Оценка национальных бюджетов углекислого газа (2015–2020 гг.) с помощью спутниковых данных и обратного моделирования

В марте вышла большая статья с десятками авторов, посвященная оценке годовых потоков углекислого газа (CO2) от поверхности в атмосферу и годовых изменений запасов углерода на суше:

Byrne, B. et al. National CO2 budgets (2015–2020) inferred from atmospheric CO2 observations in support of the global stocktake, Earth Syst. Sci. Data, 15, 963–1004, https://doi.org/10.5194/essd-15-963-2023, 2023.

В статье впервые, насколько нам известно, при оценке потоков и запасов углерода отталкивались от спутниковых данных о концентрации CO2, а именно от данных аппарата Orbiting Carbon Observatory 2 (OCO-2).

Обычно, бюджет выбросов и поглощения углекислого газа оценивается, преимущественно, по наземным данным. Оценки выбросов CO2 основываются на данных о хозяйственной деятельности и соответствующих коэффициентах выбросов, а оценки поглощения CO2 — на учете изменений запасов углерода, в соответствии с методами, изложенными в Руководящих принципах национальных инвентаризаций парниковых газов от Межправительственной группы экспертов по изменению климата (МГЭИК). Конечно, для оценки изменений запасов углерода данные ДЗЗ давно и широко используются. Например, создаются карты лесов (пород, бонитетов, …), оцениваются площади нарушений состояния леса (вырубки, пожары) и многое другое. Тем не менее, ключевыми являются модели оценки запасов углерода, построенные под данным наземных наблюдений, а данные ДЗЗ играют важную, но все же вспомогательную роль. Такой подход к оценке потоков углерода называется оценкой "снизу вверх" (“bottom-up”).

Оценки “снизу вверх” могут иметь значительную неопределенность, если процессы выбросов трудно поддаются количественной оценке (например, для сельского хозяйства или отходов) или если данные о хозяйственной деятельности неточны/отсутствуют. Некоторые авторы оценивают неопределенность чистого потока CO2, связанного с изменениями землепользования и состояния леса, примерно в 35% для стран Приложения I (это страны, подписавшие Рамочную конвенцию ООН об изменении климата, и принявшие на себя особые обязательства по ограничению выбросов — 43 страны, а также Европейский Союз) и 50% — для стран, не входящих в Приложение I (это, в частности, Китай, Индия, Бразилия).

Кроме того, оценки, построенные по руководящим принципам МГЭИК, не учитывают выбросы и поглощение углерода из неуправляемых систем. Напрямую, такие потоки в Парижском соглашении не рассматриваются, но на глобальный углеродный бюджет и темпы роста атмосферного CO2 они влияют.

Теперь усилия по инвентаризации потоков углерода дополнены оценкой "сверху вниз". Она строится на основе спутниковых данных о концентрации CO2 в столбе атмосферы и моделей переноса химических веществ в атмосфере. С помощью последних решается обратная задача, и находятся потоки углекислого газа от поверхности в атмосферу.

Учитываются не только вертикальные, но и горизонтальные (боковые) потоки — внутри земной биосферы или между сушей и океаном. Одним из примеров бокового потока является дает сельское хозяйство, когда углерод поглощается из атмосферы в результате фотосинтеза в одном регионе, а затем экспортируется в виде сельскохозяйственной продукции в другой регион. Аналогично, углерод, поглощенный в результате фотосинтеза в лесу, может вымываться ручьями и реками, а затем переносится в океан. Эти боковые потоки углерода не поддаются прямому определению при измерениях атмосферного CO2, но учет их влияния необходим, чтобы преобразовать чистые потоки углерода на суше в изменения запасов.

Понятно, что это первая попытка такого рода оценки, и от нее не стоит ждать повышенной точности. Авторы это понимают и делают оговорки в тексте, вроде: This is a pilot project designed to start a dialogue between the top-down research community, inventory compilers and the GHG assessment community… Тем не менее, первые оценки получены, и их можно скачать и использовать.

