This media is not supported in your browser
VIEW IN TELEGRAM
Лесные пожары 2023 года в Канаде
Сезон лесных пожаров в Канаде в 2023 году стал самым большим по площади за всю историю страны. В 📖 статье, опубликованной в Science of Remote Sensing, с помощью алгоритма отслеживания внутри- и межгодовых изменений (Tracking Intra- and Inter-year Change algorithm, TIIC) определена площадь, пройденная лесными пожарами в лесных экосистемах Канады в пожароопасный сезон 2023 года. Для идентификации лесных пожаров использовались данные временных рядов со спутников Sentinel-2A и -2B, а также Landsat-8 и -9. Пожары были разделены на два класса по периоду обнаружения: летние и осенние пожары. Летние пожары имели место в период с 30 мая по 17 сентября, а осенние — с 17 сентября по 25 октября.
Для пожароопасного сезона 2023 года алгоритм TIIC обнаружил 12,74 миллионов гектаров выгоревшей площади в лесных экозонах Канады, что составляет 1,8% от общей площади экозон с преобладанием лесов. 11,57 миллионов гектаров, или 90,9% от выгоревшей площади, было сожжено летними пожарами и 1,16 млн га (9,1%) — осенними.
Набор данных о выгоревших площадях можно:
🛢 Скачать
🌍 Использовать на GEE
В 📖 статье, опубликованной в журнале Nature Climate Change, приведена другая оценка площади выгоревших лесов. Согласно ей, пожары с мая по сентябрь 2023 года уничтожили более 15 миллионов гектар канадских лесов, что составляет примерно 4% их площади. Исследователи использовали спутниковые данные MODIS, TROPOMI и MOPITT, а также модель инверсии потоков газов CMS-Flux. Метеорологические параметры были взяты из данных CPC и MERRA-2, данные о распространении лесных пожаров уточнялись по трем инвентаризациям — GFED4.1, GFAS и QFED.
Согласно выводам исследования, канадские пожары 2023 года привели к рекордному выбросу в атмосферу порядка 650 миллионов тонн углерода, что сопоставимо с выбросами крупнейших экономик мира и уступает только полным годовым выбросам Китая, Индии и США.
Если лесные пожары происходят неподалеку от мест добычи полезных ископаемых, то в их выбросах присутствует не только нетоксичный углекислый газ, но и опасные химические соединения. Так, всего четыре канадских пожара на северо-западе Канады летом 2023 году привели к выбросу в атмосферу 111 тонн мышьяка — это практически десятая часть всех его годовых выбросов на планете.
#данные #пожары #GHG
Сезон лесных пожаров в Канаде в 2023 году стал самым большим по площади за всю историю страны. В 📖 статье, опубликованной в Science of Remote Sensing, с помощью алгоритма отслеживания внутри- и межгодовых изменений (Tracking Intra- and Inter-year Change algorithm, TIIC) определена площадь, пройденная лесными пожарами в лесных экосистемах Канады в пожароопасный сезон 2023 года. Для идентификации лесных пожаров использовались данные временных рядов со спутников Sentinel-2A и -2B, а также Landsat-8 и -9. Пожары были разделены на два класса по периоду обнаружения: летние и осенние пожары. Летние пожары имели место в период с 30 мая по 17 сентября, а осенние — с 17 сентября по 25 октября.
Для пожароопасного сезона 2023 года алгоритм TIIC обнаружил 12,74 миллионов гектаров выгоревшей площади в лесных экозонах Канады, что составляет 1,8% от общей площади экозон с преобладанием лесов. 11,57 миллионов гектаров, или 90,9% от выгоревшей площади, было сожжено летними пожарами и 1,16 млн га (9,1%) — осенними.
Набор данных о выгоревших площадях можно:
🛢 Скачать
🌍 Использовать на GEE
В 📖 статье, опубликованной в журнале Nature Climate Change, приведена другая оценка площади выгоревших лесов. Согласно ей, пожары с мая по сентябрь 2023 года уничтожили более 15 миллионов гектар канадских лесов, что составляет примерно 4% их площади. Исследователи использовали спутниковые данные MODIS, TROPOMI и MOPITT, а также модель инверсии потоков газов CMS-Flux. Метеорологические параметры были взяты из данных CPC и MERRA-2, данные о распространении лесных пожаров уточнялись по трем инвентаризациям — GFED4.1, GFAS и QFED.
Согласно выводам исследования, канадские пожары 2023 года привели к рекордному выбросу в атмосферу порядка 650 миллионов тонн углерода, что сопоставимо с выбросами крупнейших экономик мира и уступает только полным годовым выбросам Китая, Индии и США.
Если лесные пожары происходят неподалеку от мест добычи полезных ископаемых, то в их выбросах присутствует не только нетоксичный углекислый газ, но и опасные химические соединения. Так, всего четыре канадских пожара на северо-западе Канады летом 2023 году привели к выбросу в атмосферу 111 тонн мышьяка — это практически десятая часть всех его годовых выбросов на планете.
#данные #пожары #GHG
firenzemeteo.it (https://www.firenzemeteo.it/en/) 1️⃣ — прогнозы погоды, спутниковые снимки (Weather), а также: данные веб-камер (Webcam), мониторинг землетрясений в Италии (Earthquakes), время восхода и заката Солнца (Sunrise & Sunset times), прогноз солнечных затмений (Solar eclipses).
Для прогнозов используются глобальные модели GFS, ECMWF и др. 2️⃣
В разделе Weather есть:
* GFS Weather Maps — прогнозные карты GFS с возможностью выбора региона и отображаемой характеристики 3️⃣ Пример: прогнозная карта температуры воздуха в 00:00 31 августа 2024 года 4️⃣.
* GFS historical archive map — архивы прогнозных карт GFS с 2013 года по настоящее время.
