GEE-22. Маскирование облаков на снимках MODIS

Сегодня удалим облака со снимков MODIS и сделаем из очищенных снимков безоблачный композит.

Импортируем июльскую коллекцию ежедневных данных MOD09GA и создадим на нее основе две коллекции — с облаками и без:

var mod09ga = ee.ImageCollection('MODIS/061/MOD09GA')
              .filter(ee.Filter.date('2022-07-01', '2022-07-30'))
              .select(modisBands,lsBands);

var Cloud = mod09ga.select(['red', 'green', 'blue']);
var noCloud = mod09ga.map(qualityMask)
                     .select(['red', 'green', 'blue']);

Для удобства обращения, мы предварительно переименовали основные каналы данных:

var modisBands = ['sur_refl_b03','sur_refl_b04','sur_refl_b01','sur_refl_b02','sur_refl_b06','sur_refl_b07','state_1km'];
var lsBands = ['blue','green','red','nir','swir1','swir2','state_1km'];

Маскирование облаков выполняет функция qualityMask:

function qualityMask(image) {
  var QA = image.select('state_1km');
  var internalQuality = getQABits(QA, 8, 13, 'internal_quality_flag');
  return image.updateMask(internalQuality.eq(0));
}

Из снимка выбирается маска качества state_1km. Из маски качества извлекаются биты с 8 по 13 (описание маски), связанные со всеми видами облачности (а также со снегом и очагами пожаров). По извлеченным битам строится бинарная маска, состоящая только из чистых пикселей. Маска очень требовательная, убирает она много. Зато так проще будет построить безоблачный композит.

Извлекает биты из маски качества уже знакомая нам функция getQABits.

Код примера: https://code.earthengine.google.com/e280c59a82bf37ec379c98943fedee0e

Результат работы скрипта показан ниже.

#GEE

А вот отдельно композит снимков Sentinel-1, чтобы можно было разглядеть подробности.

Запущены Capella-9 и Capella-10

Американская ракета легкого класса Electron (разработки Rocket Lab) вывела на околокруговую орбиту высотой 600 км и наклонением 44 градуса коммерческие спутники радиолокационной съемки Земли — Capella-9 и Capella-10. Запуск осуществлен с космодрома NASA Уоллопс в четверг в 18:38 по времени Восточного побережья США (в пятницу в 01:38 МСК).

Компания Capella Space создает орбитальную группировку радарных спутников для получения снимков с высоким пространственным разрешением. Компания уже располагает орбитальной группировкой из семи аппаратов, которые были запущены с 2020 по 2022 год, и позволяют получать снимки с разрешением до 0.5 метра. Они предоставляют услуги как коммерческим компаниям, так и американской разведке.

Нынешний запуск является первым из пяти запланированных Capella Space в текущем году с помощью ракет Electron. Компания готовит к запуску радарные спутники третьего поколения, позволяющие получать снимки с разрешением до 0,3 метра.

#capella #SAR

У Египта появилось два новых спутника дистанционного зондирования

24 февраля 2023 года с космодрома Цзюцюань в пустыне Гоби ракетой Long March 2C был запущен и успешно выведен на орбиту египетский спутник дистанционного зондирования Horus 1. 13 марта 2023 года с той же площадки состоялся запуск Horus 2, который также прошел успешно.

Оба спутника выведены на полярную солнечно-синхронную орбиту. Сообщается, что Horus 1 снабжен камерой высокого разрешения. Второй спутник, скорее всего, обладает аналогичными возможностями.

Спутники созданы в рамках стратегического сотрудничества между Египтом и Китаем специалистами DFH Aerospace — подразделения Китайской академии технологий ракет-носителей (CAST), специализирующегося на малых спутниках.

Путь Египта в дистанционное зондирование был непростым. Начался он в 2001 году, когда тендер на создание первого египетского спутника ДЗЗ выиграло КБ “Южное” (Украина).

EgyptSat 1 создавался долго и был запущен 17 апреля 2007 года с космодрома Байконур. Максимальное разрешение съемочной аппаратуры составляло 7.8 м, ширина полосы захвата — 46.6 км. Спутник проработал на орбите до июля 2010 года (три с небольшим года из запланированных пяти лет), после чего связь с ним была потеряна.

Следующий спутник, EgyptSat 2, создавался уже российской корпорацией “Энергия”, и был запущен с Байконура 16 апреля 2014 года. В январе 2015 году управление спутником было передано египетским специалистам. 12 мая 2015 года возникли неполадки в работе бортового цифрового вычислительного комплекса, и после нескольких месяцев усилий по сохранению спутника, тот все же был потерян. Вина изготовителя доказана не была и стороны договорились о разработкe спутника EgyptSat A, аналогичного потерянному.

EgyptSat A был запущен в феврале 2019 года, и в настоящее время продолжает функционировать. Таким образом, Египет сейчас располагает тремя спутниками дистанционного зондирования, не считая нескольких CubeSat’ов.

#египет #китай #оптика

Бог Гор, в честь которого названы новые египетские спутники.

Гидронимы (названия водоемов) Колымы прекрасны: озеро Танцующих Хариусов соединяется протокой с озером Джека Лондона. Названия даны в 1930-е годы.

