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

Схема работы радара

Слово "радар" (radar) возникло как аббревиатура, означающая "радиообнаружение и дальность" (radio detection and ranging). Как следует из названия, радар был разработан как инструмент, использующий радиоволны для обнаружения присутствия объектов и определения расстояния до них. Процесс работы радара заключается в передаче коротких импульсов микроволновой энергии в интересующем направлении, и в регистрации "эха" — обратных сигналов, полученных от объектов, находящиеся в поле зрения радара.

Не все радары строят изображения. Например, радар для измерения скорости транспортных средств никаких изображений не строит. Он относится к доплеровским радарам, поскольку для определения скорости объекта использует доплеровский сдвиг частоты в передаваемых и возвращаемых сигналах. Доплеровский сдвиг частоты зависит от относительных скоростей радара и цели. Изменение высоты тона гудка проезжающего автомобиля — пример доплеровского сдвига частоты звуковых волн. В дальнейшем мы будем занимается только радарами, которые строят изображения.

На рисунке 1️⃣ показана схема работы радара, установленного на самолете. Для спутника все происходит точно также. Направление вдоль линии полета называется азимутом (azimuth), а направление, перпендикулярное линии полета, — дальностью (range). beamwidth — ширина луча, pulse length — длительность импульса, resolution cell — ячейка пространственного разрешения радара: радар не различает отдельные объекты, которые находятся в пределах одной и той же ячейки.

В отличие от большинства оптических систем дистанционного зондирования, датчики которых направлены в надир, антенна радара направлена в сторону от надира и освещает непрерывную полосу на земле по мере движения платформы. Из-за этой особенности съемки, радары еще называют радарами (или радиолокаторами) бокового обзора — side-looking radars.

Основная причина того, что радар снимает вбок заключается в том, что радар, смотрящий в надир, не смог бы различить равноудаленные левый и правый объекты, так как обратный сигнал от них будет приходить одновременно. Сравните ситуации, представленные на рисунках 2️⃣ а) и b).

Во время полета по трассе радар передает последовательность коротких микроволновых импульсов, и получает отклики на них, как это показано на рисунке 3️⃣.

#основы #SAR

Словарик радарных терминов

azimuth — азимут (направление вдоль линии полета)
beamwidth — ширина луча
foreshortening — укорачивание (сокращение)
ground range — наземная дальность
imaging radar — радар, формирующий изображение
incident angle — угол падения
layover — наложение
local incident angle — местный угол падения
look angle — угол обзора
pulse length — длительность импульса
Radar Cross Section (RCS) — эффективная площадь рассеяния (ЭПР)
radar shadow — радарная тень
range — дальность (направление, перпендикулярное линии полета)
slant range — наклонная дальность
Synthetic Aperture Radar (SAR) — радар с синтезированной апертурой (РСА). Апертура (раскрыв) в антенной технике — условная плоская излучающая или принимающая излучение поверхность антенн.
terrain correction — коррекция рельефа. Бывает геометрическая и радиометрическая.

Радарная терминология на английском языке

#основы #SAR #термины

Все, что про радары, помещается в закреп, в Основы дистанционного зондирования Земли. Эти материалы можно также искать по тегам #основы и #SAR

Данные спутниковых радаров на Google Earth Engine

Коллекции снимков

Sentinel-1 Ground Range Detected (GRD) — данные европейского радара C-диапазона. Это самая большая по объему коллекция данных: снимки начинаются с октября 2014 года и пополняются ежедневно. Пространственное разрешение данных: 10 метров. Они обработаны с помощью Sentinel-1 Toolbox: удален тепловой шум, выполнена радиометрическая калибровка и коррекция рельефа. Коллекция существует в двух вариантах: со значениями обратного рассеяния в децибелах (COPERNICUS_S1_GRD) и без преобразования в децибелы (COPERNICUS/S1_GRD_FLOAT). Подробнее о данных и об их обработке можно узнать здесь. Пространственное покрытие данными Sentinel-1 периодически изменяется, в соответствии с планом съемки.

PALSAR-2 ScanSAR Level 2.2 — это данные японского радара PALSAR-2, которые содержат значения обратного рассеяния в децибелах. Временное покрытие данных: 04.08.2014 – н.в. (задержка с размещением на GEE составляет около месяца). Пространственное разрешение: 25 метров. Важно, что PALSAR — это радар L-диапазона, у которого к тому же есть сигнал с HH-поляризацией. То есть, эти данные — интересное дополнение данных Sentinel-1.

Umbra SAR Open Data — открытые данные радара X-диапазона компании Umbra с пространственным разрешением около 25 сантиметров. О глобальном покрытии здесь речь не идет (доступны только данные, которые предоставила компания), но это отличная возможность поработать с данными сверхвысокого разрешения.

Мозаики данных

Global PALSAR-2/PALSAR Yearly Mosaic (версия 1, версия 2) — ежегодная мозаика данных PALSAR и PALSAR-2, начиная аж с 2007 года.

Normalized Sentinel-1 Global Backscatter Model Land Surface — мозаика данных Sentinel-1, построенная специалистами Венского технического университета по снимкам 2016–2017 годов.

#GEE #данные #SAR

HiForm — мониторинг леса по снимкам Landsat и Sentinel-2

Сервис ForWarn, который выявляет нарушения состояния леса, опирается на данные MODIS c пространственным разрешением около 250 метров. Здесь мы воспроизвели основной функционал ForWarn с помощью Google Earth Engine (GEE). Идея использовать GEE лежит на поверхности, и авторский коллектив ForWarn воспользовался ею, чтобы создать сервис мониторинга состояния леса, использующий снимки более высокого разрешения — Landsat 5/7/8/9 и Sentinel-2. Новый сервис называется HiForm, от "High-resolution Forest mapping".

HiForm — это приложение на базе GEE. Как и в ForWarn, изменения состояния растительности фиксируются по изменениям нормализованного разностного вегетационного индекса NDVI. Чтобы уменьшить влияние облачности и теней облаков, HiForm использует композиты с максимальным значением NDVI. Оценка состояния леса производится по разности двух композитов (“до” и “после” нарушения). Два периода, используемые для сравнения NDVI, могут разделятся промежутками времени от нескольких недель до нескольких лет.

Код HiForm открыт и доступен для анализа. Ссылки на код и документацию (очень короткую) — здесь.

#GEE #лес