* Immagini Satellitari — спутниковые снимки европейских метеоспутников
Сайт оформлен на смеси английского с итальянским (даже в английской версии) и весьма настойчиво показывает рекламу.
#погода #данные
Для прогнозов используются глобальные модели GFS, ECMWF и др. 2️⃣
В разделе Weather есть:
* GFS Weather Maps — прогнозные карты GFS с возможностью выбора региона и отображаемой характеристики 3️⃣ Пример: прогнозная карта температуры воздуха в 00:00 31 августа 2024 года 4️⃣.
* GFS historical archive map — архивы прогнозных карт GFS с 2013 года по настоящее время.
* Immagini Satellitari — спутниковые снимки европейских метеоспутников
Сайт оформлен на смеси английского с итальянским (даже в английской версии) и весьма настойчиво показывает рекламу.
#погода #данные
Пирокумулятивные облака, вызванные лесными пожарами в Канаде
Пирокумулятивные облака — это облака, вызванные пожаром или вулканической активностью. Огонь создаёт конвективные восходящие потоки, которые по мере подъёма при достижении уровня конденсации приводят к образованию облаков — сначала кучевых, а при благоприятных условиях — и кучево-дождевых.
При этом могут возникать пирогенные бури — грозы, усилившиеся из-за лесных пожаров. Они поднимают шлейфы дыма высоко в воздух, часто достигая стратосферы. Эти шлейфы дыма способны распространяться на большие расстояния, влияя на качество воздуха за тысячи километров от мест своего возникновения. Расположение и движение шлейфов дыма можно отслеживать из космоса.
Одним из приборов, которые используются для отслеживания шлейфов дыма, является Ozone Mapping and Profiler Suite (OMPS), размещённый на борту спутников Suomi NPP, NOAA-20 и NOAA-21. Хотя OMPS был разработан для измерения атмосферного озона, он также применяется для обнаружения атмосферных аэрозолей, таких как вулканический пепел, пыль и дым. Один из продуктов OMPS, Aerosol Index (индекс аэрозолей), очень полезен для мониторинга и отслеживания движения атмосферных аэрозолей, поскольку может обнаруживать их над любым типом земной поверхности (включая лёд) и в облаках.
Этим летом снова напомнили о себе лесные пожары в Канаде. На серии 📸 снимков, охватывающей период с 19 июля (левый верхний снимок) по 24 июля (правый нижний снимок), показаны значения аэрозольного индекса OMPS со спутника NOAA-21, расположенные поверх данных прибора VIIRS того же спутника (комбинация “естественные цвета”). Более высокие значения аэрозольного индекса обозначены жёлтым и темно-жёлтым цветом, и представляют собой дым большей плотности (и высоты).
🛢 Данные аэрозольного индекса OMPS в режиме, близком к реальному времени: описание, скачать
#пожары #атмосфера #данные
Пирокумулятивные облака — это облака, вызванные пожаром или вулканической активностью. Огонь создаёт конвективные восходящие потоки, которые по мере подъёма при достижении уровня конденсации приводят к образованию облаков — сначала кучевых, а при благоприятных условиях — и кучево-дождевых.
При этом могут возникать пирогенные бури — грозы, усилившиеся из-за лесных пожаров. Они поднимают шлейфы дыма высоко в воздух, часто достигая стратосферы. Эти шлейфы дыма способны распространяться на большие расстояния, влияя на качество воздуха за тысячи километров от мест своего возникновения. Расположение и движение шлейфов дыма можно отслеживать из космоса.
Одним из приборов, которые используются для отслеживания шлейфов дыма, является Ozone Mapping and Profiler Suite (OMPS), размещённый на борту спутников Suomi NPP, NOAA-20 и NOAA-21. Хотя OMPS был разработан для измерения атмосферного озона, он также применяется для обнаружения атмосферных аэрозолей, таких как вулканический пепел, пыль и дым. Один из продуктов OMPS, Aerosol Index (индекс аэрозолей), очень полезен для мониторинга и отслеживания движения атмосферных аэрозолей, поскольку может обнаруживать их над любым типом земной поверхности (включая лёд) и в облаках.
Этим летом снова напомнили о себе лесные пожары в Канаде. На серии 📸 снимков, охватывающей период с 19 июля (левый верхний снимок) по 24 июля (правый нижний снимок), показаны значения аэрозольного индекса OMPS со спутника NOAA-21, расположенные поверх данных прибора VIIRS того же спутника (комбинация “естественные цвета”). Более высокие значения аэрозольного индекса обозначены жёлтым и темно-жёлтым цветом, и представляют собой дым большей плотности (и высоты).
🛢 Данные аэрозольного индекса OMPS в режиме, близком к реальному времени: описание, скачать
#пожары #атмосфера #данные
This media is not supported in your browser
VIEW IN TELEGRAM
Глобальный набор данных интенсивности городских островов тепла (2001–2020)
Эффект городского острова тепла (Urban Heat Island, UHI), характеризующийся локальным потеплением над городскими территориями, является одним из самых известных последствий урбанизации для климата. Традиционные оценки интенсивности UHI разнятся из-за фокусировки исследований на “обычном” UHI (или canopy UHI), присутствие которого оценивается по приземной температуре воздуха, или на “поверхностном” UHI (surface UHI), который оценивается по температуре земной поверхности, а также из-за рассмотрения случаев безоблачного неба (clear-sky) и присутствия облаков (all-sky).
В 📖 работе рассматриваются оба вида городских островов тепла как при наличии, так и в отсутствие облачности. Для приведения данных “к общему знаменателю” предлагается метод динамической равной площади (dynamic equal-area, DEA).
Применяя метод DEA и интегрируя данные о температуре по сетке, был получен глобальный набор данных интенсивности UHI, охватывающий более 10000 городов за период более 20 лет с ежемесячным временным разрешением. Этот набор данных предлагает многосторонние оценки интенсивности UHI. Значения температуры земной поверхности получены из наблюдений приборов MODIS спутников Terra и Aqua.
