Стартап Nuview планирует создание коммерческой спутниковой группировки для лидарной съемки Земли
Новая компания Nuview заявила о планах по созданию первой коммерческой группировки спутников для лидарной съемки земной поверхности.
Лидар (LiDAR — от Light Detection and Ranging) измеряет расстояния при помощи лазерного импульса, формируя трехмерную модель наблюдаемой поверхности. Сейчас только 5% суши покрыто измерениями лидаров самолетного базирования. Космических лидаров всего два — ICESat-2 и GEDI. Последний размещен на борту МКС и, возможно, завершит работу уже в этом году. Снимки нынешних космических лидаров имеют низкое пространственное разрешение и, по сути, являются двухмерными.
Nuview планирует создать группировку из 20 спутников. Запуск первых спутников ориентировочно состоится через 24–36 месяцев. Компания планирует запускать спутники группами по пять штук.
Nuview собирается полностью покрыть поверхность Земли трехмерными данными лидарной съемки и обновлять эту карту ежегодно. Компания заявила, что у нее есть контракты с заказчиками на сумму 1,2 млрд долларов.
Трудно сказать, что-там будет с космическими лидарами, но в рекламу Nuview умеет: Via Satellite, Payload, TechCrunch опубликовали новость о ней почти синхронно. Компании предстоит изрядно расширится, чтобы достигнуть своих целей — сейчас в штате всего 21 сотрудник.
#лидар
Новая компания Nuview заявила о планах по созданию первой коммерческой группировки спутников для лидарной съемки земной поверхности.
Лидар (LiDAR — от Light Detection and Ranging) измеряет расстояния при помощи лазерного импульса, формируя трехмерную модель наблюдаемой поверхности. Сейчас только 5% суши покрыто измерениями лидаров самолетного базирования. Космических лидаров всего два — ICESat-2 и GEDI. Последний размещен на борту МКС и, возможно, завершит работу уже в этом году. Снимки нынешних космических лидаров имеют низкое пространственное разрешение и, по сути, являются двухмерными.
Nuview планирует создать группировку из 20 спутников. Запуск первых спутников ориентировочно состоится через 24–36 месяцев. Компания планирует запускать спутники группами по пять штук.
Nuview собирается полностью покрыть поверхность Земли трехмерными данными лидарной съемки и обновлять эту карту ежегодно. Компания заявила, что у нее есть контракты с заказчиками на сумму 1,2 млрд долларов.
Трудно сказать, что-там будет с космическими лидарами, но в рекламу Nuview умеет: Via Satellite, Payload, TechCrunch опубликовали новость о ней почти синхронно. Компании предстоит изрядно расширится, чтобы достигнуть своих целей — сейчас в штате всего 21 сотрудник.
#лидар
EO College
EO College (сайт, YouTube) — это онлайн-платформа для обучения всему, что связано с наблюдением Земли, дистанционным зондированием и обработкой изображений. Разработана Университетом Фридриха Шиллера в Йене (Германия).
Обучение разбито на курсы. Сейчас основные курсы: Towards Zero Hunger, Land in Focus, Hyperspectral Remote Sensing, Radar Remote Sensing. Каждый курс разбит на тематические модули, по несколько занятий. Записываться можно на отдельные модули. В конце курса желающие могут получить сертификат.
Занятия построены традиционно для онлайн-обучения: есть теоретический материал (текст с иллюстрациями и видео), который надо изучить, и тесты, которые нужно пройти.
Важно, что все лекции очень качественные и емкие. Материал рассчитан на обучение с нуля, но возможность выбирать модули позволяет сразу перейти на нужный вам уровень изложения. Есть материалы, посвященные физике получения изображения, что особенно полезно при изучении радарной съемки. Показана обработка данных различными инструментами: GEE, SNAP и другими.
В разделе Resources объединены обучающие материалы не только EO College, но и NASA ARSET и даже SAR EDU —предшественника EO College, с отличными лекциями по обработке радарных данных 2015–2017 годов.
#обучение
EO College (сайт, YouTube) — это онлайн-платформа для обучения всему, что связано с наблюдением Земли, дистанционным зондированием и обработкой изображений. Разработана Университетом Фридриха Шиллера в Йене (Германия).
