Есть еще одна простая характеристика — наземный интервал дискретизации (GSD, ground sample distance или GSI — ground sample interval). Это расстояние на земной поверхности, соответствующее расстоянию между центрами соседних пикселов.
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Подведем итоги. При выборе снимков для решения практических задач чаще всего применяют номинальное пространственное разрешение или наземный интервал дискретизации (GSD). Они дают косвенное представление о возможности различения объектов на снимке и используются, в основном, благодаря своей простоте. Для объективной оценки пространственного разрешения снимков применяют технологии, основанные на статистическом анализе изображений, полученных в ходе испытаний на заданной системе тестов (Современные технологии обработки данных ДЗЗ, 2015).
#основы
#основы
Soil-Adjusted Vegetation Index (SAVI)
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы
SAVI. Часть 2
Вернемся к формуле
NDVI = (NIR – Red) / (NIR + Red + 2ε).
Обратите внимание, что ε не влияет на числитель NDVI. Если бы мы использовали в качестве индекса разность (NIR – RED), у нас бы не было проблем с изменением цвета почвы. Однако, возникла бы другая сложность: новый вегетационный индекс будет меняться в зависимости от освещенности. Когда общая интенсивность света составляет 50% от нормы (например, из-за умеренной облачности), (NIR – RED) тоже будет на 50% меньше. Отсюда и необходимость нормализации индекса путем деления на общую интенсивность (NIR + RED).
Чтобы уменьшить чувствительность формулы к ε, добавим в знаменатель константу L:
Стабилизированный NDVI = (NIR – Red) / (NIR + Red + 2ε + L).
Разберемся с тем, как выбрать L. Если L будет очень велико по сравнению с NIR и RED, то формула для вычисления стабилизированного NDVI превратится в
(NIR – Red) / (NIR + Red + 2ε + L) ≈ (NIR – Red) / L
Таким образом, для больших L чувствительность к ε исчезает. Зато формула сводится к масштабированной версии (NIR – RED), которая, как мы знаем, не работает.
Напротив, при L=0, мы вернемся к формуле NDVI, которая слишком чувствительна к ε.
Существует компромисс: выберем L достаточно большим, чтобы знаменатель был чувствителен к ε, но не слишком большим, чтобы не исчез эффект нормализации от деления на (NIR + RED).
Для конкретного региона можно определить свое значение L, откалибровав его на основе реальных данных. Однако в целом исследователи пришли к выводу, что L=0,5 создает вегетационный индекс, значительно менее чувствительный к цвету почвы, чем NDVI, и при этом достаточно нормализованный, чтобы общие изменения в интенсивности света не привели к существенному изменению индекса.
Осталось сделать последний шаг, чтобы сделать новый индекс удобным. Мы хотим, чтобы его значения находилась в интервале между –1 и 1. Увеличив знаменатель на L, мы добились того, что максимальное значение индекса (теоретически встречающееся при NIR=1, RED=0) стало равно 1/1+L. Если мы хотим, чтобы максимальное значение было равно 1, нам нужно умножить числитель на (1+L):
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L), где L = 0,5
Новый индекс называется Soil-Adjusted Vegetation Index или SAVI. Он предложен в работе: Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-x
SAVI варьируется в пределах от –1 до 1, малочувствителен к цвету почвы, нечувствителен к общей интенсивности света и увеличивается пропорционально состоянию и плотности растительности. Он лучше NDVI подходит для районов с разреженной растительностью, где цвет почвы может меняться.
#индексы #сельхоз #основы
Вернемся к формуле
NDVI = (NIR – Red) / (NIR + Red + 2ε).
Обратите внимание, что ε не влияет на числитель NDVI. Если бы мы использовали в качестве индекса разность (NIR – RED), у нас бы не было проблем с изменением цвета почвы. Однако, возникла бы другая сложность: новый вегетационный индекс будет меняться в зависимости от освещенности. Когда общая интенсивность света составляет 50% от нормы (например, из-за умеренной облачности), (NIR – RED) тоже будет на 50% меньше. Отсюда и необходимость нормализации индекса путем деления на общую интенсивность (NIR + RED).
Чтобы уменьшить чувствительность формулы к ε, добавим в знаменатель константу L:
Стабилизированный NDVI = (NIR – Red) / (NIR + Red + 2ε + L).
Разберемся с тем, как выбрать L. Если L будет очень велико по сравнению с NIR и RED, то формула для вычисления стабилизированного NDVI превратится в
(NIR – Red) / (NIR + Red + 2ε + L) ≈ (NIR – Red) / L
Таким образом, для больших L чувствительность к ε исчезает. Зато формула сводится к масштабированной версии (NIR – RED), которая, как мы знаем, не работает.