Исследования показали, что интенсивность UHI больше нуля в более чем 80% исследованных городов, со среднегодовым глобальным значением около 1,0°C (днем) и 0,8°C (ночью) для поверхностного UHI, и около 0,5°C для обычного UHI.
В более чем 60% городов отмечается межгодовая тенденция к увеличению интенсивности UHI. При этом глобальные средние тенденции превышают 0,1°C за десятилетие (день) и 0,06°C за десятилетие (ночь) для поверхностного UHI, и чуть более 0,03°C за десятилетие для обычного UHI.
Выявлена положительная корреляция между величиной и тенденцией интенсивности UHI, указывающая на то, что в городах с более интенсивным UHI наблюдается и более быстрый рост интенсивности UHI с течением времени.
Набор данных находится в открытом доступе:
🛢 Global Urban Heat Island Intensity Dataset
🌍 Urban Heat Island Intensity (UHII) на GEE
#LST #климат #данные #GEE
Эффект городского острова тепла (Urban Heat Island, UHI), характеризующийся локальным потеплением над городскими территориями, является одним из самых известных последствий урбанизации для климата. Традиционные оценки интенсивности UHI разнятся из-за фокусировки исследований на “обычном” UHI (или canopy UHI), присутствие которого оценивается по приземной температуре воздуха, или на “поверхностном” UHI (surface UHI), который оценивается по температуре земной поверхности, а также из-за рассмотрения случаев безоблачного неба (clear-sky) и присутствия облаков (all-sky).
В 📖 работе рассматриваются оба вида городских островов тепла как при наличии, так и в отсутствие облачности. Для приведения данных “к общему знаменателю” предлагается метод динамической равной площади (dynamic equal-area, DEA).
Применяя метод DEA и интегрируя данные о температуре по сетке, был получен глобальный набор данных интенсивности UHI, охватывающий более 10000 городов за период более 20 лет с ежемесячным временным разрешением. Этот набор данных предлагает многосторонние оценки интенсивности UHI. Значения температуры земной поверхности получены из наблюдений приборов MODIS спутников Terra и Aqua.
Исследования показали, что интенсивность UHI больше нуля в более чем 80% исследованных городов, со среднегодовым глобальным значением около 1,0°C (днем) и 0,8°C (ночью) для поверхностного UHI, и около 0,5°C для обычного UHI.
В более чем 60% городов отмечается межгодовая тенденция к увеличению интенсивности UHI. При этом глобальные средние тенденции превышают 0,1°C за десятилетие (день) и 0,06°C за десятилетие (ночь) для поверхностного UHI, и чуть более 0,03°C за десятилетие для обычного UHI.
Выявлена положительная корреляция между величиной и тенденцией интенсивности UHI, указывающая на то, что в городах с более интенсивным UHI наблюдается и более быстрый рост интенсивности UHI с течением времени.
Набор данных находится в открытом доступе:
🛢 Global Urban Heat Island Intensity Dataset
🌍 Urban Heat Island Intensity (UHII) на GEE
#LST #климат #данные #GEE
В Alaska Satellite Facility завершено создание архива “импульсов” Sentinel-1 [ссылка]
Работа, проделанная Alaska Satellite Facility (ASF), позволяет существенно сэкономить время и вычислительные ресурсы, необходимые для анализа радарных данных Sentinel-1. Что же было сделало?
Типичный файл радарных данных Sentinel-1 Single-Look Complex (SLC) содержат три полосы (swath) данных по 8–10 импульсов (burst) в каждой. Такие файлы имеют довольно большой объем (4–5 Гб) и используются, в частности, для радарной интерферометрии.
Вырезать нужный фрагмент из данных Sentinel-1 SLC не так просто, как из оптического снимка. “Виноват” метод получения данных, TopSAR, при которым данные собираются импульсами путем циклического переключения луча антенны между несколькими соседними полосами. На рисунке 1️⃣ показана схема сканирования в трёх полосах (а) и сканирование импульсами в пределах одной полосы (b). Результат выглядит примерно так, как показано на рисунке 2️⃣ (источник).
Таким образом, импульс (burst) является атомарной единицей данных Sentinel-1 SLC. При изучении небольших объектов, таких как вулканы или оползни, достаточно взять из соседних по времени снимков только импульсы, покрывающие исследуемый объект, и построить по ним интерферограмму. Размер одного импульса составляет около 4% от общего размера файл данных.
До сих пор, прежде чем выбрать нужный импульс, мы должны были сначала скачать весь файл. Теперь этого делать не нужно, достаточно использовать новый продукт 🌍 Sentinel-1 Burst SLC 3️⃣.
Особенно приятно, что с импульсами уже работает HyP3: HyP3 Burst InSAR. С его помощью можно заказать генерацию InSAR-данных по одиночным импульсам.
Пакет burst2safe для 🐍 Python позволяет конвертировать данные импульсов в SAFE-файл, для использования в SAR-процессоре (например, в SNAP). В будущем SAFE станет для импульсов форматом по умолчанию.
#InSAR #python #данные
Работа, проделанная Alaska Satellite Facility (ASF), позволяет существенно сэкономить время и вычислительные ресурсы, необходимые для анализа радарных данных Sentinel-1. Что же было сделало?
Типичный файл радарных данных Sentinel-1 Single-Look Complex (SLC) содержат три полосы (swath) данных по 8–10 импульсов (burst) в каждой. Такие файлы имеют довольно большой объем (4–5 Гб) и используются, в частности, для радарной интерферометрии.
