Тропические циклоны переносят карбонатные отложения

Океаны поглощают около 30% углекислого газа, выбрасываемого человечеством в атмосферу. Часть этого углерода попадает в раковины моллюсков, коралловые рифы и, в итоге, сохраняется в виде карбоната кальция в известняке и других осадочных породах. Около половины объема морских карбонатных отложений дают мелководные прибрежные районы, занимающие всего 7% площади океана. Они являются важным поглотителем углерода.

Глубокие океанские воды образуют более кислую среду, затрудняя многим морским организмам создание раковин. Способствует подкислению океана и повышение уровня углекислого газа в атмосфере. Напротив, штормы, тропические циклоны и течения, перенося огромные объемы осадочных пород с мелководья на глубину, способствуют снижению кислотности океана.

Спутниковые данные дистанционного зондирования помогают понять, сколько карбонатных отложений из мелководных районов в конечном итоге попадает в более глубокие воды под воздействием ветров, течений или других процессов.

На снимке Landsat 9, сделанном 12 февраля 2023 года, показаны карбонатные отложения, поднятые со дна тропическим циклоном “Габриэль” в районе мелководного плато Беллона в Коралловом море.

#снимки

Спутниковые снимки в борьбе с болезнями и вредителями сельскохозяйственных растений

Один из последних выпусков Earth Observatory посвящен борьбе с долгоносиком (boll weevil) в Техасе и роли спутниковых данных в этой борьбе.

Долгоносик повреждает посевы хлопчатника. Ущерб, наносимый им, настолько серьезен, что в начале 1970-х годов треть всех применяемых в США пестицидов уходила именно на борьбу с долгоносиком. Потом за дело взялась Animal and Plant Health Inspection Service при Минсельхозе США, и долгоносика почти победили: сейчас 97% хлопковых полей свободно от долгоносика.

Однако в долине реки Рио-Гранде на юге Техаса долгоносики все еще остаются проблемой. Кроме того, новые жуки периодически прибывают из Мексики... Для борьбы с долгоносиком нужно как можно раньше узнать, где находятся хлопковые поля, но местные фермеры не сообщают властям об их местонахождении вплоть до конца вегетационного периода.

Здесь в игру вступают данные ДЗЗ. По спутниковым снимкам, сделанным в начале вегетационного периода, проводится классификация культур. По ней выявляются хлопковые поля, туда выезжают специалисты с феромоновыми ловушками и так каждый год все — победа. Метод классификации применяется самый простой — максимального правдоподобия. Но все работает и с ним.

Это очень характерный пример применения спутниковых данных для борьбы с вредителями и заболеваниями: выявляются не сами вредители/болезни, решается какая-то другая задача, которая должна помочь. Еще одна очень распространенная ситуация — оценка площади повреждений по спутниковым данным. Проблемные участки выявляются только тогда, когда все уже случилось, и остается лишь подсчитывать убытки.

А как насчет раннего выявления проблемы, когда ее еще можно предотвратить? Здесь спутниковые данные помогут мало. Слишком низкое у них пространственное разрешение, даже в перспективе (10 см).

Ясно, что не все решают спутники — система дистанционного зондирования, как и система ПВО, должна быть многоярусной. На нижних ее ярусах находятся авиация и беспилотники. Но даже квадрокоптер, летающий прямо над посевами и делающий снимки с разрешением в единицы сантиметров, может здесь не помочь. Проблему не всегда просто обнаружить и специалисту при наземном осмотре. Так что же делать? Оставим пока в стороне другие ярусы системы ДЗЗ, и рассмотрим только спутники.

Одним из решений могут стать гиперспектральные данные. С их помощью можно заметить проблему раньше, чем она проявит себя в видимом диапазоне. Чем больше спектральных каналов у съемочной аппаратуры, тем полнее представлен спектр отражения наблюдаемого объекта. Современные спутники имеют около десятка спектральных каналов, отчего их данные называются мультиспектральными. Гиперспектральные данные имеют сотни спектральных каналов и позволяют получить почти непрерывный спектр отражения. Сравните спектры отражения на снимках гиперспектрального аппарата PRISMA и мультиспектральных Sentinel-3 и Landsat 8.

Спутников, ведущих гиперспектральную съемку высокого разрешения, сейчас нет (или они ведут ее не в интересах сельского хозяйства). Однако в ближайшие годы такие аппараты появятся. Слишком уже велик интерес у разных околовоенных стартапов, а там подтянутся и остальные.

