Мониторинг нарушений состояния растительности: OPERA_L3_DIST-ALERT-HLS_PROVISIONAL_V0
JPL и лаборатория GLAD разработали новый продукт — данные OPERA* Land Surface Disturbance Alert. Они показывают нарушения состояния растительности, опираясь на уменьшение доли растительности в пикселе или изменения в спектре. Алгоритм разработан в GLAD и продолжает многолетнюю цепочку работ этой лаборатории.
Мониторинг нарушений основан на гармонизированных данных Landsat 8/9 и Sentinel-2 A/B (HLS) с пространственным разрешением 30 м. В идеале, промежуток между съемками составит 2–4 суток.
Аналогичные продукты от GLAD уже существовали, но были ограничены тропическими регионами, снимками с одного спутника, и предназначались для обнаружения нарушений состояния леса (на Global Forest Watch это — GLAD Alerts и GLAD-S2 Alerts). Теперь речь идет о глобальном покрытии и любой растительности. Например, можно посмотреть на уменьшение доли зеленой биомассы в период созревания и уборки сельскохозяйственных культур.
Продукт состоит из 19 слоев, реализованных в виде отдельных файлов GeoTiff. Начать можно со слоя VEG-DIST-STATUS — классификации состояния растительности.
Данные совсем свежие (V0!), информации об их точности нет. Будем изучать.
Поиск/скачивание: https://search.earthdata.nasa.gov/search?q=C2517904291-LPCLOUD
Описание: https://d2pn8kiwq2w21t.cloudfront.net/documents/ProductSpec_DIST_HLS.pdf
Алгоритм: https://lpdaac.usgs.gov/documents/1579/OPERA_DIST_ATBD_V1.pdf
*The Observational Products for End-Users from Remote Sensing Analysis (OPERA) — проект JPL, направленный на создание продуктов для оперативного мониторинга.
#данные #растительность
JPL и лаборатория GLAD разработали новый продукт — данные OPERA* Land Surface Disturbance Alert. Они показывают нарушения состояния растительности, опираясь на уменьшение доли растительности в пикселе или изменения в спектре. Алгоритм разработан в GLAD и продолжает многолетнюю цепочку работ этой лаборатории.
Мониторинг нарушений основан на гармонизированных данных Landsat 8/9 и Sentinel-2 A/B (HLS) с пространственным разрешением 30 м. В идеале, промежуток между съемками составит 2–4 суток.
Аналогичные продукты от GLAD уже существовали, но были ограничены тропическими регионами, снимками с одного спутника, и предназначались для обнаружения нарушений состояния леса (на Global Forest Watch это — GLAD Alerts и GLAD-S2 Alerts). Теперь речь идет о глобальном покрытии и любой растительности. Например, можно посмотреть на уменьшение доли зеленой биомассы в период созревания и уборки сельскохозяйственных культур.
Продукт состоит из 19 слоев, реализованных в виде отдельных файлов GeoTiff. Начать можно со слоя VEG-DIST-STATUS — классификации состояния растительности.
Данные совсем свежие (V0!), информации об их точности нет. Будем изучать.
Поиск/скачивание: https://search.earthdata.nasa.gov/search?q=C2517904291-LPCLOUD
Описание: https://d2pn8kiwq2w21t.cloudfront.net/documents/ProductSpec_DIST_HLS.pdf
Алгоритм: https://lpdaac.usgs.gov/documents/1579/OPERA_DIST_ATBD_V1.pdf
*The Observational Products for End-Users from Remote Sensing Analysis (OPERA) — проект JPL, направленный на создание продуктов для оперативного мониторинга.
#данные #растительность
Покровные культуры защищают почву, но снижают урожай
Зимой большинство полей на Среднем Западе США остаются голыми. Ветер и дожди уносят ценный верхний слой почвы в реку Миссисипи, и по ней — в Мексиканский залив. Чтобы уменьшить эрозию почвы и сток удобрений, фермеры все чаще сажают зимой покровные культуры (сидераты).
В США федеральная политика и политика штатов всячески поощряют посадку покровных культур, компенсируя расходы на внедрение этой технологии. Благодаря этому за последнее десятилетие использование покровных культур в шести штатах (Айова, Индиана, Миссури, Огайо, Иллинойс и Мичиган) увеличилось в четыре раза: с 1.8 % от общей площади посевных площадей в 2011 году до 7.2 % в 2021 году.
Однако, как показало недавнее исследование, практика применения покровных культур снижает урожайность основных товарных культур: кукурузы — на 5.5% и сои — на 3.5%. Исследователи предположили, что снижение урожаев вызвано конкуренцией за воду и питательные вещества между покровными и основными культурами. Так это или нет покажут новые исследования. Пока же ясно то, что множество публикаций о плюсах применения покровных культур нуждается в критическом анализе, а также то, что сельскохозяйственные технологии на экспериментальном участке и на реальном поле могут сработать по-разному.