Вырезать нужный фрагмент из данных Sentinel-1 SLC не так просто, как из оптического снимка. “Виноват” метод получения данных, TopSAR, при которым данные собираются импульсами путем циклического переключения луча антенны между несколькими соседними полосами. На рисунке 1️⃣ показана схема сканирования в трёх полосах (а) и сканирование импульсами в пределах одной полосы (b). Результат выглядит примерно так, как показано на рисунке 2️⃣ (источник).
Таким образом, импульс (burst) является атомарной единицей данных Sentinel-1 SLC. При изучении небольших объектов, таких как вулканы или оползни, достаточно взять из соседних по времени снимков только импульсы, покрывающие исследуемый объект, и построить по ним интерферограмму. Размер одного импульса составляет около 4% от общего размера файл данных.
До сих пор, прежде чем выбрать нужный импульс, мы должны были сначала скачать весь файл. Теперь этого делать не нужно, достаточно использовать новый продукт 🌍 Sentinel-1 Burst SLC 3️⃣.
Особенно приятно, что с импульсами уже работает HyP3: HyP3 Burst InSAR. С его помощью можно заказать генерацию InSAR-данных по одиночным импульсам.
Пакет burst2safe для 🐍 Python позволяет конвертировать данные импульсов в SAFE-файл, для использования в SAR-процессоре (например, в SNAP). В будущем SAFE станет для импульсов форматом по умолчанию.
#InSAR #python #данные
Файлы орбит Sentinel-1 доступны в Amazon S3 [ссылка]
Файлы орбит спутника Sentinel-1 теперь доступны в Amazon S3 и 🛢Реестре открытых данных на AWS. Это продукты Sentinel-1 Precise Orbit Determination (POD), которые используются почти во всех процессах обработки данных Sentinel-1 и содержат данные о положении и скорости спутника.
Новый архив дополняет архив, существующий на 🛢сайте Alaska Satellite Facility.
#данные #наблюдение
Файлы орбит спутника Sentinel-1 теперь доступны в Amazon S3 и 🛢Реестре открытых данных на AWS. Это продукты Sentinel-1 Precise Orbit Determination (POD), которые используются почти во всех процессах обработки данных Sentinel-1 и содержат данные о положении и скорости спутника.
Новый архив дополняет архив, существующий на 🛢сайте Alaska Satellite Facility.
#данные #наблюдение
Новые данные лидара GEDI: L4C Footprint Level Waveform Structural Complexity Index [ссылка]
Центр распределенной обработки данных Национальной лаборатории Оук-Ридж NASA (ORNL DAAC) выпустил новый набор данных космического лидара GEDI (Global Ecosystem Dynamics Investigation), который с 2019 года работает на борту Международной космической станции (МКС). Данные GEDI помогают исследователям понять, как изменения в структуре лесов влияют на климат Земли и как леса могут замедлить глобальное потепление.
Новые данные, GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 (WSCI), относятся к структурной сложности лесного полога. Структурная сложность полога (canopy structural complexity, CSC) — это мера того, как листья, ветви и стволы распределены по горизонтальному и вертикальному пространству лесного полога. CSC является хорошим показателем качества среды обитания, видового разнообразия и функционирования экосистемы. CSC можно достаточно точно оценить по данным воздушных или наземных лидаров. Теперь к ним добавились данные наблюдений из космоса.
Для создания глобального набора данных на уровне “следов” (footprint) были использованы эмпирические модели, разработанные на основе более чем 800 000 оценок CSC, полученных с помощью воздушного лазерного сканирования и совместных измерений относительной высоты волновых форм GEDI уровня 2A для различных функциональных типов растений по всему миру. Оценки неопределенности представлены в виде интервалов прогнозирования с доверительной вероятностью 95% для каждого “следа”.
Функциональные типы растений включают листопадные широколиственные деревья, вечнозеленые широколиственные деревья, вечнозеленые игольчатые деревья, а также сочетание лугов, кустарников и лесов. Вместе с оценочными данными WSCI, которые представлены в 74 860 файлах данных формата HDF5 (.h5) и охватывают период с 17 апреля 2019 года по 16 марта 2023 года, продукт уровня 4C включает соответствующие метрики неопределенности, флаги качества и другую информацию о волновой форме GEDI уровня 2A для выбранной группы настройки алгоритмов продукта.
В ближайшее время будет опубликована 1-километровая версия продукта WSCI и обновлены ранее выпущенные продукты. Это будет сделано после того, как появятся свежие данные прибора GEDI после годичного перерыва в работе миссии — с марта 2023 по апрель 2024 года. Сначала будут созданы наборы данных более низкого уровня обработки (то есть продукты уровней 1 и 2), позже появятся продукты уровней 3 и 4. Продукты GEDI версии 3 также находятся в разработке и будут содержать улучшенную геолокацию и другие алгоритмические усовершенствования.
Данные о структурной сложности дадут экологам лучшее понимание видового разнообразия лесов и экосистемных процессов, а также могут дать представление о здоровье и функционировании лесов.
📊 На графике представлены значения индекса структурной сложности волновой формы (WSCI), полученных с помощью данных GEDI Level 4C над Восточной Амазонией. Более яркие цвета указывают на большую структурную сложность, более темные цвета — на меньшую сложность.
Как и другие наборы данных GEDI на уровне “следов”, данные WSCI содержит пробелы в своем охвате. В первую очередь, такие пробелы вызваны размещением прибора GEDI на МКС, орбита которой ограничивает наблюдение областями, находящимися в полосе между 51,6° северной и южной широты. Кроме того, наблюдения прибора доступны только вдоль трассы орбиты, которые образуют поперечный рисунок на поверхности Земли. Между трассами также имеются пробелы в покрытии.
Данные GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 доступны в:
🌍 NASA Earthdata Search
🛢 ORNL DAAC
Вскоре данные должны появиться в ORNL DAAC Terrestrial Ecology Subsetting and Visualization Services (TESViS).
