Картирование поверхностных водоемов и зон затопления с помощью данных мультиспектральных оптических спутниковых сенсоров
Хороший современный обзор:
Albertini C, Gioia A, Iacobellis V, Manfreda S. Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing. 2022; 14(23):6005. https://doi.org/10.3390/rs14236005
В целом, в задаче выделения поверхностных водоемов по-прежнему рулят Normalized Difference Water Index (NDWI), предложенный McFeeters’ом в 1996, и Modified Normalized Difference Water Index (MNDWI), предложенный Xu в 2005 году. Вместе с тем, интересно узнать, какие новые подходы предложены, и как новые индексы работают, в зависимости от типа почвенно-растительного покрова конкретной местности.
#вода #обзор #наводнение
Хороший современный обзор:
Albertini C, Gioia A, Iacobellis V, Manfreda S. Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing. 2022; 14(23):6005. https://doi.org/10.3390/rs14236005
В целом, в задаче выделения поверхностных водоемов по-прежнему рулят Normalized Difference Water Index (NDWI), предложенный McFeeters’ом в 1996, и Modified Normalized Difference Water Index (MNDWI), предложенный Xu в 2005 году. Вместе с тем, интересно узнать, какие новые подходы предложены, и как новые индексы работают, в зависимости от типа почвенно-растительного покрова конкретной местности.
#вода #обзор #наводнение
⭐️ 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.
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
#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.
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
#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
Разработанная Google модель предсказывает наводнения за пять дней до их наступления [ссылка]
Модель использует нейронные сети долговременной памяти (Long Short-Term Memory). Она обучена на исторических данных о наводнениях, показаниях уровня рек, высоты, рельефа и другой информации. По завершении процесса обучения модель усовершенствовали, проведя несколько сотен тысяч симуляций наводнений в различных точках планеты.
Полученная модель позволяет предсказывать речные наводнения в среднем за пяти дней до наступления события. Иногда этот срок доходит до семи дней. Google включила прогнозы наводнений в свою поисковую систему в виде приложении Flood Hub.
Проблема наводнений не ограничивается реками. Сейчас модель не может предсказывать городские наводнения или ливневые паводки. Ведётся работа над её усовершенствованием для учёта других типов наводнений.
#наводнение #вода
Модель использует нейронные сети долговременной памяти (Long Short-Term Memory). Она обучена на исторических данных о наводнениях, показаниях уровня рек, высоты, рельефа и другой информации. По завершении процесса обучения модель усовершенствовали, проведя несколько сотен тысяч симуляций наводнений в различных точках планеты.
Полученная модель позволяет предсказывать речные наводнения в среднем за пяти дней до наступления события. Иногда этот срок доходит до семи дней. Google включила прогнозы наводнений в свою поисковую систему в виде приложении Flood Hub.
Проблема наводнений не ограничивается реками. Сейчас модель не может предсказывать городские наводнения или ливневые паводки. Ведётся работа над её усовершенствованием для учёта других типов наводнений.
#наводнение #вода
Снимки Оренбурга 1️⃣ 4 апреля, до прихода паводковых вод, и 2️⃣ 11 апреля, во время паводка, сделаны прибором Sentinel-2 MSI и представлены в комбинации каналов NIR-Red-Blue (8-4-2), чтобы подчеркнуть присутствие воды, которая выглядит сине-зелёной, а растительность — красной.
Следующие снимки той же территории представлены в комбинации каналов NIR-SWIR1-Red (8-11-4) 3️⃣ 3 апреля 2023 года, за год до паводка, и 4️⃣ 11 апреля 2024 года, во время паводка. Вода на снимках выглядит тёмно-синей. Чем выше влажность почвы, тем темнее она выглядит на снимке из-за сильного поглощения в инфракрасном диапазоне.
#наводнение #снимки
Следующие снимки той же территории представлены в комбинации каналов NIR-SWIR1-Red (8-11-4) 3️⃣ 3 апреля 2023 года, за год до паводка, и 4️⃣ 11 апреля 2024 года, во время паводка. Вода на снимках выглядит тёмно-синей. Чем выше влажность почвы, тем темнее она выглядит на снимке из-за сильного поглощения в инфракрасном диапазоне.
