Orbital Sidekick представила первые гиперспектральные снимки своей спутниковой группировки

Компания Orbital Sidekick (OSK) представила первые снимки с трех гиперспектральных спутников, запущенных в рамках миссий SpaceX в апреле и июне этого года.

Компания представила изображения обнаруженных спутниками метановых шлейфов: желтым цветом показаны высокие концентрации метана, фиолетовым — низкие. По словам представителей OSK, наличие метана и его концентрацию определяет бортовой искусственный интеллект аппаратов.

Спутники являются первыми в группировке GHOSt (Global Hyperspectral Observation Satellite) и выполняют съемку в 472 спектральных каналах с пространственным разрешением 8 метров.

Перед запуском спутников, компания провела воздушное наблюдение с помощью гиперспектральных датчиков GHOSt 20 тыс. километров трубопроводов, выявив около сотни предполагаемых утечек метана.

Кроме выявления утечек из нефте- и газопроводов, OSK входит в число шести компаний-поставщиков гиперспектральных данных, с которыми подписало пятилетние соглашения Национальное разведывательное управление США (NRO).

К 2024 году ОSК планирует добавить к своей группировке GHOSt еще три спутника.

#гиперспектр #атмосфера

Выбор между σ0 и γ0

Окончание

Процедура получения σ0 называется радиометрической калибровкой, а операция получения γ0 — радиометрической коррекцией рельефа (Radiometric Terrain Correction). Последнюю операцию иногда называют Radiometric Terrain Flattening.

С помощью Sentinel-1 Toolbox можно получить как σ0, так и γ0. Для получения последней используется алгоритм, предложенный Дэвидом Смолл (David Small). Sentinel-1 Toolbox удобно пользовать в составе программы SNAP (SeNtinel Applications Platform). SNAP и Sentinel-1 Toolbox распространяются свободно.

В Google Earth Engine (GEE) данные Sentinel-1 радиометрически откалиброваны. Расчет γ0 в GEE выполнить нельзя из-за отсутствия на платформе данных о точной орбите спутника. Реализовать можно только некоторые упрощенные алгоритмы, результат которых называют радиометрической нормализацией. О них речь пойдет в другой раз.

σ0 и γ0 можно получить в составе данных Radiometrically Terrain Corrected (RTC) Sentinel-1, генерируемых по запросу Alaska Satellite Facility. Любопытно, что в данных RTC не только γ0, но и σ0, рассчитываются с использованием местного угла падения (то есть, с учетом рельефа).

Выбирая между σ0 и γ0 кажется, что все преимущества на стороне γ0. Действительно, после радиометрической коррекции рельефа зависимость отраженного сигнала от угла падения становится значительно меньше, чем для σ0. Теперь не только горы не будут “тянуться” к радару, исправлена будет и яркость склонов. Однако даже после этого, зависимость от угла падения, а значит и зависимость от выбора орбиты, не исчезает полностью.

Радиометрическая коррекция учитывает влияние рельефа, но не учитывает другие факторы, влияющие на отражение сигнала, в частности, растительность. Фактически, радиометрическая коррекция применяется к открытой земле. В то же время, для одного участка местности при большом угле падения (пусть это будет орбита №1) путь сигнала через растительность будет длиннее, чем при малом угле падения (орбита №2). Для орбиты №1 сильнее будет объемное рассеяние в растительном пологе, а значит сильнее окажется сигнал, возвратившийся к радару. И это — без учета о сезонных изменений растительности!

Чтобы учесть влияние растительности, нужно точно знать характеристики ее рассеяния, но мы как раз и проводим радарные измерения, чтобы их узнать. Получается замкнутый круг. Возможно в будущем, большее число спутниковых радаров позволит снимать один и тот же участок одновременно под разными углами, и таким образом определить характеристики растительности.