Суть проблемы, как обычно, находится на земле. Болезни и вредителей сперва нужно научиться определять по данным наземной гиперспектральной съемки на тестовых полях. Такие работы, в принципе, ведутся. Так что сначала мы услышим (если услышим) об успехах на земле, затем технология будет перенесена на дроны, а там может дойти и до спутников.

Еще один способ участия спутниковых данных в решении проблемы — моделирование микроклимата. Прогнозированием численности вредителей и интенсивности болезней занимается агрометеорология. Делает она это, в первую очередь, по данным о погоде: температуре воздуха, влажности, скорости ветра и т. п. (для их получения тоже используются спутниковые снимки, но сейчас речь не о метеоспутниках). Погодные данные имеют низкое пространственное разрешение и потому хорошо работают в масштабах от района и выше. Это тоже неплохо, но конкретному хозяйству интереснее микроклимат, то есть особенности климата на небольших участках — на его собственных полях. Заточить погодные данные для определения микроклимата помогут: спутниковые данные (оптические наблюдения, рельеф, температура поверхности и т. п.) + данные от хозяйства + методы машинного обучения. В результате могут быть разработаны модели микроклимата, позволяющие точнее прогнозировать появление болезней и вредителей. Задача это, мягко говоря, непростая, но неразрешимых трудностей здесь нет.

#сельхоз #гиперспектр

NRO продлило контракты с Kleos Space и Spire Global

Национальное разведывательное управление США (NRO) продлило контракты с компаниями Kleos Space и Spire Global на предоставление коммерческих радиочастотных данных.

Мониторинг радиочастотных сигналов из космоса — это развивающееся направление дистанционного зондирования, которое использует низкоорбитальные спутники для отслеживания судов, транспортных средств, электронных помех или любых устройств, излучающих радиочастотные сигналы.

Компания Kleos использует три группировки из четырех спутников для обнаружения источников радиочастотных сигналов и точного определения их местоположения. Spire управляет созвездием из более чем 100 многоцелевых спутников, отслеживающих радиочастотные сигналы, включая 40 спутников с геолокационными возможностями, которые могут отслеживать помехи GPS.

Спутники обеих компаний выполнены на базе стандарта CubeSat. Spire изготавливает спутники сама, а спутники для Kleos произведены датской компанией GOMSpace и нидерландской ISISPACE.

Kleos и Spire были в числе шести компаний, выбранных NRO в прошлом году для заключения соглашений о сотрудничестве, которые давали агентству возможность оценить качество предоставляемых данных.

Kleos относит свою деятельность к областям SIGINT (радиоэлектронная разведка) и GEOINT (геопространственная разведка).

GOMSpace возникла в Ольборге (конкретно, Aalborg University), ISISPACE — в Дельфте (Delft University of Technology). Обе выросли из проектов университетских спутников начала 2000-х годов.

#война #sigint

ForWarn: выявления нарушений состояния леса

Мы уже узнали о Google Earth Engine достаточно много, чтобы создавать небольшие проекты. Пойдем дальше, и разработаем прототип сервиса для мониторинга состояния лесов. Начнем с того, что познакомимся с реальным сервисом и разберемся, что и как мы будем наблюдать.

Сервис ForWarn II публикует карты изменений состояния растительности (в первую очередь, лесной) для континентальной части США. Карты ForWarn фиксируют изменения состояния растительности в данный момент времени (Near-Real-Time Products), а также результаты многолетних фенологических наблюдений (Long-Term Monitoring Products). Нас сейчас интересуют только изменения состояния леса в данный момент времени, так что ограничимся продуктами Near-Real-Time.

Основные характеристики продуктов Near-Real-Time:

* Состояние растительности характеризуется значением Normalized Difference Vegetation Index (NDVI).
* Пространственное разрешение: 250 м (площадь пикселя 6.25 га).
* Временное покрытие: 2000 г. – наст. время.
* Периодичность обновлений: 8 суток.
* Система координат: WGS 84.

Для оценки изменений состояния растительности, текущий NDVI сравнивают с неким базовым уровнем NDVI (baseline). Выбор базового уровня зависит от поставленной задачи. Например, среднее значение NDVI за все годы наблюдений (в 2023 году — это период с 2000 по 2022 гг.) примерно соответствует климатической норме (состояния растений). Чтобы узнать, испытывает ли район исследований стресс от засухи, раннее или позднее наступление весны (осени), в качестве базового уровня можно использовать среднее значение за все годы наблюдений. В ForWarn этот базовый уровень называется All-Year Baseline.

