Коротко о некоторых событиях недели в области ДЗЗ.
Американский стартап Albedo привлек 35 млн долларов на создание и запуск своего первого спутника наблюдения Земли со сверхнизкой орбиты (#VLEO) [ссылка]
Инвестиционный раунд серии А-1, возглавляемый компанией Standard Investments, довел общий объем финансирования стартапа до 97 млн долларов.
Венчурное подразделение компании Booz Allen, известной своей работой с правительством и вооруженными силами США, выбрало Albedo в качестве своей первой инвестиции в космическую компанию из-за его потенциала качественно изменить сбор разведывательной информации.
Цель Albedo — получать снимки с самым высоким разрешением на рынке: 10 см в оптическом и 2 м в тепловом инфракрасном диапазоне (подробнее).
Готовясь к запуску своего первого спутника в 2025 году, Albedo расширила штат сотрудников и открыла предприятие в Брумфилде (шт. Колорадо), позволяющее одновременно создавать три или четыре спутника.
Ранее, запуск первого спутника Albedo планировался в нынешнем году.
Synspective старается расширить свое присутствие на рынке ДЗЗ Центральной Азии [ссылка]
Японская компания Synspective, поставщик спутниковых радарных данных и аналитических решений, заключила меморандумы о взаимопонимании с Центром космического мониторинга и геоинформационных технологий Узбекистана, Национальным космическим агентством Казахстана и компанией "Казахстан Гарыш Сапары".
Новые спутники для мониторинга выбросов парниковых газов
За два последних года возможности мониторинга выбросов парниковых газов увеличились, благодаря появлению канадской орбитальной группировки GHGSat, состоящей в данный момент из 12 спутников.
Компания Ball Aerospace разработала высокопроизводительный спектрометр для спутника MethaneSAT (параметры). Запуск спутника запланирован на 2024 год.
Capella Space и Floodbase используют радарные данные высокого разрешения для оценки масштабов наводнения [ссылка]
Спутниковые радарные данные высокого разрешения, поставляемые Capella Space, будут применяться в комплексном решении Floodbase для параметрического (индексного) страхования от наводнений. Радарные данные, слабо зависящие от облачности, позволят максимально оперативно оценить масштабы бедствия.
Copernicus Land Monitoring Service подписала новый контракт на создание Urban Atlas [ссылка]
Copernicus Land Monitoring Service обновит слои данных Urban Atlas за 2021 и 2024 годы. Теперь обновление информации о городском землепользовании будет происходить каждые три года (раньше — каждые 6 лет).
Контракт разделен на два этапа. Первый включает создание слоев данных о состоянии земного покрова и классах землепользования (Land Cover/Land Use), а также о высоте зданий (Building Block Heights) за 2021 год. Будет создан слой изменений этих данных за 2018–2021 гг. На этом этапе предполагается также создание и тестирование нового слоя — Green Land Use, который позволит пользователям различать общественные и частные зеленые насаждения. Если точность нового слоя окажется удовлетворительной, его будут создавать и для 2024 года. Вторая фаза контракта посвящена обновлению данных на 2024 год.
Вышла новая версия PyGMTSAR — программы обработки данных радарной интерферометрии с открытым исходным кодом [ссылка]
#США #война #япония #capella #вода #InSAR #LULC
Американский стартап Albedo привлек 35 млн долларов на создание и запуск своего первого спутника наблюдения Земли со сверхнизкой орбиты (#VLEO) [ссылка]
Инвестиционный раунд серии А-1, возглавляемый компанией Standard Investments, довел общий объем финансирования стартапа до 97 млн долларов.
Венчурное подразделение компании Booz Allen, известной своей работой с правительством и вооруженными силами США, выбрало Albedo в качестве своей первой инвестиции в космическую компанию из-за его потенциала качественно изменить сбор разведывательной информации.
Цель Albedo — получать снимки с самым высоким разрешением на рынке: 10 см в оптическом и 2 м в тепловом инфракрасном диапазоне (подробнее).
Готовясь к запуску своего первого спутника в 2025 году, Albedo расширила штат сотрудников и открыла предприятие в Брумфилде (шт. Колорадо), позволяющее одновременно создавать три или четыре спутника.
Ранее, запуск первого спутника Albedo планировался в нынешнем году.
Synspective старается расширить свое присутствие на рынке ДЗЗ Центральной Азии [ссылка]
Японская компания Synspective, поставщик спутниковых радарных данных и аналитических решений, заключила меморандумы о взаимопонимании с Центром космического мониторинга и геоинформационных технологий Узбекистана, Национальным космическим агентством Казахстана и компанией "Казахстан Гарыш Сапары".