#наводнение #снимки
Оперативная система раннего предупреждения о наводнениях описана в работе
📖 Najafi, H., Shrestha, P. K., Rakovec, O., Apel, H., Vorogushyn, S., Kumar, R., Thober, S., Merz, B., & Samaniego, L. (2024). High-resolution impact-based early warning system for riverine flooding. Nature Communications, 15(1). https://doi.org/10.1038/s41467-024-48065-y
Современные оперативные системы раннего предупреждения о наводнениях должны быть оснащены механизмами прогнозирования наводнений, их близких к реальному времени последствий и связанных с ними неопределённостей. Схема подобной системы представлена на рисунке ⬆️. Возможности системы продемонстрированы на примере комплексного ретроспективного прогноза затопления пойм во время европейского летнего паводка 2021 года, где она обеспечивает 17-часовой запас времени для проведения необходимых мероприятий. Авторы обсуждают требования к элементам системы раннего предупреждения, современный уровень их развития, а также имеющиеся проблемы.
#наводнение
📖 Najafi, H., Shrestha, P. K., Rakovec, O., Apel, H., Vorogushyn, S., Kumar, R., Thober, S., Merz, B., & Samaniego, L. (2024). High-resolution impact-based early warning system for riverine flooding. Nature Communications, 15(1). https://doi.org/10.1038/s41467-024-48065-y
Современные оперативные системы раннего предупреждения о наводнениях должны быть оснащены механизмами прогнозирования наводнений, их близких к реальному времени последствий и связанных с ними неопределённостей. Схема подобной системы представлена на рисунке ⬆️. Возможности системы продемонстрированы на примере комплексного ретроспективного прогноза затопления пойм во время европейского летнего паводка 2021 года, где она обеспечивает 17-часовой запас времени для проведения необходимых мероприятий. Авторы обсуждают требования к элементам системы раннего предупреждения, современный уровень их развития, а также имеющиеся проблемы.
#наводнение
Hisea-1 SAR Floodwater Mapping Dataset
Набор данных создан на основе 20 снимков китайского радарного спутника Hisea-1, полученных во время трёх различных наводнений в 2021 году. Все снимки являются продуктами ORG (orthorectification geolocation) уровня 2, снятыми в маршрутном режиме с пространственным разрешение 3 м и имеют поляризацию VV (вертикально-вертикальную).
Все снимки размечены вручную. Все наборы образцов распределены случайным образом в соотношении 6:2:2 и разделены на 1404 обучающих набора, 468 проверочных и 468 тестовых наборов (всего 2340 образцов данных).
Набор данных охватывает площадь 20 тыс. кв. км и содержит реки, притоки, водохранилища, озера и рисовые поля. Он может быть использован для глубокого обучения в задачах выделения областей затопления.
🛢 Данные на Zenodo
📖 Lv, S., Meng, L., Edwing, D., Xue, S., Geng, X., & Yan, X.-H. (2022). High-Performance Segmentation for Flood Mapping of HISEA-1 SAR Remote Sensing Images. Remote Sensing, 14(21), 5504. https://doi.org/10.3390/rs14215504 — описание создания набора данных и обучение моделей на его основе.
#нейронки #данные #наводнение
Набор данных создан на основе 20 снимков китайского радарного спутника Hisea-1, полученных во время трёх различных наводнений в 2021 году. Все снимки являются продуктами ORG (orthorectification geolocation) уровня 2, снятыми в маршрутном режиме с пространственным разрешение 3 м и имеют поляризацию VV (вертикально-вертикальную).
Все снимки размечены вручную. Все наборы образцов распределены случайным образом в соотношении 6:2:2 и разделены на 1404 обучающих набора, 468 проверочных и 468 тестовых наборов (всего 2340 образцов данных).
Набор данных охватывает площадь 20 тыс. кв. км и содержит реки, притоки, водохранилища, озера и рисовые поля. Он может быть использован для глубокого обучения в задачах выделения областей затопления.
🛢 Данные на Zenodo
📖 Lv, S., Meng, L., Edwing, D., Xue, S., Geng, X., & Yan, X.-H. (2022). High-Performance Segmentation for Flood Mapping of HISEA-1 SAR Remote Sensing Images. Remote Sensing, 14(21), 5504. https://doi.org/10.3390/rs14215504 — описание создания набора данных и обучение моделей на его основе.
#нейронки #данные #наводнение
Карта глубин затопления в Риу-Гранди-ду-Сул
Информация о глубине на картах зон затопления может помочь в проведении спасательных операциях и при анализе ущерба от наводнения.