Нарушения состояния леса (forest disturbances) удобнее всего выявлять по сравнению с оптимальным состоянием. Так, максимальные значения NDVI за 3/5/10 лет отражают потенциальный максимум растительности 1) без нарушений, 2) в климатически оптимальный год — за указанный промежуток времени. По умолчанию, в ForWarn отображаются изменения NDVI по сравнению с пятилетним максимумом (5yr Baseline).

Зачем нужны остальные базовые уровни? (трехлетний, десятилетний максимумы и т. п.) Представим себе ситуацию, когда 5 лет назад возле интересующего нас леса проложили шоссе. В результате, лес стал чаще посещаться людьми и, испытывая большую антропогенную нагрузку, стал слабеть. Тогда относительно 10-летнего максимума, состояние леса все последние 5 лет будет нарушенным. Если на этом фоне произойдет еще какое-то нарушение, оно может пройти незамеченным. Напротив, если взять трехлетний максимум, то на его фоне окажется, что никаких существенных нарушений в последние годы не происходило. Здесь 10-летний максимум используется для выявления тренда (долгосрочной тенденции) в состоянии леса, а трехлетний — для выявления изменений относительно тренда.

#лес

ForWarn: расчет изменений NDVI

Перейдем к оценке того, насколько изменилось состояние леса по сравнению с базовым.

Формула вычисления процентного изменения NDVI:

Percent NDVI Change = (Current NDVI – Baseline NDVI) / Baseline NDVI.

Результат преобразуем в проценты и округляем до целых. Значения, превышающие пороги +/-100%, приравниваем к пороговым.

Вычисление NDVI для каждого пикселя выполняется в 24-дневном окне — для преодоления эффектов, связанных с облачностью. Вычисляется показатель (максимум или медиана NDVI) за 24-дневный период текущего года, и сравнивается с тем же показателем за соответствующий 24-дневный период прошлых лет. Если конкретно, то

* при вычислении All-Year Baseline процентное изменение NDVI рассчитывается путем сравнения медианы NDVI за текущий 24-дневный период со значением медианы NDVI за тот же 24-дневный период для всех предыдущих лет наблюдений;
* при расчете 5yr Baseline (аналогично: 3yr Baseline/10yr Baseline) процентное изменение NDVI рассчитывается путем сравнения значения 90-го перцентиля NDVI за текущий 24-дневный период со значением 90-го перцентиля NDVI за тот же 24-дневный период для 5 предыдущих лет (для 2023 года: 2018–2022 гг.). Значения 90-го перцентиля используются вместо максимумов, чтобы избавиться от возможных выбросов.

Шаг по времени между оценками составляет 8 дней (суток). Таким образом за год состояние леса оценивается 46 раз.

#лес

Код, который все это рассчитывает в Google Earth Engine, будет сегодня несколько позже.

GEE-26. ForWarn: мониторинг состояния леса

Продолжение разговора, начатого здесь и здесь.

Код: https://code.earthengine.google.com/9f473f5bde9b236eda92cbe28bbfd243

Скрипт рассчитывает два вида оценок изменения состояния леса:

1. 1/3/5/10yr Baseline — для выявления нарушений.
2. All-Year Baseline — для сравнения текущего состояния с климатической нормой.

Маска леса строится по данным ESA WorldCover, по состоянию на январь 2020 года.

Для определения причин изменения состояния леса создаются слои данных:

* карта очагов возгораний (данные FIRMS) — слой Fires
* месячные медианные RGB-композиты Sentinel-2 (Natural Colors) — слой Month Median Composite.

В скрипте использованы идеи, которые уже применялись нами для расчета Vegetation Condition Index. Из новинок в коде: оператор выбора switch — такой же, как в других языках программирования, и условие where, примененное при создании маски леса.

Настройка скрипта выполняется в разделе “Пользовательские параметры”:

// AOI.
var point = ee.Geometry.Point(-80.2265, 34.3676);
var width = 20000; // ширина буфера вокруг точки, м
var geometry = point.buffer({'distance': width}).bounds();

// Дата наблюдения.
var date = ee.Date('2019-09-01');
// Базовый период.
var base = '1'; // Значения: 1/3/5/10 - для max; ALL - для mean.

geometry — геометрия AOI (один полигон). Нужно загрузить в Assets шейпфайл AOI (CRS: WGS 84), нарисовать AOI прямо в GEE или задать точку, как в примере. Базовый период base выбирается в зависимости от задачи: для поиска нарушений или для сравнения с климатической нормой. base = '1' — это 1yr Baseline, аналогично задаются другие интервалы. base = 'ALL' — это сравнение с климатической нормой (за весь период наблюдений MODIS).

