Читатели периодически задают вопросы по покупке спутниковых снимков, и очень удивляются, когда узнают, что простые, на первый взгляд, вопросы — “Сколько стоит?“, “Где дешевле?“ — не имеют однозначного ответа. Рассмотрим, как в целом выглядит процедура покупки снимков.
Есть несколько способов приобретения спутниковых снимков:
1. оплата по факту (pay-as-you-go);
2. подписка;
3. покупка базовых карт;
4. государственные контракты.
Самый простой способ — оплата по факту. Вы указываете область интереса, период времени, платите указанную сумму и получаете снимок. По ценам есть детали, о которых скажем позже.
Подписка — фиксированная периодическая плата за доступ к определенным видам снимков. У многих провайдеров спутниковых данных есть подписные программы: Planet Monitoring, Airbus Living Library, Maxar SecureWatch и т. п. Стоимость подписки имеет порядок десятков тысяч долларов месяц, но зато дает непрерывный доступ к снимкам.
Базовая карта (basemaps) — это глобальная мозаика из снимков с разрешением 30–70 см и возрастом от 1 до 5 лет. Проще говоря, это спутниковая карта из Яндекс.Карт. Базовые карты должны постоянно обновляться. Для этого отбираются наименее облачные снимки и может оказаться, что один участок карты представлен свежим снимком, а соседний — снимком годичной давности. Об оперативности здесь можно забыть. По ценам: годовая лицензия на данные Bing Maps, в зависимости от количества пользователей, стоит около 5000 евро.
Наконец, государственные контракты — это когда государственная организация выкупает снимки у провайдера и предоставляет их потребителям на своих условиях, в том числе, бесплатно. Если вы попадали в число таких потребителей, значит вам повезло.
Что касается оплаты по факту. Основное различие в ценах зависит от того, приобретаются архивные данные или делается заказ на новую съемку. В обоих случаях цена за км² зависит от пространственного разрешения данных. Естественно, данные с более высоким разрешением стоят дороже.
Важную роль при составлении бюджета на закупку снимков играет минимальная площадь заказа. Например, Airbus предлагает минимальный заказ в 100 км². То есть, даже если вам нужен участок площадью 1 км², купить придется 100 км². Здесь нужно искать сочетание низкой цены и минимальной площади заказа.
В последние годы появились онлайн-площадки, предлагающие спутниковые снимки одновременно от десятка поставщиков по модели оплаты по факту. Они дают возможность отфильтровать нужные данные и сравнить различные предложения между собой. Такие площадки легко ищутся в сети. Ситуация с ними довольно быстро меняется, так что мы не рискнем советовать вам какую-то определенную.
Для понимания порядка цен — вот данные Landinfo за июль 2023 года. Они не самые дешевые, но дают представление о соотношении цен на архивные данные и на новую съемку, а также на данные с разным пространственным разрешением.
Есть несколько способов приобретения спутниковых снимков:
1. оплата по факту (pay-as-you-go);
2. подписка;
3. покупка базовых карт;
4. государственные контракты.
Самый простой способ — оплата по факту. Вы указываете область интереса, период времени, платите указанную сумму и получаете снимок. По ценам есть детали, о которых скажем позже.
Подписка — фиксированная периодическая плата за доступ к определенным видам снимков. У многих провайдеров спутниковых данных есть подписные программы: Planet Monitoring, Airbus Living Library, Maxar SecureWatch и т. п. Стоимость подписки имеет порядок десятков тысяч долларов месяц, но зато дает непрерывный доступ к снимкам.
Базовая карта (basemaps) — это глобальная мозаика из снимков с разрешением 30–70 см и возрастом от 1 до 5 лет. Проще говоря, это спутниковая карта из Яндекс.Карт. Базовые карты должны постоянно обновляться. Для этого отбираются наименее облачные снимки и может оказаться, что один участок карты представлен свежим снимком, а соседний — снимком годичной давности. Об оперативности здесь можно забыть. По ценам: годовая лицензия на данные Bing Maps, в зависимости от количества пользователей, стоит около 5000 евро.