Напротив, при L=0, мы вернемся к формуле NDVI, которая слишком чувствительна к ε.
Существует компромисс: выберем L достаточно большим, чтобы знаменатель был чувствителен к ε, но не слишком большим, чтобы не исчез эффект нормализации от деления на (NIR + RED).
Для конкретного региона можно определить свое значение L, откалибровав его на основе реальных данных. Однако в целом исследователи пришли к выводу, что L=0,5 создает вегетационный индекс, значительно менее чувствительный к цвету почвы, чем NDVI, и при этом достаточно нормализованный, чтобы общие изменения в интенсивности света не привели к существенному изменению индекса.
Осталось сделать последний шаг, чтобы сделать новый индекс удобным. Мы хотим, чтобы его значения находилась в интервале между –1 и 1. Увеличив знаменатель на L, мы добились того, что максимальное значение индекса (теоретически встречающееся при NIR=1, RED=0) стало равно 1/1+L. Если мы хотим, чтобы максимальное значение было равно 1, нам нужно умножить числитель на (1+L):
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L), где L = 0,5
Новый индекс называется Soil-Adjusted Vegetation Index или SAVI. Он предложен в работе: Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-x
SAVI варьируется в пределах от –1 до 1, малочувствителен к цвету почвы, нечувствителен к общей интенсивности света и увеличивается пропорционально состоянию и плотности растительности. Он лучше NDVI подходит для районов с разреженной растительностью, где цвет почвы может меняться.
#индексы #сельхоз #основы
SAVI. Часть 3
Сравним NDVI и SAVI.
На рисунке 1️⃣ показана разница между NDVI и SAVI при различной плотности растительности. При редкой и умеренной растительности NDVI имеет значительный разброс значений из-за чувствительности к цвету почвы. SAVI имеет гораздо меньший разброс. Разброс NDVI уменьшается, когда плотность растительности высока и почва закрыта растительным покровом.
Кроме малой чувствительности к цвету почвы, существует еще одно преимущество, которое SAVI приобретает благодаря дополнительному члену L: порог насыщения SAVI выше, чем NDVI.
Вспомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
Когда Red приближается к нулю, NDVI будет расти вместе с NIR, асимптотически приближаясь к единице. Все большее увеличение NIR оказывает все меньшее влияние на NDVI, то есть происходит насыщение.
Рассмотрим эффект от добавления L к знаменателю
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L)
SAVI тоже достигнет насыщения, но это произойдет при большем значении NIR. Чтобы понять как это работает, зададим RED = 0 и сделаем L гораздо больше, чем NIR. В таком случае, в знаменателе формулы будет преобладать L, а вся формула сводится к (1+L)NIR/L. Она линейно возрастает с увеличением NIR, выпуклости графика нет, а значит, нет и насыщения 2️⃣. Таким образом, точка насыщения увеличивается вместе с увеличением L.
Таким образом, дополнительный член в знаменателе позволяет SAVI регистрировать увеличение плотности растительности даже после того, как NDVI вошел в насыщение.
Подведем итоги:
1. SAVI, как правило, используется вместо NDVI в ситуации, когда видна значительная часть почвы и возможны изменения ее яркости.
2. SAVI не имеет однозначного превосходства перед NDVI: смягчая эффекты яркости почвы, в нем нарушается нечувствительность индекса к общей интенсивности света (за счет добавления L).
3. Меньшая чувствительность SAVI к насыщению позволяет использовать этот индекс для оценки состояния густой растительности.
#индексы #сельхоз #основы
Сравним NDVI и SAVI.
На рисунке 1️⃣ показана разница между NDVI и SAVI при различной плотности растительности. При редкой и умеренной растительности NDVI имеет значительный разброс значений из-за чувствительности к цвету почвы. SAVI имеет гораздо меньший разброс. Разброс NDVI уменьшается, когда плотность растительности высока и почва закрыта растительным покровом.
Кроме малой чувствительности к цвету почвы, существует еще одно преимущество, которое SAVI приобретает благодаря дополнительному члену L: порог насыщения SAVI выше, чем NDVI.
Вспомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
Когда Red приближается к нулю, NDVI будет расти вместе с NIR, асимптотически приближаясь к единице. Все большее увеличение NIR оказывает все меньшее влияние на NDVI, то есть происходит насыщение.
Рассмотрим эффект от добавления L к знаменателю
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L)
SAVI тоже достигнет насыщения, но это произойдет при большем значении NIR. Чтобы понять как это работает, зададим RED = 0 и сделаем L гораздо больше, чем NIR. В таком случае, в знаменателе формулы будет преобладать L, а вся формула сводится к (1+L)NIR/L. Она линейно возрастает с увеличением NIR, выпуклости графика нет, а значит, нет и насыщения 2️⃣. Таким образом, точка насыщения увеличивается вместе с увеличением L.