На карте ⬆️ показаны оценки глубины затопления в бразильском штате Риу-Гранди-ду-Сул к западу от столицы штата Порту-Алегри по состоянию на 6 мая 2024 года. Самые тёмные оттенки синего отмечают области, где глубина воды в тот день превысила 5 метров. Однако большая часть затопленной поймы окрашена в светло-голубой цвет, что соответствует глубинам от 0,1 до 1 метра.
Оценки глубин получены с помощью метода Floodwater Depth Estimation Tool (FwDET). Метод опирался на данные о площади затопления, полученные из продукта* OPERA Dynamic Surface Water Extent from Harmonized Landsat Sentinel-2 (OPERA DSWx-HLS), и цифровую модель рельефа Shuttle Radar Topography Mission (SRTM).
*Об этом продукте мы рассказывали здесь.
#наводнение
Информация о глубине на картах зон затопления может помочь в проведении спасательных операциях и при анализе ущерба от наводнения.
На карте ⬆️ показаны оценки глубины затопления в бразильском штате Риу-Гранди-ду-Сул к западу от столицы штата Порту-Алегри по состоянию на 6 мая 2024 года. Самые тёмные оттенки синего отмечают области, где глубина воды в тот день превысила 5 метров. Однако большая часть затопленной поймы окрашена в светло-голубой цвет, что соответствует глубинам от 0,1 до 1 метра.
Оценки глубин получены с помощью метода Floodwater Depth Estimation Tool (FwDET). Метод опирался на данные о площади затопления, полученные из продукта* OPERA Dynamic Surface Water Extent from Harmonized Landsat Sentinel-2 (OPERA DSWx-HLS), и цифровую модель рельефа Shuttle Radar Topography Mission (SRTM).
*Об этом продукте мы рассказывали здесь.
#наводнение
Картографирование наводнений с помощью радаров: обзор методов и наборов данных
📖 Amitrano, D., Di Martino, G., Di Simone, A., & Imperatore, P. (2024). Flood Detection with SAR: A Review of Techniques and Datasets. Remote Sensing, 16(4), 656. https://doi.org/10.3390/rs16040656
Дистанционное зондирование Земли из космоса при помощи радаров оказывает большую помощь в борьбе с наводнениями и смягчении их последствий. В отличие от оптических датчиков, радары позволяют получать данные в условиях облачности, что обеспечивает регулярный мониторинг зон затопления.
Для картографирования и мониторинга наводнений применяется широкий спектр подходов: пороговые методы, нечёткая логика, машинное обучение, слияние данных (data fusion) и др. Оценить точность и эффективность различных методов картографирования наводнений позволяют справочные наборы данных. Приведен обзор открытых наборов радарных данных, которые охватывают события, связанные с наводнениями.
Мониторинг наводнений при помощи радаров испытывает трудности в районах городской застройки и густой растительности, где сложные механизмы рассеяния могут помешать точному выделению зон затопления. Эти и другие проблемы, а также перспективы развития методов картографирования наводнений на основе радарных данных обсуждаются в данной работе.
Обзор методов картографирования поверхностных водоёмов и зон затопления с помощью мультиспектральных оптических спутниковых сенсоров приведен здесь.
📊 Архитектура нейронной сети Siam-DWENet, предназначенной для извлечения высокоуровневых характеристик водных объектов из радарных снимков, сделанных до и после наводнения.
#обзор #SAR #наводнение #вода
📖 Amitrano, D., Di Martino, G., Di Simone, A., & Imperatore, P. (2024). Flood Detection with SAR: A Review of Techniques and Datasets. Remote Sensing, 16(4), 656. https://doi.org/10.3390/rs16040656
Дистанционное зондирование Земли из космоса при помощи радаров оказывает большую помощь в борьбе с наводнениями и смягчении их последствий. В отличие от оптических датчиков, радары позволяют получать данные в условиях облачности, что обеспечивает регулярный мониторинг зон затопления.
Для картографирования и мониторинга наводнений применяется широкий спектр подходов: пороговые методы, нечёткая логика, машинное обучение, слияние данных (data fusion) и др. Оценить точность и эффективность различных методов картографирования наводнений позволяют справочные наборы данных. Приведен обзор открытых наборов радарных данных, которые охватывают события, связанные с наводнениями.