Наконец, государственные контракты — это когда государственная организация выкупает снимки у провайдера и предоставляет их потребителям на своих условиях, в том числе, бесплатно. Если вы попадали в число таких потребителей, значит вам повезло.
Что касается оплаты по факту. Основное различие в ценах зависит от того, приобретаются архивные данные или делается заказ на новую съемку. В обоих случаях цена за км² зависит от пространственного разрешения данных. Естественно, данные с более высоким разрешением стоят дороже.
Важную роль при составлении бюджета на закупку снимков играет минимальная площадь заказа. Например, Airbus предлагает минимальный заказ в 100 км². То есть, даже если вам нужен участок площадью 1 км², купить придется 100 км². Здесь нужно искать сочетание низкой цены и минимальной площади заказа.
В последние годы появились онлайн-площадки, предлагающие спутниковые снимки одновременно от десятка поставщиков по модели оплаты по факту. Они дают возможность отфильтровать нужные данные и сравнить различные предложения между собой. Такие площадки легко ищутся в сети. Ситуация с ними довольно быстро меняется, так что мы не рискнем советовать вам какую-то определенную.
Для понимания порядка цен — вот данные Landinfo за июль 2023 года. Они не самые дешевые, но дают представление о соотношении цен на архивные данные и на новую съемку, а также на данные с разным пространственным разрешением.
Ледник Маласпина на Аляске — один из популярнейших объектов на этом канале, в чем можно легко убедиться при помощи поиска. Поэтому очередной снимок этого ледника в Earth Observatory мы думали проигнорировать. Однако, снимок приобрел неожиданную популярность в сети, а его описание обросло некоторым количеством ошибок. Поэтому — Маласпина снова возвращается.
Снимок 1️⃣ ледника сделан 27 октября 2023 года спутником Sentinel-2* и представлен в комбинации каналов: 1-8-12 (coastal/aerosol, ближний ИК, коротковолновой ИК). В этой довольно редкой комбинации водные объекты отображаются красным, оранжевым и желтым цветами, растительность — зеленым, а горные породы — оттенками голубого. Темные синевато-фиолетовые “складки” по краям ледника — это морены — области, где откладываются почва, камни и другие обломки, соскобленные ледником во время его движения.
Построить снимок самому можно здесь.
Заметим, что оригинальный снимок был сделан Landsat 9 в тот же день, и представлен в аналогичной комбинации 1-5-7.
Теперь об ошибках и “трудностях перевода”. В публикации Space.com показана “скрытая лагуна” 2️⃣, обнаруженная на снимке. При ближайшем рассмотрении, она оказалась озером Маласпина, которое есть на любой карте.
Ученые действительно исследовали лагуны, расположенные на тонкой полоске земли между ледником и океаном (Гугл называет его “Север Пасифик Ошен”), и выяснили, что вода в них почти такая же соленая, как в океане. Но это — другие лагуны 3️⃣.
В русскоязычной статье добавлена пикантная деталь о том, что "тайную лагуну" можно увидеть только со спутника.
Исследователи обнаружили, что под ледником сквозь коренную породу проходят подледные каналы с водой. “Они простираются подо льдом на глубину до 35 километров” (источник). Нет, Кольская сверхглубокая может спать спокойно. Ее славе ничто не угрожает, поскольку речь идет о длине каналов, а не о глубине.
Что можно сказать по этому поводу? Читайте первоисточники.
*Точнее: прибором MSI спутника Sentinel-2B.
#комбинация #GEE #лед
Снимок 1️⃣ ледника сделан 27 октября 2023 года спутником Sentinel-2* и представлен в комбинации каналов: 1-8-12 (coastal/aerosol, ближний ИК, коротковолновой ИК). В этой довольно редкой комбинации водные объекты отображаются красным, оранжевым и желтым цветами, растительность — зеленым, а горные породы — оттенками голубого. Темные синевато-фиолетовые “складки” по краям ледника — это морены — области, где откладываются почва, камни и другие обломки, соскобленные ледником во время его движения.
