Распределение по высоте компонентов атмосферы, влияющих на рассеяние и поглощение солнечного излучения в модели 6S.

Источник: Барталев С.А., Егоров В.А., Жарко В.О. и др. Спутниковое картографирование растительного покрова России. — М.: ИКИ РАН, 2016.

Атмосферная коррекция исправляет не только спектр отражения объектов, но и другие эффекты. Например, эффект границы (adjacency effect). Он состоит в наблюдаемом размытии границ ландшафта из-за попадания на датчик не только фотонов, отраженных от данного участка, но и фотонов, отраженных от соседних участков после дополнительного рассеяния в атмосфере.

Исправление эффекта границы в результате атмосферной коррекции: изображение с узким контрастным фрагментом до (слева) и после (справа) коррекции. Источник: Vermote E. et al. (1997). Atmospheric correction of visible to middle-infrared EOS-MOODIS data over land surfaces: Background, operational algorithm and validation.

Зачем нужны ночные снимки Земли

Наверняка многим знакомы спутниковые снимки ночной Земли, освещенной огнями городов. Они привлекают внимание своей необычностью, а при правильной подаче — помогают читателю сделать нужные публикаторам выводы (как этот снимок Корейского полуострова). Все это хорошо, но для чего на практике нужны ночные снимки? Или даже так: в каких задачах ночные снимки служат основным источником информации?

Ночные снимки доступны, начиная с 1992 года. В начале, съемка велась военными метеоспутниками. Сейчас основным источником ночных снимков является прибор VIIRS.
Пространственное разрешение ежедневных данных Day/Night Band составляет 742 м. Однако качество таких снимков нестабильное, и обычно их объединяют в месячные композиты. В GEE данные ночной съемки находятся здесь. Более подробный обзор источников ночных снимков есть в статье (там есть китайские спутники).

Применения ночной съемки разобраны в обзорных статьях 2022 и 2018 годов. Первая, вообще говоря, рассматривает только применения ночной съемки на платформе GEE, но, думается, это сужает ее представительность не слишком значительно.

Основных тем для применения ночной съемки выделяют три: картирование урбанизации, экологические применения и задачи социо-экономической динамики — по убыванию числа публикаций.

В картировании урбанизации данные ночной съемки играют вспомогательную роль, дополняя оптические данные (чаще всего, Landsat) или радарные данные. Влияние на точность классификации признаков, связанных с ночными снимками, в обзорных статьях не рассматривалось. Но вряд ли оно будет велико, учитывая низкое разрешение данных (742 метра против 30 или 10 метров). К тому же, в ярко освещенных городах данные ночной съемки страдают от эффекта насыщения, а в сельских и пригородных районах значения освещенности бывают занижены.

Задачи социо-экономической динамики — это войны, беженцы, ВВП и связь всего этого с освещенностью ночью. Темы более популярные, чем научные. Результаты иногда отдают трюизмом, например: ночное освещение, наблюдаемое со спутника, является хорошим индикатором гуманитарного кризиса в Сирии. В других случаях выводы крайне спорны: анализ гражданских войн в Йемене и Ираке, показал, что временные ряды снимков VIIRS способны отражать потребление электроэнергии во время войны (ссылки здесь). Освещенность не тождественна потреблению электроэнергии (как и в случае с двумя Кореями). В общем, данные показали большой потенциал для исследования…

Более вменяемые приложения ночной съемки есть в экологических задачах. Это: детектирования рыболовных судов в ночное время, детектирование вулканических извержений и оценка объемов сжигания попутного газа. В первых двух задачах ночные снимки снова будут на вторых ролях, если вообще пригодятся. Данные ночной съемки не дают ни высокого разрешения, ни оперативности. Детектировать извержения можно по тепловым снимкам геостационарных спутников (каждые 30 минут). Детектировать рыбную ловлю можно по радарным данным.

