Спектральные каналы Landsat 8 и Sentinel-2
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
Уточнение пространственного разрешения данных Sentinel-2 с помощью нейросетей
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
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…
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
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
Ландшафт округа Сконе
На первом снимке, сделанном космическим аппаратом Sentinel-2, видны сельскохозяйственные поля, окружающие города Лунд и Мальме в Швеции. Сельскохозяйственные поля, в основном, окрашены в оттенки зеленого. На их фоне отчетливо выделяются ярко-желтые поля цветущего рапса.
Город Лунд находится в центре снимка. Мальме лежит к юго-западу от него, на побережье. Центры обоих городов окрашены в красные тона, благодаря традиционному цвету крыш зданий (такие как на снимке).
Из Мальме через пролив Эресунн проходит одноименный мост, соединяющий Швецию с Данией. Эресуннский мост (на снимке) имеет длину около 16 км и состоит из трех частей. Сам мост и искусственный остров Пеберхольм на снимке видны (слева внизу). Невидимую часть составляет подводный туннель, ведущий из Пеберхольма в Данию.
К северу от Пеберхольма находится датский остров Сальтольм. Он находится в нескольких километрах к востоку от датского острова Амагер, где хорошо виден аэропорт Копенгагена.
В проливе Эресунн можно заметить несколько судов. Глубокие воды пролива окрашены в темно-синий цвет, а мелководье — в более светлые зеленые тона.
Мальме — крупнейший город шведского округа или лена Сконе (Skåne). Многим Сконе известен по марке грузовиков Scania — это название округа на английском.
В Сконе родился Франц Гуннар Бенгтссон (Бентсон) — автор исторического романа “Рыжий Орм”, известного у нас как “Драконы Моря”. Написанный в стиле скандинавской саги, роман наполнен иронией и юмором. Он рассказывает о невероятных приключениях еще одного уроженца Сконе — Рыжего Орма, о его пленении, рабстве у халифа Кордовы, работе гребцом на галерах, принятии христианства, освобождении, женитьбе на дочери конунга и поиске клада у днепровских порогов.
#снимки #sentinel2 #сельхоз
На первом снимке, сделанном космическим аппаратом Sentinel-2, видны сельскохозяйственные поля, окружающие города Лунд и Мальме в Швеции. Сельскохозяйственные поля, в основном, окрашены в оттенки зеленого. На их фоне отчетливо выделяются ярко-желтые поля цветущего рапса.
Город Лунд находится в центре снимка. Мальме лежит к юго-западу от него, на побережье. Центры обоих городов окрашены в красные тона, благодаря традиционному цвету крыш зданий (такие как на снимке).
Из Мальме через пролив Эресунн проходит одноименный мост, соединяющий Швецию с Данией. Эресуннский мост (на снимке) имеет длину около 16 км и состоит из трех частей. Сам мост и искусственный остров Пеберхольм на снимке видны (слева внизу). Невидимую часть составляет подводный туннель, ведущий из Пеберхольма в Данию.
К северу от Пеберхольма находится датский остров Сальтольм. Он находится в нескольких километрах к востоку от датского острова Амагер, где хорошо виден аэропорт Копенгагена.
В проливе Эресунн можно заметить несколько судов. Глубокие воды пролива окрашены в темно-синий цвет, а мелководье — в более светлые зеленые тона.
Мальме — крупнейший город шведского округа или лена Сконе (Skåne). Многим Сконе известен по марке грузовиков Scania — это название округа на английском.
В Сконе родился Франц Гуннар Бенгтссон (Бентсон) — автор исторического романа “Рыжий Орм”, известного у нас как “Драконы Моря”. Написанный в стиле скандинавской саги, роман наполнен иронией и юмором. Он рассказывает о невероятных приключениях еще одного уроженца Сконе — Рыжего Орма, о его пленении, рабстве у халифа Кордовы, работе гребцом на галерах, принятии христианства, освобождении, женитьбе на дочери конунга и поиске клада у днепровских порогов.
#снимки #sentinel2 #сельхоз
Снимки Sentinel-2
Copernicus Open Access Hub — “родина” данных Sentinel, предоставляет данные уровней обработки Level-1C (L1C, Top of Atmosphere) и Level-2A (L2A, Bottom of Atmosphere = Surface Reflectance). Есть два API: Open Search (для поиска) и OData (для скачивания). Ограничение на скачивание данных: не более двух параллельных потоков, что не подходит для промышленных задач. Снимки, сделанные за последней месяц, скачиваются сразу.* Более ранние снимки извлекаются из архива в течение 1 часа, после чего доступны для скачивания следующие трое суток.
Снимки предоставляются в “родном” формате SAFE (в виде папки, содержащей снимок формата JPEG2000 и метаданные в формате XML). Для конвертации в GeoTiff понадобятся инструменты вроде GDAL и SNAP.
AWS — для промышленного использования данных, когда нужны сотни снимков.
Sentinel-2 в формате SAFE. Данные L1C доступны, начиная с июня 2015 года. L2A — с ноября 2016 года для Европы и с января 2017 года глобально.
Sentinel-2 Cloud-Optimized GeoTIFFs — снимки, преобразованные в Cloud-Optimized GeoTIFF. Метаданные SpatioTemporal Asset Catalog (STAC) помещены в JSON-файл вместе с данными снимка, а для поиска в архиве доступен STAC API — Earth-search. L2A доступны с апреля 2017 года (Европа) и с декабря 2018 года (глобально).