Мониторинг наводнений при помощи радаров испытывает трудности в районах городской застройки и густой растительности, где сложные механизмы рассеяния могут помешать точному выделению зон затопления. Эти и другие проблемы, а также перспективы развития методов картографирования наводнений на основе радарных данных обсуждаются в данной работе.
Обзор методов картографирования поверхностных водоёмов и зон затопления с помощью мультиспектральных оптических спутниковых сенсоров приведен здесь.
📊 Архитектура нейронной сети Siam-DWENet, предназначенной для извлечения высокоуровневых характеристик водных объектов из радарных снимков, сделанных до и после наводнения.
#обзор #SAR #наводнение #вода
Оперативное картографирование предвестников и последствий наводнений с использованием новых данных GRACE
Важность прогнозирования наводнений не вызывает сомнений. В работе
📖 Rateb, A., Save, H., Sun, A. Y., & Scanlon, B. R. (2024). Rapid mapping of global flood precursors and impacts using novel five-day GRACE solutions. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-64491-w
рассчитаны аномалии предшествующего общего накопления воды (Antecedent Total Water Storage, ATWS) с помощью новых 5-суточных данных GRACE и GRACE-FO — 5D GRACE — для улучшения обнаружения допаводковых и активных паводковых условий, а также для картирования аномалий накопления воды после наводнения.
Данные GRACE сопоставлены с ~3300 событиями наводнений, отмеченных Дартмутской обсерваторией наводнений в 2002–2021 годах. Выявлены отчетливые сигналы-предвестники ATWS в данных 5D GRACE, в отличие от обычных ежемесячных данных. В частности, наводнения, связанные с насыщением-избыточным стоком (saturation-excess runoff) — вызванные постоянными осадками, муссонными периодами, таянием снега или выпадением дождя со снегом, — показывают отчётливо обнаруживаемое увеличение ATWS за 15–50 суток до и во время наводнений, что предоставляет ценную возможность улучшить мониторинг наводнений.
Данные 5D GRACE также способствуют более быстрому составлению карт изменений в накоплении воды для оценки восстановления после наводнений, возникших в результате в результате тропических циклонов и экстремальных погодных явлений.
Результаты показывают многообещающий потенциал данных 5D GRACE, которые все ещё находятся в стадии разработки, для интеграции в системы обнаружения и контроля за наводнениями, и их преимущества по сравнению с ежемесячными данными.
📊 Профили значений Antecedent Total Water Storage (ATWS), предшествующих наводнению.
#наводнение
Важность прогнозирования наводнений не вызывает сомнений. В работе
📖 Rateb, A., Save, H., Sun, A. Y., & Scanlon, B. R. (2024). Rapid mapping of global flood precursors and impacts using novel five-day GRACE solutions. Scientific Reports, 14(1). https://doi.org/10.1038/s41598-024-64491-w
рассчитаны аномалии предшествующего общего накопления воды (Antecedent Total Water Storage, ATWS) с помощью новых 5-суточных данных GRACE и GRACE-FO — 5D GRACE — для улучшения обнаружения допаводковых и активных паводковых условий, а также для картирования аномалий накопления воды после наводнения.
Данные GRACE сопоставлены с ~3300 событиями наводнений, отмеченных Дартмутской обсерваторией наводнений в 2002–2021 годах. Выявлены отчетливые сигналы-предвестники ATWS в данных 5D GRACE, в отличие от обычных ежемесячных данных. В частности, наводнения, связанные с насыщением-избыточным стоком (saturation-excess runoff) — вызванные постоянными осадками, муссонными периодами, таянием снега или выпадением дождя со снегом, — показывают отчётливо обнаруживаемое увеличение ATWS за 15–50 суток до и во время наводнений, что предоставляет ценную возможность улучшить мониторинг наводнений.
Данные 5D GRACE также способствуют более быстрому составлению карт изменений в накоплении воды для оценки восстановления после наводнений, возникших в результате в результате тропических циклонов и экстремальных погодных явлений.
Результаты показывают многообещающий потенциал данных 5D GRACE, которые все ещё находятся в стадии разработки, для интеграции в системы обнаружения и контроля за наводнениями, и их преимущества по сравнению с ежемесячными данными.
📊 Профили значений Antecedent Total Water Storage (ATWS), предшествующих наводнению.
#наводнение
Риски хозяйственного освоения поймы
Начнём с определения: “Пойма — часть речной долины, находящаяся выше русла и затопляемая в половодье или во время паводков”.