Новые спутники для мониторинга выбросов парниковых газов
За два последних года возможности мониторинга выбросов парниковых газов увеличились, благодаря появлению канадской орбитальной группировки GHGSat, состоящей в данный момент из 12 спутников.
Компания Ball Aerospace разработала высокопроизводительный спектрометр для спутника MethaneSAT (параметры). Запуск спутника запланирован на 2024 год.
Capella Space и Floodbase используют радарные данные высокого разрешения для оценки масштабов наводнения [ссылка]
Спутниковые радарные данные высокого разрешения, поставляемые Capella Space, будут применяться в комплексном решении Floodbase для параметрического (индексного) страхования от наводнений. Радарные данные, слабо зависящие от облачности, позволят максимально оперативно оценить масштабы бедствия.
Copernicus Land Monitoring Service подписала новый контракт на создание Urban Atlas [ссылка]
Copernicus Land Monitoring Service обновит слои данных Urban Atlas за 2021 и 2024 годы. Теперь обновление информации о городском землепользовании будет происходить каждые три года (раньше — каждые 6 лет).
Контракт разделен на два этапа. Первый включает создание слоев данных о состоянии земного покрова и классах землепользования (Land Cover/Land Use), а также о высоте зданий (Building Block Heights) за 2021 год. Будет создан слой изменений этих данных за 2018–2021 гг. На этом этапе предполагается также создание и тестирование нового слоя — Green Land Use, который позволит пользователям различать общественные и частные зеленые насаждения. Если точность нового слоя окажется удовлетворительной, его будут создавать и для 2024 года. Вторая фаза контракта посвящена обновлению данных на 2024 год.
Вышла новая версия PyGMTSAR — программы обработки данных радарной интерферометрии с открытым исходным кодом [ссылка]
#США #война #япония #capella #вода #InSAR #LULC
GLanCE: глобальный набор данных о земном покрове с 1984 по 2020 год
Глобальный набор данных GLanCE (Global Land Cover Estimation) содержит почти 2 миллиона образцов земного покрова для семи первичных и двенадцати вторичных классов почвенно-растительного покрова.
GLanCE основан на спутниковых снимках Landsat, сделанных в период с 1984 по 2020 год, с пространственным разрешением 30 м. Географически и спектрально набор данных представляет все глобальные экорегионы и содержит до 23 характеристик почвенно-растительного покрова на образец.
Схема классификации, используемая в GLanCE, совместима с общепринятыми системами классификации земного покрова, такими как категории землепользования МГЭИК (для отчетности по выбросам парниковых газов) и система классификации земного покрова ФАО (Land Cover Classification System).
Доступ к данным, описание и ссылки на публикации: https://beta.source.coop/repositories/boston-university/bu-glance/description/
Данные на GEE: https://gee-community-catalog.org/projects/glance_training/
#датасет #LULC
Глобальный набор данных GLanCE (Global Land Cover Estimation) содержит почти 2 миллиона образцов земного покрова для семи первичных и двенадцати вторичных классов почвенно-растительного покрова.
GLanCE основан на спутниковых снимках Landsat, сделанных в период с 1984 по 2020 год, с пространственным разрешением 30 м. Географически и спектрально набор данных представляет все глобальные экорегионы и содержит до 23 характеристик почвенно-растительного покрова на образец.
Схема классификации, используемая в GLanCE, совместима с общепринятыми системами классификации земного покрова, такими как категории землепользования МГЭИК (для отчетности по выбросам парниковых газов) и система классификации земного покрова ФАО (Land Cover Classification System).
Доступ к данным, описание и ссылки на публикации: https://beta.source.coop/repositories/boston-university/bu-glance/description/
Данные на GEE: https://gee-community-catalog.org/projects/glance_training/
#датасет #LULC
⭐️ 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
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
GLC_FCS30D — глобальные данные о динамике земного покрова за 1985–2022 гг. с пространственным разрешением 30 м
Данные GLC_FCS30D содержат сведения о глобальной динамике земного покрова с разрешением 30 метров за период с 1985 по 2022 год. Данные включает 35 подкатегорий земного покрова с 26 временными шагами, обновляемых каждые пять лет до 2000 года и ежегодно — после него. Общая точность набора данных, проверенная на более чем 84 000 образцах ⬆️, равна 80,88%.
