Тренды в причинах пожаров на территории США (2001–2010 гг.)
Исследование 2014 года с применением данных MODIS Active Fire Detection показало, что в 2001–2010 годах выжигание стерни на пахотных землях и контролируемые выжигания леса ответственны за 77% всех обнаруженных очагов возгораний в США, и чаще всего встречались на юге и юго-востоке страны.
В тот же время на западе США количество очагов возгораний на пахотных землях сокращалось на 5.9% в год. По мысли авторов, происходило это в ответ на принятие более жестких законов по охране атмосферного воздуха. Однако и на западе на долю пожаров на пахотных землях и контролируемых выжиганий леса приходилось 45% всех возгораний. Заметим, что число обычных лесных пожаров на Тихоокеанском побережье в то время сокращалось. Любопытно было бы выполнить подобные исследования сейчас.
К слову, вот как выглядят объявления о предстоящих контролируемых выжиганиях в штате Алабама.
#пожары #modis
Исследование 2014 года с применением данных MODIS Active Fire Detection показало, что в 2001–2010 годах выжигание стерни на пахотных землях и контролируемые выжигания леса ответственны за 77% всех обнаруженных очагов возгораний в США, и чаще всего встречались на юге и юго-востоке страны.
В тот же время на западе США количество очагов возгораний на пахотных землях сокращалось на 5.9% в год. По мысли авторов, происходило это в ответ на принятие более жестких законов по охране атмосферного воздуха. Однако и на западе на долю пожаров на пахотных землях и контролируемых выжиганий леса приходилось 45% всех возгораний. Заметим, что число обычных лесных пожаров на Тихоокеанском побережье в то время сокращалось. Любопытно было бы выполнить подобные исследования сейчас.
К слову, вот как выглядят объявления о предстоящих контролируемых выжиганиях в штате Алабама.
#пожары #modis
Продолжение примечаний к предыдущему посту.
***Названия данных MODIS Aqua начинаются с префикса “MYD”. Например, MYD11A2. Здесь у вас может появиться вопрос: почему бы не объединить температурные данные с Terra и Aqua? На эту тему есть немало статей. Поищите, и вы узнаете о плюсах и минусах такого объединения.
****Период составления композита — 8 суток — выбран разработчиками потому, что он в два раза больше периода точного повторения наземного трека спутников Terra и Aqua.
#GEE #LST #MODIS #landsat
***Названия данных MODIS Aqua начинаются с префикса “MYD”. Например, MYD11A2. Здесь у вас может появиться вопрос: почему бы не объединить температурные данные с Terra и Aqua? На эту тему есть немало статей. Поищите, и вы узнаете о плюсах и минусах такого объединения.
****Период составления композита — 8 суток — выбран разработчиками потому, что он в два раза больше периода точного повторения наземного трека спутников Terra и Aqua.
#GEE #LST #MODIS #landsat
Глобальный 30-метровый бесшовный куб данных отражательной способности земной поверхности за 2000–2022 гг.
Куб ежедневных данных создан на основе снимков спутников Landsat 5/7/8/9 и Terra (MODIS) 📊. Для заполнения пробелов в данных Landsat используются данные MODIS и алгоритм пространственно-временной реконструкции uROBOT (unified ROBust, OpTimization), предложенный авторами.
Представлены данные каналов Landsat: Blue (0.45–0.51 мкм), Green (0.53–0.59 мкм), Red (0.64–0.67 мкм), NIR (0.85–0.88 мкм), SWIR1 (1.57–1.65 мкм), SWIR2 (2.11–2.29 мкм).
Формат: Cloud-Optimized GeoTIFF.
🛢 Доступ к данным: https://data-starcloud.pcl.ac.cn/iearthdata/26
❗️ Сервис требует бесплатной регистрации. Возможность скачивания данных мы не проверяли.
📖 Сhen, S. et al. Global 30 m seamless data cube (2000–2022) of land surface reflectance generated from Landsat 5, 7, 8, and 9 and MODIS Terra constellations, Earth Syst. Sci. Data, 16, 5449–5475, https://doi.org/10.5194/essd-16-5449-2024, 2024.
#данные #landsat #MODIS
Куб ежедневных данных создан на основе снимков спутников Landsat 5/7/8/9 и Terra (MODIS) 📊. Для заполнения пробелов в данных Landsat используются данные MODIS и алгоритм пространственно-временной реконструкции uROBOT (unified ROBust, OpTimization), предложенный авторами.
Представлены данные каналов Landsat: Blue (0.45–0.51 мкм), Green (0.53–0.59 мкм), Red (0.64–0.67 мкм), NIR (0.85–0.88 мкм), SWIR1 (1.57–1.65 мкм), SWIR2 (2.11–2.29 мкм).
Формат: Cloud-Optimized GeoTIFF.
🛢 Доступ к данным: https://data-starcloud.pcl.ac.cn/iearthdata/26
❗️ Сервис требует бесплатной регистрации. Возможность скачивания данных мы не проверяли.
