Классификация высокорослых и низкорослых сельскохозяйственных культур по данным Sentinel-2 и GEDI

Данные космического лидара NASA Global Ecosystem Dynamics Investigation (GEDI), изначально предназначенного для мониторинга лесов, дополненные оптическими снимками Sentinel-2, позволили создать качественные глобальные карты классификации сельскохозяйственных культур на высокорослые и низкорослые, с пространственным разрешением 10 метров. Высокорослые культуры — это, в частности, кукуруза и подсолнечник (высота примерно 2.5 метра), низкорослые — пшеница и ячмень (0.5–1 метр).

Применение спутниковых лидаров не всегда давало приемлемые результаты даже для измерений высоты леса. Среднеквадратичная ошибка определения высоты нередко составляла примерно 2–3 метра, так что пробовать силы на сельскохозяйственных культурах вроде бы не имело смысла. Авторы исследования все же попробовали, и у них получилось. Об измерении высоты речь, конечно, не идет, но различать высоко- и низкорослые сельскохозяйственные культуры оказалось вполне возможно.

Применялись снимки GEDI, полученные в период, когда сельскохозяйственные культуры достигают максимальной высоты. Для определения этих периодов понадобятся фенологические календари.

Данные космических лидаров, вроде GEDI, покрывают наблюдаемую поверхность “пятнами”, не образуя сплошного покрытия. По-видимому, максимальных результатов можно достичь, располагая границами сельскохозяйственных полей.

Отмечена систематическая недооценка площади высоких культур в регионах, где эти культуры имеют низкую биомассу. Скорее всего, лидар такие культуры просто не видит. Вероятно, проблемы должны возникать и при анализе полей малой площади.

Полученные результаты позволяют надеется обнаружить при помощи лидара уборку или полегание культуры, то есть события на поле, сопровождающиеся резким уменьшением высоты растительного покрова.

#лидар #sentinel2 #сельхоз

GEE-39. Атмосферная коррекция данных Sentinel-2 Level-1C

Коррекция влияния атмосферы на спутниковые снимки нужна, чтобы получить более точную количественную оценку отражения земной поверхности. На GEE есть готовые снимки 2-го уровня обработки — Sentinel-2 Surface Reflectance, которые уже прошли атмосферную коррекцию, но они начинаются только с 2019 года. Если нужны более ранние снимки, берем данные Sentinel-2 Level-1C, которые начинаются с 2015 года, и выполняем их атмосферную коррекцию, превращая в данные 2-го уровня.

Для атмосферной коррекции в GEE сейчас есть два способа.

Первый способ предложен Сэмом Мерфи и реализован для Python API с помощью пакета Py6S (пакет атмосферной коррекции atmospheric находится в папке bin). Устанавливать Py6S проще всего под Anaconda/Miniconda.

🖥 Пример применения. Еще один пример, в котором результаты сохраняются в виде GEE Assets для последующего использования в GEE JavaScript API.

Второй способ атмосферной коррекции — метод SIAC (Sensor Invariant Atmospheric Correction) — реализован для GEE JavaScript API. Атмосферная коррекция этим методом выполняется после маскирования облаков, иначе возникает ошибка: User memory limit exceeded. Работает удовлетворительно, хотя код основного скрипта закрыт от пользователей.

🖥 Код примера.

Статья с описанием метода SIAC уже несколько лет находится на стадии препринта. Забавно, что к последней его версии приложен код метода, реализованный на Python.

#sentinel2 #GEE

GEE-40. Маскирование облаков и теней на снимках Sentinel-2

Для маскирования облаков используют единственный снимок (тот самый, на котором облака маскируют) или разновременные данные. В последнем случае, чтобы “почистить” снимок, кроме него самого, используют набор соседних по времени снимков того же сенсора. Это позволяет уменьшить число ложных срабатываний. Например, водоем не будет ошибочно принят за тень от облака, потому что тень на следующем снимке исчезнет, а водоем, скорее всего, нет. Вместе с тем, этот подход обычно требует выполнения большего объема вычислений.

