объемах фотосинтезирующей биомассы SR будет иметь низкие значения, а при малых — высокие.

Вегетационный индекс создается так, чтобы он был связан с выбранным биофизическим параметром растительности (например, биомассой) и обеспечивал максимальную чувствительность к изменениям этого параметра. Например, можно оценивать объем фотосинтезирующей (то есть зеленой) биомассы, сравнивая отражение в красном и в зеленом каналах. Однако разница между коэффициентами отражения в этих каналах гораздо меньше, чем между красным и инфракрасным каналами, а значит чувствительность такого индекса будет ниже. Связь между индексом и биофизическим параметром в идеале должна быть линейной.

Вместо отношения каналов, для оценки фотосинтетической активности можно использовать разность: NIR - Red. Она будет тем больше, чем выше фотосинтетическая активность. Однако значения такого индекса от участка к участку будут сильно отличаться. Удобно, поэтому нормализовать эти значения, то есть разделить разность на сумму NIR + Red:

NDVI = (NIR - Red) / (NIR + Red).

Значения NDVI всегда находятся в диапазоне [-1; 1], что очень удобно для сравнения разных участков. Оказалось, что использование нормализованной разности между минимумом и максимумом отражений позволяет также уменьшить влияние различий в освещенности снимка, облачности, дымки, поглощение радиации атмосферой и пр.

NDVI расшифровывается как Normalized Difference Vegetation Index — нормализованный разностный вегетационный индекс. На сегодня, это самый популярный вегетационный индекс.

За десятилетия наблюдений создано множество индексов, для оценки различных параметров растительности. Поэтому, если нужно оценить что-либо, проще не выдумывать индекс самому, а поискать среди готовых. Вот два каталога индексов:

* Index DataBase: A database for remote sensing indices
* Alphabetical List of Spectral Indices

В первом содержатся все-все-все индексы, во втором — только самые популярные.

Примеры применения NDVI: http://www.geol.vsu.ru/ecology/ForStudents/4Graduate/RemoteSensing/Lection06.pdf

Индексы применяются не только для оценки параметров растительности, но и при анализе других явлений. В этом случае они называются не вегетационными, а спектральными.

#основы #индексы

Типичные характеристики спектрального отражения для здоровой зеленой травы и открытой сухой почвы в интервале длин волн от 250 до 1 000 нм. Иллюстрация из: Jensen J. Remote Sensing of the Environment: An Earth Resource Perspective. 2nd Edition. — Pearson Education, 2014.

Закономерности спектрального отражения растений, связанные с их физиологическим состоянием, служат основой для создания вегетационных индексов.

GEE-9. Индексы. Арифметика каналов

“Работа, работа — иди в штат Дакота. Оттуда — в Небраску, с Небраски — на Аляску“. Если что, мы находимся в Небраске. Загрузим два снимка этого штата:

var image  = ee.Image("COPERNICUS/S2_SR/20220711T171859_20220711T172712_T14TNL");
var image2 = ee.Image("COPERNICUS/S2_SR/20220721T171859_20220721T172912_T14TNL");

Вычислим нормализованный разностный вегетационный индекс NDVI. Для этого есть специальная функция normalizedDifference()



var ndvi = image.normalizedDifference(['B8', 'B4']);

Чем выше NDVI, тем больше в пикселе здоровой (фотосинтезирующей) растительности. Водные объекты имеют отрицательный NDVI.

А теперь рассчитаем один из “водных” индексов — Normalized Difference Water Index (NDWI). Вычисляют его по формуле:

NDWI = (Green - NIR) / (Green + NIR).

По сути, это перевернутый NDVI. Вода в нем имеет высокие значения, а растительность — низкие (отрицательные). Вычислить его можно аналогично NDVI:

var ndwi = image.normalizedDifference(['B3', 'B8']);

Но мы не ищем легких путей, а рассчитаем NDWI так, будто не знаем о существовании normalizedDifference():

var ndwi = (image.select('B3').subtract(image.select('B8'))
             .divide(image.select('B3').add(image.select('B8'))));

Математические операции с каналами задаются функциями: add (+), subtract (-), divide (/). Нетрудно догадаться, что есть еще multiply (*). Полный список операций здесь.

Добавим индексы к одному из снимков:

function addInd(image) {
  var ndvi = image.normalizedDifference(['B8', 'B4']).rename('NDVI');
  var ndwi = image.normalizedDifference(['B8', 'B4']).rename('NDWI');
  return image.addBands([ndvi, ndwi], null, true);
}

image = addInd(image);

Обратите внимание на переименование каналов с помощью rename(). Без этого, каналы будут иметь ничего не говорящие имена nd, nd_1, …

А теперь рассчитаем индекс EVI. Он использует сразу три канала, так что normalizedDifference() не поможет. Запись через add/subtract и т. п. будет слишком длинной. К счастью, в Earth Engine можно записать операции над каналами в виде математических выражений

var evi = image.expression(
    '2.5 * ((NIR - RED) / (NIR + 6 * RED - 7.5 * BLUE + 1))', {
        'NIR': image.select('B5'),
        'RED': image.select('B4'),
        'BLUE': image.select('B2')
});

То есть, сначала записали выражение, а потом описали обозначения входящих в него каналов.