#растительность #сельхоз
Зимой большинство полей на Среднем Западе США остаются голыми. Ветер и дожди уносят ценный верхний слой почвы в реку Миссисипи, и по ней — в Мексиканский залив. Чтобы уменьшить эрозию почвы и сток удобрений, фермеры все чаще сажают зимой покровные культуры (сидераты).
В США федеральная политика и политика штатов всячески поощряют посадку покровных культур, компенсируя расходы на внедрение этой технологии. Благодаря этому за последнее десятилетие использование покровных культур в шести штатах (Айова, Индиана, Миссури, Огайо, Иллинойс и Мичиган) увеличилось в четыре раза: с 1.8 % от общей площади посевных площадей в 2011 году до 7.2 % в 2021 году.
Однако, как показало недавнее исследование, практика применения покровных культур снижает урожайность основных товарных культур: кукурузы — на 5.5% и сои — на 3.5%. Исследователи предположили, что снижение урожаев вызвано конкуренцией за воду и питательные вещества между покровными и основными культурами. Так это или нет покажут новые исследования. Пока же ясно то, что множество публикаций о плюсах применения покровных культур нуждается в критическом анализе, а также то, что сельскохозяйственные технологии на экспериментальном участке и на реальном поле могут сработать по-разному.
#растительность #сельхоз
Оценка индекса содержания азота по данным видимого и ближнего инфракрасного диапазонов
В статье
Çimtay, Y. Estimating Plant Nitrogen by Developing an Accurate Correlation between VNIR-Only Vegetation Indexes and the Normalized Difference Nitrogen Index. Remote Sens. 2023, 15, 3898. https://doi.org/10.3390/rs15153898
затрагивается интересная проблема. Есть индекс для оценки содержания азота в почве — NDNI, но для его расчета используются экзотические SWIR-каналы (1510 нм и 1680 нм), которые есть только у гиперспектральных данных. Хорошо бы выразить этот индекс через значения каналов (и индексов) видимого и ближнего инфракрасного диапазонов (VNIR). Тогда оценить NDNI, а значит и содержание азота, можно было бы по данных других спутников, например Sentinel-2.
В качестве гиперспектральных данных использованы данные "Гипериона", которые есть на Google Earth Engine. Автор демонстрируют сильную корреляцию между набором выбранных им каналов и индексов из VNIR и NDNI (коэффициент детерминации R^2 = 0.91). Казалось бы, цель достигнута. Но есть два нюанса: поменьше и побольше.
1. Автор использует для регрессии нейросеть, которую называет глубокой. Возможно, это оттого, что для ее создания используется Matlab Deep Learning Toolboх. Тем не менее, сеть прямого распространения с четырьмя скрытыми слоями трудно назвать глубокой.
2. Выбранные каналы и индексы из VNIR являются специфическими для гиперспектральных данных. Автор выбрал каналы: красный, зеленый, синий, NIR, 550 нм, 670 нм, 715 нм, 726 нм, 747 нм, 734 нм и 800 нм. Большинства из них нет в Sentinel-2 и других распространенных спутниковых данных, а значит применить подход напрямую можно будет только для гиперспектральных сенсоров, ограниченных диапазоном VNIR. Для мультиспектральных данных потребуются дополнительные исследования.
Естественно, во Введении и в Выводах этого второго нюанса нет)
#растительность #данные
В статье
Çimtay, Y. Estimating Plant Nitrogen by Developing an Accurate Correlation between VNIR-Only Vegetation Indexes and the Normalized Difference Nitrogen Index. Remote Sens. 2023, 15, 3898. https://doi.org/10.3390/rs15153898
затрагивается интересная проблема. Есть индекс для оценки содержания азота в почве — NDNI, но для его расчета используются экзотические SWIR-каналы (1510 нм и 1680 нм), которые есть только у гиперспектральных данных. Хорошо бы выразить этот индекс через значения каналов (и индексов) видимого и ближнего инфракрасного диапазонов (VNIR). Тогда оценить NDNI, а значит и содержание азота, можно было бы по данных других спутников, например Sentinel-2.
В качестве гиперспектральных данных использованы данные "Гипериона", которые есть на Google Earth Engine. Автор демонстрируют сильную корреляцию между набором выбранных им каналов и индексов из VNIR и NDNI (коэффициент детерминации R^2 = 0.91). Казалось бы, цель достигнута. Но есть два нюанса: поменьше и побольше.
1. Автор использует для регрессии нейросеть, которую называет глубокой. Возможно, это оттого, что для ее создания используется Matlab Deep Learning Toolboх. Тем не менее, сеть прямого распространения с четырьмя скрытыми слоями трудно назвать глубокой.