Таким образом, дополнительный член в знаменателе позволяет SAVI регистрировать увеличение плотности растительности даже после того, как NDVI вошел в насыщение.
Подведем итоги:
1. SAVI, как правило, используется вместо NDVI в ситуации, когда видна значительная часть почвы и возможны изменения ее яркости.
2. SAVI не имеет однозначного превосходства перед NDVI: смягчая эффекты яркости почвы, в нем нарушается нечувствительность индекса к общей интенсивности света (за счет добавления L).
3. Меньшая чувствительность SAVI к насыщению позволяет использовать этот индекс для оценки состояния густой растительности.
#индексы #сельхоз #основы
⭐️ 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
Мониторинг содержания парниковых газов в атмосфере
Лекция д. ф.-м. н. Ермакова Д.М. (ИКИ РАН) на XVII Всероссийской школе-конференции молодых ученых по фундаментальным проблемам дистанционного зондирования Земли из космоса, 15 ноября 2021 года [ссылка]
Рассмотрены возможности спутникового дистанционного мониторинга парниковых газов в атмосфере Земли. Обсуждены базовые физические механизмы взаимодействия излучения с молекулами атмосферных газов, частицами аэрозолей и воды в разных фазовых состояниях. Показаны способы описания этих механизмов, позволяющие эффективно решать задачи дистанционного зондирования химического состава и состояния атмосферы из космоса. Перечислены основные типы применяемых спутниковых приборов и способов организации измерений для извлечения полезной информации из регистрируемых спектров рассеянного, пропущенного и собственного излучения компонентов атмосферы. На примере фактических спутниковых наблюдений продемонстрированы возможности и перспективы мониторинга состояния и динамики атмосферы на различных пространственно-временных масштабах.
👨🏻💻 Презентация
📹 Видео
📖 Руководство по приборам и методам наблюдений. Том IV – Космические наблюдения. Издание 2021 г. Всемирная Метеорологическая Организация, 2021. ВМО-№8. 231 с. (PDF)
#обучение #основы #атмосфера
Лекция д. ф.-м. н. Ермакова Д.М. (ИКИ РАН) на XVII Всероссийской школе-конференции молодых ученых по фундаментальным проблемам дистанционного зондирования Земли из космоса, 15 ноября 2021 года [ссылка]
Рассмотрены возможности спутникового дистанционного мониторинга парниковых газов в атмосфере Земли. Обсуждены базовые физические механизмы взаимодействия излучения с молекулами атмосферных газов, частицами аэрозолей и воды в разных фазовых состояниях. Показаны способы описания этих механизмов, позволяющие эффективно решать задачи дистанционного зондирования химического состава и состояния атмосферы из космоса. Перечислены основные типы применяемых спутниковых приборов и способов организации измерений для извлечения полезной информации из регистрируемых спектров рассеянного, пропущенного и собственного излучения компонентов атмосферы. На примере фактических спутниковых наблюдений продемонстрированы возможности и перспективы мониторинга состояния и динамики атмосферы на различных пространственно-временных масштабах.
👨🏻💻 Презентация
📹 Видео
📖 Руководство по приборам и методам наблюдений. Том IV – Космические наблюдения. Издание 2021 г. Всемирная Метеорологическая Организация, 2021. ВМО-№8. 231 с. (PDF)
#обучение #основы #атмосфера
Особенности радарных данных
В заявлениях провайдеров радарных данных можно прочитать, что радары, в отличие от оптических сенсоров, способны вести съёмку в любую погоду независимо от времени суток. Из-за этого может сложиться впечатление, что радарные данные похожи на оптические, только лучше. Разберёмся с тем, о чём провайдеры предпочитают умалчивать.
Радар (англ. radar — сокращение от RAdio Detection And Ranging) измеряет интенсивность (или амплитуду) и фазу отраженного сигнала, дискретизированные во временных интервалах по азимуту (вдоль направления движения антенны) и дальности (перпендикулярно направлению движения антенны).
Термин синтезированная апертура у радаров (Synthetic Aperture Radar или SAR) относится к виртуальному созданию огромной антенны, используя движение спутниковой платформы. Большая виртуальная антенна нужна для обеспечения адекватного разрешения по азимуту. Все космические радары являются радарами с синтезированной апертурой.