Согласно GLC_FCS30D, наибольшие по площади изменения земного покрова за последние 37 лет касаются лесов и пахотных земель: чистая потеря лесов составила около 2,5 млн км², а чистый прирост пахотных земель — около 1,3 млн км².
Данные GLC_FCS30D является частью статьи, которая в настоящее время проходит рецензирование. Мы обновим информацию в этом посте, по мере прохождения статьи через циклы рецензирования и публикации.
#данные #LULC #GEE
Данные GLC_FCS30D содержат сведения о глобальной динамике земного покрова с разрешением 30 метров за период с 1985 по 2022 год. Данные включает 35 подкатегорий земного покрова с 26 временными шагами, обновляемых каждые пять лет до 2000 года и ежегодно — после него. Общая точность набора данных, проверенная на более чем 84 000 образцах ⬆️, равна 80,88%.
Согласно GLC_FCS30D, наибольшие по площади изменения земного покрова за последние 37 лет касаются лесов и пахотных земель: чистая потеря лесов составила около 2,5 млн км², а чистый прирост пахотных земель — около 1,3 млн км².
Данные GLC_FCS30D является частью статьи, которая в настоящее время проходит рецензирование. Мы обновим информацию в этом посте, по мере прохождения статьи через циклы рецензирования и публикации.
#данные #LULC #GEE
BigEarthNet (https://bigearth.net) — набор данных, состоящий из 590 326 пар образцов земного покрова, изображенных на снимках спутников Sentinel-1 и Sentinel-2. Каждый образец размечен по принадлежности к нескольким классам земного покрова. Названия классов взяты из данных CORINE Land Cover за 2018 год.
Первоначально, данные BigEarthNet состояли только из образцов снимков Sentinel-2, сделанных с июня 2017 по май 2018 года над 10 странами Европы (Австрия, Бельгия, Финляндия, Ирландия, Косово, Литва, Люксембург, Португалия, Сербия, Швейцария). Все снимки прошли атмосферную коррекцию с помощью sen2cor v2.5.5 и относятся к уровню обработки 2A. В настоящее время эта часть набора данных называется BigEarthNet-S2 и занимает объем около 66 Гб.
Позже данные были дополнены равным количеством образцов снимков Sentinel-1, сделанных в тот же период на тех же участках. Эти данные называются BigEarthNet-S1 и имеют объем около 55 Гб.
Скачать данные, а также получить детальное описание их самих и методики их создания можно на странице проекта BigEarthNet.
#датасет #LULC
Первоначально, данные BigEarthNet состояли только из образцов снимков Sentinel-2, сделанных с июня 2017 по май 2018 года над 10 странами Европы (Австрия, Бельгия, Финляндия, Ирландия, Косово, Литва, Люксембург, Португалия, Сербия, Швейцария). Все снимки прошли атмосферную коррекцию с помощью sen2cor v2.5.5 и относятся к уровню обработки 2A. В настоящее время эта часть набора данных называется BigEarthNet-S2 и занимает объем около 66 Гб.
Позже данные были дополнены равным количеством образцов снимков Sentinel-1, сделанных в тот же период на тех же участках. Эти данные называются BigEarthNet-S1 и имеют объем около 55 Гб.
Скачать данные, а также получить детальное описание их самих и методики их создания можно на странице проекта BigEarthNet.
#датасет #LULC
Обновление глобальных данных ESRI 10m Annual Land Cover
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #данные
ESRI 10m Annual Land Use Land Cover (2017–2023) — ежегодные глобальные карты классов землепользования и земного покрова (Land Use/Land Cover, LULC) обновлены до v3, и теперь охватывают период 2017–2023 гг. Процесс обновления затронул карты прошлых лет, так что все они построены по единой методике.
Карты основаны на снимках Sentinel-2 и имеют пространственное разрешение 10 метров. Каждая карта содержит 9 классов LULC: Water, Trees, Flooded vegetation, Crops, Built Area, Bare ground, Snow/Ice, Clouds, Rangeland (описание классов). Средняя точность каждой карты составляет более 75%, что для глобальных данных неплохо.
🌍 Код примера GEE
🗺 Карта LULC окрестностей Варны (Болгария) за 2023 год.
#GEE #LULC #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
Ежегодная национальная база данных почвенно-растительного покрова США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
🗺 National Land Cover Database (NLCD) — база данных (карта) почвенно-растительного покрова континентальной части США, начиная с этого года станет обновляться ежегодно, превратившись в Annual NLCD. Первая версия ежегодной карты должна быть представлена публике в конце октября.
