На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA
О данных Harmonized Landsat Sentinel-2 (HLS) на канале говорилось уже не раз (например, здесь и здесь). HLS — это попытка объединить данные нескольких сенсоров, а именно: Landsat 8 OLI, Landsat 9 OLI-2 и Sentinel-2A/2B MSI. Вместе они позволят проводить глобальные наблюдения с периодичностью 2–3 суток.
Для получения бесшовных продуктов HLS на основе данных OLI и MSI используется набор алгоритмов, включающий атмосферную коррекцию, маскировку облаков и теней, корегистрацию, топографическую коррекцию и коррекцию угла съемки, а также радиометрическое выравнивание снимков. Ссылки на алгоритмы есть здесь.
Данные HLS существуют в двух уровнях обработки: Top of Atmosphere (уровень 1) и Surface Reflectance (уровень 2). Все данные имеют пространственное разрешение 30 метров.
Раньше данные HLS можно было найти на NASA Earthdata Search и Sentinel Hub EO Browser. И вот теперь к ним добавился Google Earth Engine.
Продукт HLSL30: HLS-2 Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m — это скорректированные данные 1-го уровня обработки, полученные на основе сенсоров спутников Landsat. Чтобы добиться периодичности 2–3 суток, их нужно дополнить аналогичными данными Sentinel-2 — HLSS30.
Временное покрытие данных HLS начинается с момента запуска: для Landsat — с 2013 года (запуск Landsat 8), для Sentinel-2 — c 2015 г.
Возможно, что еще не все данные размещены на GEE. Проверить это можно с помощью кода.
#GEE #sentinel2 #landsat #данные
О данных Harmonized Landsat Sentinel-2 (HLS) на канале говорилось уже не раз (например, здесь и здесь). HLS — это попытка объединить данные нескольких сенсоров, а именно: Landsat 8 OLI, Landsat 9 OLI-2 и Sentinel-2A/2B MSI. Вместе они позволят проводить глобальные наблюдения с периодичностью 2–3 суток.
Для получения бесшовных продуктов HLS на основе данных OLI и MSI используется набор алгоритмов, включающий атмосферную коррекцию, маскировку облаков и теней, корегистрацию, топографическую коррекцию и коррекцию угла съемки, а также радиометрическое выравнивание снимков. Ссылки на алгоритмы есть здесь.
Данные HLS существуют в двух уровнях обработки: Top of Atmosphere (уровень 1) и Surface Reflectance (уровень 2). Все данные имеют пространственное разрешение 30 метров.
Раньше данные HLS можно было найти на NASA Earthdata Search и Sentinel Hub EO Browser. И вот теперь к ним добавился Google Earth Engine.
Продукт HLSL30: HLS-2 Landsat Operational Land Imager Surface Reflectance and TOA Brightness Daily Global 30m — это скорректированные данные 1-го уровня обработки, полученные на основе сенсоров спутников Landsat. Чтобы добиться периодичности 2–3 суток, их нужно дополнить аналогичными данными Sentinel-2 — HLSS30.
Временное покрытие данных HLS начинается с момента запуска: для Landsat — с 2013 года (запуск Landsat 8), для Sentinel-2 — c 2015 г.
Возможно, что еще не все данные размещены на GEE. Проверить это можно с помощью кода.
#GEE #sentinel2 #landsat #данные
❤3👍1
⭐️ 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
🔥4👍2❤1
Major TOM: расширяемая структура набора данных [ссылка]
Модели глубокого обучения, в том числе те, что используются в дистанционном зондировании Земли (ДЗЗ), требуют огромного количества данных. Существующие наборы данных различаются форматами и структурой данных, а также покрываемой территорией. Чтобы облегчить пользователям процесс расширения наборов данных, необходима общая структура, позволяющая дополнять эти наборы и объединять разные наборы между собой. В качестве такой расширяемой структуры предлагается Major TOM (Terrestrial Observation Metaset). Она состоит из системы географического индексирования, основанной на наборе точек сетки, и структуры метаданных, позволяющей объединять несколько наборов данных из разных источников.
Помимо спецификации Major TOM, в работе представлен набор данных MajorTOM-Core, который охватывает большую часть земной поверхности. Этот набор данных общедоступен, и пригодится как сам по себе, так и в качестве образца для будущих дополнений экосистемы Major TOM.
MajorTOM-Core состоит из 2 245 886 образцов снимков Sentinel-2 (разрешение 10 м) размером 1068 x 1068 пикселей, доступных на уровнях обработки L1C и L2A.
🛢 MajorTOM на HuggingFace и на GitHub.
💻 Пример в Colab
#датасет #sentinel2 #нейронки
Модели глубокого обучения, в том числе те, что используются в дистанционном зондировании Земли (ДЗЗ), требуют огромного количества данных. Существующие наборы данных различаются форматами и структурой данных, а также покрываемой территорией. Чтобы облегчить пользователям процесс расширения наборов данных, необходима общая структура, позволяющая дополнять эти наборы и объединять разные наборы между собой. В качестве такой расширяемой структуры предлагается Major TOM (Terrestrial Observation Metaset). Она состоит из системы географического индексирования, основанной на наборе точек сетки, и структуры метаданных, позволяющей объединять несколько наборов данных из разных источников.