По итогам исследований подготовлены два продукта:

1. годовые чистые потоки CO2 от поверхности к атмосфере;
2. годовые изменения в запасах углерода суши.

Оба продукта предоставляются ежегодно за 6-летний период (2015–2020 гг.) на глобальной сетке 1° × 1°, а также виде суммарных данных на уровне стран, с характеристикой ошибок. Они доступны для загрузки на веб-сайте Committee on Earth Observation Satellites (CEOS): https://doi.org/10.48588/npf6-sw92

#климат

По углеродному циклу Земли есть отличные лекции И.А. Репиной, прочитанные в ИКИ РАН в рамках Школы-конференции молодых ученых: Вклад водных объектов в глобальный углеродный цикл (2021 год) и Дистанционные и прямые методы исследования баланса парниковых газов наземных экосистем (2022 год). По ссылкам есть тезисы, презентации и видео докладов.

#обучение

Исторические снимки с воздушного шара

Первую известную аэрофотосъемку осуществил в 1858 году французский фотограф и воздухоплаватель Надар (Гаспар-Феликс Турнашон). Историки спорят относительно точной даты съемки, а сам снимок не сохранился. Однако известно, что это был вид французской деревни Пти-Бекетр, снятый с привязного воздушного шара на высоте 80 метров над землей.

Самым старым из известных аэрофотоснимков считается снимок Бостона с воздушного шара, сделанный Джеймсом Уоллесом Блэком 13 октября 1860 года.

#история

Идея делать изображения с борта воздушного шара была, разумеется, не нова — ей активно пользовались художники. Так, на литографии 1846 года изображены Эпсомские скачки, “снятые” с борта воздушного шара. Однако сделать настоящий фотоснимок было гораздо сложнее. Тогдашний способ получения снимков — мокрый коллодиевый процесс — требовал проявлять фотопластину сразу же после экспозиции. Таким образом, в корзине воздушного шара нужно было размещать целую фотолабораторию.

Российская орбитальная группировка ДЗЗ: состояние и перспективы

Состояние и перспективы развития российской орбитальной группировки ДЗЗ можно узнать из доклада В.А. Мироничева на совещании по космической съемке. Доклад занимает всего 17 минут. Проще послушать его, чем фантазировать на тему.

Прилагаем суррогат презентации, сделанный по видео доклада.

#россия

GEE-23. Добавление текста на снимок

Добавление текстовых пометок на снимок позволяет, например, вставить дату снимка в кадры анимации. Возможность полезная, но в официальном функционале GEE ее нет. К счастью, есть сообщество пользователей и пакет text , который разработал Геннадий Дончиц.

Код примера: https://code.earthengine.google.com/7b01a862cf156c5d523b9d30392653b6

Сначала мы импортируем снимок image и выберем из него нужные каналы (RGB). Затем настроим параметры визуализации снимка visRGB. До этого момента все идет как обычно.

Теперь приступим к добавлению текста. Импортируем пакет text:

var text = require('users/gena/packages:text');

Настроим отображение текстовой метки:

var annotations = [{
  position: 'left', 
  offset: '1%', 
  margin: '1%', 
  textColor: '#00FF00', 
  property: 'label', 
  scale: Map.getScale() * 2
}];

property задает имя свойства снимка, значение которого (строка) будет отображаться в виде текстовой метки. В нашем случае свойство называется 'label' и храниться в нем будет дата съемки.

position, offset и margin управляют расположением метки на снимке. textColor — цвет текста. scale управляет размером текста.

С документацией у пакета не очень. Но на гите у Геннадия можно найти один из старых вариантов пакета, и там посмотреть, какие еще есть параметры настройки аннотации.

Внедрением аннотации в снимок занимается функция annotateImage из пакета text:

annotateImage(image, vis, polygon, annotations)

Снимок image должен содержать текстовое свойство, указанное в annotations, vis — параметры отображения снимка на карте; polygon — границы отображаемого фрагмента снимка (по ним будет устанавливаться расположение метки); annotations — параметры аннотации.