Маскирование леса можно отменить, закомментировав строку percent_change = ... в разделе "Расчет":

// Маскирование леса.
var forest = getForestMask();
percent_change = percent_change.multiply(forest);


Учебник по Google Earth Engine

#лес #GEE

На аэрофотоснимке, сделанном 14 июля 2018 года в уезде Дафанг юго-западной китайской провинции Гуйчжоу, показаны террасированные поля, на которых выращивают декоративные растения. Не меньше полей впечатляют здания, удачно вписанные в ландшафт (источник, по наводке коллег).

#снимки

Пакетное выполнение задач в GEE JavaScript API

Когда задач, которые нужно отправить на выполнение в панели Tasks, становится больше трех, возникает желание запустить их все разом. В Python API для этого есть готовые инструменты. В JavaScript API готовых инструментов нет, но возможность такая есть.

1. Открываем Инструменты разработчика браузера комбинацией: Ctrl+Shift+I
2. Находим консоль (Console), вставляем в нее код функций, которые 1) запускают все задачи на странице (runTaskList) и 2) нажимают на кнопку Run, подтверждая запуск этих задач (confirmAll). Отправляем этот код на выполнение (Enter).
3. Выполняем в консоли runTaskList(), то есть отправляем все задачи на выполнение.
4. Ждем, пока откроется окно задачи. После этого, выполняем в консоли confirmAll(). После этого инструменты разработчика можно закрыть. Если выполнить `confirmAll()` до появления окна задачи, то в консоли возникнет сообщение об ошибке. Ничего страшного, ждем появления окна и выполняем подтверждение снова.

#GEE

Картинка выше наглядно показывает, зачем России спутники на высокоэллиптической орбите. “Электро-Л” ведет съемку с экватора, и оттуда Камчатка видна почти на краю земного диска. Впечатление несколько сглаживается от того, что нам показывают только верхнюю часть диска. Посмотрите, где находится Камчатка, когда земной диск представлен полностью. Анимация сделана по снимкам “Химавари 8” (источник).

#снимки #ГСО

В Самаре разработаны два гиперспектральных сенсора для наноспутников

Учеными Самарского университета им. Королёва и Института систем обработки изображений (ИСОИ) РАН разработаны два гиперспектрометра для наноспутников формата CubeSat.

Первый прибор предназначен для работы в видимом и ближнем инфракрасном диапазоне (VNIR) — от 400 до 1000 нм. Он представляет собой усовершенствованную версию гиперспектрометра, разработанного ранее самарскими учеными, и запущенного в космос в августе 2022 года. Прибор разместится на борту CubeSat’а размера 6U, то есть состоящего из шести "кубиков" размерами 10х10х10 см. Предшественник умещался в три “кубика”, зато увеличившееся полезное пространство позволило оснастить новый прибор более мощным объективом. Пространственное разрешение нового гиперспектрометра не сообщается.

Второй гиперспектрометр будет снимать в коротковолновом инфракрасном диапазоне (SWIR) — от 900 до 1700 нм. Прибор установят в CubeSat’е размера 3U производства компании "Геоскан". Под гиперспектрометр в космическом аппарате отведено два "кубика", в третьем разместят оборудование для управления спутником и связи с Землей. Пространственное разрешение этого прибора составит около 60–70 метров на пиксель, что, учитывая его компактность, весьма неплохо.

С помощью гиперспектрометра, снимающего в SWIR-диапазоне, можно обнаруживать парниковые газы, фиксируя выбросы метана и CO2 (точечно, а не в масштабах района как TROPOMI). В этом диапазоне можно вести геологоразведку, выявляя из космоса спектральные сигнатуры различных минералов.

Приборы планируется вывести на орбиту в декабре 2023 года в рамках научно-образовательного проекта Space-Pi на борту двух наноспутников производства российских компаний "Спутникс" и "Геоскан". Обе компании имеют опыт успешного запуска CubeSat’ов.

#гиперспектр #cubesat

Поздравляем всех с Днем космонавтики!

Виртуальная выставка “Как мир узнал о полете Гагарина”

Представлены всесоюзные газеты, газеты союзных и автономных республик, почти вся Европа и немного Америки с Азией. Есть даже Албания, Исландия и Уругвай.

http://expositions.nlr.ru/ve/RA4288/polet-gagarina

В честь Дня космонавтики публикуем небольшую подборку интервью советских космонавтов

1. Голубой огонёк. Звёздная эстафета. В гостях — советские космонавты (1963)
2. Интервью Гагарина на Би-би-си (1961)
3. Гагарин. Интервью в поезде (1961)
4. Гагарин. Первая годовщина полёта в космос (1962)
5. Интервью с дублёрами В. Терешковой (1989)

#Видеоподборки