Обучение разбито на курсы. Сейчас основные курсы: Towards Zero Hunger, Land in Focus, Hyperspectral Remote Sensing, Radar Remote Sensing. Каждый курс разбит на тематические модули, по несколько занятий. Записываться можно на отдельные модули. В конце курса желающие могут получить сертификат.
Занятия построены традиционно для онлайн-обучения: есть теоретический материал (текст с иллюстрациями и видео), который надо изучить, и тесты, которые нужно пройти.
Важно, что все лекции очень качественные и емкие. Материал рассчитан на обучение с нуля, но возможность выбирать модули позволяет сразу перейти на нужный вам уровень изложения. Есть материалы, посвященные физике получения изображения, что особенно полезно при изучении радарной съемки. Показана обработка данных различными инструментами: GEE, SNAP и другими.
В разделе Resources объединены обучающие материалы не только EO College, но и NASA ARSET и даже SAR EDU —предшественника EO College, с отличными лекциями по обработке радарных данных 2015–2017 годов.
#обучение
Картирование вечнозеленых лесов с пространственным разрешением 10 метров
В работе Li et al. Mapping evergreen forests using new phenology index, time series Sentinel-1/2 and Google Earth Engine (2023) построены карты вечнозеленых лесов тестового района Китая с пространственным разрешением 10 метров.
1) Составлена карта типов земного покрова, чтобы получить из нее маску леса.
2) Для леса был рассчитан новый фенологический индекс: NDVI_max –NDVI_winter_max (NDVI_max — максимальный годовой NDVI, NDVI_winter_max — максимальный NDVI в зимний период), чтобы отделить вечнозеленые леса от листопадных.
3) При помощи нового индекса из карты (маски) леса были выделены вечнозеленые леса. Вся обработка данных Sentinel-1/2 и построение карт выполнена в GEE.
Показатели точности обеих карт очень хорошие. Правда, дело происходит в Китае, так что влияние снега, скорее всего, было незначительным.
#лес #GEE
В работе Li et al. Mapping evergreen forests using new phenology index, time series Sentinel-1/2 and Google Earth Engine (2023) построены карты вечнозеленых лесов тестового района Китая с пространственным разрешением 10 метров.
1) Составлена карта типов земного покрова, чтобы получить из нее маску леса.
2) Для леса был рассчитан новый фенологический индекс: NDVI_max –NDVI_winter_max (NDVI_max — максимальный годовой NDVI, NDVI_winter_max — максимальный NDVI в зимний период), чтобы отделить вечнозеленые леса от листопадных.
3) При помощи нового индекса из карты (маски) леса были выделены вечнозеленые леса. Вся обработка данных Sentinel-1/2 и построение карт выполнена в GEE.
Показатели точности обеих карт очень хорошие. Правда, дело происходит в Китае, так что влияние снега, скорее всего, было незначительным.
#лес #GEE
Оценка пройденной огнем площади по данным Sentinel-2
Воздействие огня приводит к гибели или к изменению физиологических характеристик растений, что, в частности, выражается в снижении содержания влаги и концентрации хлорофилла. Спектральная отражательная способность поврежденных участков сильнее всего изменяется в ближнем ИК-диапазоне (NIR) и в среднем ИК-диапазоне (SWIR). На этих особенностях отражения основан вегетационный индекс Normalized Burn Ratio (NBR), который служит для выделения поврежденных огнем участков растительности.
Для Sentinel-2 NBR рассчитывается по формуле:
NBR = (NIR - SWIR2)/(NIR + SWIR2) = (B8 - B12)/(B8 - B12).
Высокие положительные значения NBR (NIR > SWIR2) указывают на здоровую растительность, отрицательные (NIR < SWIR2) — на голую землю и недавно выгоревшие участки.
Оценка повреждений растительности (burn severity) выполняется по ∆NBR (или dNBR) — разности между NBR до и после пожара
dNBR = PrefireNBR - PostfireNBR.
Более высокие значения dNBR указывают на более серьезные повреждения, тогда как участки с отрицательными значениями dNBR могут свидетельствовать о восстановлении растительности после пожара. Шкалу для оценки burn severity можно взять здесь.
Вместо канала B8, при расчете NBR по данным Sentinel-2 можно использовать более узкий канал B8A.
Источник рисунка.