Обрабатываем снимок, внедряя в него аннотацию.

function setText(image){
  var date = image.date().format("YYYY-MM-dd");
  return text.annotateImage(image.set('label',date), visRGB, bbox, annotations);
}

image = setText(image);

И отображаем его на карте:

Map.addLayer(image.clip(bbox), {}, 'True Color (432)');

Настраивать отображение снимка больше не нужно, так мы сделали это при добавлении аннотации.

Если нужно добавить дату к каждому снимку коллекции (например, чтобы сделать на основе коллекции анимацию), используем map и setText.

#GEE

Снимок окрестностей Гомеля с добавленной датой съемки (Sentinel-2, естественные цвета).

Код примера: https://code.earthengine.google.com/4c686e821ea971ebfc385abd3146f4dc

Здесь применен другой способ настройки отображения снимка — при помощи функции visualize().

Новость от компании “Геоскан”. "Геоскан" планирует летом 2023 года запустить с космодрома Восточный школьный спутник "СтратоСат-ТК1" и с его помощью отработать способ доставки на орбиту пикоспутников (аппаратов с массой от 200 граммов). Полезной нагрузкой "СтратоСат-ТК1" будет контейнер с несколькими школьными пикоспутниками.

По словам руководителя проектов малых космических аппаратов "Геоскана" Александра Хохлова, ”в 2023 году компания планирует запуски четырех малых космических аппаратов. Помимо "СтратоСата-ТК1" зимой 2023-2024 года на орбиту будет отправлен спутник "Горизонт" для Балтийского государственного технического университета "Военмех". С его помощью планируется исследовать устойчивость микросхем к радиации и изменения характеристик солнечных панелей под воздействием космического пространства.
Кроме того, сейчас компания создает аппарат TUSUR-GO для Томского государственного университета систем управления и радиоэлектроники. На спутнике будут установлены устройства для отработки межспутниковой связи в паре со вторым наноспутником RTU MIREA1 для московского РТУ МИРЭА”. Из текста непонятно, будут ли в 2023 году спутники запущены или только изготовлены.

Про наноспутники “Геоскана”: https://geoscan.space/ru

Copernicus Emergency Management Service

Служба управления чрезвычайными ситуациями (Emergency Management Service, EMS) Copernicus* снабжает информацией для ликвидации последствий чрезвычайных ситуаций (ЧС) природного и техногенного характера. Copernicus EMS состоит из Картографической службы (Rapid Mapping) и Системы раннего предупреждения (Early Warning). Последняя пока работает только для наводнений.

Rapid Mapping выдает список последних по времени ЧС, и отображает их на карте. Для каждой ЧС создается учетная карточка с описанием ситуации и картой ее распространения. Вот как это выглядит для циклона Freddy.

Теоретически, EMS работает по всему миру. Фактически, лучше всего обновляется информация по ЧС в странах Европы. Для остальных регионов могут быть задержки до нескольких суток. Рассматриваются не все страны, в частности, нет ряда стран бывшего СССР.

*"Коперник" (Copernicus) — это программа Европейского Союза по наблюдению и мониторингу Земли. В рамках программы проводятся спутниковые и другие наблюдения, данные которых нередко предоставляются бесплатно.

#ЧС

Тренды в причинах пожаров на территории США (2001–2010 гг.)

Исследование 2014 года с применением данных MODIS Active Fire Detection показало, что в 2001–2010 годах выжигание стерни на пахотных землях и контролируемые выжигания леса ответственны за 77% всех обнаруженных очагов возгораний в США, и чаще всего встречались на юге и юго-востоке страны.

В тот же время на западе США количество очагов возгораний на пахотных землях сокращалось на 5.9% в год. По мысли авторов, происходило это в ответ на принятие более жестких законов по охране атмосферного воздуха. Однако и на западе на долю пожаров на пахотных землях и контролируемых выжиганий леса приходилось 45% всех возгораний. Заметим, что число обычных лесных пожаров на Тихоокеанском побережье в то время сокращалось. Любопытно было бы выполнить подобные исследования сейчас.

К слову, вот как выглядят объявления о предстоящих контролируемых выжиганиях в штате Алабама.