Таким образом, γ0, как и σ0, зависит от выбора орбиты (угла падения), хотя и слабее. Объединить в единый временной ряд данные нескольких орбит, даже используя γ0, скорее всего, не получится (по крайней мере, попытке такого объединения должна предшествовать проверка). Если же рассматривается небольшой по площади участок, в пределах которого σ0 изменяется не более чем на 10° и используются данные одной орбиты, то проще использовать σ0, поскольку он вычисляется быстрее.

#SAR #основы

В завершение цикла постов про спутниковые радарные данные на этой неделе мы расскажем:

* о процессе обработки данных Sentinel-1 в SNAP — как получить σ0 или γ0 из снимков GRD и SLC.
* как довести до ума данные Sentinel-1 в Google Earth Engine — готовая процедура обработки данных, включающая радиометрическую нормализацию, и пригодная для полярных широт. Как всегда, с примером кода.

Посты про #основы дистанционного зондирования Земли (в том числе, про радары), накапливаются здесь. Не забывайте поглядывать в закреп, там много полезного.

Вопросы, критику и предложения пишите в бот: @sputnikDZZ_bot

Читатели спрашивают, почему мы не сообщили о запуске того или иного спутника.

Во-первых, так происходит, если спутник не имеет отношения к дистанционному зондированию. Во-вторых, если мы не нашли в открытой информации о запуске ничего, о чем стоило бы сообщить. Ну и, в-третьих, — потому что запуск мы проспали.

В принципе, мы следим за запусками, и сейчас будет небольшая подборка ресурсов, которые мы для этого используем.

А для наблюдения за уже запущенными аппаратами есть хештег #наблюдение

Оперативная информация о предстоящих/выполненных запусках:

* Next Spaceflight
* Новости космонавтики / Все новости
* Everyday Astronaut
* Spaceflight Now Launch Schedule
* Space Launch Now
* Space Launch Schedule — можно разделить запуски по агентствам/компаниям.

Телеграм:

* Летопись космической эры

Форумы, где можно узнать подробности:

* NASASpaceFlight.com
* Форум "Новости Космонавтики"

Сводные таблицы запусков за период:

* База данных запусков от Space Launch Now
* Jonathan’s Space Report (раз в месяц).
* Gunter’s Space Page: хронология запусков по годам, запуски 2023 года.

🛰 КА, запущенные за прошедшие 12 месяцев
Данные взяты из CEOS MIM, CelesTrak SATCAT и UCS Satellite Database. С помощью переключателя можно выбрать только КА ДЗЗ: All Earth Observation

CEOS Database Quarterly Reports — интересные запуски КА ДЗЗ за прошедший квартал, ближайшие запуски КА ДЗЗ

#справка

Процедура обработки радарных данных Sentinel-1

Предполагается, что обработка выполняется программой SNAP. Запишем только названия этапов обработки — они примерно соответствуют пунктам меню Radar в SNAP (можно наладить и пакетную обработку данных, с помощью инструмента GPT — Graph Processing Tool). Подробнее, стандартная процедура обработки GRD-продуктов описана в:

Filipponi, F. Sentinel-1 GRD Preprocessing Workflow. Proceedings 2019, 18, 11. https://doi.org/10.3390/ECRS-3-06201

Процедура обработки продуктов Ground Range Detected (GRD), которая на выходе даст σ0 в дБ:

1. Apply Orbit File
2. Thermal Noise Removal
3. Border Noise Removal
4. Calibration (to σ0)
5. Speckle Filtering
6. Range Doppler Terrain Correction
7. Conversion to dB

Спекл-фильтрация не является обязательным этапом обработки.