Интересней всего выглядит задача оценки объемов сжигания попутного газа по инфракрасным спектрам от газовых факелов. Тем более, что ночная съемка ведется прибором VIIRS, который в то же время получает данные в тепловом ИК и коротковолновых ИК (SWIR) каналах.

В общем, сфера применения ночных снимков пока не велика. Нужны данные с более высоким пространственным/радиометрическим/спектральным разрешением и более высокой повторяемостью съемки. Сейчас идет период накопления информации. Пока же, мы далеко не всегда понимаем, каким изменениям на земле соответствуют изменения освещенности на снимке.

Из забавной статистики. Около половины статей о региональном применении ночной съемки в GEE посвящено Китаю (31 из 60). У США — 5 из 60.

Чаще всего статьи про ночную съемку публикуются в MDPI Remote Sensing. Мы уже приводили сводку с подобными результатами для дистанционного зондирования вообще.

#GEE #dnb

Журналы, публикующие статьи про ночную съемку, по числу статей (2014—2022 годы).

Северное сияние, Финский залив. 27 февраля 2023.

В какой-то момент даже сугроб стал розовым.

Катя Стрельникова для АстроФотоБолота и Aurora Hunters.

Диоксид азота

Sentinel-5P (прибор TROPOMI) дает ежедневную информацию о концентрации диоксида азота (NO2) в столбе атмосферы, а также отдельно в тропосфере (нижнем слое атмосферы) и в стратосфере (верхнем слое).

Оксиды азота образуются при сжигании любого из ископаемых видов топлива, содержащих азотные соединения, и потому поступают в атмосферу от промышленных предприятий, электростанций, печей и котельных, автотранспорта, а также при производстве минеральных удобрений. Кроме того, оксиды азота образуются из не содержащих азот соединений — за счет окисления азота воздуха. “Естественным” путем, оксиды азота попадают в атмосферу в результате лесных пожаров и микробиологических процессов в почве. Обычно, суммарное количество всех оксидов азота приводят к диоксиду азота, то есть к NO2.

NO2 — бесцветный, не имеющий запаха ядовитый газ. Он является важной составляющей фотохимических процессов в атмосфере, связанных с образованием озона (взаимодействие молекулярного кислорода O2 и оксида азота NO с атомарным кислородом O приводит к образованию озона O3 и диоксида азота NO2).

При растворении в воде диоксид азота образует азотную и азотистую кислоты. Если растворение происходит в атмосфере, в каплях воды облаков, то следствием этого становятся кислотные дожди.

В высоких концентрациях диоксид азота вызывает болезни органов дыхания. Он хорошо растворяется в жире и может проникать в капилляры легких, где вызывает воспаление и астматические процессы.

Широко известно явление уменьшения концентрации NO2 в периоды простоя предприятий и сокращения транспортных потоков. Например, во время китайского нового года или в период пандемии COVID-19. При этом, насколько нам известно, детального анализа источников сокращения выбросов NO2 еще не проводилось.

Интересны применения NO2 в качестве одной из характеристик уровня урбанизации региона (сжигание ископаемого топлива). На рисунке ниже, по более высоким концентрациям NO2, четко выделяется юго-восточная более урбанизированная часть Китая (источник).

#атмосфера #GEE

GEE-15. Отображение карт в разделенном окне

Посмотрим на примере Франции, как изменилась концентрация диоксида азота (NO2) в период пандемии COVID-19 по сравнению с предшествующим периодом.

Порядок работы:

1. Импорт административных границ
2. Импорт концентрации NO2
3. Фильтрация и усреднение значений NO2
4. Добавление данных на карту
5. Отображение карт в разделенном окне

Большинство операций нам уже знакомы. Новым будет размещение двух карт в одном окне, с подвижным разделителем. Это полезно при сравнении состояний “до” и “после” события, да и просто красиво.