Построить снимок самому можно здесь.
Заметим, что оригинальный снимок был сделан Landsat 9 в тот же день, и представлен в аналогичной комбинации 1-5-7.
Теперь об ошибках и “трудностях перевода”. В публикации Space.com показана “скрытая лагуна” 2️⃣, обнаруженная на снимке. При ближайшем рассмотрении, она оказалась озером Маласпина, которое есть на любой карте.
Ученые действительно исследовали лагуны, расположенные на тонкой полоске земли между ледником и океаном (Гугл называет его “Север Пасифик Ошен”), и выяснили, что вода в них почти такая же соленая, как в океане. Но это — другие лагуны 3️⃣.
В русскоязычной статье добавлена пикантная деталь о том, что "тайную лагуну" можно увидеть только со спутника.
Исследователи обнаружили, что под ледником сквозь коренную породу проходят подледные каналы с водой. “Они простираются подо льдом на глубину до 35 километров” (источник). Нет, Кольская сверхглубокая может спать спокойно. Ее славе ничто не угрожает, поскольку речь идет о длине каналов, а не о глубине.
Что можно сказать по этому поводу? Читайте первоисточники.
*Точнее: прибором MSI спутника Sentinel-2B.
#комбинация #GEE #лед
Forwarded from Росатом
Встреча на Енисее. С левой стороны - атомный ледокол «Таймыр», с правой - универсальный атомный ледокол «Урал», а на переднем плане - универсальный атомный ледокол «Сибирь».
👌 Подписывайтесь на «Росатом»
#фото #Атомфлот
#фото #Атомфлот
Please open Telegram to view this post
VIEW IN TELEGRAM
Бесплатные спутниковые снимки высокого пространственного разрешения
🛰Оптика
* Maxar Product Samples: https://resources.maxar.com/product-samples
* Maxar Open Data Program: https://registry.opendata.aws/maxar-open-data/
* Airbus Defence & Space Sample satellite imagery*: https://intelligence.airbus.com/imagery/sample-imagery/
* Planet NICFI Basemaps: https://www.planet.com/nicfi/
* Образцы спутниковых данных от European Space Imaging: https://www.euspaceimaging.com/samples/
🛰Радары
* Capella Space Synthetic Aperture Radar (SAR) Open Dataset: https://registry.opendata.aws/capella_opendata/
* Umbra Synthetic Aperture Radar (SAR) Open Data: https://yangx.top/sputnikDZZ/584 https://registry.opendata.aws/umbra-open-data/
* ICEYE SAR Datasets: https://www.iceye.com/downloads/datasets
* Synspective SAR Data Gallery: https://synspective.com/gallery/
В большинстве случаев требуется бесплатная регистрация.
*Не регистрирует на эл. почту от бесплатных провайдеров, вроде gmail.com.
#данные
🛰Оптика
* Maxar Product Samples: https://resources.maxar.com/product-samples
* Maxar Open Data Program: https://registry.opendata.aws/maxar-open-data/
* Airbus Defence & Space Sample satellite imagery*: https://intelligence.airbus.com/imagery/sample-imagery/
* Planet NICFI Basemaps: https://www.planet.com/nicfi/
* Образцы спутниковых данных от European Space Imaging: https://www.euspaceimaging.com/samples/
🛰Радары
* Capella Space Synthetic Aperture Radar (SAR) Open Dataset: https://registry.opendata.aws/capella_opendata/
* Umbra Synthetic Aperture Radar (SAR) Open Data: https://yangx.top/sputnikDZZ/584 https://registry.opendata.aws/umbra-open-data/
* ICEYE SAR Datasets: https://www.iceye.com/downloads/datasets
* Synspective SAR Data Gallery: https://synspective.com/gallery/
В большинстве случаев требуется бесплатная регистрация.
*Не регистрирует на эл. почту от бесплатных провайдеров, вроде gmail.com.
