⭐️ 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
Солнечно-индуцированная флуоресценция хлорофилла для заблаговременного предупреждения о засухах
Внезапные засухи (flash drought) характеризуются быстрым высыханием почвы, могут продолжаться в течение нескольких недель и их трудно предсказать. (Parazoo et al., 2024) смогли обнаружить признаки внезапной засухи примерно за три месяца до её начала. В будущем такое заблаговременное предупреждение поможет в борьбе с последствиями засух.
Состояние растительности оценивали по данным солнечно-индуцированной флуоресценции хлорофилла, то есть свечения хлорофилла в ближнем инфракрасном диапазоне, которое сопровождает процесс фотосинтеза. Для этого использовали измерения спутника OCO-2 (Orbiting Carbon Obsevatory-2) и данные GOSIF. Для оценки влажности почвы использовались данные спутника SMAP.
Исследователи сравнили многолетние данные о флуоресценции с данными о вспышках засухи, которые происходили в США в период с мая по июль с 2015 по 2020 год. Они обнаружили эффект домино: в течение недель и месяцев, предшествующих внезапной засухе, растительность бурно росла в тёплых и сухих условиях. При этом растения излучали необычно сильный для этого времени года флуоресцентный сигнал. Параллельно они постепенно истощали запасы воды в почве, так что когда наступили экстремальные высокие температуры, и без того низкий уровень почвенной влаги резко упал и в течение нескольких дней развилась внезапная засуха.
Оказалось, что аномально сильная флуоресценция очень хорошо коррелирует с потерями влаги в почве в течение шести-двенадцати недель перед внезапной засухой. Последовательная картина проявилась в различных ландшафтах на территории США.
Растения, испытывающие тепловой стресс, поглощают меньше углекислого газа из атмосферы, поэтому исследователи ожидали обнаружить больше свободного углерода. Вместо этого они обнаружили баланс.
Тёплая погода предшествовавшая наступлению внезапной засухи, побуждала растения увеличить поглощение углерода по сравнению с обычными условиями. Этого аномального поглощения было, в среднем, достаточно, чтобы полностью компенсировать снижение поглощения углерода после наступления засухи.
Популярное изложение статьи на Phys.org
#SIF #засуха
Внезапные засухи (flash drought) характеризуются быстрым высыханием почвы, могут продолжаться в течение нескольких недель и их трудно предсказать. (Parazoo et al., 2024) смогли обнаружить признаки внезапной засухи примерно за три месяца до её начала. В будущем такое заблаговременное предупреждение поможет в борьбе с последствиями засух.
Состояние растительности оценивали по данным солнечно-индуцированной флуоресценции хлорофилла, то есть свечения хлорофилла в ближнем инфракрасном диапазоне, которое сопровождает процесс фотосинтеза. Для этого использовали измерения спутника OCO-2 (Orbiting Carbon Obsevatory-2) и данные GOSIF. Для оценки влажности почвы использовались данные спутника SMAP.
Исследователи сравнили многолетние данные о флуоресценции с данными о вспышках засухи, которые происходили в США в период с мая по июль с 2015 по 2020 год. Они обнаружили эффект домино: в течение недель и месяцев, предшествующих внезапной засухе, растительность бурно росла в тёплых и сухих условиях. При этом растения излучали необычно сильный для этого времени года флуоресцентный сигнал. Параллельно они постепенно истощали запасы воды в почве, так что когда наступили экстремальные высокие температуры, и без того низкий уровень почвенной влаги резко упал и в течение нескольких дней развилась внезапная засуха.
Оказалось, что аномально сильная флуоресценция очень хорошо коррелирует с потерями влаги в почве в течение шести-двенадцати недель перед внезапной засухой. Последовательная картина проявилась в различных ландшафтах на территории США.
Растения, испытывающие тепловой стресс, поглощают меньше углекислого газа из атмосферы, поэтому исследователи ожидали обнаружить больше свободного углерода. Вместо этого они обнаружили баланс.
Тёплая погода предшествовавшая наступлению внезапной засухи, побуждала растения увеличить поглощение углерода по сравнению с обычными условиями. Этого аномального поглощения было, в среднем, достаточно, чтобы полностью компенсировать снижение поглощения углерода после наступления засухи.
Популярное изложение статьи на Phys.org
#SIF #засуха
AGU Journals
Antecedent Conditions Mitigate Carbon Loss During Flash Drought Events
<em>Geophysical Research Letters</em> is an AGU journal publishing high-impact, innovative articles on major advances spanning all of the major geoscience disciplines.
Российские ученые предложили нейросетевой подход для прогнозирования засух на период от нескольких месяцев до года [ссылка]
Метод основан на использовании доступных ежемесячных климатических данных. Специалисты Сколтеха и Сбера разработали несколько нейросетевых моделей, которые протестировали на данных по пяти регионам, расположенным на разных континентах и в разных климатических зонах. Климатологи спрогнозировали вероятность засух на севере Казахстана, в Польше, штате Миссури (США), штате Гояс (Бразилия) и индийском штате Мадхья-Прадеш.
Лучшие результаты показала модификация модели EarthFormer на основе трансформера. Для долгосрочного прогнозирования больше всего подходит модификация модели ConvLSTM.
Прогнозы засух помогут сельскохозяйственным предприятиям в планировании своей деятельности, а страховщикам и банкам в оценке соответствующих рисков.
📖 Препринт на arXiv
📖 Marusov, A., Grabar, V., Maximov, Y., Sotiriadi, N., Bulkin, A., & Zaytsev, A. (2024). Long-term drought prediction using deep neural networks based on geospatial weather data. Environmental Modelling & Software, 179, 106127. https://doi.org/10.1016/j.envsoft.2024.106127
#засуха #нейронки
Метод основан на использовании доступных ежемесячных климатических данных. Специалисты Сколтеха и Сбера разработали несколько нейросетевых моделей, которые протестировали на данных по пяти регионам, расположенным на разных континентах и в разных климатических зонах. Климатологи спрогнозировали вероятность засух на севере Казахстана, в Польше, штате Миссури (США), штате Гояс (Бразилия) и индийском штате Мадхья-Прадеш.
Лучшие результаты показала модификация модели EarthFormer на основе трансформера. Для долгосрочного прогнозирования больше всего подходит модификация модели ConvLSTM.
Прогнозы засух помогут сельскохозяйственным предприятиям в планировании своей деятельности, а страховщикам и банкам в оценке соответствующих рисков.
📖 Препринт на arXiv
📖 Marusov, A., Grabar, V., Maximov, Y., Sotiriadi, N., Bulkin, A., & Zaytsev, A. (2024). Long-term drought prediction using deep neural networks based on geospatial weather data. Environmental Modelling & Software, 179, 106127. https://doi.org/10.1016/j.envsoft.2024.106127
#засуха #нейронки