GEE-33. Данные Sentinel-1 GRD в линейной шкале

У нас уже есть опыт создания RGB-композита из данных Sentinel-1, представленных в логарифмической шкале (‘COPERNICUS/S1_GRD'). Теперь создадим аналогичный композит из данных в линейной шкале (‘COPERNICUS/S1_GRD_FLOAT’).

Кроме того, наладим более детальную фильтрацию коллекции (в прошлый раз мы ограничились указанием района и интервала времени). Вот свойства радарных снимков (и их значения), по которым обычно отбирают данные Sentinel-1:

1. transmitterReceiverPolarisation: ['VV'], ['HH'], ['VV', 'VH'], ['HH', 'HV'].
2. instrumentMode: 'IW' (Interferometric Wide Swath), 'EW' (Extra Wide Swath), 'SM' (Strip Map).
3. orbitProperties_pass: 'ASCENDING', 'DESCENDING'
4. resolution_meters: 10, 25, 40
5. resolution: 'M' (medium), 'H' (high).

Наша коллекция дополнительно фильтруется по режиму съемки и типу орбиты:

var s1Col = ee.ImageCollection('COPERNICUS/S1_GRD_FLOAT')
  .filter(ee.Filter.eq('instrumentMode', 'IW'))
  .filter(ee.Filter.eq('orbitProperties_pass', 'ASCENDING'))
  .filterDate('2019-03-22', '2019-03-24')
  .filterBounds(point) // добавим канал VV/VH
  .map(function(image) {
  var band = image.select('VV').divide(image.select('VH')).rename('VV_VH');
  return image.addBands(band);
});

К каждому снимку добавляется канал VV/VH, используемый вместе с VV и VH для создания RGB-композита.

Цветовая гамма полученного композита, в конечном счете, зависит от диапазонов изменения каждого цвета (min, max). Мы подбирали их отдельно для каждого канала, ограничивая шириной в 1σ.

var s1VisParam = {
  bands: ['VV','VH','VV_VH'],
  min: [-0.3, -0.02, -1.3],
  max: [0.5, 0.06, 9.8],
};

Если цветовой диапазон узкий, вы получаете более сильные контрасты. То же самое относится и к соотношению компонент красного, зеленого и синего. Например, если вы хотите больше зеленого, уменьшите диапазон зеленого.

Код примера

#GEE #SAR

11 июля шесть пикоспутников успешно выпущены из транспортного контейнера миниатюрного спутника StratoSat-TK1 (RS52S).
‌
Обозначения пикоспутников отличаются суффиксом в виде латинской или транслитерированной русской буквы: StratoSat-TK1-A (RS52SA), StratoSat-TK1-B (RS52SB), StratoSat-TK1-C (RS52SV), StratoSat-TK1-D (RS52SG), StratoSat-TK1-E (RS52SD) STRATOSAT-TK1-F (RS52SE).

Частоты пикоспутников StratoSat-TK1-B – StratoSat-TK1-F: 436.260 MHz, 2-FSK 1200 bd, LoRa
Частота пикоспутника StratoSat-TK1-B: 435.060 MHz, CW

Про различия между пикоспутниками читайте здесь.

В сети любительских наземных станций TinyGS установлена связь с 5 пикоспутниками:

https://tinygs.com/satellite/RS52SB
https://tinygs.com/satellite/RS52SV
https://tinygs.com/satellite/RS52SG
https://tinygs.com/satellite/RS52SD
https://tinygs.com/satellite/RS52SE

В базе SatNOGS указано, что установлена связь со всеми шестью пикоспутниками:

https://db.satnogs.org/search/?q=stratosat

Все пикоспутники функционируют. Правда, относительно каждого стоит пометка: Satellite is reported to be transmitting at an uncoordinated or denied frequency.

#наблюдение

GEE-34. Преобразование Tasseled Cap: теория

Tasseled Cap (“Шляпа с кисточкой”) — это линейное преобразование мультиспектральных снимков, частный случай метода главных компонент. Преобразование Tasseled Cap (TC) позволяет сократить число признаков, используемых при распознавании объектов, и тем самым упростить процесс распознавания. Достигается это путем перехода от системы координат, где признаки скоррелированы между собой, к новой системе координат, где они не коррелированы.

Признаки — это яркости в спектральных каналах спутникового сенсора. Вектор яркостей x преобразуется в вектор новых признаков u следующим образом

u = W*x + r

W — ортогональная матрица преобразования, r — вектор смещения.

Преобразование TC осуществляет поворот многомерного эллипсоида в пространстве яркостей спектральных каналов так, чтобы главные оси эллипсоида соответствовали спектрам поглощения сельскохозяйственных культур. Метод получил свое название по форме области рассеяния значений пикселей в новой системе координат.

С двумерным TC мы уже знакомы. Вот (и вот) изображения в пространстве яркостей красного и ближнего инфракрасного каналов. Примерный результат TC показан на рисунке 1️⃣. Линия почвы после преобразования располагается параллельно одной из новых координатных осей (Brightness).

В результате многочисленных экспериментов были выделены три производных признака, которые содержат основную информацию о растительности:

1. ”Яркость” (Brightness) или “яркость почв”. Соответствующее ей значение пикселя определяется как взвешенная сумма всех каналов. Яркость обычно ассоциируется с открытой почвой (или почвой, частично покрытой растительностью), антропогенными объектами и вариациями рельефа.

2. ”Зелень” (Greenness) — направление, ортогональное яркости. Соответствует контрасту между видимыми и ближним ИК каналами, и хорошо отражает количество хлорофилла в растениях. Кривые отражения открытой почвы имеют высокие значения “яркости” и низкие значения “зелени”.