Процедура обработки продуктов GRD, которая на выходе даст γ0 в дБ, получается из предыдущей заменой шага №4 (калибровка, дающая на выходе σ0) на два следующих шага:

4a. Calibration (to β0)
4b. Radiometric Terrain Flattening

Построить изображения, содержащие σ0 и γ0 можно и на основе продуктов SLC (Single Look Complex). Вот цепочка обработки SLC до получения γ0 в дБ:

1. TOPS Split
2. Apply Orbit file
3. Thermal Noise Removal
4. Calibration (to β0)
5. TOPSAR Deburst
6. Radiometric Terrain Flattening
7. Speckle Filtering
8. Range Doppler Terrain Correction

Аналогично, заменив калибровку до β0 на калибровку до σ0 и убрав этап Radiometric Terrain Flattening, можно получить из SLC σ0 в дБ.

Ответы на многие вопросы по обработке радарных данных в SNAP можно найти на форуме.

Появятся вопросы — пишите в бот.

#SAR #основы

GEE-38. Доработка данных Sentinel-1

Данные Sentinel-1 GRD на платформе GEE прошли следующие этапы обработки:

1. Thermal Noise Removal
2. Radiometric Calibration
3. Range Doppler Terrain Correction (в качестве ЦМР используется SRTM 30 — для широт ниже 60°, и ASTER DEM — для широт выше 60°, где данные SRTM отсутствуют).

Результатом являются изображения σ0 с геометрической коррекцией рельефа.

Дополнительная обработка данных Sentinel-1 описана в статье

Mullissa A, Vollrath A, Odongo-Braun C, Slagter B, Balling J, Gou Y, Gorelick N, Reiche J. Sentinel-1 SAR Backscatter Analysis Ready Data Preparation in Google Earth Engine. _Remote Sensing_. 2021; 13(10):1954. https://doi.org/10.3390/rs13101954

и включает в себя этапы:

4. Addtional Border noise correction
5. Speckle Filtering: Mono-temporal / Multi-temporal
6. Radiometric Terrain Normalization

— удаление шума на границах снимков, спекл-фильтрацию (одновременную и разновременную), а также радиометрическую нормализацию рельефа (два способа упрощенной радиометрической коррекции).

Репозиторий c кодом (JavaScript и Python): https://github.com/adugnag/gee_s1_ard

Пример использования кода, район Мурманска

Параметры обработки данных:

* START_DATE: Дата начала съемки.
* END_DATE: Дата конца съемки (не включая).
* POLARIZATION: Поляризация данных: 'VV', 'VH', 'VVVH' (VV- и VH-поляризация).
* ORBIT: Тип орбиты: 'BOTH', 'ASCENDING' или 'DESCENDING'.
* GEOMETRY: Район интереса (полигон).
* APPLY_BORDER_NOISE_CORRECTION: (Необязательный) true/false - корректировать шум на границах снимков.
* APPLY_SPECKLE_FILTERING: (Необязательный) true/false - применить спекл-фильтрацию.
* SPECKLE_FILTER: Тип спекл-фильтра: 'BOXCAR', 'LEE', 'GAMMA MAP', 'REFINED LEE', 'LEE SIGMA'. Сработает, если APPLY_SPECKLE_FILTERING = true.
* SPECKLE_FILTER_FRAMEWORK: способ фильтрации - 'MONO' (по одному снимку) или 'MULTI' (по временному ряду снимков). Применяется выбранный выше тип фильтра.
* SPECKLE_FILTER_KERNEL_SIZE: размеры ядра (пространственного окна) выбранного фильтра. Должно быть нечетным натуральным числом.
* SPECKLE_FILTER_NR_OF_IMAGES: число снимков, участвующих в разновременной спекл-фильтрации ('MULTI'). Выбираются все снимки до даты фильтрации. Если их недостаточно, то добавляются снимки, сделанные после этой даты.
* TERRAIN_FLATTENING: (Необязательный) true/false - применить радиометрическую коррекцию влияния рельефа.
* TERRAIN_FLATTENING_MODE: модель радиометрической коррекции (нормализации) влияния рельефа: 'DIRECT', 'VOLUME'.
* DEM: цифровая модель рельефа (ee.Image).
* TERRAIN_FLATTENING_ADDITIONAL_LAYOVER_SHADOW_BUFFER: ширина дополнительной буферной зоны для пассивной маски layover/shadow, в метрах.
* FORMAT: шкала значений отраженного сигнала: 'LINEAR' (линейная), 'DB' (логарифмическая).
* CLIP_TO_ROI: (Необязательный) Обрезать снимок по району интереса.
* SAVE_ASSETS: (Необязательный) Экспортировать обработанную коллекцию в Assets.

