Мы вместе с «экипажем игрушек» традиционно поздравляем всех детей нашей планеты с Международным днём защиты детей! 🚀

Растите здоровыми, весёлыми, счастливыми и самое главное - окружёнными любовью, заботой и вниманием!😊

С праздником, ребята! ✊

П.С. Игрушки - это индикаторы невесомости и наши талисманы на МКС.

Карта тенденций цветения прибрежного фитопланктона

Группа ученых проанализировала снимки спектрорадиометра MODIS на спутнике Aqua с 2003 по 2020 год и составила глобальную базу данных о цветении прибрежного фитопланктона. Ученые обнаружили, что за исследуемый период случаи цветения фитопланктона участились на 60% и увеличились по площади на 13%. Прибрежные цветения затронули 31,5 миллиона квадратных километров, что составляет 9% площади океана.

Перед нами первая глобальная карта тенденций цветения прибрежного фитопланктона, и ее появление стало возможным благодаря дистанционному зондированию. Красные области — это места, где цветение стало наблюдаться чаще. Такая тенденция наблюдалась на большей части Южного полушария и в высоких широтах Северного полушария.

Ученые отметили, что использованный ими метод наблюдения за фитопланктоном не позволяет различить безвредные виды от видов, которые производят токсины. Существенного продвижения в этом вопросе ожидают после запуска миссии NASA “Plankton, Aerosol, Cloud, ocean Ecosystem” (PACE), которая будет проводить гиперспектральную съемку мирового океана. Запуск PACE запланирован на 2024 год. А уже сейчас доступны данные Sentinel-3 OLCI. OLCI — это Ocean and Land Color Instrument. У него 21 спектральный канал в области видимого света и ближнем ИК-диапазоне, с пространственным разрешением 300 метров. Можно пробовать!

#вода

Сегодня отмечаем день рождения Байконура!

Именно в этот день в 1955 году проекты космодрома и его инфраструктуры были утверждены директивой Генерального штаба Вооруженных сил СССР.

Тогда еще в русском языке не было слова «космодром», поэтому был полигон с условным наименованием «Тайга». Его строительство велось в режиме строжайшей секретности и было завершено в рекордно короткие сроки.

Это место стало космической гаванью нашей страны, здесь началась история мировой космонавтики. За всё время его существования были запущены тысячи аппаратов на орбиту.

Поздравляем всех, кто участвовал в возведении и работе первого в мире объекта, проложившего путь к звёздам!

Страница судового журнала “Бигля” в хорошем качестве.

Немного альтернативной аэрофотосъемки

На днях ознакомились со статьей в “Коммерсанте” о трудностях компаний, занимающихся аэрофотосъемкой. Ограничения на полеты беспилотников, рост цен — всех жалко, но что делать? Кто-то ищет выход в спутниковых снимках, но они всех задач не решают. Другие говорят об упрощении регулирования на рынке услуг беспилотников. И это понятное желание — вечное, как желание не платить налоги, и очевидно нереализуемое в ближайшее время.

Интересно, что в качестве вариантов решения проблемы не упоминаются другие виды аэрофотосъемки, на которые нет, как кажется, жестких ограничений. Например, съемка с воздушного змея.

Запуск змея не представляет особой проблемы, даже в условиях относительного безветрия (у поверхности Земли, на высоте же ветер есть всегда). Бегать со змеем не придется, есть змеи-автожиры. Да и небольшое читерство в виде моторчика с пропеллером вполне приемлемо.

Поднимать в воздух змей может самую разную технику. Еще в Первую мировую на змеях использовали фотокамеры и метеорологическую аппаратуру. Поднимали даже людей-наблюдателей. Некоторые любители и сейчас занимаются съемкой со змеев. Это называется KAPing — от Kite Aerial Photography.

Змей не маневрирует и не переносит грузы “по горизонтали”, следовательно не несет той угрозы, которую могут представлять беспилотники. Зато он может гораздо дольше находится в воздухе и вести мониторинг состояния объектов. Например, наблюдать состояние сельскохозяйственного поля на протяжении всего сезона.

Понятно, что внедрить новую технологию будет непросто. Нужно будет отработать конструкции змеев. Впрочем, раньше с этим справлялись юные техники, так что справятся и сейчас. Придется немало поработать с софтом для обработки данных: будет много снимков “не в надир”, нельзя чтобы они пропадали. Но это все же лучше, чем просто грустить.

На снимке — цветущие поля рапса в окрестностях Дортмунда, снятые со змея на бытовую камеру. Подобной красоты много в группе Kite Aerial Photography (KAP) на flickr.