3. ”Влажность” (Wetness) или “желтизна” — третье ортогональное направление, связанное с водными объектами, влагосодержанием почвы и состоянием растительности.

Остальные новые признаки, если они есть, называются по их номерам.

TC поворачивает пространство исходных мультиспектральных данных таким образом, чтобы “яркость”, “зелень” и “влажность” стали новыми осями пространства признаков.

В отличие от матрицы преобразования в методе главных компонент, матрица преобразования TC одинакова для всех сцен, полученных одним сенсором. В то же время, поскольку свойства почв, растительности и влажности различаются для разных климатических зон, подбор линейных комбинаций каналов носит эмпирический характер. В литературе обычно приводятся значения коэффициентов преобразования ТС, соответствующие съемке территории США.

#GEE #основы #сельхоз

1️⃣ Результат преобразования Tasseled Cap в двумерном случае. Источник: Crist, E. P., & Cicone, R. C. (1984). A Physically-Based Transformation of Thematic Mapper Data—The TM Tasseled Cap. IEEE Transactions on Geoscience and Remote Sensing, GE-22(3), 256–263. doi:10.1109/tgrs.1984.350619

GEE-34. Преобразование Tasseled Cap: работа с массивами

Преобразование Tasseled Cap (TC) привязано к конкретному сенсору. Реализуем его для Landsat 8 OLI. Для этого нужно выполнить матричное умножение

u = W*x

x — вектор яркостей в спектральных каналах Landsat, u — вектор новых признаков (яркость, зелень, влажность и т. п.), W — ортогональная матрица преобразования. Вектор r из общей формулы в данном случае является нулевым.

Сначала зададим матрицу преобразования W:

var W = ee.Array([
  [0.3029, 0.2786, 0.4733, 0.5599, 0.508, 0.1872],
  [-0.2941, -0.243, -0.5424, 0.7276, 0.0713, -0.1608],
  [0.1511, 0.1973, 0.3283, 0.3407, -0.7117, -0.4559],
  [-0.8239, 0.0849, 0.4396, -0.058, 0.2013, -0.2773],
  [-0.3294, 0.0557, 0.1056, 0.1855, -0.4349, 0.8085],
  [0.1079, -0.9023, 0.4119, 0.0575, -0.0259, 0.0252],
]);

Индексация массивов начинается с 0. Двумерный массив или матрица записывается по строкам: индекс 0 соответствует изменению по строкам, индекс 1 — изменению по столбцам (рисунок 1️⃣).

Можно проверить, что получился массив размером 6 х 6:

print(W.length()); //    [6,6]

Из снимка Landsat 8, на котором изображена бухта Сан-Франциско, выберем 6 каналов

var image = ee.Image('LANDSAT/LC08/C02/T1_L2/LC08_044034_20140318')
  .select(['SR_B2', 'SR_B3', 'SR_B4', 'SR_B5', 'SR_B6', 'SR_B7'])
  .multiply(0.0000275).add(-0.2);

Теперь нужно преобразовать многоканальное изображение Landsat (объект ee.Image) в “Array Image” — изображение-массив, где каждый пиксель является массивом значений каналов.

var arrayImage1D = image.toArray();
var arrayImage2D = arrayImage1D.toArray(1);

Функция toArray() преобразует изображение в изображение-массив, в котором каждый пиксель является одномерным вектором, элементы которого соответствуют 6 значениям каналов изображения. На рисунке 2️⃣ сделана попытка показать как это выглядит, вот только векторы в каждом пикселе должны быть векторами-строками (а не столбцами). Для выполнения матричного умножения векторы-строки нужно преобразовать в векторы-столбцы. Делается это с помощью функции toArray(1).

Изображение-массив — забавная вещь. Получается, что обычное изображение (а точнее — один слой или канал) — это изображение-скаляр. Каждый пиксель обычного изображение — число. А у изображения-массива пиксели являются векторами, матрицами, в общем, — массивами. Зато у таких изображений нет слоев.

Наглядно показать, что происходит при выполнении описанной выше операции, можно на обычных массивах:

var array1D = ee.Array([1, 2, 3]);            // [1,2,3]  
var array2D = ee.Array.cat([array1D], 1);     // [[1],[2],[3]]

cat() пришлось применить потому что для массивов ee.Array не существует функции toArray().

Матричное умножение выглядит так

var componentsArrayImage = ee.Image(W).matrixMultiply(arrayImage2D)

Изображение-массив ee.Image(W) размера 6x6 мы умножили на изображение-массив arrayImage2D размера 6х1.

Пора вернуться от изображения-массива к привычному многоканальному изображению:

var componentsImage = componentsArrayImage
  .arrayProject([0])
  .arrayFlatten([['brightness', 'greenness', 'wetness', 'fourth', 'fifth', 'sixth']]);

Cначала переходим к изображению-массиву с векторами-строками с помощью функции project(), а затем преобразуем его в обычное изображение с помощью функции arrayFlatten(). Аргументами последней являются названия каналов (признаков) нового изображения.

Коэффициенты преобразования TC для Sentinel-2.

Видеолекция по массивам и изображениям-массивам в GEE (1,5 часа).

Ну, и наконец, — результат преобразования показан на рисунке 3️⃣ (для сравнения, на рисунке 4️⃣ бухта Сан-Франциско в естественных цветах).

Код примера

#GEE #основы #сельхоз

Перепутали рисунки 1 и 2. Приносим свои извинения.

Сайт Space-π публикует фотографию выпуска шести пикоспутников формата TinySat из контейнера CubeSat’а “СтратоСат ТК-1”, состоявшегося 11 июля. Подтверждается, что все аппараты вышли на связь и передают телеметрию. Дополнительные подробности сообщает коллега.