#данные
Сегодня будет один длинный текст, разделенный на несколько постов: ответ на вопросы читателей о характеристиках пространственного разрешения.
Пространственное разрешение
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Существует множество характеристик пространственного разрешения. “Никакая другая характеристика изображений не упоминается так часто и одновременно с этим так неправильно, как разрешение. Интуитивно понятное значение этого термина очень трудно определить количественно” (Шовенгердт, 2010).
Попробуем разобраться, какой показатель выбрать для оценки потребительских свойств космического снимка, с точки зрения его дешифрирования (интерпретации).
Показатель разрешающая способность обычно используется для оценки возможности снимка раздельно передавать линейные близко расположенные объекты. Понятие пространственное разрешение связывают с размером самого маленького объекта, который можно различить на снимке. Как видно, неопределенность присутствует даже на уровне базовых понятий. Поэтому начать наш рассказ придется издалека.
Мы поговорим о характеристиках, связанные с пространственным разрешением, не касаясь других видов разрешения: радиометрического, спектрального и т. п. Ограничимся рассмотрением оптико-электронной съемки в видимом, инфракрасном и тепловом инфракрасном диапазонах. Микроволновую съемку (радары) затрагивать не будем, поскольку там используется другой способ формирования изображения.
Важно! Мы не является специалистами в области оценки пространственного разрешения систем ДЗЗ. Поэтому дальше вы встретите наши любительские рассуждения. Список источников, на которые мы опирались в своих выводах, прилагаем ниже.
#основы
Литература
1. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. — М.: Техносфера, 2010. — 560 с.
2. Joseph, G. How to Specify an Electro-optical Earth Observation Camera? A Review of the Terminologies Used and its Interpretation // Journal Indian Soc. Remote Sens. — 2020. — V. 48. — P. 171–180. https://doi.org/10.1007/s12524-020-01105-8
3. Геча В. Я., Жиленев М. Ю., Новоселов С. А. Обзор средств оценки составляющих качества изображения на выходе спутниковой оптико-электронной аппаратуры дистанционного зондирования Земли в целях обеспечения бортовой обработки снимков на борту космического аппарата // Вопросы электромеханики. Труды ВНИИЭМ. — 2021. — Т. 185, № 6. — C. 38–48.
4. Современные технологии обработки данных дистанционного зондирования Земли / Под ред. В.В. Еремеева. — М.: Физматлит, 2015. — 460 с. В первую очередь: глава 7.
5. Fiete, R. D. Image Chain Analysis for Space Imaging Systems // Journal of Imaging Science and Technology. — 2007. — V. 51, N 2. — P. 103–109.
1. Шовенгердт Р.А. Дистанционное зондирование. Модели и методы обработки изображений. — М.: Техносфера, 2010. — 560 с.
2. Joseph, G. How to Specify an Electro-optical Earth Observation Camera? A Review of the Terminologies Used and its Interpretation // Journal Indian Soc. Remote Sens. — 2020. — V. 48. — P. 171–180. https://doi.org/10.1007/s12524-020-01105-8
3. Геча В. Я., Жиленев М. Ю., Новоселов С. А. Обзор средств оценки составляющих качества изображения на выходе спутниковой оптико-электронной аппаратуры дистанционного зондирования Земли в целях обеспечения бортовой обработки снимков на борту космического аппарата // Вопросы электромеханики. Труды ВНИИЭМ. — 2021. — Т. 185, № 6. — C. 38–48.
4. Современные технологии обработки данных дистанционного зондирования Земли / Под ред. В.В. Еремеева. — М.: Физматлит, 2015. — 460 с. В первую очередь: глава 7.
5. Fiete, R. D. Image Chain Analysis for Space Imaging Systems // Journal of Imaging Science and Technology. — 2007. — V. 51, N 2. — P. 103–109.
Простейшая геометрическая схема съемки с расположением детекторного элемента (пикселя) в фокальной плоскости датчика показана на рисунке 1️⃣.