Помимо спецификации Major TOM, в работе представлен набор данных MajorTOM-Core, который охватывает большую часть земной поверхности. Этот набор данных общедоступен, и пригодится как сам по себе, так и в качестве образца для будущих дополнений экосистемы Major TOM.
MajorTOM-Core состоит из 2 245 886 образцов снимков Sentinel-2 (разрешение 10 м) размером 1068 x 1068 пикселей, доступных на уровнях обработки L1C и L2A.
🛢 MajorTOM на HuggingFace и на GitHub.
💻 Пример в Colab
#датасет #sentinel2 #нейронки
👍4🔥3❤1
Возможности Sentinel-2 для оценки выбросов метана
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
👍4🔥1
Обнаружение выбросов диоксида азота по данным Sentinel-2 и Landsat
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
🔥5❤1👍1👏1😱1
Первые снимки Sentinel-2C [ссылка]
Менее чем через две недели после запуска на орбиту спутник ESA Sentinel-2C передал на землю первые снимки.
Третий спутник серии Sentinel-2 был запущен 5 сентября с Европейского космодрома во Французской Гвиане. Как и его собратья Sentinel-2A и Sentinel-2B, спутник оснащён мультиспектральной камерой MultiSpectral Instrument (MSI), которая с высоты орбиты 786 км делает снимки в 13 спектральных диапазонах с разрешением 10 м, 20 м и 60 м. Ширина полосы захвата составляет 290 км.
1️⃣ На одном из первых снимков Sentinel-2C хорошо видна Севилья и её окрестности на юге Испании. Севилья является столицей Андалусии, и в ней находится штаб-квартира Испанского космического агентства.
2️⃣ Ложно-цветное изображение, полученное с помощью коротковолнового инфракрасного и ближнего инфракрасного каналов MSI, основано на снимке, сделанном 12 сентября. На нём виден один их лесных пожаров в Калифорнии. Выжженная площадь и активные пожары, выделяются как ярко-оранжевые пятна.
#ESA #sentinel2
Менее чем через две недели после запуска на орбиту спутник ESA Sentinel-2C передал на землю первые снимки.
Третий спутник серии Sentinel-2 был запущен 5 сентября с Европейского космодрома во Французской Гвиане. Как и его собратья Sentinel-2A и Sentinel-2B, спутник оснащён мультиспектральной камерой MultiSpectral Instrument (MSI), которая с высоты орбиты 786 км делает снимки в 13 спектральных диапазонах с разрешением 10 м, 20 м и 60 м. Ширина полосы захвата составляет 290 км.
1️⃣ На одном из первых снимков Sentinel-2C хорошо видна Севилья и её окрестности на юге Испании. Севилья является столицей Андалусии, и в ней находится штаб-квартира Испанского космического агентства.
2️⃣ Ложно-цветное изображение, полученное с помощью коротковолнового инфракрасного и ближнего инфракрасного каналов MSI, основано на снимке, сделанном 12 сентября. На нём виден один их лесных пожаров в Калифорнии. Выжженная площадь и активные пожары, выделяются как ярко-оранжевые пятна.
#ESA #sentinel2
👍18🔥5🥰1
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
👍4🔥1
Спутник Sentinel-2C введен в эксплуатацию
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
👍16
Продление работы Sentinel-2A
ESA объявило о начале кампании по временному продлению работы спутника Sentinel-2A, которая начнется в марте 2025 года.
Кампания предусматривает реализацию специального сценария работы Sentinel-2A, обеспечивающего непрерывность систематических наблюдений Sentinel-2A над Европой каждые 10 суток (как для Sentinel-2B/C) и глобальный охват каждые 20 суток.
В конце января 2025 года спутник Sentinel-2A должен начать маневрировать, чтобы к началу марта занять новую орбитальную позицию, расположенную на расстоянии 36° от Sentinel-2B. Такая конфигурация повысит доступность данных Sentinel-2, поскольку дополнительные наблюдения Sentinel-2 на той же относительной орбите будут проводиться с интервалом 2 суток от Sentinel-2B и 1 сутки — от Sentinel-2C.
#ESA #sentinel2
ESA объявило о начале кампании по временному продлению работы спутника Sentinel-2A, которая начнется в марте 2025 года.
Кампания предусматривает реализацию специального сценария работы Sentinel-2A, обеспечивающего непрерывность систематических наблюдений Sentinel-2A над Европой каждые 10 суток (как для Sentinel-2B/C) и глобальный охват каждые 20 суток.
В конце января 2025 года спутник Sentinel-2A должен начать маневрировать, чтобы к началу марта занять новую орбитальную позицию, расположенную на расстоянии 36° от Sentinel-2B. Такая конфигурация повысит доступность данных Sentinel-2, поскольку дополнительные наблюдения Sentinel-2 на той же относительной орбите будут проводиться с интервалом 2 суток от Sentinel-2B и 1 сутки — от Sentinel-2C.
#ESA #sentinel2
👍8❤2
Индексы растительности на основе данных Harmonized Landsat Sentinel-2
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
👍9❤5
Комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
❤4👍1🔥1