Основные различия между радарами и оптическими сенсорами:
* Радар осуществляет активное зондирование: он излучает сигнал в микроволновом диапазоне и фиксирует часть этого сигнала, отраженную от поверхности. Оптические сенсоры — пассивные. Они регистрируют отраженное излучение от Солнца в определённых диапазонах видимого и инфракрасного спектра.
* Радар имеет боковой обзор, в отличие от оптических сенсоров, которые обычно “смотрят” в надир.
* Излучение радара является когерентным, поскольку микроволновое излучение передается с точным набором длин волн. Это позволяет проводить точные измерения фазы и амплитуды отражённых волн, а также использовать поляризацию. Отражённый солнечный свет не является когерентным и имеет широкий диапазон длин волн со случайными фазами.
Эти различия являются основой для понимания как относительных преимуществ, так и недостатков радаров по сравнению с оптическими (тепловыми) сенсорами.
Важно помнить, что обратное рассеяние сигнала радара зависит от иных физических свойств подстилающей поверхности, по сравнению со свойствами, определяющими отражение в оптических сенсорах. Для радаров эти свойства связаны со структурной геометрией и электромагнитными свойствами материала поверхности, освещаемой падающим излучением.
Преимущества радаров по сравнению с оптическими сенсорами:
* Радар не зависит от солнечного света, поэтому может получать данные в дневное и в ночное время.
* Облачность не оказывают существенного влияния на распространение радарного сигнала в ряде диапазонов микроволнового излучения.
* Радарные данные не требуют атмосферной коррекции.
#SAR #основы
В заявлениях провайдеров радарных данных можно прочитать, что радары, в отличие от оптических сенсоров, способны вести съёмку в любую погоду независимо от времени суток. Из-за этого может сложиться впечатление, что радарные данные похожи на оптические, только лучше. Разберёмся с тем, о чём провайдеры предпочитают умалчивать.
Радар (англ. radar — сокращение от RAdio Detection And Ranging) измеряет интенсивность (или амплитуду) и фазу отраженного сигнала, дискретизированные во временных интервалах по азимуту (вдоль направления движения антенны) и дальности (перпендикулярно направлению движения антенны).
Термин синтезированная апертура у радаров (Synthetic Aperture Radar или SAR) относится к виртуальному созданию огромной антенны, используя движение спутниковой платформы. Большая виртуальная антенна нужна для обеспечения адекватного разрешения по азимуту. Все космические радары являются радарами с синтезированной апертурой.
Основные различия между радарами и оптическими сенсорами:
* Радар осуществляет активное зондирование: он излучает сигнал в микроволновом диапазоне и фиксирует часть этого сигнала, отраженную от поверхности. Оптические сенсоры — пассивные. Они регистрируют отраженное излучение от Солнца в определённых диапазонах видимого и инфракрасного спектра.
* Радар имеет боковой обзор, в отличие от оптических сенсоров, которые обычно “смотрят” в надир.
* Излучение радара является когерентным, поскольку микроволновое излучение передается с точным набором длин волн. Это позволяет проводить точные измерения фазы и амплитуды отражённых волн, а также использовать поляризацию. Отражённый солнечный свет не является когерентным и имеет широкий диапазон длин волн со случайными фазами.
Эти различия являются основой для понимания как относительных преимуществ, так и недостатков радаров по сравнению с оптическими (тепловыми) сенсорами.
Важно помнить, что обратное рассеяние сигнала радара зависит от иных физических свойств подстилающей поверхности, по сравнению со свойствами, определяющими отражение в оптических сенсорах. Для радаров эти свойства связаны со структурной геометрией и электромагнитными свойствами материала поверхности, освещаемой падающим излучением.
Преимущества радаров по сравнению с оптическими сенсорами:
* Радар не зависит от солнечного света, поэтому может получать данные в дневное и в ночное время.
* Облачность не оказывают существенного влияния на распространение радарного сигнала в ряде диапазонов микроволнового излучения.
* Радарные данные не требуют атмосферной коррекции.
#SAR #основы
Особенности радарных данных-2
Наряду с достоинствами, наблюдение при помощи радаров имеет ряд недостатков или, если угодно, особенностей:
* Когерентная природа микроволнового излучения радара вызывает спекл-шум. Это приводит к появлению на снимках искажений типа "соль и перец". Спекл можно уменьшить различными способами, но его нельзя устранить полностью.
* Обратное рассеяние сигнала радара зависит от угла падения микроволнового излучения. Поскольку радар работает в некотором диапазоне углов падения вдоль полосы обзора, одна и та же цель будет выглядеть по-разному, в зависимости от того, находится ли она в ближней (с малым углом падения) или в дальней (с большим углом падения) зоне полосы обзора. То, как обратное рассеяние изменяется с углом падения, зависит от свойств поверхности. Так, обратное рассеяние от плоской сухой поверхности почвы уменьшается с увеличением угла падения значительно сильнее, чем обратное рассеяние от полога леса. На практике, чтобы исследовать свойства интересующей области поверхности, используют радарные снимки, где эта область снята с одинаковыми или близкими по значению углами падения.