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Мгновенное поле обзора (GIFOV, ground instantaneous field of view) соответствует отечественному термину номинальное пространственное разрешение (размер проекции пикселя): размер проекции на поверхность Земли в надир элемента дискретизации (пикселя) цифрового детектора целевой аппаратуры дистанционного зондирования Земли из космоса для зачетной высоты орбиты космического аппарата (ГОСТ Р 59481–2021, пункт 3.2).
Номинальное пространственное разрешение характеризует идеальную съемочную систему (без искажений, без колебаний космического аппарата и т. п.) при идеальных условиях съемки (в частности, при отсутствии атмосферы).
В реальной ситуации из-за размытия изображения, связанного с работой оптики, детекторов и электроники датчика, размер проекции пиксела увеличивается по сравнению с номинальным значением. Так, размер проекции пиксела системы Landsat ТМ оказался равным 40–45 м вместо заявленных 30 м (Шовенгердт, 2010).
Таким образом, для оценки реального пространственного разрешения съемочной системы одного номинального пространственного разрешения недостаточно. В качестве дополнительных характеристик используются отношение сигнал/шум и функция передачи модуляции (Modulation Transfer Function, MTF) (Joseph, 2020; Геча и др., 2021). Все эти параметры указываются в техническом руководстве по съемочной системе (пример), но воспользоваться ими для выбора снимков будет весьма непросто.
Проблема усугубляется тем, что характеристики съемочной аппаратуры, номинальные и реальные, дают лишь косвенное представление о возможности различения объектов на снимке. Нужно также учитывать условия съемки: состояние атмосферы, угол восхождения Солнца, рельеф местности, неоднородность объектов и фона и т. п. При этом хорошо известно, что на снимке можно обнаруживать и объекты, существенно меньшие размера пикселя, если их контрастность достаточно велика по сравнению с окружающим фоном (например, шоссе на фоне окружающей растительности). Поэтому на практике для выбора снимков часто используется самый простой подход: берется номинальное пространственное разрешение, умноженное на некоторую константу (например, на √2).
#основы
Есть еще одна простая характеристика — наземный интервал дискретизации (GSD, ground sample distance или GSI — ground sample interval). Это расстояние на земной поверхности, соответствующее расстоянию между центрами соседних пикселов.
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Различие между номинальным пространственным разрешением и наземным интервалом дискретизации показано на рисунке 2️⃣ (Шовенгердт, 2010). В некоторых системах ДЗЗ (на рисунке это Landsat MSS и AVHRR) используется более высокая частота поперечной дискретизации, что приводит к наложению мгновенных полей обзора и, как следствие, к некоторому улучшению качества данных.
Нередко производитель по своему усмотрению передискретизирует (интерполирует) данные так, чтобы пиксель на снимке был меньше номинального разрешения. В этом случае то, что производитель указывает как GSD, — это расстояние между центрами пикселей, измеренное на местности после передискретизации исходных данных.
Типичный пример — разрешение данных приборов Landsat TIRS и TIRS-2 в Landsat Collection 2. Размер пиксела на снимке равен 30 м, хотя номинальное пространственное разрешение составляет 100 м. Такой выбор размера пиксела позволяет хранить вместе данные TIRS/TIRS-2 и данные OLI/OLI-2, номинальное пространственное разрешение которых как раз и составляет 30 м.
Итак, GSD — это характеристика продукции системы ДЗЗ: размер пиксела снимков определенного уровня обработки. GSD нужно помещать в руководства пользователя данными ДЗЗ, но оно лишь косвенно указывает на характеристики аппаратуры и, тем более, — на возможность различения объектов на снимке.
#основы
Подведем итоги. При выборе снимков для решения практических задач чаще всего применяют номинальное пространственное разрешение или наземный интервал дискретизации (GSD). Они дают косвенное представление о возможности различения объектов на снимке и используются, в основном, благодаря своей простоте. Для объективной оценки пространственного разрешения снимков применяют технологии, основанные на статистическом анализе изображений, полученных в ходе испытаний на заданной системе тестов (Современные технологии обработки данных ДЗЗ, 2015).