Воздействие огня приводит к гибели или к изменению физиологических характеристик растений, что, в частности, выражается в снижении содержания влаги и концентрации хлорофилла. Спектральная отражательная способность поврежденных участков сильнее всего изменяется в ближнем ИК-диапазоне (NIR) и в среднем ИК-диапазоне (SWIR). На этих особенностях отражения основан вегетационный индекс Normalized Burn Ratio (NBR), который служит для выделения поврежденных огнем участков растительности.
Для Sentinel-2 NBR рассчитывается по формуле:
NBR = (NIR - SWIR2)/(NIR + SWIR2) = (B8 - B12)/(B8 - B12).
Высокие положительные значения NBR (NIR > SWIR2) указывают на здоровую растительность, отрицательные (NIR < SWIR2) — на голую землю и недавно выгоревшие участки.
Оценка повреждений растительности (burn severity) выполняется по ∆NBR (или dNBR) — разности между NBR до и после пожара
dNBR = PrefireNBR - PostfireNBR.
Более высокие значения dNBR указывают на более серьезные повреждения, тогда как участки с отрицательными значениями dNBR могут свидетельствовать о восстановлении растительности после пожара. Шкалу для оценки burn severity можно взять здесь.
Вместо канала B8, при расчете NBR по данным Sentinel-2 можно использовать более узкий канал B8A.
Источник рисунка.
В качестве примера рассмотрим последствия лесного пожара, случившегося в первой половине августа 2022 года в окрестностях города Covilhã (Португалия).
Код: https://code.earthengine.google.com/b0675461d8d710d8ffec1768715c6075
Чем ярче красный цвет, тем сильнее поражение растительности от пожара. Синим цветом выделены водоемы, которые по значением dNBR попали в число поврежденных участков. Значит, при оценке площади повреждений, необходимо предварительно исключить поверхностные водоемы. Вы можете сделать это самостоятельно — для этого в коде прилагается классификация ESA Worldcover.
Итак, при оценке пройденной пожаром площади нужно предварительно удалить со снимка: 1) облачность/тени; 2) водные объекты.
#GEE #пожары
Код: https://code.earthengine.google.com/b0675461d8d710d8ffec1768715c6075
Чем ярче красный цвет, тем сильнее поражение растительности от пожара. Синим цветом выделены водоемы, которые по значением dNBR попали в число поврежденных участков. Значит, при оценке площади повреждений, необходимо предварительно исключить поверхностные водоемы. Вы можете сделать это самостоятельно — для этого в коде прилагается классификация ESA Worldcover.
Итак, при оценке пройденной пожаром площади нужно предварительно удалить со снимка: 1) облачность/тени; 2) водные объекты.
#GEE #пожары
Оценка пройденной огнем площади по данным Dynamic World
Dynamic World — это динамическая карта типов земной поверхности. Она построена на данных Sentinel-2 L1C, имеет пространственное разрешение 10 метров, периодичность обновления около 5 суток и временное покрытие — начиная с июня 2015 года.
Как статическая карта типов земной поверхности Dynamic World (DW) далека от совершенства. Основное ее преимущество — динамика. Как правило, такие карты создаются не чаще раза в год, а здесь — каждые 5 суток. Воспользуемся этой особенностью DW.
Предположим, что мы наблюдаем лесной пожар. После него участок, занятый лесом (класс Trees на карте DW), может перейти в другой класс: стать открытой землей (Bare ground) или “понизиться” до кустарников (Shrub & Scrub). Исходный лес можно выделить с помощью более качественной маски, например, ESA Worldcover, а затем следить за изменением его состояния при помощи DW. Динамическая карта позволит убедиться в устойчивости смены класса, если последняя наблюдается на протяжении нескольких подряд идущих дат.
Снова обратимся к пожару возле города Covilhã (Португалия). Построим RGB-композиты до и после пожара, используя в качестве красного цвета класс Trees, зеленым будет Shrub & Scrub, а синим — Bare ground.
На снимке до пожара (1), сделанном 02.08.2022, много красного цвета, представляющего леса. После пожара (2) 22.08.2022 часть леса “переквалифицировалась” в кустарники (зеленый цвет) и открытую землю (синий цвет), что говорит о силе пожара.
Код: https://code.earthengine.google.com/642b1946beffb45595facb61f881b60c
Область наблюдения можно ограничить только лесом. В коде для этого есть маска ESA Worldcover.