Чаще всего, в GEE используются подходы, опирающиеся на единственный снимок:

1. маски MSK_CLDPRB (Cloud Probability Map) и SCL (ScenCLassification Table), содержащиеся в данных Sentinel-2 Surface Reflectance. Пример.
2. коллекция данных Sentinel-2: Cloud Probability. Пример.

Альтернативный подход Nguyen'а основан на классификации методом Random Forest. Подробнее: Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281

Еще один подход к маскированию облаков использует глубокое обучение и сверточные нейросети: Cloud detection in Landsat-8 imagery in Google Earth Engine based on a deep convolutional neural network.

Способ маскирования облаков по разновременным данным описан в Multitemporal Cloud Masking in the GEE и в статье Mateo-García G, Gómez-Chova L, Amorós-López J, Muñoz-Marí J, Camps-Valls G. Multitemporal Cloud Masking in the Google Earth Engine. Remote Sensing. 2018; 10(7):1079. https://doi.org/10.3390/rs10071079. Он реализован для Python API и на примере данных Landsat 8 (а значит, может использоваться и для них). Пример реализации.

Маскирование теней, описанное нами ранее, базируется на методе, предложенном Геннадием Дончицем (Gennadii Donchyts). Еще один вариант его реализации приведен в Nguyen et al.: Cloud Masking of Landsat and Sentinel2 TOA Products.

Ну и в качестве заключения. При выборе информативных снимков для районов, площадь которых существенно меньше площади снимка, удобно вместо доли облачного покрытия снимка (CLOUDY_PIXEL_PERCENTAGE) оценить долю облачного покрытия только интересующего района. Для Landsat 8 такая оценка (cloud score) приведена здесь, а для Sentinel-2 аналогичный cloud score есть в Cloud Masking of Landsat and Sentinel2 TOA Products.

#sentinel2 #landsat #GEE #основы

GEE-41. Дополнительная обработка данных Sentinel-2 Surface Reflectance

Данные Sentinel-2 MSI Surface Reflectance — это данные 2-го уровня и, после маскирования облаков и теней, они полностью готовы к работе. Тем не менее, в некоторых случаях дополнительная обработка снимков может существенно улучшить качество результатов. Мы имеем в виду две операции — топографическую коррекцию и коррекцию угла съемки в надир.

Топографическая коррекция — учет вариаций отражательной способности (сходных объектов), вызванных наклоном, ориентацией склона и высотой. Топографическая коррекция нужна не всегда, но в горной или пересеченной местности она может быть важнее атмосферной коррекции.

Коррекция угла съемки в надир — освещенность снимка корректируется так, будто снимок сделан точно в надир. Реализуется с помощью двулучевой функции отражательной способности (Bidirectional Reflectance Distribution Function, BRDF), известной по результатам наблюдений. Выполняется после топографической коррекции. Результат называется: Nadir BRDF-Adjusted Reflectance (NBAR).

Обе вида коррекции и JavaScript-код для них приведены здесь, а также в Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281

BRDF- и топо-коррекция основаны на коде из статьи Poortinga, A. et al. Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification. Remote Sens. 2019, 11, 831. https://doi.org/10.3390/rs11070831 (в конце статьи есть ссылки на JavaScript-код).

Реализацию для GEE Python API можно найти здесь и здесь.

Отметим, что Nguen et al. (2020) решает более общую задачу гармонизации данных Sentinel-2 и Landsat 8/9, то есть создание объединенного набора данных этих спутников.

Частичное решение этой задачи уже известно — это данные Harmonized Landsat Sentinel-2 (HLS). Они основаны на работе: Claverie, M., Ju, J., Masek, J. G., Dungan, J. L., Vermote, E. F., Roger, J.-C., Skakun, S. V., & Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, 219, 145–161. https://doi.org/10.1016/j.rse.2018.09.002. Nguen et al. (2020) пытаются реализовать аналогичный подход средствами Google Earth Engine.