#снимки

В России закладывается система тестовых полигонов для проведения государственной инвентаризации леса и мониторинга климатически активных веществ

Во время второго цикла государственной инвентаризации лесов, который начался в 2021 году и закончится в 2030 году, в России закладывается система тестовых полигонов. Они нужны для получения объективной репрезентативности выборки о состоянии лесов.

Тестовый полигон представляет собой квадрат со сторонами 2х2 км площадью 400 га. На каждом полигоне будет заложена 101 круговая площадка, где будет описан живой напочвенный покров, подрост и подлесок, хворост, валеж, пни, измерены высоты и диаметры деревьев, определено их санитарное состояние. Кроме этого, на каждом тестовом полигоне будут взяты образцы почвы для определения содержания в них углерода. Продолжительность работ на одном тестовом полигоне составит около месяца.

В этом году будет заложено 120 тестовых полигонов в 19 регионах страны. Всего к 2030 году будет создано свыше 1000 таких полигонов. Работы ведутся в рамках государственного проекта “Единая национальная система мониторинга климатически активных веществ”.

Раньше тестовые полигоны называли пробными площадями. В сообщении ТАСС говорится лишь о мониторинге углерода лесов, но описание полигонов указывает на более широкий круг задач, который они будут решать. В первую очередь, это наземные данные о состоянии леса. О роли наземных данных мы недавно говорили. В частности, эти данные позволят проводить инвентаризацию леса с привлечением методов дистанционного зондирования, вроде такой. Это не совсем “настоящая” инвентаризация, но ее можно выполнять гораздо чаще, чем наземную, и с меньшими затратами.

Рослесинфорг сообщает, что данные с тестовых полигонов лягут в основу национальной системы мониторинга климатически активных веществ, в отношении которых осуществляется государственный учет. Сейчас российские эксперты оперируют данным о климате, которые собирают другие страны. Действительно, в основе моделей ИКИ РАН (см. доклад С. А. Барталева) лежат данные проекта BIOMASAR.

#лес

Цифровой гербарий МГУ

Не совсем по теме канала, но уж очень интересно.

Цифровой гербарий МГУ — это консорциум нескольких российских университетских и академических гербариев, которые вносят свой вклад в документацию флоры России.

Общий объем исходных данных в “Атлас флоры России” составляет около 6,5 млн образцов. Одним из ключевых элементов “Атласа флоры России” стала оцифровка источников литературы. База данных “Local floras of Russia: records from literature” охватывает более 600 источников глубиной до 1975 года, в ней содержатся флористические данные по 3000 пунктов. База полностью находится в открытом доступе. На рисунке показан лист гербария с растением Бересклет европейский (Euonymus europaeus).

Важно, что на сайте не только представлены собранные данные, но и рассказано как любой желающий может принять участие в пополнении цифрового гербария.

https://plant.depo.msu.ru/

#данные

Сначала мы хотели получить для заданного региона данные о скорости и направлении ветра, чтобы можно было построить “розу ветров” и не только. Однако, “небольшое введение” с рассказом о данных быстро переросло в заметку. Так что сейчас будет это самое введение, а вечером — заметка с описанием техники сбора данных при помощи Google Earth Engine.

Реанализ, ERA5 и все-все-все

Данные о состоянии окружающей среды, собираемые метеостанциями по всему миру — это временные ряды наблюдений, сделанных в отдельных точках земной поверхности. Для оперативного численного анализа и прогноза погоды необходимо создать внутренне непротиворечивое представление этих данных на четырехмерной сетке координат. Процесс создания такого представления, то есть переход от точечных данных к сеточным, в метеорологии называют “анализом”. Критический по времени характер прогноза погоды означает, что обычно анализ, задающий начальные условия прогноза, должен начинаться до поступления всех данных наблюдений.

“Реанализ” буквально означает “повторный анализ”. Для реанализа используется тот же самый процесс, что и для анализа, но так как он выполняется спустя недели или даже годы, в нем может использоваться более полный комплект данных наблюдений. Проще говоря, реанализ — это лучшие исторические данные о погоде.*

Наиболее известны данные реанализа ECMWF ERA5, Modern-Era Retrospective analysis for Research and Applications, Version 2 (MERRA-2) и NCEP/NCAR Reanalysis. Первый реанализ — европейский (ECMWF — это Европейский центр среднесрочных прогнозов погоды: European Centre for Medium-Range Weather Forecasts), остальные — американские (NASA и NOAA соответственно). Есть еще японский реанализ JRA-55, но мы его не пробовали.

ECMWF ERA5-Land — это набор данных реанализа, обеспечивающий последовательное представление эволюции климатических переменных на суше за несколько десятилетий (сейчас — начиная с 1950 года) с повышенным разрешением по сравнению с данными ERA5. Этот набор данных содержит около 50 климатических переменных. Пространственное разрешение данных составляет 0,1° (около 11 километров на экваторе).