#GEE #пожары
Dynamic World — это динамическая карта типов земной поверхности. Она построена на данных Sentinel-2 L1C, имеет пространственное разрешение 10 метров, периодичность обновления около 5 суток и временное покрытие — начиная с июня 2015 года.
Как статическая карта типов земной поверхности Dynamic World (DW) далека от совершенства. Основное ее преимущество — динамика. Как правило, такие карты создаются не чаще раза в год, а здесь — каждые 5 суток. Воспользуемся этой особенностью DW.
Предположим, что мы наблюдаем лесной пожар. После него участок, занятый лесом (класс Trees на карте DW), может перейти в другой класс: стать открытой землей (Bare ground) или “понизиться” до кустарников (Shrub & Scrub). Исходный лес можно выделить с помощью более качественной маски, например, ESA Worldcover, а затем следить за изменением его состояния при помощи DW. Динамическая карта позволит убедиться в устойчивости смены класса, если последняя наблюдается на протяжении нескольких подряд идущих дат.
Снова обратимся к пожару возле города Covilhã (Португалия). Построим RGB-композиты до и после пожара, используя в качестве красного цвета класс Trees, зеленым будет Shrub & Scrub, а синим — Bare ground.
На снимке до пожара (1), сделанном 02.08.2022, много красного цвета, представляющего леса. После пожара (2) 22.08.2022 часть леса “переквалифицировалась” в кустарники (зеленый цвет) и открытую землю (синий цвет), что говорит о силе пожара.
Код: https://code.earthengine.google.com/642b1946beffb45595facb61f881b60c
Область наблюдения можно ограничить только лесом. В коде для этого есть маска ESA Worldcover.
#GEE #пожары
Строго говоря, описанный выше подход — не совсем оценка выгоревшей площади. Скорее, это демонстрация возможности применения DW для оценки степени повреждений леса. Чтобы применить этот подход к другим классам растительности, нужно сначала разобраться, в какие новые классы они могут перейти после пожара.
Было бы интересно проследить за трансформациями классов поверхности DW на выгоревшем участке (определенном по NBR), и сопоставить их c величиной изменения NBR до и после пожара (dNBR).
Было бы интересно проследить за трансформациями классов поверхности DW на выгоревшем участке (определенном по NBR), и сопоставить их c величиной изменения NBR до и после пожара (dNBR).
Советская аэрофотосъемка времен Великой Отечественной войны
Разведывательной аэрофотосъемкой занимались специальные части: ОРАП (отдельный разведывательный полк) и ОКРАП (отдельный корректировочно-разведывательный полк). У каждого фронта был свой ОРАП и ОКРАП. В составе воздушных армий были ОРАЭ (отдельная разведывательная эскадрилья) и ОКРАЭ. Вот список этих эскадрилий. Занимались разведывательной фотосъемкой и отдельные летчики в обычных частях, в первую очередь, в истребительной и в дальней авиации. Дешифрированием аэрофотоснимков занимались фотограмметристы аэрофотослужбы (АФС) авиации, военные топографы, гидрографы (на флоте), артиллерийские разведчики, военные метеорологи, гидрологи и геологи, в зависимости от вида, назначения и заказчика съемки. Интенсивность аэрофотосъемки, судя по сохранившимся данным, значительно увеличилась с 1944 года.
Снимки обычно находятся в документах авиачастей на “Памяти народа”. Часто есть только сопроводительные документы к снимкам, но самих снимков нет. Отдельные снимки можно найти поиском по ключевым словам: фотосхема, фотопанорама.
Еще одним источником снимков являются фотосхемы результатов бомбометания. Они находятся в журналах боевых действий БАП (бомбардировочный авиаполк), ШАП (штурмовой авиаполк) и др., или в журналах частей, в которые эти полки входили. Вот, например, журнал боевых действий 13 иак за сентябрь 1944 г. и журнал боевых действий частей 3 гв. бад за март 1945 года.
Общая проблема отечественных снимков — качество. Все они сканированы с бумажных носителей, а не с негативов, поэтому выглядят примерно так как этот снимок порта Пиллау от 28.10.1944 года.