Увы, идеального объединения данных Sentinel-2 и Landsat не получилось. Тем не менее, с работами стоит ознакомится, так как ряд описанных в них операций пригодится в других задачах. Например, корегистрация снимков или радиометрическая кросс-калибровка (выравнивание) данных двух сенсоров.

#sentinel2 #landsat #GEE #основы

На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA

О данных Harmonized Landsat Sentinel-2 (HLS) на канале говорилось уже не раз (например, здесь и здесь). HLS — это попытка объединить данные нескольких сенсоров, а именно: Landsat 8 OLI, Landsat 9 OLI-2 и Sentinel-2A/2B MSI. Вместе они позволят проводить глобальные наблюдения с периодичностью 2–3 суток.

Для получения бесшовных продуктов HLS на основе данных OLI и MSI используется набор алгоритмов, включающий атмосферную коррекцию, маскировку облаков и теней, корегистрацию, топографическую коррекцию и коррекцию угла съемки, а также радиометрическое выравнивание снимков. Ссылки на алгоритмы есть здесь.

Данные HLS существуют в двух уровнях обработки: Top of Atmosphere (уровень 1) и Surface Reflectance (уровень 2). Все данные имеют пространственное разрешение 30 метров.

Раньше данные HLS можно было найти на NASA Earthdata Search и Sentinel Hub EO Browser. И вот теперь к ним добавился Google Earth Engine.

Продукт HLSL30: HLS-2 Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m — это скорректированные данные 1-го уровня обработки, полученные на основе сенсоров спутников Landsat. Чтобы добиться периодичности 2–3 суток, их нужно дополнить аналогичными данными Sentinel-2, но пока таких данных на GEE нет.

Временное покрытие данных HLS начинается с момента запуска Landsat 8, то есть с 2013 года.

Сейчас данные только начали размещать на GEE. Так, за лето нынешнего года по всему миру нам удалось найти всего 2101 снимков 1️⃣ (код), покрывающих часть территории Бразилии, Индии, Юго-Восточной Азии и островов Тихого океана. Закончить размещение данных планируется до конца года.

#GEE #sentinel2 #landsat #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.
#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

Major TOM: расширяемая структура набора данных [ссылка]

Модели глубокого обучения, в том числе те, что используются в дистанционном зондировании Земли (ДЗЗ), требуют огромного количества данных. Существующие наборы данных различаются форматами и структурой данных, а также покрываемой территорией. Чтобы облегчить пользователям процесс расширения наборов данных, необходима общая структура, позволяющая дополнять эти наборы и объединять разные наборы между собой. В качестве такой расширяемой структуры предлагается Major TOM (Terrestrial Observation Metaset). Она состоит из системы географического индексирования, основанной на наборе точек сетки, и структуры метаданных, позволяющей объединять несколько наборов данных из разных источников.

Помимо спецификации Major TOM, в работе представлен набор данных MajorTOM-Core, который охватывает большую часть земной поверхности. Этот набор данных общедоступен, и пригодится как сам по себе, так и в качестве образца для будущих дополнений экосистемы Major TOM.

MajorTOM-Core состоит из 2 245 886 образцов снимков Sentinel-2 (разрешение 10 м) размером 1068 x 1068 пикселей, доступных на уровнях обработки L1C и L2A.

🛢 MajorTOM на HuggingFace и на GitHub.
💻 Пример в Colab

#датасет #sentinel2 #нейронки

Возможности Sentinel-2 для оценки выбросов метана

В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).

Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.

Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.

В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.

Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.

Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.

В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:

📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.

#GHG #CH4 #sentinel2

Обнаружение выбросов диоксида азота по данным Sentinel-2 и Landsat

Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.

Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.

📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.

Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.

Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.

Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.

Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.

Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.

Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.

📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).

#атмосфера #sentinel2

Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2

В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.

Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.

📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277

📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.

#сельхоз #sentinel2