”Применение инфракрасной фотографии в фитопатологии”

Первые работы по исследованию спектральных отражательных свойств зеленых растений были выполнены в начале 1930-х годов, в основном, немецкими учеными. Впервые свойства растений изучались за пределами диапазона видимого света. Обзор результатов приведен в статье: Эггерт Дж. Новые применения инфракрасной фотографии // Успехи физических наук, 1935, том XV, номер 5, страницы 650–659. DOI: https://doi.org/10.3367/UFNr.0015.193505d.0650

Раздел, касающийся растений, совсем короткий, и мы приведем его здесь с небольшими сокращениями:

Зеленое красящее вещество листа — хлорофилл — прозрачно для красного света, начиная от 680 мкм. Принимая во внимание химическую близость хлорофилла к гемоглобину, можно сказать, что кривая адсорбции хлорофилла в инфракрасном свете соответствует скорее СО-гемоглобину, чем оксигемоглобину нормальной крови. Вследствие этих оптических свойств хлорофилла позитивное изображение зеленого листа, снятого в инфракрасных лучах, должно получиться почти белым, так как бесцветное вещество клетчатки уже не содержит хлорофилла. <…>

Эти специфические свойства хлорофилла дают возможность с пользой применить инфракрасную фотографию для изучения и диагностики тех болезней растений, которые разрушают хлорофилл или имеют это следствием, так как только клеточное содержимое здорового листа прозрачно для инфракрасного света. Разрушение хлорофилла паразитами или каким-либо иным образом должно также обнаруживаться на инфракрасном снимке <…>.

Дело в том, что в предыдущем разделе рассматривали применения инфракрасной съемки в медицине. Оказалось, что в ИК-диапазоне отчетливо видны некоторые изменения, происходящие в составе крови. Например, отличия между нормальной кровью и кровью, после отравления угарным газом (CO). Причем применение лекарства восстанавливало нормальное состояние крови, что также было видно на снимках. И вот здесь, исходя из сходства хлорофилла и гемоглобина (что такое “химическая близость” пусть разбираются профессиональные химики :)), делается вывод о том, что инфракрасную съемку можно применять для диагностики болезней растений, при которых хлорофилл разрушается.

#история

Показываем, как искать в Google Earth исторические снимки: аэрофотосъемку 1940-х годов в Германии и 1930-х — в США.

Эта зима выдалась теплой и льда на Днепре не было совсем. То ли дело зима 2017 года, когда астронавт Европейского космического агентства Thomas Pesquet сделал этот снимок с борта Международной космической станции (источник).

Vegetation Condition Index

Normalized Difference Vegetation Index (NDVI) является хорошим показателем объема зеленой (фотосинтезирующей) биомассы — чем он больше, тем больше объем зеленой биомассы.* Мы уже обсуждали и использовали этот индекс. Так что здесь просто напомним о нем.

NDVI вычисляется по формуле:

NDVI = (NIR – RED) / (NIR + RED).

Когда солнечный свет попадает на растение, излучение в красной области спектра (0.4-0.7 мкм) поглощается хлорофиллом листьев, тогда как клеточные образования в листьях отражают большую часть излучения в ближней инфракрасной области спектра (NIR) (0.7-1.1 мкм). Таким образом, здоровая растительность поглощает красный свет (RED) и отражает NIR-излучение.

Значения NDVI варьируется в диапазоне от -1 до +1, при этом значения ниже нуля означают отсутствие зеленой растительности. На участках сельскохозяйственных культур NDVI в течение года меняется примерно в диапазоне от 0.3 до 0.9.

С помощью NDVI удобно следить за состоянием растений в течение сезона. Однако, он ничего не скажет о том, нормально ли такое состояние растений в данной местности. Представление о норме будем изменяться в зависимости от климата, почвы, типа растительности и рельефа. Например, значения NDVI, нормальные для высокогорья, будут слишком низкими для тропического леса.

Состояние растений в данной местности можно оценить, сравнивая его с результатами многолетних наблюдений в этой местности. Один их способов такого сравнения дает Vegetation Condition Index (VCI):

VCI_t = (NDVI_t - NDVI_min) / (NDVI_max - NDVI_min ) × 100.

Он сравнивает состояние растительности в данный момент времени (NDVI_t) с максимальным и минимальным значениями NDVI, которые достигались в том же пикселе поверхности и в ту же дату за все предыдущие годы наблюдений.

VCI, как и NDVI, является нормализованным разностным индексом. Обычно он изменяется в диапазоне от 0 (NDVI_t = NDVI_min) до 100 (NDVI_t = NDVI_max), но в рекордные годы может принимать значения за пределами этого диапазона.

Чтобы получить качественные значения VCI нужны многолетние наблюдения. В нашем примере использованы данные MODIS за 18 лет. Феликс Коган, предложивший VCI, использовал данные радиометра AVHRR, временной ряд которых начинается в 1978 году. Не углубляясь в вопросы статистики, примем, что 10 лет достаточно, чтобы оценить норму состояния растительности в данной местности.

Можно считать, что высокие значения VCI соответствуют хорошему состоянию растительности и отсутствию действия на нее стрессовых факторов. Развивая тему стрессовых факторов, можно построить Temperature Condition Index (TCI)

TCI_t = (T_t - TCI_min) / (TCI_max - TCI_min) × 100.

Высокий TCI говорит о том, что на участке необычно жарко. В сочетании с пониженным VCI, это может свидетельствовать о наступлении засухи.

Рассчитывается TCI совершенно аналогично VCI. В качестве исходных данных можно взять коллекцию MOD11A2.

Мониторинг сельскохозяйственной засухи и ее последствий подробнее описаны здесь. Выявлять засуху по индексам VCI и TCI — это тоже идея Когана и его коллег.

Код примера: https://code.earthengine.google.com/8fc468a7ca7ee9e893fa2ec741948312


*NDVI — хороший и простой показатель зеленой биомассы, но не идеальный. Он, как и все нормализованные индексы, входит в насыщение в области пиковых значений. Он зависит от почвы. Например, светлая и сухая почва вполне может дать NDVI > 0.3 в отсутствии растений. Но сейчас нам важно, что NDVI — это показатель состояния растений.

#GEE #индексы

Карта индекса засухи, построенного по VCI для июня 2019 года. Красный цвет соответствует сильной сельскохозяйственной засухе.