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
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.
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:
Вычислим нормализованный разностный вегетационный индекс NDVI. Для этого есть специальная функция
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:
Но мы не ищем легких путей, а рассчитаем NDWI так, будто не знаем о существовании
Математические операции с каналами задаются функциями:
Добавим индексы к одному из снимков:
Обратите внимание на переименование каналов с помощью
А теперь рассчитаем индекс EVI. Он использует сразу три канала, так что
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):
Создадим новый снимок из подготовленных нами индексов.
Теперь у нас будет снимок, состоящий из каналов NDVI, NDWI, EVI и DIF.
Код примера
#GEE #индексы
“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 выраженийvar 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
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
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
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
Привет метеорологам
Совсем недавно, метеорологи переживали о том, что большие спутниковые группировки могут создать помехи наблюдениям за погодой. Вскоре нам предстоит узнать, так это или нет.
Сначала в декабре прошлого года Федеральная комиссия по связи США (FCC) выдала компании SpaceX разрешение на запуск 7 500 спутников из предлагаемой ею группировки Gen2 Starlink. Это позволит компании начать развертывание на низкой околоземной орбите системы связи, которая в конечном итоге будет состоять из 29 988 спутников. Первые 7500 спутников будут выведены на орбитальные оболочки* высотой 525 километров и наклонением 53 градуса, 530 километров и 43 градуса, а также 535 километров и 33 градуса.
А 8 февраля FCC одобрила план компании Amazon по развертыванию и эксплуатации группировки из 3236 широкополосных спутников связи Ka-диапазона под названием Project Kuiper (Проект Койпер). Группировку планируется распределить по трем орбитальным оболочкам на высотах 590 км, 610 км и 630 км над Землей.
В обоих случаях, FCC одобрило планы компаний с ограничениями. Но эти ограничения касаются соблюдения условий по предотвращению столкновений на орбите, и не затрагивают вопросы помех наблюдениям на близких диапазонах.
Скоро во всем мире прибавится широкополосной связи. Будем звонить друг другу и обсуждать погоду.
*орбитальной оболочкой называют совокупность круговых орбит с одинаковой высотой, а часто, и с одинаковым наклонением.
Совсем недавно, метеорологи переживали о том, что большие спутниковые группировки могут создать помехи наблюдениям за погодой. Вскоре нам предстоит узнать, так это или нет.
Сначала в декабре прошлого года Федеральная комиссия по связи США (FCC) выдала компании SpaceX разрешение на запуск 7 500 спутников из предлагаемой ею группировки Gen2 Starlink. Это позволит компании начать развертывание на низкой околоземной орбите системы связи, которая в конечном итоге будет состоять из 29 988 спутников. Первые 7500 спутников будут выведены на орбитальные оболочки* высотой 525 километров и наклонением 53 градуса, 530 километров и 43 градуса, а также 535 километров и 33 градуса.
А 8 февраля FCC одобрила план компании Amazon по развертыванию и эксплуатации группировки из 3236 широкополосных спутников связи Ka-диапазона под названием Project Kuiper (Проект Койпер). Группировку планируется распределить по трем орбитальным оболочкам на высотах 590 км, 610 км и 630 км над Землей.
В обоих случаях, FCC одобрило планы компаний с ограничениями. Но эти ограничения касаются соблюдения условий по предотвращению столкновений на орбите, и не затрагивают вопросы помех наблюдениям на близких диапазонах.
Скоро во всем мире прибавится широкополосной связи. Будем звонить друг другу и обсуждать погоду.
*орбитальной оболочкой называют совокупность круговых орбит с одинаковой высотой, а часто, и с одинаковым наклонением.
Основы дистанционного зондирования Земли
Дистанционное зондирование: определение, учебники для новичков
Спектральные диапазоны
Характеристики космических снимков:
* пространственное разрешение
** номинальное пространственное разрешение
** наземный интервал дискретизации
** линейное разрешение на местности
** какую характеристику выбрать?
* радиометрическое, спектральное и временное разрешение
Отражение. Углы съемки
Спектральная отражательная способность
* водной поверхности
* почвы
* растительности
* снега и льда
Вегетационные индексы, SAVI (1,2,3)
Комбинации каналов на примере Landsat
Уровни обработки спутниковых данных
Атмосферная коррекция данных оптических сенсоров: часть 1, часть 2
Определение температуры земной поверхности со спутника
Городские тепловые аномалии (острова тепла и холода)
Активные и пассивные методы наблюдения
Диапазоны работы радаров
Словарик радарных терминов
Схема работы радара
Геометрия радарной системы
Разрешение радара по дальности
Разрешение радара по азимуту
Радар с синтезированной апертурой
Геометрические особенности радарных снимков: искажение масштаба вдоль наклонной дальности, смещения рельефа
Радиометрические особенности радарных данных: спекл
Изменение яркости радарных снимков по дальности
Интерпретация радарных снимков:
* геометрия
* шероховатость поверхности, еще один критерий шероховатости поверхности
* отражение от почвы
* растительность
* электрические свойства
* поляризация сигнала
* вода и лед
* городская застройка
* итоги
Распространение радарных сигналов в атмосфере
Полосы радиопомех на радарных снимках
Характеристики отраженного радарного сигнала. Площади и углы падения. Выбор между σ0 и γ0
Процедура обработки радарных данных Sentinel-1 в SNAP
Доработка данных Sentinel-1 на платформе Google Earth Engine
Sentinel-1: данные SLC и GRD
Режимы радарной съемки
Литература по радарной съемке
#основы
Дистанционное зондирование: определение, учебники для новичков
Спектральные диапазоны
Характеристики космических снимков:
* пространственное разрешение
** номинальное пространственное разрешение
** наземный интервал дискретизации
** линейное разрешение на местности
** какую характеристику выбрать?
* радиометрическое, спектральное и временное разрешение
Отражение. Углы съемки
Спектральная отражательная способность
* водной поверхности
* почвы
* растительности
* снега и льда
Вегетационные индексы, SAVI (1,2,3)
Комбинации каналов на примере Landsat
Уровни обработки спутниковых данных
Атмосферная коррекция данных оптических сенсоров: часть 1, часть 2
Определение температуры земной поверхности со спутника
Городские тепловые аномалии (острова тепла и холода)
Активные и пассивные методы наблюдения
Диапазоны работы радаров
Словарик радарных терминов
Схема работы радара
Геометрия радарной системы
Разрешение радара по дальности
Разрешение радара по азимуту
Радар с синтезированной апертурой
Геометрические особенности радарных снимков: искажение масштаба вдоль наклонной дальности, смещения рельефа
Радиометрические особенности радарных данных: спекл
Изменение яркости радарных снимков по дальности
Интерпретация радарных снимков:
* геометрия
* шероховатость поверхности, еще один критерий шероховатости поверхности
* отражение от почвы
* растительность
* электрические свойства
* поляризация сигнала
* вода и лед
* городская застройка
* итоги
Распространение радарных сигналов в атмосфере
Полосы радиопомех на радарных снимках
Характеристики отраженного радарного сигнала. Площади и углы падения. Выбор между σ0 и γ0
Процедура обработки радарных данных Sentinel-1 в SNAP
Доработка данных Sentinel-1 на платформе Google Earth Engine
Sentinel-1: данные SLC и GRD
Режимы радарной съемки
Литература по радарной съемке
#основы