Код примера: https://code.earthengine.google.com/8aadb3c53b1c00bb92fe926008ef69cb

Импортируем границы Франции:

var countries = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017');
var country = countries.filter(ee.Filter.eq('country_na', 'France'));

Импортируем данные о концентрации диоксида азота в столбе атмосферы.

var no2 = ee.ImageCollection('COPERNICUS/S5P/OFFL/L3_NO2').select('NO2_column_number_density');

Выделим период с февраля по март, и рассчитаем для него средние концентрации NO2 в 2019 и 2020 годах. Для наглядности, умножим концентрацию NO2 на 1e6, чтобы перевести ее из моль/м2 в микромоль/м2. С помощью функции clip(), обрежем карту по границам страны. Карту средней концентрации NO2 до эпидемии назовем pre, в ходе эпидемии — post:

var filterMonth = ee.Filter.calendarRange(2, 5, 'month');
var no2 = no2.filter(filterMonth);

var filter19 = ee.Filter.calendarRange(2019, 2019, 'year');
var filter20 = ee.Filter.calendarRange(2020, 2020, 'year');

var pre  = no2.filter(filter19).mean().multiply(1e6).clip(country);
var post = no2.filter(filter20).mean().multiply(1e6).clip(country);

Вместо того, чтобы просто добавить на карту слои “до” и “после”, поступим по-другому. Добавим на карту только слой "до", а для слоя “после” создадим новую карту и добавим его туда;

Map.addLayer(pre, vizParams, 'NO2 Pre');

var Map2 = ui.Map();
Map2.addLayer(post, vizParams, 'NO2 Post');

Свяжем между собой карты Map и Map2:

var linker = ui.Map.Linker([ui.root.widgets().get(0), Map2]);

Теперь создадим виджет SplitPanel, который будет содержать связанные карты:

var splitPanel = ui.SplitPanel({
  firstPanel: linker.get(0),
  secondPanel: linker.get(1),
  orientation: 'horizontal',
  wipe: true
});

Карты располагаются горизонтально. Первая — в первой (левой) панели, вторая — в правой. Значение параметра wipe = true указывает, что перетаскиванием разделителя можно задать, какая часть каждой панели будет показана.

Установим виджет SplitPanel в качестве корневого (раньше им была карта Map):

ui.root.widgets().reset([splitPanel]);

Вычислим координаты центра карты Map (то есть Франции с учетом Корсики) и центрируем виджет SplitPanel по этим координатам:

var lon = Map.getCenter().coordinates().get(0).getInfo();
var lat = Map.getCenter().coordinates().get(1).getInfo();

linker.get(0).setCenter(lon, lat, 6);

Чтобы убедится, что то, что мы наблюдаем в 2020 году — не обычные колебания концентрации, посмотрите на данные того же периода за 2021 и 2022 годы.

#GEE #атмосфера

Прибор OMI измеряет концентрацию диоксида азота

Кроме TROPOMI, концентрацию диоксида азота в атмосфере измеряет прибор OMI (Ozone Monitoring Instrument) на спутнике Aura. Этими данными пользоваться не так удобно, зато они собираются с 2005 года.

Данные Aura/OMI находятся в Earthdata. Посмотреть их можно в Worldview, в Giovanni (требуется регистрация в Earthdata) и на Global Nitrogen Dioxide Monitoring Home Page. На последней есть временные ряды наблюдений за концентрацией диоксида азота для крупнейших городов мира.

#атмосфера

Концентрация NO2 в Стамбуле по данным OMI (2020-2023 годы).

Завершаем цикл рассказов о диоксиде азота)

Диоксид азота и мониторинг пожаров

Данные о концентрации диоксида азота NO2 применяются в мониторинге пожаров. Нередко, уточнить источник происхождения диоксида азота, помогают дополнительные данные, такие как концентрация CO и формальдегида.

Повышенный уровень NO2 (на рисунке слева) наблюдается в районе лесных пожаров, в округах Вентура и Санта-Барбара (Калифорния), а также в Лос-Анджелесе. В районе пожаров одновременно наблюдается высокая концентрация CO (рисунок справа) — гораздо выше, чем в Лос-Анджелесе. Дело в том, что в Лос-Анджелесе основным источником NO2 являются выхлопные газы автомобилей, а они дают значительно меньшие концентрации CO, чем пожары.