#история
Разведывательной аэрофотосъемкой занимались специальные части: ОРАП (отдельный разведывательный полк) и ОКРАП (отдельный корректировочно-разведывательный полк). У каждого фронта был свой ОРАП и ОКРАП. В составе воздушных армий были ОРАЭ (отдельная разведывательная эскадрилья) и ОКРАЭ. Вот список этих эскадрилий. Занимались разведывательной фотосъемкой и отдельные летчики в обычных частях, в первую очередь, в истребительной и в дальней авиации. Дешифрированием аэрофотоснимков занимались фотограмметристы аэрофотослужбы (АФС) авиации, военные топографы, гидрографы (на флоте), артиллерийские разведчики, военные метеорологи, гидрологи и геологи, в зависимости от вида, назначения и заказчика съемки. Интенсивность аэрофотосъемки, судя по сохранившимся данным, значительно увеличилась с 1944 года.
Снимки обычно находятся в документах авиачастей на “Памяти народа”. Часто есть только сопроводительные документы к снимкам, но самих снимков нет. Отдельные снимки можно найти поиском по ключевым словам: фотосхема, фотопанорама.
Еще одним источником снимков являются фотосхемы результатов бомбометания. Они находятся в журналах боевых действий БАП (бомбардировочный авиаполк), ШАП (штурмовой авиаполк) и др., или в журналах частей, в которые эти полки входили. Вот, например, журнал боевых действий 13 иак за сентябрь 1944 г. и журнал боевых действий частей 3 гв. бад за март 1945 года.
Общая проблема отечественных снимков — качество. Все они сканированы с бумажных носителей, а не с негативов, поэтому выглядят примерно так как этот снимок порта Пиллау от 28.10.1944 года.
#история
00000317.jpg
1.8 MB
Снимок порта Пиллау от 28.10.1944 года, несжатый Telegram'ом.
1. Удар советских штурмовиков по объектам в районе порта Розенберг (Восточная Пруссия) 23 марта 1945 года.
2. Фотоконтроль результатов бомбового удара по крепости Кенигсберг 6 апреля 1945 года.
3. Штурмовики 182-й ШАД наносят удар по объектам в Кенигсберге 8 апреля 1945 года.
4. Фотоконтроль результатов штурмовки пригорода Кенигсберга — населенного пункта Метгетен 9 апреля 1945 года.
Фотоснимки взяты с waralbum.ru.
#история
2. Фотоконтроль результатов бомбового удара по крепости Кенигсберг 6 апреля 1945 года.
3. Штурмовики 182-й ШАД наносят удар по объектам в Кенигсберге 8 апреля 1945 года.
4. Фотоконтроль результатов штурмовки пригорода Кенигсберга — населенного пункта Метгетен 9 апреля 1945 года.
Фотоснимки взяты с waralbum.ru.
#история
Китай успешно испытал многоразовый космический аппарат
Китай успешно завершил испытание многоразового космического аппарата, в понедельник 8 мая он вернулся на Землю, сообщила Китайская корпорация космической науки и техники (CASC).
Сообщается, что аппарат был запущен с космодрома Цзюцюань в провинции Ганьсу на северо-западе Китая и пробыл на орбите 276 суток.
#китай
Китай успешно завершил испытание многоразового космического аппарата, в понедельник 8 мая он вернулся на Землю, сообщила Китайская корпорация космической науки и техники (CASC).
Сообщается, что аппарат был запущен с космодрома Цзюцюань в провинции Ганьсу на северо-западе Китая и пробыл на орбите 276 суток.
#китай
Разновременные данные Sentinel-1 и Sentinel-2 улучшают обнаружение оползней в GEE
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
MDPI
Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape
Regional early warning systems for landslides rely on historic data to forecast future events and to verify and improve alarms. However, databases of landslide events are often spatially biased towards roads or other infrastructure, with few reported in remote…
Открытые пространственные данные Финляндии
Каталог открытых пространственных данных Финляндии содержит большую подборку ссылок на местные и международные ресурсы. Международные — это коллекции векторных данных общего назначения, административные границы, спутниковые снимки, ЦМР (в том числе, с батиметрией), карты Land Cover, численность населения, данные о климате и почвах. Среди собственно финских, наше внимание привлекли следующие данные.