#лидар #лес #данные
Центр распределенной обработки данных Национальной лаборатории Оук-Ридж NASA (ORNL DAAC) выпустил новый набор данных космического лидара GEDI (Global Ecosystem Dynamics Investigation), который с 2019 года работает на борту Международной космической станции (МКС). Данные GEDI помогают исследователям понять, как изменения в структуре лесов влияют на климат Земли и как леса могут замедлить глобальное потепление.
Новые данные, GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 (WSCI), относятся к структурной сложности лесного полога. Структурная сложность полога (canopy structural complexity, CSC) — это мера того, как листья, ветви и стволы распределены по горизонтальному и вертикальному пространству лесного полога. CSC является хорошим показателем качества среды обитания, видового разнообразия и функционирования экосистемы. CSC можно достаточно точно оценить по данным воздушных или наземных лидаров. Теперь к ним добавились данные наблюдений из космоса.
Для создания глобального набора данных на уровне “следов” (footprint) были использованы эмпирические модели, разработанные на основе более чем 800 000 оценок CSC, полученных с помощью воздушного лазерного сканирования и совместных измерений относительной высоты волновых форм GEDI уровня 2A для различных функциональных типов растений по всему миру. Оценки неопределенности представлены в виде интервалов прогнозирования с доверительной вероятностью 95% для каждого “следа”.
Функциональные типы растений включают листопадные широколиственные деревья, вечнозеленые широколиственные деревья, вечнозеленые игольчатые деревья, а также сочетание лугов, кустарников и лесов. Вместе с оценочными данными WSCI, которые представлены в 74 860 файлах данных формата HDF5 (.h5) и охватывают период с 17 апреля 2019 года по 16 марта 2023 года, продукт уровня 4C включает соответствующие метрики неопределенности, флаги качества и другую информацию о волновой форме GEDI уровня 2A для выбранной группы настройки алгоритмов продукта.
В ближайшее время будет опубликована 1-километровая версия продукта WSCI и обновлены ранее выпущенные продукты. Это будет сделано после того, как появятся свежие данные прибора GEDI после годичного перерыва в работе миссии — с марта 2023 по апрель 2024 года. Сначала будут созданы наборы данных более низкого уровня обработки (то есть продукты уровней 1 и 2), позже появятся продукты уровней 3 и 4. Продукты GEDI версии 3 также находятся в разработке и будут содержать улучшенную геолокацию и другие алгоритмические усовершенствования.
Данные о структурной сложности дадут экологам лучшее понимание видового разнообразия лесов и экосистемных процессов, а также могут дать представление о здоровье и функционировании лесов.
📊 На графике представлены значения индекса структурной сложности волновой формы (WSCI), полученных с помощью данных GEDI Level 4C над Восточной Амазонией. Более яркие цвета указывают на большую структурную сложность, более темные цвета — на меньшую сложность.
Как и другие наборы данных GEDI на уровне “следов”, данные WSCI содержит пробелы в своем охвате. В первую очередь, такие пробелы вызваны размещением прибора GEDI на МКС, орбита которой ограничивает наблюдение областями, находящимися в полосе между 51,6° северной и южной широты. Кроме того, наблюдения прибора доступны только вдоль трассы орбиты, которые образуют поперечный рисунок на поверхности Земли. Между трассами также имеются пробелы в покрытии.
Данные GEDI L4C Footprint Level Waveform Structural Complexity Index, Version 2 доступны в:
🌍 NASA Earthdata Search
🛢 ORNL DAAC
Вскоре данные должны появиться в ORNL DAAC Terrestrial Ecology Subsetting and Visualization Services (TESViS).
#лидар #лес #данные
Natural Lands Map
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Лаборатория Land & Carbon Lab в сотрудничестве с Всемирным фондом дикой природы и компанией Systemiq разработала Natural Lands Map (NLM) — карту естественного земного покрова на 2020 год с пространственным разрешением 30 метров.
NLM разграничивает естественные и искусственные почвенно-растительные покровы. Для измерения преобразования естественного покрова использованы определения естественных экосистем и естественных лесов, принятые в рамках инициативы Accountability Framework Initiative (AFi).
Карта объединила глобальные и локальные данные. В первую очередь, это глобальные данные о растительном покрове 2020 года лаборатории GLAD Университета Мэриленда и данные ESA WorldCover 2020 года. Локальные данные добавлялись в уже полученную глобальную карту, где получали приоритет над глобальными данными.
Средняя общая точность карты составляет 91,2%. Районы с локальными данными в целом лучше отражают местные ландшафты. Проблемы с точностью по некоторым территориям и земным покровам связаны с недостатком соответствующих данных. Так, на момент публикации карты не существовало глобальных данных, разграничивающих естественные луга и пастбища, в результате чего классы естественной и искусственной короткой растительности (short vegetation) оказались неточными. Аналогичным образом, во многих странах Европейского союза и в России есть лесопосадки, но нет общедоступных данных о лесопосадках, которые помогли бы лучше различать естественные и посаженные леса.
Подробности о принятых определениях и технической стороне реализации NLM приведены в:
📖 SBTN Natural Lands Map – Technical Documentation
Компании могут использовать данные NLM, чтобы оценить, не привела ли их деятельность к обезлесению (деградации леса) после 2020 года. Для этого используется класс естественных лесов (natural forests) в NLM. Однако нужно учитывать различия в определении обезлесения, между NLM и другими документами, например, European Union Deforestation Regulation (EUDR). Подробная информация об этих различиях содержится в технической документации к NLM ⬆️, а также в AFi Operational Guidance on Applying the Definitions Related to Deforestation and Conversion.