🔗 Annual National Land Cover Database
В рамках Annual NLCD будет доступен набор из шести ежегодных растровых данных о почвенно-растительном покрове и его изменениях для континентальной части США за период 1985–2023 гг. (пространственное разрешение — 30 м).
🔗 Science Product User Guide
🛢 Доступ к данным
Для Аляски и Гавайских островов планируется выпуск отдельных продуктов.
#LULC #данные #США
Карта типов сельскохозяйственных культур стран ЕС на 2022 год
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
В 📖 работе представлена карта типов сельскохозяйственных культур на территории Европейского союза (ЕС) на 2022 год с разрешением 10 метров.
Для обучения модели использованы данные наблюдения Земли и данные натурных наблюдений, полученные в рамках проекта Евростата Land Use and Coverage Area Frame Survey (LUCAS) 2022 года. Данные включали 134 684 полигона LUCAS Copernicus, спутниковые снимки Sentinel-1 и Sentinel-2, температуру поверхности земли и цифровую модель рельефа.
На основе этих данных с помощью метода машинного обучения Random Forest были разработаны два классификационных слоя: основная карта и карта заполнения пробелов для устранения пробелов, связанных с облачным покровом. Отметим, что отдельной задачей исследования являлось изучение оптимального набора входных признаков с учетом различных вариантов временного агрегирований спутниковых и климатических данных для получения карты без пространственных разрывов и с максимально возможной тематической точностью.
Объединенные карты, охватывающие 27 стран ЕС, показали общую точность 79,3% для семи основных классов растительного покрова и 70,6% — для всех 19 типов культур.
Обученная модель была использована для создания карты сельскохозяйственных культур Украины за 2022 год и показала свою устойчивость в регионах, не имеющих размеченных образцов для обучения модели.
Для создания карты использовалась платформа Google Earth Engine (GEE):
👨🏻💻 Скрипты GEE для создания карт типов сельскохозяйственных культур для 27 стран ЕС и Украины на 2022 год.
📖 Ghassemi, B., Izquierdo-Verdiguier, E., Verhegghen, A., Yordanov, M., Lemoine, G., Moreno Martínez, Á., De Marchi, D., van der Velde, M., Vuolo, F., & d’Andrimont, R. (2024). European Union crop map 2022: Earth observation’s 10-meter dive into Europe’s crop tapestry. Scientific Data, 11(1). https://doi.org/10.1038/s41597-024-03884-y
#данные #сельхоз #LULC #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Данные Global Land Cover Estimation (GLanCE) v1
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC
Global Land Cover Estimation (GLanCE) — ежегодные глобальные данные о растительном покрове и его изменениях с 2001 по 2019 год, полученные с помощью снимков Landsat с пространственным разрешением 30 метров. Данные охватывают весь земной шар, кроме Антарктиды и включает 10 наборов научных данных (Science Data Sets, SDS). Для определения почвенно-растительного покрова и его изменений используется алгоритм Continuous Change Detection and Classification (CCDC).
SDS GLanCE разделены на три категории:
1️⃣ Почвенно-растительный покров и его изменения. Четыре набора данных содержат (1) класс почвенно-растительного покрова, (2) оценку качества классификации почвенно-растительного покрова, (3) предыдущий почвенно-растительный покров для тех мест, где произошли изменения и (4) приблизительный день года, когда произошли изменения (DOY).
2️⃣ Динамика озеленения (Greenness Dynamics). Четыре набора данных характеризуют годовую “озелененность” (greenness) с помощью Enhanced Vegetation Index (EVI2), включая (1) медиану, (2) амплитуду, (3) скорость изменения (если присутствует) и (4) величину изменения медианы EVI2 для тех пикселей, где произошли изменения.
3️⃣ Тип листьев и фенология. Два набора данных определяют тип листьев и фенологию для пикселей, покрытых деревьями.
🌍 GLanCE на GEE
Руководство пользователя с подробной информацией о каждом слое данных: 🔗 ссылка.
❗️В первой версии GLanCE есть 7 из 10 обещанных SDS. Оценка качества классификации почвенно-растительного покрова, а также данные о типах листьях и фенологии будут добавлены в следующих версиях. Кроме того, текущий набор данных включает данные по Северной и Южной Америке, Европе и Океании, а Африка и Азия будут добавлены в начале 2025 года.
Описание методики создания данных:
📖 Friedl M.A. et al. 2022. Medium Spatial Resolution Mapping of Global Land Cover and Land Cover Change Across Multiple Decades From Landsat. Frontiers in Remote Sensing 3. https://doi.org/10.3389/frsen.2022.894571
#данные #GEE #LULC