National land survey of Finland — базовая карта, топографическая база данных, топографические карты, ортоизображения, данные лазерного сканирования, цифровые модели рельефа (с разрешениями 10 м и 2 м), административные границы и т. д. Есть кадастровая карта: векторная и растровая. Все это можно скачать бесплатно, выбрав нужный фрагмент карты (ссылка придет на эл. почту). Данные доступны также на Kapsi's service, более удобном для массового скачивания через HTTP, FTP или RSYNC.
CORINE Land Cover 2018 для Финляндии. Данные CORINE имеют 20-метровое пространственное разрешение и основаны на мозаике снимков Sentinel-2. При интерпретации мозаики изображений CORINE использовались данные Национального лесного кадастра (Институт природных ресурсов Финляндии), данные биотопов (Metsähallitus, национальная организация, управляющая государственными земельными и водными ресурсами), цифровая модель рельефа и информация о почвах. Доля верно классифицированных пикселей в CORINE составляет 95% для широколиственного леса, 98% для хвойного леса и 97% для смешанного леса (методика создания и проверки).
Natural resources institute — данные национальной лесной таксации (National Forest Inventory, NFI): класс поверхности (land cover), сомкнутость полога (canopy cover), возраст деревьев, средний диаметр, средняя высота, объемы запасов древесины и биомасса леса. Данные поставляются в виде отдельных растровых слоев c пространственным разрешением 16 м. Описание данных дано в README, прилагаемом к каждому скачиваемому файлу. Таксации проводятся каждые 2 года, хотя последняя была в 2019 г. Доступ к данным: http://kartta.luke.fi/index-en.html
Finnish meteorological institute — данные наблюдений за погодой в режиме реальном времени, временные ряды (с начала 1960-х годов) и прогнозы погоды. Вместо них можно использовать данные реанализа ERA5 Land Hourly.
#данные
Каталог открытых пространственных данных Финляндии содержит большую подборку ссылок на местные и международные ресурсы. Международные — это коллекции векторных данных общего назначения, административные границы, спутниковые снимки, ЦМР (в том числе, с батиметрией), карты Land Cover, численность населения, данные о климате и почвах. Среди собственно финских, наше внимание привлекли следующие данные.
National land survey of Finland — базовая карта, топографическая база данных, топографические карты, ортоизображения, данные лазерного сканирования, цифровые модели рельефа (с разрешениями 10 м и 2 м), административные границы и т. д. Есть кадастровая карта: векторная и растровая. Все это можно скачать бесплатно, выбрав нужный фрагмент карты (ссылка придет на эл. почту). Данные доступны также на Kapsi's service, более удобном для массового скачивания через HTTP, FTP или RSYNC.
CORINE Land Cover 2018 для Финляндии. Данные CORINE имеют 20-метровое пространственное разрешение и основаны на мозаике снимков Sentinel-2. При интерпретации мозаики изображений CORINE использовались данные Национального лесного кадастра (Институт природных ресурсов Финляндии), данные биотопов (Metsähallitus, национальная организация, управляющая государственными земельными и водными ресурсами), цифровая модель рельефа и информация о почвах. Доля верно классифицированных пикселей в CORINE составляет 95% для широколиственного леса, 98% для хвойного леса и 97% для смешанного леса (методика создания и проверки).
Natural resources institute — данные национальной лесной таксации (National Forest Inventory, NFI): класс поверхности (land cover), сомкнутость полога (canopy cover), возраст деревьев, средний диаметр, средняя высота, объемы запасов древесины и биомасса леса. Данные поставляются в виде отдельных растровых слоев c пространственным разрешением 16 м. Описание данных дано в README, прилагаемом к каждому скачиваемому файлу. Таксации проводятся каждые 2 года, хотя последняя была в 2019 г. Доступ к данным: http://kartta.luke.fi/index-en.html
Finnish meteorological institute — данные наблюдений за погодой в режиме реальном времени, временные ряды (с начала 1960-х годов) и прогнозы погоды. Вместо них можно использовать данные реанализа ERA5 Land Hourly.
#данные
Воздушное лазерное сканирование в археологии
Спутниковые снимки чаще всего используются а археологии вместе с топографическими картами и цифровыми моделями рельефа для определения потенциальных мест исследований — мест, где в древности могли проживать люди. В отдельных случаях археологический объект можно найти прямо на снимке, но для этого должны сложиться удачные условия наблюдения, и возможно это только в регионах, где поверхность хорошо видна из космоса. Так что лесные массивы из числа перспективных объектов наблюдения можно сразу исключить. Основным методом дистанционного зондирования, применяемым в археологии, является воздушная лазерная (лидарная) съемка.