Текущая версия карты находится в открытом доступе, имеет открытый исходный код, а также доступна на Google Earth Engine:
🛢 GitHub репозиторий
🌍 GEE: SBTN Natural Lands Map v1
#лес #данные #LULC
Оценка выбросов метана северными болотами
Центр данных NASA в Ок-Риджской национальной лаборатории (ORNL DAAC) выпустил набор данных Boreal Arctic Wetland Methane Emissions, 2002–2021, который представляет собой оценку выбросов метана бореально-арктическими болотами в еженедельном временном масштабе с 2002 по 2021 год с пространственным разрешением 0,5° x 0,5°.
Данные о выбросах метана водно-болотными угодьями, полученные с помощью вихревых ковариационных башен и камер (chambers), использовались для обучения и проверки модели машинного обучения. Обученная модель была использована для оценки выбросов метана в ячейках сетки, в которых есть водно-болотные угодья, расположенные выше 44° северной широты. Данные представлены в формате netCDF.
🔗 Доступ к данным + User Guide
🗺 Пространственное распределение усредненных по годам эмиссий метана болотными угодьями, с указанием мест наблюдения ⬇️.
📖Yuan, K., Li, F., McNicol, G., Chen, M., Hoyt, A., Knox, S., Riley, W. J., Jackson, R., & Zhu, Q. (2024). Boreal–Arctic wetland methane emissions modulated by warming and vegetation activity. Nature Climate Change, 14(3), 282–288. https://doi.org/10.1038/s41558-024-01933-3
#данные #CH4 #болота
Центр данных NASA в Ок-Риджской национальной лаборатории (ORNL DAAC) выпустил набор данных Boreal Arctic Wetland Methane Emissions, 2002–2021, который представляет собой оценку выбросов метана бореально-арктическими болотами в еженедельном временном масштабе с 2002 по 2021 год с пространственным разрешением 0,5° x 0,5°.
Данные о выбросах метана водно-болотными угодьями, полученные с помощью вихревых ковариационных башен и камер (chambers), использовались для обучения и проверки модели машинного обучения. Обученная модель была использована для оценки выбросов метана в ячейках сетки, в которых есть водно-болотные угодья, расположенные выше 44° северной широты. Данные представлены в формате netCDF.
🔗 Доступ к данным + User Guide
🗺 Пространственное распределение усредненных по годам эмиссий метана болотными угодьями, с указанием мест наблюдения ⬇️.
📖Yuan, K., Li, F., McNicol, G., Chen, M., Hoyt, A., Knox, S., Riley, W. J., Jackson, R., & Zhu, Q. (2024). Boreal–Arctic wetland methane emissions modulated by warming and vegetation activity. Nature Climate Change, 14(3), 282–288. https://doi.org/10.1038/s41558-024-01933-3
#данные #CH4 #болота
Глобальные данные о приземной концентрации частиц PM2.5
В данных Global Annual PM2.5 Grids from MODIS, MISR, SeaWiFS and VIIRS Aerosol Optical Depth (AOD), v5.04 (1998 – 2022) представлены годовые глобальные приземные концентрации (в единицах микрограммов на кубический метр) мелкодисперсных частиц диаметром менее или равным 2,5 микрона (PM2.5). Данные получены спутниковыми приборами MODIS, MISR, SeaWiFS и VIIRS.
В наборе сочетаются данные об Aerosol Optical Depth, полученные с помощью нескольких спутниковых алгоритмов, и данные, представленные в виде сетки с разрешением 0,01° (около 1 км). Данные распространяются в виде файлов GeoTIFF и netCDF в проекции WGS84.
🔗 Страница данных
#атмосфера #данные
В данных Global Annual PM2.5 Grids from MODIS, MISR, SeaWiFS and VIIRS Aerosol Optical Depth (AOD), v5.04 (1998 – 2022) представлены годовые глобальные приземные концентрации (в единицах микрограммов на кубический метр) мелкодисперсных частиц диаметром менее или равным 2,5 микрона (PM2.5). Данные получены спутниковыми приборами MODIS, MISR, SeaWiFS и VIIRS.
В наборе сочетаются данные об Aerosol Optical Depth, полученные с помощью нескольких спутниковых алгоритмов, и данные, представленные в виде сетки с разрешением 0,01° (около 1 км). Данные распространяются в виде файлов GeoTIFF и netCDF в проекции WGS84.
🔗 Страница данных
#атмосфера #данные
Новые данные спутников CYGNSS
Physical Oceanography DAAC NASA (PO.DAAC) выпустил этим летом несколько новых наборов данных, полученных спутниками группировки CYGNSS (Cyclone Global Navigation Satellite System):
🔹 L1 Calibrated Raw IF v1.0
🔹 тепловой поток поверхности океана L2 Ocean Surface Heat Flux V3.2
🔹 концентрация микропластика в океане L3 Ocean Microplastic Concentration V3.2
🔹 влажность почвы L3 Soil Moisture V3.2
🔹 ежемесячный набор данных Watermask L3 Monthly Watermask V3.1
Данные предоставляются в формате netCDF4 и имеют временной диапазон от 1 августа 2018 года до настоящего времени с приблизительной задержкой в 6 дней.
Кроме того, выпущены данные
🔹 Cyclone Global Navigation Satellite System (CYGNSS) Science Data Record (SDR) Version 3.2 (V3.2) Level 3 — скорость ветра с предоставлением в режиме, близком к реальному времени (NRT).
Эти данные распространяются в формате netCDF-4, и охватывают период с 1 августа 2018 года по настоящее время с приблизительной задержкой от 2 до 24 часов.
Группировка малых спутников CYGNSS, запущенная 15 декабря 2016 года, состоит из восьми аппаратов, и предназначена для измерения скорости приповерхностного ветра во внутреннем ядре тропических циклонов, но используются и в “сухопутных” приложениях (пример). Данные CYGNSS имеют высокое временное разрешение и охватывают тропические широты в полосе от 38° северной широты до 38° южной широты. Измерения осуществляются методом ГНСС-рефлектометрии, то есть рефлектометрии, использующей сигналы глобальных навигационных спутниковых систем — GPS, ГЛОНАСС, Beidou и т. п. Конкретно CYGNSS использует сигналы GPS.