В свежем номере “Современных проблем ДЗЗ...” опубликовано короткое сообщение:
📖 Шинкаренко С. С. , Барталев С. А., Лупян Е. А. Мониторинг последствий наводнения в Оренбургской области при половодье на реке Урал в 2024 году // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. №3. С. 339–347. URL: http://jr.rse.cosmos.ru/article.aspx?id=2853
Авторы определяют границы затопленных застроенных территорий в городах Оренбургской области при половодье на реке Урал в нынешнем году, и сравнивают их с границами заливаний при половодьях предыдущих лет.
Оказалось, что: “Многолетние периоды маловодья на некоторых крупных реках, сопровождавшиеся снижением частоты, высоты и длительности половодий, привели к интенсификации хозяйственного освоения и застройки пойменных земель. Из-за этого весенние паводки, являющиеся неотъемлемой составляющей функционирования пойменных ландшафтов, стали восприниматься как стихийные бедствия” (курсив наш). Это касается не только поймы реки Урал.
Спутниковые снимки показали, что значительные затопленные площади застройки в Оренбурге и окрестностях были освоены в последние 10–20 лет. При этом жилые дома создавались как в существующих дачных массивах, так и на месте сельскохозяйственных угодий, в том числе расположенных в границах заливания 1994 года и 2000 года.
📸 Пример застройки поймы реки Урал в селе Ивановка: а) 19.08.1992; б) 28.04.1994; в) 27.04.2000; г) 26.06.2013; д) 29.07.2023; е) 19.04.2024.
Использование многолетнего архива данных дистанционного зондирования позволяет не только отслеживать последствия наводнений, но и даёт возможность предварительно оценить риски затопления пойменных территорий. “Эта информация должна учитываться при составлении документов территориального планирования пойменных территорий, принятии решений о разрешении капитального строительства и других вариантах хозяйственного освоения”.
Хотелось бы отметить те самые многолетние архивы данных ДЗЗ: “Работа выполнена с использованием сервиса “Вега-Science” и инфраструктуры Центра коллективного пользования “ИКИ-Мониторинг””.
#наводнение
Начнём с определения: “Пойма — часть речной долины, находящаяся выше русла и затопляемая в половодье или во время паводков”.
В свежем номере “Современных проблем ДЗЗ...” опубликовано короткое сообщение:
📖 Шинкаренко С. С. , Барталев С. А., Лупян Е. А. Мониторинг последствий наводнения в Оренбургской области при половодье на реке Урал в 2024 году // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. №3. С. 339–347. URL: http://jr.rse.cosmos.ru/article.aspx?id=2853
Авторы определяют границы затопленных застроенных территорий в городах Оренбургской области при половодье на реке Урал в нынешнем году, и сравнивают их с границами заливаний при половодьях предыдущих лет.
Оказалось, что: “Многолетние периоды маловодья на некоторых крупных реках, сопровождавшиеся снижением частоты, высоты и длительности половодий, привели к интенсификации хозяйственного освоения и застройки пойменных земель. Из-за этого весенние паводки, являющиеся неотъемлемой составляющей функционирования пойменных ландшафтов, стали восприниматься как стихийные бедствия” (курсив наш). Это касается не только поймы реки Урал.
Спутниковые снимки показали, что значительные затопленные площади застройки в Оренбурге и окрестностях были освоены в последние 10–20 лет. При этом жилые дома создавались как в существующих дачных массивах, так и на месте сельскохозяйственных угодий, в том числе расположенных в границах заливания 1994 года и 2000 года.
📸 Пример застройки поймы реки Урал в селе Ивановка: а) 19.08.1992; б) 28.04.1994; в) 27.04.2000; г) 26.06.2013; д) 29.07.2023; е) 19.04.2024.
Использование многолетнего архива данных дистанционного зондирования позволяет не только отслеживать последствия наводнений, но и даёт возможность предварительно оценить риски затопления пойменных территорий. “Эта информация должна учитываться при составлении документов территориального планирования пойменных территорий, принятии решений о разрешении капитального строительства и других вариантах хозяйственного освоения”.
Хотелось бы отметить те самые многолетние архивы данных ДЗЗ: “Работа выполнена с использованием сервиса “Вега-Science” и инфраструктуры Центра коллективного пользования “ИКИ-Мониторинг””.
#наводнение