На Google Earth Engine доступно несколько видов данных ERA5-Land. Нам интереснее всего ERA5-Land Hourly (с 1981 года по н. в.) и ERA5-Land Daily Aggregated (с 1963 года по н. в.). Задержка с предоставлением данных составляет около двух недель, что для реанализа нормально.

*На больших территориях. В конкретной точке лучшие данные дает расположенная в этой точке метеостанция.

#основы #погода #данные

GEE-29. Скорость и направление ветра по данным реанализа ERA5

Итак, у нас есть данные реанализа ERA5-Land Hourly и мы намерены получить среднесуточные скорость и направление ветра по заданному району за месяц. Районом интереса будет Португалия, месяцем — июль 2022 года, а данные мы будем собирать в 14:00 каждые сутки.

Этапы работы:

1. Загружаем и фильтруем коллекцию данных.
2. Вычисляем абсолютную величину скорости ветра.
3. Вычисляем среднюю скорость ветра за сутки.
4. Повторяем то же самое с направлением ветра.
5. Объединяем две коллекции — скорости и направления ветра.
6. Добавляем к данным дату.
7. Экспортируем готовую таблицу.

Готовим коллекцию ERA5-Land Hourly:

var roi = ee.FeatureCollection('projects/earthengine-legacy/assets/projects/sat-io/open-datasets/geoboundaries/HPSCU-ADM0')
            .filter(ee.Filter.eq('shapeGroup', 'PRT')); 
var start_period = ee.Date('2022-07-01');
var end_period = ee.Date('2022-08-01');

var ERA5 = ee.ImageCollection("ECMWF/ERA5_LAND/HOURLY")
     .filter(ee.Filter.date(start_period, end_period))
     .filterBounds(roi)
     .filterMetadata('hour', 'equals', 14);

Вычисляем абсолютную величину скорости ветра

var ERA5windspeed = ERA5.map(function(image){
  return image.expression(
    'sqrt(u**2 + v**2)', {
      'u': image.select('u_component_of_wind_10m'),
      'v': image.select('v_component_of_wind_10m')
  }).rename('windspeed');
});

а затем — среднесуточную скорость ветра по району интереса

var ERA5meanspeed = ERA5windspeed.map(function(image){
  var meandict = image.select('windspeed').reduceRegion({
    reducer: ee.Reducer.mean(),
    geometry: roi
  });
  return image.set(meandict); 
});

Повторим все то же с направлением ветра. Теперь у нас есть две коллекции снимков — ERA5meanspeed и ERA5meandir. На выходе нужна таблица (ee.FeatureCollection) с ежедневными значениями скорости и направления ветра.

Объединим данные о скорости и направлении ветра. Понадобится специальный объект-объединитель ee.Join.inner и фильтр, который укажет, как именно объединять коллекции. — при равенстве значений 'system:index'. Самим объединением занимается функция apply, аргументами которой служат названия коллекций и “указующего“ фильтра.

// Создадим join.
var innerJoin = ee.Join.inner('primary', 'secondary');
// Зададим фильтр, указывающий как объединять коллекции.
var filter = ee.Filter.equals({
  leftField: 'system:index',
  rightField: 'system:index', 
});
// Применим join.
var ERA5total = innerJoin.apply(ERA5meanspeed, ERA5meandir, filter)
  .map(function(f) {
    var img1 = f.get('primary');
    var img2 = f.get('secondary');
    return ee.Feature(null).copyProperties(img1).copyProperties(img2);
  });

На выходе мы получим ee.FeatureCollection без геометрии (не даром использовалась конструкция ee.Feature(null)). Каждый элемент этой коллекции будет иметь атрибуты 'windspeed' и 'winddir'. Добавим к ним еще и дату (date):

ERA5total = ERA5total.map(function(image){
  var yyyymmdd = ee.String(image.get('system:index')).slice(0,8); //slice date: only yyyymmdd left
  return image.set('date', yyyymmdd);
});

Подробности смотрите в коде: https://code.earthengine.google.com/4696ab71f3efefd90133cb2f50eb0e59

Первые строки готовой таблицы выглядят так:

date,windspeed,winddir
20220701,2.3701923063423354,263.8368713777139
20220702,2.5298990245276403,239.46071457790597
20220703,2.528011155033796,248.78733035784953
20220704,1.940882192574579,240.05236451417917
20220705,2.4765140145848643,234.10295283928775 

Мы пошли сложным путем, получая среднесуточную скорость ветра из данных наблюдений, взятых за каждый час. Можно было сразу взять данные ERA5-Land Daily Aggregated. Можете самостоятельно сравнить результаты, полученные обоими способами расчета.

#GEE