Можно выполнять математические операции над разными снимками. Например, вычислим разность значений каналов B8 (NIR):

var difB8 = (image2.select('B8')).subtract(image.select('B8'));

Создадим новый снимок из подготовленных нами индексов.

var newBands = [ndvi, ndwi, evi, difB8];
var image3 = ee.Image(newBands).rename(['NDVI','NDWI','EVI','DIF']);

Теперь у нас будет снимок, состоящий из каналов NDVI, NDWI, EVI и DIF.

Код примера

#GEE #индексы

Уровни обработки спутниковых данных

Уровень 0 (L0). Необработанные данные с сопутствующей служебной информацией — основа для последующей обработки.

Уровень 1 (L1). Данные уровня 0, прошедшие геопривязку и радиометрическую коррекцию в системе координат съемочного устройства.

Уровень 2 (L2). Данные уровня 1, прошедшие дополнительно геометрическое трансформирование (на плоскость) или ортотрансформирование (с учетом рельефа) в заданной картографической проекции и системе координат, а также атмосферную коррекцию (если обрабатываются данные оптических сенсоров).

Данные уровней 1 и 2 — это стандартные продукты ДЗЗ, с которыми чаще всего имеет дело пользователь. Нередко, уровни разбиваются на подуровни, например, L1C или L2A. Смысл таких обозначений, как правило, описывается в руководствах по данным конкретного сенсора.

Уровень 3 (L3). Данные, полученные в результате дополнительной обработки данных уровня 2. Например, путем их усреднения и объединения в пространстве или во времени. Пример: 8-дневные композитные данные отражающей способности MOD09A1.

Уровень 4 (L4). Готовые данные, полученные в результате тематической или аналитической обработки данных ДЗЗ.

Отнесение данных к тому или иному уровню зависит от конкретного сенсора, и лучше всего ориентироваться на руководства по работе с данными этого сенсора. Мы привели усредненное описание, опирающееся на ГОСТ Р 59079-2020.

Если совсем коротко, то:

* уровень 0 — это сырые данные, использовать которые без обработки не получится;
* уровень 1 — данные, которые можно использовать сразу, но, возможно, придется допилить. Зависит от задачи;
* уровни 2 и 3 — данные, готовые к работе;
* уровень 4 — готовые карты.

#основы

Новая версия ISCE

ISCE (InSAR Scientific Computing Environment) — одна из старейших свободных библиотек для обработки данных радарной интерферометрии — перешла на развитие версии ISCE3. Проект является преемником ISCE2 и представляет собой полную переработку последнего, с упором на улучшение модульности, документации и разработки на основе тестирования.

Свободных библиотек для обработки данных радарной интерферометрии очень мало. Гораздо меньше, чем уссурийских тигров. Так что появление чего-то нового — большая радость для всех причастных.

Как и предыдущие версии библиотеки, ISCE3 работает под Linux и Mac OS.

#InSAR #софт

Когерентность, NDVI и наблюдения за растениями

Испанские коллеги решили исследовать связь радарной когерентности и NDVI, и обнаружили забавную закономерность.

Когерентность отражает степень согласованности рассеяния на паре радарных снимков. Если на поле что-то растет, это что-то постоянно шевелится, и когерентность будет низкой — снимка, снятые с интервалом в несколько суток, не коррелируют друг с другом. Еще когерентность будет низкой, если на одном снимке было поле зрелой пшеницы, а на втором оно уже убрано. Так можно отслеживать некоторые полевые работы. Высокая когерентность бывает у открытой земли (на обоих снимках). Это случается в начале сезона, пока на поле не появятся заметные всходы. Высока когерентность и после уборки, если фермер не спешит выполнить лущение стерни.

Таким образом, поведение когерентности, в некоторой степени, обратно NDVI. Много зеленой растительности — высокий NDVI и низкая когерентность, мало — низкий NDVI и высокая когерентность. Коллеги решили, что больше всего походит на NDVI отношение когерентностей: γVH/γVV (когерентность обозначена буквой γ, VH и VV — типы поляризации радарного сигнала). Хотя, судя по рисункам, можно было бы попробовать и 1-γVV.

Проблема сравнения радарных (когерентность) и оптических (NDVI) характеристик в том, что эти два способа наблюдений отражают слишком разные физические свойства растений и почвы. Но ученых, как видим, это не останавливает.

Зачем искать аналог NDVI среди радарных данных? Дело в том, что облачность препятствует оптическим наблюдениям, и в такие периоды мы не сможем судить о состоянии растений по NDVI. Радар же, в принципе, всепогоден. У него есть свои тонкости, но это — другая история.

Вместо использования радаров можно попытаться восстановить пропущенные из-за облачности значения во временных рядах NDVI. Например, в ИКИ знают, как это сделать.

#InSAR