Copernicus Browser дает возможность скачивать данные Level 1C и Level 2A. В браузере слева видны две вкладки: Visualize и Search. После регистрации, из второй доступно скачивание. В отличие от Copernicus Open Access Hub, здесь все доступные снимки можно скачать сразу. Снимки предоставляются в формате SAFE. Про доступ по API.
Google Earth Engine. Снимки Top-of-Atmosphere Reflectance (L1C) и Surface Reflectance (L2A). L1C доступны с июня 2015 года, L2A — с апреля 2017 года (Европа) и с декабря 2018 года (глобально). Огромный плюс платформы GEE в том, что можно выбрать нужный фрагмент снимка и скачать только интересующие каналы. Преимуществом, разумеется, является и возможность обработки данных в GEE.
Sentinel Hub EO Browser. L2A (по умолчанию) и L1C. Можно выбрать район, каналы и скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Удобно для выполнения небольших задач.
Есть комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные на основе снимков Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых 2 (тепловых инфракрасных) доступны только для Landsat, а 5 (3 канала “красного края” (B5–B7), широкий канал NIR (B8), водяной пар (B9)) — только для Sentinel. Снимки согласованы по радиометрии (насколько это возможно), преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
Earthdata Search. В чистом виде снимков Sentinel-2 в центрах хранения данных NASA нет. Есть данные HLS Sentinel-2 Multi-spectral Instrument Surface Reflectance Daily Global 30m v2.0 — часть данных HLS, относящаяся к S2. Выбрать каналы нельзя.
Везде требуется бесплатная регистрация.
Ограничения для отдельных стран обходятся через использование при регистрации международных почтовых служб, типа gmail.com, и указание страны, не подпадающей под ограничения.
* Это называется синхронный доступ к данным. Период синхронного доступа может изменяться. Смотреть его нужно в User Guide/The Data Hub Archive.
#данные #sentinel2
Copernicus Open Access Hub — “родина” данных Sentinel, предоставляет данные уровней обработки Level-1C (L1C, Top of Atmosphere) и Level-2A (L2A, Bottom of Atmosphere = Surface Reflectance). Есть два API: Open Search (для поиска) и OData (для скачивания). Ограничение на скачивание данных: не более двух параллельных потоков, что не подходит для промышленных задач. Снимки, сделанные за последней месяц, скачиваются сразу.* Более ранние снимки извлекаются из архива в течение 1 часа, после чего доступны для скачивания следующие трое суток.
Снимки предоставляются в “родном” формате SAFE (в виде папки, содержащей снимок формата JPEG2000 и метаданные в формате XML). Для конвертации в GeoTiff понадобятся инструменты вроде GDAL и SNAP.
AWS — для промышленного использования данных, когда нужны сотни снимков.
Sentinel-2 в формате SAFE. Данные L1C доступны, начиная с июня 2015 года. L2A — с ноября 2016 года для Европы и с января 2017 года глобально.
Sentinel-2 Cloud-Optimized GeoTIFFs — снимки, преобразованные в Cloud-Optimized GeoTIFF. Метаданные SpatioTemporal Asset Catalog (STAC) помещены в JSON-файл вместе с данными снимка, а для поиска в архиве доступен STAC API — Earth-search. L2A доступны с апреля 2017 года (Европа) и с декабря 2018 года (глобально).
Copernicus Browser дает возможность скачивать данные Level 1C и Level 2A. В браузере слева видны две вкладки: Visualize и Search. После регистрации, из второй доступно скачивание. В отличие от Copernicus Open Access Hub, здесь все доступные снимки можно скачать сразу. Снимки предоставляются в формате SAFE. Про доступ по API.
Google Earth Engine. Снимки Top-of-Atmosphere Reflectance (L1C) и Surface Reflectance (L2A). L1C доступны с июня 2015 года, L2A — с апреля 2017 года (Европа) и с декабря 2018 года (глобально). Огромный плюс платформы GEE в том, что можно выбрать нужный фрагмент снимка и скачать только интересующие каналы. Преимуществом, разумеется, является и возможность обработки данных в GEE.
Sentinel Hub EO Browser. L2A (по умолчанию) и L1C. Можно выбрать район, каналы и скачать фрагмент снимка в GeoTIFF и других форматах (в том числе, без геопривязки). Удобно для выполнения небольших задач.
Есть комбинированные данные Harmonized Landsat Sentinel (HLS) — гармонизированные данные Surface Reflectance, полученные на основе снимков Sentinel-2 и Landsat 8/9. HLS содержат 21 канал, из которых 2 (тепловых инфракрасных) доступны только для Landsat, а 5 (3 канала “красного края” (B5–B7), широкий канал NIR (B8), водяной пар (B9)) — только для Sentinel. Снимки согласованы по радиометрии (насколько это возможно), преобразованы к разрешению 30 метров и размещены на сетке Sentinel-2 MGRS UTM.
Earthdata Search. В чистом виде снимков Sentinel-2 в центрах хранения данных NASA нет. Есть данные HLS Sentinel-2 Multi-spectral Instrument Surface Reflectance Daily Global 30m v2.0 — часть данных HLS, относящаяся к S2. Выбрать каналы нельзя.
Везде требуется бесплатная регистрация.
Ограничения для отдельных стран обходятся через использование при регистрации международных почтовых служб, типа gmail.com, и указание страны, не подпадающей под ограничения.
* Это называется синхронный доступ к данным. Период синхронного доступа может изменяться. Смотреть его нужно в User Guide/The Data Hub Archive.
#данные #sentinel2