Вся обработка сводится к 1) подключению функций обработки снимков

var wrapper = require('users/adugnagirma/gee_s1_ard:wrapper');
var helper = require('users/adugnagirma/gee_s1_ard:utilities');

и 2) выполнению функции preproc из модуля wrapper c заданным словарем параметров на входе (см. выше).

В результаnе будут получены две коллекции снимков — исходная и обработанная

var s1_preprocces = wrapper.s1_preproc(parameter);
var s1 = s1_preprocces[0]; // исходная коллекция
s1_preprocces = s1_preprocces[1]; // обработанная коллекция

В примере кода, в качестве ЦМР мы использовали Copernicus DEM (GLO-30), которая обеспечивает глобальное покрытие

var glo30 = ee.ImageCollection("projects/sat-io/open-datasets/GLO-30");
var elev = glo30.mosaic().setDefaultProjection('EPSG:3857',null,30);

#GEE #SAR

Месторождения водорода

На снимке, сделанном 27 июня 2023 года спутником Landsat 9, изображены группы так называемых "кругов фей" (fairy circles) вблизи города Мооры, расположенного примерно в 150 км к северу от Перта (Австралия). “Круги фей” — это круглые впадины, тянущиеся с севера на юг вдоль разлома Дарлинг. Диаметр впадин достигает нескольких сотен метров, а количество растительности и воды в них меняется со временем. В 2021 году австралийские ученые провели здесь измерения содержания газов в почве, и обнаружили, что в почве присутствует водород, причем его концентрация повышена по краям “кругов фей”.

Водород образуется в недрах Земли естественным путем в результате ряда процессов, включая метаморфические реакции и радиолиз воды (разложение молекул воды под действием ионизирующих излучений). Авторы исследования предполагают, что водород в бассейне Северного Перта образовался благодаря реакции воды с богатыми железом породами, а зона разломов обеспечила путь для миграции газа к поверхности.

Полукруглые и круглые участки поверхности с высокой концентрацией водорода в почве зафиксированы по всему миру. Сейчас, как правило, водородные резервуары обнаруживаются случайно — по следам утечек из них, вроде "кругов фей". Проблема в том, что в смеси с кислородом или воздухом водород взрывается, и утечки природного водорода могут вызвать катастрофические последствия.

В то же время, растет интерес к водороду как к топливу с нулевым уровнем выбросов. Для производства водорода используются энергоемкие процессы, такие как разделение воды на водород и кислород с помощью электрического тока или выделение водорода из ископаемого топлива. В этой связи природные источники водорода могли бы стать разумной альтернативой. Однако, предстоит еще многое узнать о том, как и где водород образуется под землей, как его лучше добывать и хранить.

#водород

Вот интересное видео об ископаемом водороде. Обсуждаются причины появления водородных колец (“кругов фей”), теория водородной земли, опасности дегазации водорода и возможности водородной экономики.

#водород

Таиландский спутник THEOS-2 планируется к запуску в октябре

Как сообщает тайландское Агентство по развитию геоинформатики и космических технологий (Geo-Informatics and Space Technology Development Agency, GISTDA) спутник Thailand Earth Observation Satellite 2 (THEOS-2) планируется к запуску в октябре нынешнего года. Спутник уже отправлен из Тулузы на космодром Куру во Французской Гвиане. THEOS-2 заменит на орбите своего предшественника — первый тайландский спутник THEOS, запущенный 1 октября 2008 года.