📊 Пример данных CYGNSS Level 2 Ocean Surface Heat Flux Climate Data Record (CDR) о параметрах теплового потока поверхности океана с разрешением 25 км x 25 км, полученных прибором Delay Doppler Mapping Instrument на борту группировки спутников CYGNSS (источник).
#GNSSR #данные #океан
Physical Oceanography DAAC NASA (PO.DAAC) выпустил этим летом несколько новых наборов данных, полученных спутниками группировки CYGNSS (Cyclone Global Navigation Satellite System):
🔹 L1 Calibrated Raw IF v1.0
🔹 тепловой поток поверхности океана L2 Ocean Surface Heat Flux V3.2
🔹 концентрация микропластика в океане L3 Ocean Microplastic Concentration V3.2
🔹 влажность почвы L3 Soil Moisture V3.2
🔹 ежемесячный набор данных Watermask L3 Monthly Watermask V3.1
Данные предоставляются в формате netCDF4 и имеют временной диапазон от 1 августа 2018 года до настоящего времени с приблизительной задержкой в 6 дней.
Кроме того, выпущены данные
🔹 Cyclone Global Navigation Satellite System (CYGNSS) Science Data Record (SDR) Version 3.2 (V3.2) Level 3 — скорость ветра с предоставлением в режиме, близком к реальному времени (NRT).
Эти данные распространяются в формате netCDF-4, и охватывают период с 1 августа 2018 года по настоящее время с приблизительной задержкой от 2 до 24 часов.
Группировка малых спутников CYGNSS, запущенная 15 декабря 2016 года, состоит из восьми аппаратов, и предназначена для измерения скорости приповерхностного ветра во внутреннем ядре тропических циклонов, но используются и в “сухопутных” приложениях (пример). Данные CYGNSS имеют высокое временное разрешение и охватывают тропические широты в полосе от 38° северной широты до 38° южной широты. Измерения осуществляются методом ГНСС-рефлектометрии, то есть рефлектометрии, использующей сигналы глобальных навигационных спутниковых систем — GPS, ГЛОНАСС, Beidou и т. п. Конкретно CYGNSS использует сигналы GPS.
📊 Пример данных CYGNSS Level 2 Ocean Surface Heat Flux Climate Data Record (CDR) о параметрах теплового потока поверхности океана с разрешением 25 км x 25 км, полученных прибором Delay Doppler Mapping Instrument на борту группировки спутников CYGNSS (источник).
#GNSSR #данные #океан
Сенсорно-независимые данные MODIS & VIIRS LAI/FPAR (2000–2022)
Набор пространственных данных Sensor-Independent MODIS & VIIRS LAI/FPAR CDR (2000–2022) охватывает важнейшие биофизические параметры: индекс листовой поверхности (Leaf Area Index, LAI) и долю фотосинтетически активной радиации (Fraction of Photosynthetically Active Radiation, FPAR или FAPAR*), необходимые для характеристики наземных экосистем.
При подготовке данных особое внимание уделялось ограничениям, имевшимся в существующих глобальных продуктах LAI/FPAR, в том числе, проблемам пространственно-временной согласованности и точности. Методика создания набора данных описана в:
📖 Pu, J., Yan, K., Roy, S., Zhu, Z., Rautiainen, M., Knyazikhin, Y., & Myneni, R. B. (2024). Sensor-independent LAI/FPAR CDR: reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022. Earth System Science Data, 16(1), 15–34. https://doi.org/10.5194/essd-16-15-2024
Данные создавались как сенсорно-независимые на основе стандартных продуктов LAI/FPAR Terra MODIS, Aqua MODIS и VIIRS. Они охватывают временной интервал с 2000 по 2022 год и содержат данные LAI/FPAR в различных пространственных разрешениях: 500 м, 5 км и 0,05° с шагами по времени 8 суток и два месяца. Набор данных доступен в синусоидальной проекции, а также в WGS 1984.
Доступ к данным:
🛢 Zenodo
🌍 Google Earth Engine
📊 Схема создания данных.
*FPAR или FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) — доля падающей фотосинтетически активной радиации (400–700 нм), поглощаемой растительностью.
#данные #климат #GEE
Набор пространственных данных Sensor-Independent MODIS & VIIRS LAI/FPAR CDR (2000–2022) охватывает важнейшие биофизические параметры: индекс листовой поверхности (Leaf Area Index, LAI) и долю фотосинтетически активной радиации (Fraction of Photosynthetically Active Radiation, FPAR или FAPAR*), необходимые для характеристики наземных экосистем.
При подготовке данных особое внимание уделялось ограничениям, имевшимся в существующих глобальных продуктах LAI/FPAR, в том числе, проблемам пространственно-временной согласованности и точности. Методика создания набора данных описана в:
📖 Pu, J., Yan, K., Roy, S., Zhu, Z., Rautiainen, M., Knyazikhin, Y., & Myneni, R. B. (2024). Sensor-independent LAI/FPAR CDR: reconstructing a global sensor-independent climate data record of MODIS and VIIRS LAI/FPAR from 2000 to 2022. Earth System Science Data, 16(1), 15–34. https://doi.org/10.5194/essd-16-15-2024
Данные создавались как сенсорно-независимые на основе стандартных продуктов LAI/FPAR Terra MODIS, Aqua MODIS и VIIRS. Они охватывают временной интервал с 2000 по 2022 год и содержат данные LAI/FPAR в различных пространственных разрешениях: 500 м, 5 км и 0,05° с шагами по времени 8 суток и два месяца. Набор данных доступен в синусоидальной проекции, а также в WGS 1984.
