Разновременные данные Sentinel-1 и Sentinel-2 улучшают обнаружение оползней в GEE
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
MDPI
Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape
Regional early warning systems for landslides rely on historic data to forecast future events and to verify and improve alarms. However, databases of landslide events are often spatially biased towards roads or other infrastructure, with few reported in remote…
⭐️ 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
Данные Global Land subsidence mapping
Данные Global Land subsidence mapping содержат результаты прогнозирования оползневых явлений при помощи модели машинного обучения ⬆️ и имеют пространственное разрешение 2 км. Модель обучена на данных о смещениях поверхности, полученных при помощи радарной интерферометрии и глобальных навигационных спутниковых систем, и позволяет получить оценки смещения поверхности в трех классах: <1 см/год, 1–5 см/год и >5 см/год.
🛢 Репозиторий GitHub
📖 Статья: Hasan M.F. et al. Global land subsidence mapping reveals widespread loss of aquifer storage capacity. Nature Communications 14, 6180 (2023). https://doi.org/10.1038/s41467-023-41933-z
Работа представляет собой попытку охарактеризовать сложное взаимодействие между динамикой грунтовых вод, оседанием грунта и потерей запасов водоносных горизонтов. Примечательно, что около 73% спрогнозированных оползневых явлений приходится на пахотные земли и городские территории, что подчеркивает необходимость рационального управления подземными водами на этих территориях.
#оползни #GEE
Данные Global Land subsidence mapping содержат результаты прогнозирования оползневых явлений при помощи модели машинного обучения ⬆️ и имеют пространственное разрешение 2 км. Модель обучена на данных о смещениях поверхности, полученных при помощи радарной интерферометрии и глобальных навигационных спутниковых систем, и позволяет получить оценки смещения поверхности в трех классах: <1 см/год, 1–5 см/год и >5 см/год.
🛢 Репозиторий GitHub
📖 Статья: Hasan M.F. et al. Global land subsidence mapping reveals widespread loss of aquifer storage capacity. Nature Communications 14, 6180 (2023). https://doi.org/10.1038/s41467-023-41933-z
Работа представляет собой попытку охарактеризовать сложное взаимодействие между динамикой грунтовых вод, оседанием грунта и потерей запасов водоносных горизонтов. Примечательно, что около 73% спрогнозированных оползневых явлений приходится на пахотные земли и городские территории, что подчеркивает необходимость рационального управления подземными водами на этих территориях.
#оползни #GEE