THEOS-2, о котором идет речь, точнее называть — THEOS-2 Main. Его разработчиком, как и разработчиком THEOS, является Airbus Defence and Space. Собранный на платформе AstroBus-S спутник имеет массу около 425 кг и оснащен камерой с максимальным пространственным разрешением 50 сантиметров.

Параллельно с THEOS-2 Main дочернее предприятие Airbus DS — Surrey Satellite Technology Ltd (SSTL) создает 100-килограммовый THEOS-2 SmallSAT. В работе над этим спутником принимают участие таиландские специалисты. На рисунке показано тестирование аппарата THEOS-2 SmallSAT.

Упоминается (здесь и здесь), что в разработке THEOS-2 принимала участие Южная Корея. Однако подробностей по этому поводу не сообщается.

Известно, что Южная Корея в феврале этого года договорилась с Таиландом изучить возможность совместного строительства космодрома на территории Таиланда, о чем Южнокорейское министерство науки и информационно-коммуникационных технологий подписало соглашение с GISTDA. Они совместно подготовят технико-экономическое обоснование проекта космодрома.

Оценка индекса содержания азота по данным видимого и ближнего инфракрасного диапазонов

В статье

Çimtay, Y. Estimating Plant Nitrogen by Developing an Accurate Correlation between VNIR-Only Vegetation Indexes and the Normalized Difference Nitrogen Index. Remote Sens. 2023, 15, 3898. https://doi.org/10.3390/rs15153898

затрагивается интересная проблема. Есть индекс для оценки содержания азота в почве — NDNI, но для его расчета используются экзотические SWIR-каналы (1510 нм и 1680 нм), которые есть только у гиперспектральных данных. Хорошо бы выразить этот индекс через значения каналов (и индексов) видимого и ближнего инфракрасного диапазонов (VNIR). Тогда оценить NDNI, а значит и содержание азота, можно было бы по данных других спутников, например Sentinel-2.

В качестве гиперспектральных данных использованы данные "Гипериона", которые есть на Google Earth Engine. Автор демонстрируют сильную корреляцию между набором выбранных им каналов и индексов из VNIR и NDNI (коэффициент детерминации R^2 = 0.91). Казалось бы, цель достигнута. Но есть два нюанса: поменьше и побольше.

1. Автор использует для регрессии нейросеть, которую называет глубокой. Возможно, это оттого, что для ее создания используется Matlab Deep Learning Toolboх. Тем не менее, сеть прямого распространения с четырьмя скрытыми слоями трудно назвать глубокой.

2. Выбранные каналы и индексы из VNIR являются специфическими для гиперспектральных данных. Автор выбрал каналы: красный, зеленый, синий, NIR, 550 нм, 670 нм, 715 нм, 726 нм, 747 нм, 734 нм и 800 нм. Большинства из них нет в Sentinel-2 и других распространенных спутниковых данных, а значит применить подход напрямую можно будет только для гиперспектральных сенсоров, ограниченных диапазоном VNIR. Для мультиспектральных данных потребуются дополнительные исследования.

Естественно, во Введении и в Выводах этого второго нюанса нет)

#растительность #данные

NASA Carbon Monitoring System — здесь собираются данные спутниковых, воздушных и наземных наблюдений NASA, а также результаты моделирования, касающиеся оценки содержания углекислого газа в атмосфере.

Сейчас, когда закладываются системы карбоновых и тестовых полигонов, важно, чтобы результаты наблюдений на этих полигонах были доступны широкому кругу исследователей, и оформились в какой-то аналог CMS. Почти также важно, еще на старте процесса создания полигонов выработать единые методики проведения наблюдений и стандарты представления результатов. По CMS очень заметно, что это коллекция, создаваемая “с бору по сосенке”. Искать информацию в ней — не самое простое дело. Хотя, безусловно, лучше такая коллекция, чем никакой.

#данные