Доступ к данным:
🛢 Zenodo
🌍 Google Earth Engine
📊 Схема создания данных.
*FPAR или FAPAR (Fraction of Absorbed Photosynthetically Active Radiation) — доля падающей фотосинтетически активной радиации (400–700 нм), поглощаемой растительностью.
#данные #климат #GEE
FABDEM V1.2
⛰FABDEM (Forest And Buildings removed Copernicus DEM) — это глобальная карта высот, которая удаляет смещения высоты зданий и деревьев из цифровой модели рельефа (ЦМР) Copernicus GLO 30. Данные доступны с шагом сетки 1” (примерно 30 м на экваторе) для всего земного шара.
FABDEM V1.2 — обновленная версия FABDEM V1.0. Изменения подробно описаны в файле FABDEM-V1-2 Changelog.pdf, приложенном к данным. Вместе с данными поставляется geojson тайлов FABDEM.
🛢 FABDEM V1.2
Данные FABDEM распространяются по лицензии Creative Commons “CC BY-NC-SA 4.0”.
📖 Сравнение FABDEM V1.2 и FABDEM V1.0.
#DEM #данные
⛰FABDEM (Forest And Buildings removed Copernicus DEM) — это глобальная карта высот, которая удаляет смещения высоты зданий и деревьев из цифровой модели рельефа (ЦМР) Copernicus GLO 30. Данные доступны с шагом сетки 1” (примерно 30 м на экваторе) для всего земного шара.
FABDEM V1.2 — обновленная версия FABDEM V1.0. Изменения подробно описаны в файле FABDEM-V1-2 Changelog.pdf, приложенном к данным. Вместе с данными поставляется geojson тайлов FABDEM.
🛢 FABDEM V1.2
Данные FABDEM распространяются по лицензии Creative Commons “CC BY-NC-SA 4.0”.
📖 Сравнение FABDEM V1.2 и FABDEM V1.0.
#DEM #данные
Глобальные карты торфяных болот
🗺 Global Peatland Map 2.0 создана на основе данных Грейфсвальдского центра болот (Greifswald Mire Centre) за 2022 год. Данные имеют пространственное разрешение 1 км.
🛢 Скачать данные (GeoTIFF)
🌍 Global Peatland Map 2.0 на Google Earth Engine
🗺 Карта Global Peatland Fractional Coverage показывает долю площади пикселя, занятую торфяными болотами (2021 год). Карта построена с помощью методов машинного обучения и имеет пространственное разрешение 5’ (≈9.26 км на экваторе).
🛢 Скачать Peat-ML Dataset (NetCDF)
🌍 Global Peatland Fractional Coverage на GEE
📖 Методика
#данные #болота #GEE
🗺 Global Peatland Map 2.0 создана на основе данных Грейфсвальдского центра болот (Greifswald Mire Centre) за 2022 год. Данные имеют пространственное разрешение 1 км.
🛢 Скачать данные (GeoTIFF)
🌍 Global Peatland Map 2.0 на Google Earth Engine
🗺 Карта Global Peatland Fractional Coverage показывает долю площади пикселя, занятую торфяными болотами (2021 год). Карта построена с помощью методов машинного обучения и имеет пространственное разрешение 5’ (≈9.26 км на экваторе).
🛢 Скачать Peat-ML Dataset (NetCDF)
🌍 Global Peatland Fractional Coverage на GEE
📖 Методика
#данные #болота #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Границы проектов углеродных компенсаций
Углеродные компенсации (сarbon offsets) являются одним из инструментов, позволяющих смягчить последствия антропогенных выбросов парниковых газов. Проекты углеродных компенсаций иногда подвергаются критике за преувеличение компенсационных показателей. Проверка эффективности проектов осложняется отсутствием общедоступных пространственных данных об их границах.
В 📖 работе описаны методы создания базы данных о границах проектов по углеродной компенсации выбросов. В базе содержится информация о местоположении 575 проектов углеродной компенсации в 55 странах. Данные были собраны с помощью скрапинга из реестров углеродных проектов (75,3% данных), а также ручной привязки и оцифровки (22,1%). Использовались данные из реестров Verra Registry, American Carbon Registry, Climate Action Reserve, Gold Standard, EcoRegistry и BioCarbon Standard. Записи в базе данных включают проекты предотвращения обезлесения, лесовосстановления и лесоразведения, а также улучшения управления лесами. Оценка качества процесса геопривязки и оцифровки показала высокую степень точности (метрика intersection over union составила 0,98 ± 0,015).
🛢 Данные Carbon Offset Project Boundaries на Zenodo.
🌍 Carbon Offset Project Boundaries на GEE
#GHG #данные #GEE
Углеродные компенсации (сarbon offsets) являются одним из инструментов, позволяющих смягчить последствия антропогенных выбросов парниковых газов. Проекты углеродных компенсаций иногда подвергаются критике за преувеличение компенсационных показателей. Проверка эффективности проектов осложняется отсутствием общедоступных пространственных данных об их границах.
В 📖 работе описаны методы создания базы данных о границах проектов по углеродной компенсации выбросов. В базе содержится информация о местоположении 575 проектов углеродной компенсации в 55 странах. Данные были собраны с помощью скрапинга из реестров углеродных проектов (75,3% данных), а также ручной привязки и оцифровки (22,1%). Использовались данные из реестров Verra Registry, American Carbon Registry, Climate Action Reserve, Gold Standard, EcoRegistry и BioCarbon Standard. Записи в базе данных включают проекты предотвращения обезлесения, лесовосстановления и лесоразведения, а также улучшения управления лесами. Оценка качества процесса геопривязки и оцифровки показала высокую степень точности (метрика intersection over union составила 0,98 ± 0,015).
🛢 Данные Carbon Offset Project Boundaries на Zenodo.
🌍 Carbon Offset Project Boundaries на GEE
#GHG #данные #GEE