#пожары #modis

GEE-24. Ежедневная мозаика снимков

Ежедневная мозаика (или какая-либо другая регулярная мозаика) — очень полезный инструмент для решения задач, в которых район интереса (ROI) не покрывается одним снимком. Допустим, нужно построить временной ряд среднего NDVI по заданному ROI. Когда площадь ROI покрывается одним снимком, все просто — каждый снимок дает точку временного ряда. Но если ROI больше площади снимка, то покрывающие его снимки скорее всего будут сделаны в разные даты. Тогда эти снимки нужно объединить в мозаику, и приписать ей одну дату. Если создавать такие мозаики через фиксированные интервалы времени, то получим нужный нам временной ряд. Техникой создания подобных мозаик мы сейчас и займемся.

Чтобы составить ежедневную мозаику снимков нужно:

1. задать период наблюдения: start и finish;
2. составить список смещений dayOffsets: сколько дней прошло с момента старта;
3. для элемента списка отфильтровать коллекцию от этой даты до следующей (через сутки) и создать из нее композит.

Кроме того, мы добавим в каждый композит свойство empty, чтобы можно было удалить даты без изображений (если в результате создания композита получится пустой снимок, то он будет удален из коллекции).

Все это реализовано в следующем коде:

var start = ee.Date('2022-04-01');
var finish = ee.Date('2022-05-01');

 // Число суток в периоде наблюдений.
var nDays = finish.difference(start, 'days');
// Смещение на число суток относительно момента старта.
var dayOffsets = ee.List.sequence(0, nDays.subtract(1));

var allImagesInRange = ee.ImageCollection(dayOffsets
  .map(function (dayOffset) {
    var dayStart = start.advance(dayOffset, 'days');
    var dayFinish = dayStart.advance(1, 'days');
    var composite = ee.ImageCollection('COPERNICUS/S3/OLCI')
      .filterDate(dayStart, dayFinish)
      .filterBounds(ROI)
      .select(['Oa17_radiance', 'Oa08_radiance'])
      .median();
    return composite
      .set('empty', composite.bandNames().size().eq(0))
      .set('system:time_start', dayStart.millis());
  }))
  .filterMetadata('empty', 'equals', 0);

print(allImagesInRange);

Исходная коллекция снимков, в принципе, может быть любой. Здесь мы впервые используем данные Sentinel-3 OLCI.

Sentinel-3 можно назвать европейским аналогом MODIS (точнее, это наследник европейского аппарата Medium Resolution Imaging Spectrometer (MERIS), работавшего на орбите до 2012 года). Пространственное разрешение данных OLCI составляет 300 метров — как раз для исследований на уровнях от регионального до глобального. Вычислим с помощью этих данных NDVI сразу для всей Португалии.

Описание каналов Sentinel-3 OLCI не слишком полезно для вычисления NDVI. Поэтому выберем нужные каналы по их длине волны, сравнивая ее с аналогичными каналами Sentinel-2. Красным каналом станет канал 'Oa08_radiance' (длина волны 665 нм / ширина канала 10 нм), каналом NIR — 'Oa17_radiance' (865 нм / 20 нм):

function ndviS3(image) {
  return image.select(['Oa17_radiance', 'Oa08_radiance'])
  .divide(ee.Image([0.00493004, 0.00876539]))
  .normalizedDifference(['Oa17_radiance', 'Oa08_radiance']);
}

Здесь есть важный момент. В описании каналов стоит атрибут Scale. Обычно это множитель, на который нужно умножить значения пикселей соответствующего канала. Но в описании Sentinel-3 OLCI, по-видимому, содержится ошибка: здесь значение канала требуется не умножить, а разделить на Scale. Поэтому в коде стоит divide вместо ожидаемого multiply.

Отметим, что каналы S3 довольно узкие, по сравнению с S2. Например, ширина красного канала S3 — 10 нм, против примерно 30 нм у аналогичного канала S2.

Код: https://code.earthengine.google.com/234d45c2e836022f4e1f1fd92a24852e

#GEE