Рисунки взяты из: TROPOMI finds source of pollutants, 07 Jan 2019

#атмосфера

Глобальные цифровые модели рельефа

Цифровая модель рельефа (ЦМР) — это трехмерное компьютерное представление данных о рельефе местности. Обычно ЦМР существует в виде растра — сетки квадратов, в каждом из которых задана высота. Проще говоря, ЦМР — это карта высот.

ЦМР содержит высоту поверхности планеты. В отличие от ЦМР, цифровая модель поверхности (ЦМП) дает высоту поверхности с добавлением высот расположенных на ней искусственных объектов и растительности.

Одни из наиболее точных ЦМР строятся при помощи лидарной съемки. Однако такие ЦМР охватывают сравнительно небольшие участки поверхности (около 1% земной суши). Глобальные ЦМР строятся при помощи спутниковой съемки.

Ключевые данные для построения глобальной ЦМР были получены Shuttle Radar Topography Mission (SRTM) — полета шаттла “Индевор” в феврале 2000 года, в ходе которого высоту поверхности планеты измеряли методом радарной интерферометрии. В результате была построена первая глобальная ЦМР, охватывающая 80% площади земной суши: от 56° ю.ш. до 60° с.ш.

Первая версия ЦМР SRTM содержала много ошибок и пробелов, к тому же за ее пределами находились крайние север и юг планеты. Но огромный плюс этих данных был в том, что они распространялись свободно. В 2009 году появилась новая глобальная ЦМР — ASTER Global Digital Elevation Model (GDEM). Она построена на основе стереосъемки, выполненной прибором ASTER со спутника Terra и охватывает всю поверхность планеты. У новой ЦМР были свои проблемы, но теперь появилась возможность сравнивать.

Третья версия SRTM (SRTM Plus), в которой пробелы были заполнены данными ASTER GDEM и USGS GMTED2010, появилась в 2014 году и имела пространственное разрешение 30 м. Ее легко найти в сети, например на GEE (NASA SRTM Digital Elevation 30m).

В 2020 году появилась Copernicus DEM, GLO-30. Она имеет разрешение 30 м и основана на более свежих и точных наблюдениях — данных TanDEM-X 2011–2015 годов. На GEE данные находятся здесь.

Однако, несмотря на то, что в названиях моделей присутствует DEM (Digital Elevation model, то есть ЦМР), фактически все они остаются цифровыми моделями поверхности, то есть включают высоту зданий, леса и других объектов на поверхности Земли. Это затрудняет гидрологическое моделирование. Например, трудно оценить площадь, которую может затопить наводнение, если считать лес поверхностью, которая ограничивает распространение воды (а это происходит при использовании ЦМП вместо ЦМР). Трудно и оценить высоту леса над поверхностью, не зная высоты этой самой поверхности.

Одной из первых попыток удалить “ненужное” стала MERIT (Multi-Error-Removed Improved-Terrain) DEM. Она имеет разрешение 90 м.

Самой свежей по времени попыткой создания “истинной” глобальной ЦМР является FABDEM (Forest And Buildings removed Copernicus DEM). Она основана на Copernicus DEM, леса и здания с которой удалены при помощи машинного обучения. Обучалась модель на лидарных ЦМР из 12 стран мира. Процесс создания FABDEM описан в работе*. Пространственное разрешение FABDEM — 30 метров. Найти ее можно здесь.

*В статье приведены сравнения FABDEM c другими картами, демонстрирующие преимущества FABDEM. К сожалению, там нет разностных карт, по которым можно было бы оценить ошибку FABDEM относительно лидарных эталонов. Впрочем, это можно сделать самому (темка для статьи!). Лидарные данные есть в свободном доступе, например на OpenTopography.

Все ЦМР (ЦМП) на одной карте: https://code.earthengine.google.com/936241de27a9f0538f53195764c907c6

#DEM #данные #GEE