* Рельеф местности оказывает сильное влияние на обратное рассеяние сигнала, поскольку он изменяет площадь, освещаемую боковым излучением радара. В частности, рельеф вызывает сокращение склонов, ориентированных в сторону радара, и затенение склонов, направленных в сторону от радара, крутизна которых превышает местный угол падения. Многие из этих эффектов можно исправить методами геометрической коррекции радарных изображений, однако полностью избавится от особенностей радарной съемки не удаётся.
Всё это затрудняет интерпретацию радарных изображений. Если снимки, сделанные оптическими сенсорами, во многом интерпретируются нами на основе жизненного опыта, то чтобы эффективно использовать радарные данные, нужно знать, какая часть изменений сигнала связана с внутренними свойствами радарной системы (длиной волны, поляризацией), с геометрией съемки (углом падения), а какая — с физическими свойствами исследуемой поверхности. Радарные снимки во многом похожи на то, как “видит” мир летучая мышь при помощи своего сонара (за исключением поляризации).
#SAR #основы
Наряду с достоинствами, наблюдение при помощи радаров имеет ряд недостатков или, если угодно, особенностей:
* Когерентная природа микроволнового излучения радара вызывает спекл-шум. Это приводит к появлению на снимках искажений типа "соль и перец". Спекл можно уменьшить различными способами, но его нельзя устранить полностью.
* Обратное рассеяние сигнала радара зависит от угла падения микроволнового излучения. Поскольку радар работает в некотором диапазоне углов падения вдоль полосы обзора, одна и та же цель будет выглядеть по-разному, в зависимости от того, находится ли она в ближней (с малым углом падения) или в дальней (с большим углом падения) зоне полосы обзора. То, как обратное рассеяние изменяется с углом падения, зависит от свойств поверхности. Так, обратное рассеяние от плоской сухой поверхности почвы уменьшается с увеличением угла падения значительно сильнее, чем обратное рассеяние от полога леса. На практике, чтобы исследовать свойства интересующей области поверхности, используют радарные снимки, где эта область снята с одинаковыми или близкими по значению углами падения.
* Рельеф местности оказывает сильное влияние на обратное рассеяние сигнала, поскольку он изменяет площадь, освещаемую боковым излучением радара. В частности, рельеф вызывает сокращение склонов, ориентированных в сторону радара, и затенение склонов, направленных в сторону от радара, крутизна которых превышает местный угол падения. Многие из этих эффектов можно исправить методами геометрической коррекции радарных изображений, однако полностью избавится от особенностей радарной съемки не удаётся.
Всё это затрудняет интерпретацию радарных изображений. Если снимки, сделанные оптическими сенсорами, во многом интерпретируются нами на основе жизненного опыта, то чтобы эффективно использовать радарные данные, нужно знать, какая часть изменений сигнала связана с внутренними свойствами радарной системы (длиной волны, поляризацией), с геометрией съемки (углом падения), а какая — с физическими свойствами исследуемой поверхности. Радарные снимки во многом похожи на то, как “видит” мир летучая мышь при помощи своего сонара (за исключением поляризации).
#SAR #основы
Особенности радарных данных-3
Формально, радарные данные Sentinel-1 IW GRD имеют такое же пространственное разрешение (10 м), как и оптические снимки Sentinel-2, но выглядят они как данные более низкого разрешения. Действительно, разрешение радарных данных по азимуту и по дальности различается, так что “квадратность” пикселя является результатом достаточно хитрой обработки. Кроме того, спекл-фильтрация потребует применения пространственных фильтров с размерами ядра 3 х 3, 5 х 5 и т. п., что дополнительно снижает пространственное разрешение. Так что, на практике, выглядеть сходно с 10-метровыми оптическими снимками будут радарные данные с разрешением 2–3 м.
Все микроволновые данные чувствительны по отношению к выпавшим осадкам в виде дождя и росы. Так, радарные данные, полученные в сезон дождей, серьезно недооценивают площадь обезлесения, поскольку участки вырубок и ненарушенного леса имеют близкие значения обратного рассеяния. Поэтому иногда приходится маскировать участки снимка, где выпали осадки или исключать из рассмотрения снимки, сделанные после дождя или выпадения росы. Чем-то напоминает проблемы с облачностью у оптических сенсоров, не так ли?