Вот хорошая вводная лекция по применению воздушного лазерного сканирования в археологии. Лектор — кандидат исторических наук, руководитель департамента археологии ООО "НИПИИ ЭТ "Энерготранспроект" Василий Новиков.
Слушатели узнают, как производится воздушное лазерное сканирование, какие преимущества есть у этого метода перед другими способами фиксации археологических объектов. На примере реальных работ (Ирак, Гнездово, Засечная черта в Тульской области и др.) показан диапазон возможностей лидарной съемки.
На снимке (источник): лидарная съемка позволяет выявлять в лесной зоне курганы высотой не более 20 см.
#лидар #археология
Спутниковые снимки чаще всего используются а археологии вместе с топографическими картами и цифровыми моделями рельефа для определения потенциальных мест исследований — мест, где в древности могли проживать люди. В отдельных случаях археологический объект можно найти прямо на снимке, но для этого должны сложиться удачные условия наблюдения, и возможно это только в регионах, где поверхность хорошо видна из космоса. Так что лесные массивы из числа перспективных объектов наблюдения можно сразу исключить. Основным методом дистанционного зондирования, применяемым в археологии, является воздушная лазерная (лидарная) съемка.
Вот хорошая вводная лекция по применению воздушного лазерного сканирования в археологии. Лектор — кандидат исторических наук, руководитель департамента археологии ООО "НИПИИ ЭТ "Энерготранспроект" Василий Новиков.
Слушатели узнают, как производится воздушное лазерное сканирование, какие преимущества есть у этого метода перед другими способами фиксации археологических объектов. На примере реальных работ (Ирак, Гнездово, Засечная черта в Тульской области и др.) показан диапазон возможностей лидарной съемки.
На снимке (источник): лидарная съемка позволяет выявлять в лесной зоне курганы высотой не более 20 см.
#лидар #археология
Снимки с космических аппаратов проекта Space-π
В 2021 году был объявлен проект на сайте “Изображение Земли из космоса”, где школьники предлагали места на территории России, на которые хотели бы взглянуть с орбиты. Так появился альбом “Россия глазами школьников проекта Space-π” (Яндекс.Диск).
Снимки для альбома сделаны малым космическим аппаратом “Аист 2Д” (“облако” со снимками) и аппаратами проекта Space-π — “Зоркий” (CubeSat 6U, ООО “Спутникс”) и CubeSX-HSE (CubeSat 3U, МИЭМ НИУ ВШЭ).
“Зоркий” в качестве полезной нагрузки имеет камеру-телескоп НПО “Лептон” с пространственным разрешением до 6.6 метров на пиксель. Полезной нагрузкой CubeSX-HSE является экспериментальная камера на линзах Френеля и высокоскоростной передатчик X-диапазона.
На снимках “Зоркого” показаны Санкт-Петербург, Владивосток и хребет Кондер в Хабаровском Крае, на снимке CubeSX-HSE — Главный Кавказский хребет.
#снимки
В 2021 году был объявлен проект на сайте “Изображение Земли из космоса”, где школьники предлагали места на территории России, на которые хотели бы взглянуть с орбиты. Так появился альбом “Россия глазами школьников проекта Space-π” (Яндекс.Диск).
Снимки для альбома сделаны малым космическим аппаратом “Аист 2Д” (“облако” со снимками) и аппаратами проекта Space-π — “Зоркий” (CubeSat 6U, ООО “Спутникс”) и CubeSX-HSE (CubeSat 3U, МИЭМ НИУ ВШЭ).
“Зоркий” в качестве полезной нагрузки имеет камеру-телескоп НПО “Лептон” с пространственным разрешением до 6.6 метров на пиксель. Полезной нагрузкой CubeSX-HSE является экспериментальная камера на линзах Френеля и высокоскоростной передатчик X-диапазона.
На снимках “Зоркого” показаны Санкт-Петербург, Владивосток и хребет Кондер в Хабаровском Крае, на снимке CubeSX-HSE — Главный Кавказский хребет.
#снимки