2. Выбранные каналы и индексы из VNIR являются специфическими для гиперспектральных данных. Автор выбрал каналы: красный, зеленый, синий, NIR, 550 нм, 670 нм, 715 нм, 726 нм, 747 нм, 734 нм и 800 нм. Большинства из них нет в Sentinel-2 и других распространенных спутниковых данных, а значит применить подход напрямую можно будет только для гиперспектральных сенсоров, ограниченных диапазоном VNIR. Для мультиспектральных данных потребуются дополнительные исследования.
Естественно, во Введении и в Выводах этого второго нюанса нет)
#растительность #данные
⭐️ 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
Выпущен глобальный набор данных высоты растительности по наблюдениям космических лидаров GEDI и ICESat2
Первая версия Global Vegetation Height Metrics from GEDI and ICESat2 содержит значения относительных показателей высоты растительности по данным GEDI уровня 2A и данным ICESat-2 уровня 3A с пространственным разрешением 100-, 200-, 500- и 1000 метров.
Метрики включают относительные высоты RH98, RH90, RH75 и RH50, соответствующие высотам, на которых достигается 98-й, 90-й, 75-й и 50-й процентиль возвращенной энергии относительно земли. Эти метрики позволяют оценить высоту и структуру растительного полога. Выполнена взаимная калибровка метрик по области перекрытия данных (50–52° с.ш.).
Данные GEDI были собраны в период с 2019 по 2022 год, а данные ICESat-2 — в период с 2019 по 2021 год. Данные предоставлены в формате Cloud Optimized GeoTIFF.
🔗 Saatchi, S.S., and S. Favrichon. 2023. Global Vegetation Height Metrics from GEDI and ICESat2. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/2294
#растительность #лидар #лес #данные
Первая версия Global Vegetation Height Metrics from GEDI and ICESat2 содержит значения относительных показателей высоты растительности по данным GEDI уровня 2A и данным ICESat-2 уровня 3A с пространственным разрешением 100-, 200-, 500- и 1000 метров.
Метрики включают относительные высоты RH98, RH90, RH75 и RH50, соответствующие высотам, на которых достигается 98-й, 90-й, 75-й и 50-й процентиль возвращенной энергии относительно земли. Эти метрики позволяют оценить высоту и структуру растительного полога. Выполнена взаимная калибровка метрик по области перекрытия данных (50–52° с.ш.).
Данные GEDI были собраны в период с 2019 по 2022 год, а данные ICESat-2 — в период с 2019 по 2021 год. Данные предоставлены в формате Cloud Optimized GeoTIFF.
🔗 Saatchi, S.S., and S. Favrichon. 2023. Global Vegetation Height Metrics from GEDI and ICESat2. ORNL DAAC, Oak Ridge, Tennessee, USA. https://doi.org/10.3334/ORNLDAAC/2294
#растительность #лидар #лес #данные
Технология подкормки азотными удобрениями по данным гиперспектральной съёмки с беспилотника
📖 Якушев В.П., Якушев В.В., Блохина С.Ю. и др. Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур http://jr.rse.cosmos.ru/article.aspx?id=2835 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 188–203. DOI: 10.21046/2070-7401-2024-21-3-188-203
Разработан алгоритм управления азотным режимом по данным гиперспектрального зондирования с беспилотника. Для внесения азотных удобрений определяли зоны посева, испытывающие стресс по азоту, рассчитывали необходимые дозы удобрений и формировали электронные карты-задания для роботизированной техники с указанием точного места внесения. При этом существенно уменьшены затраты ресурсов и времени на наземные полевые измерения и закладку тестовых площадок.
Отличный путеводитель по результатам многолетней работы учёных из Агрофизического научно-исследовательского института (г. Санкт-Петербург).
📸 Карта однородных зон поля по индексу ChlRI и карта-задание на внесение азотных удобрений.
#сельхоз #растительность #гиперспектр
📖 Якушев В.П., Якушев В.В., Блохина С.Ю. и др. Перспективы использования гиперспектральной информации в задачах управления азотным режимом посевов зерновых культур http://jr.rse.cosmos.ru/article.aspx?id=2835 // Современные проблемы дистанционного зондирования Земли из космоса. 2024. Т. 21. № 3. С. 188–203. DOI: 10.21046/2070-7401-2024-21-3-188-203
Разработан алгоритм управления азотным режимом по данным гиперспектрального зондирования с беспилотника. Для внесения азотных удобрений определяли зоны посева, испытывающие стресс по азоту, рассчитывали необходимые дозы удобрений и формировали электронные карты-задания для роботизированной техники с указанием точного места внесения. При этом существенно уменьшены затраты ресурсов и времени на наземные полевые измерения и закладку тестовых площадок.
Отличный путеводитель по результатам многолетней работы учёных из Агрофизического научно-исследовательского института (г. Санкт-Петербург).
📸 Карта однородных зон поля по индексу ChlRI и карта-задание на внесение азотных удобрений.
#сельхоз #растительность #гиперспектр