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

Поздравляем всех с Днем Победы!

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

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

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

Space-π и “Дежурный по планете”

Space-π — проект по созданию на орбите созвездия школьных спутников. В течение нескольких лет планируется запустить 100 малых космических аппаратов формата CubeSat 3U*. Сейчас их запущено уже 19 (список + визуализация орбит).

Проект Space-π действует в рамках программы “Дежурный по планете”, объединяющей технологические конкурсы и проекты для школьников и студентов в области космоса. Проект связывает школьников (начиная с 8 лет) и студентов с компаниями космической отрасли и университетами.

Узнать, когда начнется новый конкурс и какие космические аппараты отправятся на орбиту, можно на ресурсах:

* Space-π: сайт, vkontakte, тг-канал
* “Дежурный по планете”: https://www.spacecontest.ru

*CubeSat 1U — “кубик” размерами 10х10х10 см и массой до 1 кг; CubeSat 3U — спутник, не превышающий объемом и массой три таких “кубика".

Комментарий к раз и два.

Вчерашняя новость для некоторых читателей стала неожиданностью. Они не знали, что такое вообще существует и даже рядом с ними. Это при том, что у проекта весьма солидный список партнеров (там есть еще университеты-партнеры), все они присутствуют в информационном пространстве и о проекте не молчат.

На всякий случай, вот некоторые тг-каналы, причастные к проектам Space-π: Space-π, SPUTNIX, Прозрачный мир (Lorett). Если кто-то знает еще — пишите в бот: @sputnikDZZ_bot

Будем следить за новостями Space-π и “Дежурный по планете”.

Сегодня на канале необычно много материалов про (и для) школьников и студентов. Сейчас добавим “взрослого” контента)

Оценка плотности надземной биомассы по данным GEDI и другим

Недавно мы искали готовый продукт для оценки надземной биомассы леса, достаточно свежий и глобальный (или около того). На эту роль претендовал GEDI L4B Gridded Aboveground Biomass Density, Version 2 (есть он и на GEE).

GEDI — это лидар, расположенный на МКС. Из-за орбиты МКС, он обеспечивает съемку земной поверхности в полосе широт между 51.6° с.ш. и 51.6° ю.ш. Продукт GEDI L4B — результат модельной оценки плотности надземной биомассы. Это не наблюдения, а результат моделирования по ним. Популярный рассказ о данных GEDI L4B: ORNL DAAC Releases GEDI Level 4B Dataset Offering Gridded Estimates of Aboveground Biomass Density.

Оказалось, что GEDI 4B не обеспечивает сплошного покрытия данными даже в заявленной полосе широт. На рисунке ниже размер пикселя составляет 1 км х 1 км, площадь участка — около 10 000 га.

Что делать? 1) Искать другой готовый продукт. 2) Натягивать сову на глобус, то есть заполнять пробелы в имеющемся продукте. О других продуктах поговорим позже, сначала — о заполнении пробелов.

Есть подход Shendryk Y. The latest dataset from the GEDI mission provides gridded estimates of aboveground biomass density at greater accuracy and resolution than previously available (2022), который состоит в следующем.

Берутся данные GEDI уровня 4A, а также снимки Sentinel-1 GRD (радар) и Sentinel-2 уровня 2A (оптика), цифровая модель рельефа (GLO-30) и карта классов земной поверхности ESA WorldCover. Все это есть в Google Earth Engine. Из всего этого формируется набор обучающих и тестовых данных. На них будут учить и тестировать модель машинного обучения (LightGBM).

GEDI L4A Raster Aboveground Biomass Density, как и L4B, — это результат моделирования надземной биомассы. В отличие от L4B, продукт L4A дает не пиксели размером 1 км х 1 км, а 25-метровые “пятна” (footprint — след сигнала лидара на поверхности Земли). Кроме того, L4A чаще обновляется: есть данные до конца 2022 года, указан момент съемки каждого “пятна”. В результате есть возможность привязать каждое “пятно” к определенному участку данных Sentinel-1 и Sentinel-2.

Данные GEDI L4A используются вместо “наземки” (ground truth), как будто они дают реальную, а не модельную биомассу, а также служат откликом будущей модели. Все остальные данные и их производные служат предикторами. Дальше следует машинное обучение, игры с выбором предикторов, и в итоге получается оценка надземной биомассы с R^2 = 0,66–0,74 (коэффициент детерминации), RMSE = 55–81 Мг/га (Мг = 10^6 грамм, то есть 1 тонна), или в процентах — RMSE = 41–77%. Да, среднеквадратичная ошибка (RMSE) больше 40%, но таков современный уровень моделирования в данной задаче. Авторы справедливо отмечают, что созданные ими прогнозные карты надземной биомассы (с разрешением 100 м), могут служить в качестве ориентира для определения текущих запасов надземной биомассы. В целом, данное исследование показывает возможность применения открытых данных ДЗЗ для получения глобальных карт надземной биомассы путем слияния различных видов данных (радаров, оптики, ЦМР и т.п.).

Лучше бы, конечно, найти более точные данные для обучения моделей (вместо модельных!) и попробовать использовать в качестве предикторов данные вертикального профиля высот от того же GEDI (GEDI L2B Raster Canopy Cover Vertical Profile Metrics). Но это все надо пробовать…

Сравните, как выглядят данные GEDI L4B и L4A: https://code.earthengine.google.com/c494ff396398ee2629b67eb4778db468

#лидар #sentinel1 #sentinel2 #LULC #GEE #AGB