BigEarthNet (https://bigearth.net) — набор данных, состоящий из 590 326 пар образцов земного покрова, изображенных на снимках спутников Sentinel-1 и Sentinel-2. Каждый образец размечен по принадлежности к нескольким классам земного покрова. Названия классов взяты из данных CORINE Land Cover за 2018 год.

Первоначально, данные BigEarthNet состояли только из образцов снимков Sentinel-2, сделанных с июня 2017 по май 2018 года над 10 странами Европы (Австрия, Бельгия, Финляндия, Ирландия, Косово, Литва, Люксембург, Португалия, Сербия, Швейцария). Все снимки прошли атмосферную коррекцию с помощью sen2cor v2.5.5 и относятся к уровню обработки 2A. В настоящее время эта часть набора данных называется BigEarthNet-S2 и занимает объем около 66 Гб.

Позже данные были дополнены равным количеством образцов снимков Sentinel-1, сделанных в тот же период на тех же участках. Эти данные называются BigEarthNet-S1 и имеют объем около 55 Гб.

Скачать данные, а также получить детальное описание их самих и методики их создания можно на странице проекта BigEarthNet.

#датасет #LULC

CloudScore+ — новый метод обнаружения облаков и теней

Cloud Score+ — это метод попиксельной оценки качества оптических спутниковых снимков среднего и высокого разрешения. Он реализует единый подход к обнаружению облаков и теней, основанный на искусственном интеллекте и использующий пространственный и временной контекст. Коллекция данных Cloud Score+ S2_HARMONIZED оперативно создается из коллекции снимков Sentinel-2 L1C, а результаты Cloud Score+ могут использоваться для идентификации относительно чистых пикселей, а также для эффективного удаления облаков и теней из снимков Sentinel-2 L1C или L2A. Больше не нужно использовать операции над битами или поэтапный процесс обнаружения облаков и теней.

Каждое изображение из коллекции Cloud Score+ S2_HARMONIZED имеет идентификатор и свойство system:index такие же, как у исходного снимка Sentinel-2 L1C, и содержит два слоя (канала) оценки качества — cs и cs_cdf, которые оценивают пригодность отдельных пикселей в отношении видимости поверхности по непрерывной шкале от 0 до 1. Значения, стремящиеся к 1, считаются близкими к эталонным условиям прозрачной атмосферы и более пригодными для использования. Напротив, значения, близкие к 0, считаются частично или полностью закрытыми облачностью и тенями, а значит менее пригодными для работы.

Слой cs состоит из оценок качества пикселей на основе спектрального расстояния между наблюдаемым пикселем и (теоретически) чистым эталонным наблюдением, а слой cs_cdf дает вероятность того, что наблюдаемый пиксель является чистым, на основе оценки кумулятивного распределения оценок для данного места во времени.

Каждый из показателей имеет свои преимущества: cs более чувствителен к дымке и краям облаков, что полезно, если нужны только абсолютно чистые пиксели; cs_cdf менее чувствителен, что потенциально дает больше пикселей, пригодных для работы.

#GEE

Подробнее о CloudScore+

🖥Посмотреть и попробовать, как работают разные значения cs и cs_cdf можно в приложении Cloud Score+ Collection Explorer.
🖥Популярное изложение метода можно найти здесь.
📹Доклад разработчика метода, Valerie Pasquarella, на конференции Geo4Good'23: Cloud Score+: A Clear View for Geospatial Data (using weekly supervised video analysis). 1 ч. 13 мин.
📖Статья с описанием метода: Pasquarella V. J. et al. Comprehensive quality assessment of optical satellite imagery using weakly supervised video learning.

#GEE

Пример использования CloudScore+

Схема применения метода выглядит очень просто:

var s2 = ee.ImageCollection('COPERNICUS/S2_SR_HARMONIZED');
// Коллекция Cloud Score+.
var csPlus = ee.ImageCollection('GOOGLE/CLOUD_SCORE_PLUS/V1/S2_HARMONIZED');

// Используем один из каналов ('cs' или 'cs_cdf') по выбору.
var QA_BAND = 'cs';

// Порог для маскирования.
var CLEAR_THRESHOLD = 0.65;

var col = s2
    .filterBounds(AOI)
    .filterDate(START_DATE, END_DATE)
    .linkCollection(csPlus, [QA_BAND])
    .map(function(img) {
      return img.updateMask(img.select(QA_BAND).gte(CLEAR_THRESHOLD));
    });

var s2Viz = {bands: ['B4', 'B3', 'B2'], min: 0, max: 2500};
Map.addLayer(col.first(), s2Viz, 'After CloudScore+ mask');

Сперва нужно задать область интереса (AOI) и даты начала (START_DATE) и окончания периода наблюдений (END_DATE).

Самое интересное в коде — новая функция linkCollection:

s2.linkCollection(csPlus, [QA_BAND])

Она связывает снимки исходной коллекции s2 и новой csPlus. QA_BAND — список каналов, добавляемых к снимкам исходной коллекцию из csPlus.

Разработчики привели пример создания медианного композита.

Сравниваем CloudScore+ и лучшую из имевшихся ранее моделей — s2cloudless:

Код примера

#GEE

Тг-канал “Спутникс” опубликовал фотографию с технологической камеры космического аппарата “Зоркий-2М №2”.

Все запущенные 29 февраля спутники компании сейчас проходят различные проверки перед вводом в эксплуатацию.

#россия

Лесоразведение считается хорошим способом поглощения углекислого газа в атмосфере, способствующим снижению температуры. Однако влияние лесоразведения на климат оказалось сложнее, чем просто поглощение углерода. (Weber et al., 2024) оценили воздействие выращивания лесов на альбедо поверхности и состав атмосферы. Они обнаружили, что сочетание уменьшения отражения поверхности после посадки леса и увеличения аэрозольного рассеивания падающего солнечного света компенсирует около трети охлаждения климата, которое происходит за счет удаления углекислого газа, вызванного лесоразведением.

#лес #климат

Погода одного года — за 10 минут в визуализации от EUMETSAT.

Крупные штормы снабжены подписями, цвет которых — от светло-желтого до красного — зависит от интенсивности шторма.

▶️ YouTube

К 90-летию со дня рождения Ю.А. Гагарина Роскосмос опубликовал две замечательные подборки фотографий — тут и тут. Фотографии к юбилею опубликовал и канал “Летопись космической эры” — раз и два. Добавим и мы пару подборок фотографий Юрия Алексеевича.