Плотная облачность в тропиках ослабляет радарные сигналы коротковолновых диапазонов, включая C-диапазон. Для сигнала L-диапазона такого не происходит.
Радарные данные не нуждаются в атмосферной коррекции, но для построения интерферограмм нужно вводить атмосферную поправку.
В учебниках по радарной съемке часто встречается картинка, на которой сигналы X-диапазона отражаются от верхней части древесного полога, а сигналы L-диапазона пронизывают полог до самой земли. Это справедливо для довольно низкого пространственного разрешения. Когда разрешение составляет десятки сантиметров, сигналы X-диапазона свободно проникают в щели между ветвями, делая видимыми объекты под пологом леса.
Как видим, радарные данные не хуже и не лучше оптических — они просто другие: служат для решения других задач и дополняют информацию, полученную от оптических и тепловых сенсоров.
#SAR #основы
Формально, радарные данные Sentinel-1 IW GRD имеют такое же пространственное разрешение (10 м), как и оптические снимки Sentinel-2, но выглядят они как данные более низкого разрешения. Действительно, разрешение радарных данных по азимуту и по дальности различается, так что “квадратность” пикселя является результатом достаточно хитрой обработки. Кроме того, спекл-фильтрация потребует применения пространственных фильтров с размерами ядра 3 х 3, 5 х 5 и т. п., что дополнительно снижает пространственное разрешение. Так что, на практике, выглядеть сходно с 10-метровыми оптическими снимками будут радарные данные с разрешением 2–3 м.
Все микроволновые данные чувствительны по отношению к выпавшим осадкам в виде дождя и росы. Так, радарные данные, полученные в сезон дождей, серьезно недооценивают площадь обезлесения, поскольку участки вырубок и ненарушенного леса имеют близкие значения обратного рассеяния. Поэтому иногда приходится маскировать участки снимка, где выпали осадки или исключать из рассмотрения снимки, сделанные после дождя или выпадения росы. Чем-то напоминает проблемы с облачностью у оптических сенсоров, не так ли?
Плотная облачность в тропиках ослабляет радарные сигналы коротковолновых диапазонов, включая C-диапазон. Для сигнала L-диапазона такого не происходит.
Радарные данные не нуждаются в атмосферной коррекции, но для построения интерферограмм нужно вводить атмосферную поправку.
В учебниках по радарной съемке часто встречается картинка, на которой сигналы X-диапазона отражаются от верхней части древесного полога, а сигналы L-диапазона пронизывают полог до самой земли. Это справедливо для довольно низкого пространственного разрешения. Когда разрешение составляет десятки сантиметров, сигналы X-диапазона свободно проникают в щели между ветвями, делая видимыми объекты под пологом леса.
Как видим, радарные данные не хуже и не лучше оптических — они просто другие: служат для решения других задач и дополняют информацию, полученную от оптических и тепловых сенсоров.
#SAR #основы
📖 Шихов А.Н., Абдуллин Р.К. Фонд космических снимков для создания карт. Пермь: Пермский государственный национальный исследовательский университет, 2024. — 115 с. [PDF]
Фонд космических снимков — это виртуальное объединение всех данных, полученных методами дистанционного зондирования Земли из космоса.
Книга содержит систематизированную информацию о современном состоянии мирового фонда космических снимков. Она позволяет обоснованно подойти к выбору источников данных для решения той или иной задачи (в частности, сократить временные затраты, используя готовые тематические продукты вместо “сырых” данных) и получить представление о результатах исследований ведущих мировых научных центров в области обработки и анализа спутниковых данных.
Рассматривается история развития и современное состояние мирового фонда спутниковых снимков в различных спектральных диапазонах, современные тенденции развития фонда снимков и рынка данных дистанционного зондирования Земли из Космоса, основные области применения данных, полученных различными съемочными системами; тематические продукты, созданные на основе спутниковых данных для глобального картографирования природных ресурсов и их многолетней динамики, а также глобальные цифровые модели рельефа, созданные по спутниковым данным.
#основы
Фонд космических снимков — это виртуальное объединение всех данных, полученных методами дистанционного зондирования Земли из космоса.
Книга содержит систематизированную информацию о современном состоянии мирового фонда космических снимков. Она позволяет обоснованно подойти к выбору источников данных для решения той или иной задачи (в частности, сократить временные затраты, используя готовые тематические продукты вместо “сырых” данных) и получить представление о результатах исследований ведущих мировых научных центров в области обработки и анализа спутниковых данных.
Рассматривается история развития и современное состояние мирового фонда спутниковых снимков в различных спектральных диапазонах, современные тенденции развития фонда снимков и рынка данных дистанционного зондирования Земли из Космоса, основные области применения данных, полученных различными съемочными системами; тематические продукты, созданные на основе спутниковых данных для глобального картографирования природных ресурсов и их многолетней динамики, а также глобальные цифровые модели рельефа, созданные по спутниковым данным.