📖 Сhen, S. et al. Global 30 m seamless data cube (2000–2022) of land surface reflectance generated from Landsat 5, 7, 8, and 9 and MODIS Terra constellations, Earth Syst. Sci. Data, 16, 5449–5475, https://doi.org/10.5194/essd-16-5449-2024, 2024.
#данные #landsat #MODIS
Применение искусственного интеллекта для анализа данных MODIS
Исследователи из Центра космических полетов Годдарда обучили модель SatVision Top-of-Atmosphere восстанавливать зашумленные изображения, сделанные прибором MODIS.
Модель генеративного искусственного интеллекта SatVision-TOA (Top-of-Atmosphere) имеет широкий спектр применений, включая определение свойств облаков, картографирование земного покрова, мониторинг наводнений и катастроф, городское планирование и экологический анализ. Модель потенциально может быть применена к снимкам, сделанным другими аналогичными приборами дистанционного зондирования.
📸 Слева, на оригинальном снимке MODIS, видны серые и белые облака на фиолетовом фоне. Второй слева снимок (маскированное изображение) представляет собой то же самое изображение, большая часть которого закрыта компьютерно-сгенерированными пикселями розового цвета. Третий снимок — это попытка восстановить оригинальный снимок версией SatVision-TOA с меньшим числом параметров (Huge Model). Снимок справа — результат восстановления исходного снимка моделью SatVision-TOA с максимальным числом параметров (Giant Model, 3 млрд. параметров) [источник].
SatVision-TOA основана на архитектуре искусственного интеллекта с трансформерной нейронной сетью, изначально разработанной Google, которая позже стала основой для больших языковых моделей (LLM). Архитектура SwinV2, использованная в SatVision-TOA, позволяет компьютерам обучаться распознавать "узоры" на спутниковых снимках и присваивать им значения.
Для обучения модели команда использовала 100 миллионов случайно выбранных образцов из данных MODIS уровня 1B (MOD021KM v6.1) за последние 25 лет, полученных спутником Terra. Они выбрали изображения из 14 спектральных каналов, общих для MODIS и аналогичного инструмента Advance Baseline Imager (ABI) на метеорологических спутниках GOES-R, чтобы расширить возможности использования модели.
Теперь, когда SatVision-TOA доказала свою способность распознавать особенности в данных MODIS, ее пытаются использовать для характеристики аэрозолей под облаками, таких как пыльные бури, переносимые тропическими штормами, и для измерения свойств облаков, включая высоту верхней границы облаков и оптическую плотность.
🖥 Архитектура SatVision-TOA и веса модели доступны на GitHub и Hugging Face соответственно.
📖 Руководство пользователя см. в SatVision-TOA: A Geospatial Foundation Model for Coarse-Resolution All-Sky Remote Sensing Imagery.
#MODIS #ИИ #FM
Исследователи из Центра космических полетов Годдарда обучили модель SatVision Top-of-Atmosphere восстанавливать зашумленные изображения, сделанные прибором MODIS.
Модель генеративного искусственного интеллекта SatVision-TOA (Top-of-Atmosphere) имеет широкий спектр применений, включая определение свойств облаков, картографирование земного покрова, мониторинг наводнений и катастроф, городское планирование и экологический анализ. Модель потенциально может быть применена к снимкам, сделанным другими аналогичными приборами дистанционного зондирования.
📸 Слева, на оригинальном снимке MODIS, видны серые и белые облака на фиолетовом фоне. Второй слева снимок (маскированное изображение) представляет собой то же самое изображение, большая часть которого закрыта компьютерно-сгенерированными пикселями розового цвета. Третий снимок — это попытка восстановить оригинальный снимок версией SatVision-TOA с меньшим числом параметров (Huge Model). Снимок справа — результат восстановления исходного снимка моделью SatVision-TOA с максимальным числом параметров (Giant Model, 3 млрд. параметров) [источник].
SatVision-TOA основана на архитектуре искусственного интеллекта с трансформерной нейронной сетью, изначально разработанной Google, которая позже стала основой для больших языковых моделей (LLM). Архитектура SwinV2, использованная в SatVision-TOA, позволяет компьютерам обучаться распознавать "узоры" на спутниковых снимках и присваивать им значения.
Для обучения модели команда использовала 100 миллионов случайно выбранных образцов из данных MODIS уровня 1B (MOD021KM v6.1) за последние 25 лет, полученных спутником Terra. Они выбрали изображения из 14 спектральных каналов, общих для MODIS и аналогичного инструмента Advance Baseline Imager (ABI) на метеорологических спутниках GOES-R, чтобы расширить возможности использования модели.
Теперь, когда SatVision-TOA доказала свою способность распознавать особенности в данных MODIS, ее пытаются использовать для характеристики аэрозолей под облаками, таких как пыльные бури, переносимые тропическими штормами, и для измерения свойств облаков, включая высоту верхней границы облаков и оптическую плотность.
🖥 Архитектура SatVision-TOA и веса модели доступны на GitHub и Hugging Face соответственно.
📖 Руководство пользователя см. в SatVision-TOA: A Geospatial Foundation Model for Coarse-Resolution All-Sky Remote Sensing Imagery.
#MODIS #ИИ #FM