#основы
Инфракрасная камера зафиксировала исходящее от слона тепловое излучение —электромагнитные волны в тепловом инфракрасном диапазоне. Вода отражает эти волны, и мы видим “тепловое” отражение слона. Часть энергии электромагнитных волн поглощается водой, поэтому отражение выглядит более холодным, чем тело слона.
📸 Источник
#основы
📸 Источник
#основы
📖 От Калининграда до Камчатки. Технологии дистанционного зондирования Земли в школьных проектах / А. С. Чекмарёва (Савостьянова), М. С. Добрынина / СПб.: Издательство «Маматов», 2023. — 88 с. PDF
Эта книга родилась как попытка поделиться опытом непростой, интересной работы со школьниками над их самостоятельными проектами с применением современной и востребованной технологии. Первая её часть посвящена поиску места изучения космических снимков в современном школьном образовании. Во второй части представлены подходы к адаптации необходимого теоретического материала к практическим занятиям, во время которых школьники смогли выбрать интересную тему и создали законченные проекты. В третьей части книги представлен подробный разбор некоторых из таких проектов.
Книга взята из 📚 Интернет-библиотеки РГМО.
🙏 Спасибо коллегам из Геоинформбюро за наводку!
#основы
Эта книга родилась как попытка поделиться опытом непростой, интересной работы со школьниками над их самостоятельными проектами с применением современной и востребованной технологии. Первая её часть посвящена поиску места изучения космических снимков в современном школьном образовании. Во второй части представлены подходы к адаптации необходимого теоретического материала к практическим занятиям, во время которых школьники смогли выбрать интересную тему и создали законченные проекты. В третьей части книги представлен подробный разбор некоторых из таких проектов.
Книга взята из 📚 Интернет-библиотеки РГМО.
🙏 Спасибо коллегам из Геоинформбюро за наводку!
#основы
Сервис NASA Fire Information for Resource Management System (FIRMS) распространяет данные об очагах возгораний и тепловых аномалиях в режиме, близком к реальному времени (Near Real-Time, NRT). Данные FIRMS получены с помощью спектрорадиометров MODIS на спутниках Aqua и Terra, а также приборов VIIRS на спутниках S-NPP, NOAA 20 и NOAA 21. По всему миру эти данные доступны в течение 3 часов после наблюдения со спутника, а в США и Канаде они доступны в режиме реального времени*.
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
Взгляд на хлорофилл из космоса
Источник: Наука и жизнь, 2007, №12.
Состояние растительного покрова Земли удобно исследовать из космоса с помощью аппаратуры, установленной на спутниках. Обычно для этого спектральными методами измеряют отражение света земной растительностью.
Однако недавно появилась новая идея — использовать при дистанционном исследовании способность хлорофилла под действием солнечного света флуоресцировать на длине волны 662–669 нанометров. Между уровнем флуоресцентного излучения и фотосинтезом растений существует непосредственная связь. Сам же фотосинтез (образование органического вещества из углекислого газа и воды под действием света при участии хлорофилла) — основа жизнедеятельности растений. Использовать флуоресцентные картинки в качестве индикатора жизнедеятельности растений предложили специалисты из Центральной лаборатории солнечно-земных взаимодействий Болгарской академии наук.
Для того чтобы изучить особенности флуоресцентных изображений растительного покрова, болгарские исследователи разработали специальную биокамеру. В ней можно имитировать различные неблагоприятные воздействия, подобные тем, с которыми приходится сталкиваться растениям в их повседневной земной жизни: недостаток влаги, нарушения температурного режима, воздействие кислотных дождей. Некоторые эксперименты, проводившиеся в биокамере, включали действие сразу нескольких вредных факторов, например резкое повышение температуры (высокотемпературный стресс) в сочетании с неблагоприятным углом падения света (имитация изменений высоты Солнца над горизонтом).
Как оказалось, флуоресцентные картинки позволяют получать информацию о скорости фотосинтеза растений и пространственном распределении повреждений фотосинтетического аппарата задолго до видимых изменений растительных тканей. Это дает возможность вовремя обнаружить стрессовую ситуацию и принять соответствующие меры до наступления необратимых последствий.
Биологи также провели сравнительные эксперименты, позволяющие сопоставить традиционные спектральные и флуоресцентные изображения и сравнить их чувствительность к внешним неблагоприятным факторам. Исследователи пришли к выводу, что флуориметрия — отличный инструмент для подтверждения и дополнения спектральных данных о состоянии растений.
Не исключено, что разработка болгарских ученых в недалеком будущем найдет свое место на одном из космических аппаратов дистанционного мониторинга Земли.
#история #SIF #основы
Источник: Наука и жизнь, 2007, №12.
Состояние растительного покрова Земли удобно исследовать из космоса с помощью аппаратуры, установленной на спутниках. Обычно для этого спектральными методами измеряют отражение света земной растительностью.
Однако недавно появилась новая идея — использовать при дистанционном исследовании способность хлорофилла под действием солнечного света флуоресцировать на длине волны 662–669 нанометров. Между уровнем флуоресцентного излучения и фотосинтезом растений существует непосредственная связь. Сам же фотосинтез (образование органического вещества из углекислого газа и воды под действием света при участии хлорофилла) — основа жизнедеятельности растений. Использовать флуоресцентные картинки в качестве индикатора жизнедеятельности растений предложили специалисты из Центральной лаборатории солнечно-земных взаимодействий Болгарской академии наук.
Для того чтобы изучить особенности флуоресцентных изображений растительного покрова, болгарские исследователи разработали специальную биокамеру. В ней можно имитировать различные неблагоприятные воздействия, подобные тем, с которыми приходится сталкиваться растениям в их повседневной земной жизни: недостаток влаги, нарушения температурного режима, воздействие кислотных дождей. Некоторые эксперименты, проводившиеся в биокамере, включали действие сразу нескольких вредных факторов, например резкое повышение температуры (высокотемпературный стресс) в сочетании с неблагоприятным углом падения света (имитация изменений высоты Солнца над горизонтом).
Как оказалось, флуоресцентные картинки позволяют получать информацию о скорости фотосинтеза растений и пространственном распределении повреждений фотосинтетического аппарата задолго до видимых изменений растительных тканей. Это дает возможность вовремя обнаружить стрессовую ситуацию и принять соответствующие меры до наступления необратимых последствий.
Биологи также провели сравнительные эксперименты, позволяющие сопоставить традиционные спектральные и флуоресцентные изображения и сравнить их чувствительность к внешним неблагоприятным факторам. Исследователи пришли к выводу, что флуориметрия — отличный инструмент для подтверждения и дополнения спектральных данных о состоянии растений.
Не исключено, что разработка болгарских ученых в недалеком будущем найдет свое место на одном из космических аппаратов дистанционного мониторинга Земли.
#история #SIF #основы
Наука и жизнь
ВЗГЛЯД НА ХЛОРОФИЛЛ ИЗ КОСМОСА
Состояние растительного покрова Земли удобно исследовать из космоса с помощью аппаратуры, установленной на спутниках. Обычно для этого спектральными методами измеряют отражение света земной растительностью. Однако недавно появилась новая идея — использовать…
Введение в ГИС-программирование на Python
Д-р. Qiusheng Wu, создатель нескольких известных пакетов Python 🐍 для работы с пространственными данными — geemap, leafmap и segment-geospatial — создал официальный сайт своего курса 📖 “Introduction to GIS Programming“ (https://geog-312.gishub.org/) по обучению применению языка Python для работы с пространственными данными.
Семестровый курс предполагает всестороннее изучение ГИС-программирования на языке Python. Студенты начнут с изучения основ языка, освоят использование библиотек и фреймворков, необходимых для обработки, анализа и визуализации пространственных данных. В частности, научатся создавать интерактивные веб-карты с помощью Leafmap, визуализировать векторные и растровые данные с помощью MapLibre, получат практический опыт работы с GeoPandas, Rasterio, WhiteboxTools, Geemap, SAMGeo, HyperCoast, DuckDB, Xarray и другими библиотеками.
📹 Видеоматериалы курса
#python #основы
Д-р. Qiusheng Wu, создатель нескольких известных пакетов Python 🐍 для работы с пространственными данными — geemap, leafmap и segment-geospatial — создал официальный сайт своего курса 📖 “Introduction to GIS Programming“ (https://geog-312.gishub.org/) по обучению применению языка Python для работы с пространственными данными.
Семестровый курс предполагает всестороннее изучение ГИС-программирования на языке Python. Студенты начнут с изучения основ языка, освоят использование библиотек и фреймворков, необходимых для обработки, анализа и визуализации пространственных данных. В частности, научатся создавать интерактивные веб-карты с помощью Leafmap, визуализировать векторные и растровые данные с помощью MapLibre, получат практический опыт работы с GeoPandas, Rasterio, WhiteboxTools, Geemap, SAMGeo, HyperCoast, DuckDB, Xarray и другими библиотеками.
📹 Видеоматериалы курса
#python #основы