#основы
#основы
Для объективной оценки пространственного разрешения применяют технологии, основанные на статистическом анализе изображений, получаемых в ходе летных испытаний и эксплуатации космического аппарата ДЗЗ (Современные технологии обработки данных ДЗЗ, 2015).
Причем здесь статистика? Вот, например, одна их характеристик для оценки возможности различения объектов на снимке — линейное разрешение на местности. Это минимальный период периодической решетки из трех или более протяженных параллельных объектов одинаковой яркости на поверхности Земли при заданном контрасте, которые отдельно различимы или потенциально могли бы быть отдельно различимы на данных дистанционного зондирования Земли из космоса (ГОСТ Р 59478–2021, пункт 3.1.3). Так вот: линейное разрешение следует определять при четырех разных положениях периодической решетки относительно маршрута съемки с космического аппарата ДЗЗ — под углами 0°, 45°, 90° и 135°. Все эти измерения будут проходит при разных условиях съемки, поэтому нужно установить зачетные условия.
Результат подобных измерений приведен на рисунке 3️⃣ (в правом нижнем углу; источник). Заметим, что оценка пространственного разрешения носит вероятностный характер.
Причем здесь статистика? Вот, например, одна их характеристик для оценки возможности различения объектов на снимке — линейное разрешение на местности. Это минимальный период периодической решетки из трех или более протяженных параллельных объектов одинаковой яркости на поверхности Земли при заданном контрасте, которые отдельно различимы или потенциально могли бы быть отдельно различимы на данных дистанционного зондирования Земли из космоса (ГОСТ Р 59478–2021, пункт 3.1.3). Так вот: линейное разрешение следует определять при четырех разных положениях периодической решетки относительно маршрута съемки с космического аппарата ДЗЗ — под углами 0°, 45°, 90° и 135°. Все эти измерения будут проходит при разных условиях съемки, поэтому нужно установить зачетные условия.
Результат подобных измерений приведен на рисунке 3️⃣ (в правом нижнем углу; источник). Заметим, что оценка пространственного разрешения носит вероятностный характер.
Отметим еще два способа оценки качества изображений.
* National Imagery Interpretability Rating Scale (NIIRS) — американская субъективная шкала оценки качества изображений, полученных с помощью различных типов систем ДЗЗ. Шкала определяет различные уровни качества/интерпретируемости изображений на основе типов задач, которые аналитик может выполнять с изображениями, имеющими данный рейтинг NIIRS (Fiete, 2007).
* Image Quality Factor — комплексная объективная оценка качества изображения, которая определяется по функции передачи модуляции и отношению сигнал/шум, измеренным на растровом изображении (Геча и др., 2021).
* National Imagery Interpretability Rating Scale (NIIRS) — американская субъективная шкала оценки качества изображений, полученных с помощью различных типов систем ДЗЗ. Шкала определяет различные уровни качества/интерпретируемости изображений на основе типов задач, которые аналитик может выполнять с изображениями, имеющими данный рейтинг NIIRS (Fiete, 2007).
* Image Quality Factor — комплексная объективная оценка качества изображения, которая определяется по функции передачи модуляции и отношению сигнал/шум, измеренным на растровом изображении (Геча и др., 2021).
Подвела отложенная публикация сообщений в Телеграм: пост с линейным разрешением на местности появился раньше выводов. Просим прощения за неудобства.
Военно-воздушные силы Индии будут преобразованы в Воздушно-космические силы
По сообщению The Times of India, Военно-воздушные силы Индии (Indian Air Force, IAF) в ближайшее время будут преобразованы в Воздушно-космические силы Индии (Indian Air and Space Force, IASF).
IAF также рассчитывает, что в ближайшие семь-восемь лет у Индии будет более 100 “больших и малых”* военных спутников, созданных с помощью частного сектора, а созданное в 2019 году tri-Service Defence Space Agency превратится в полноценное Космическое командование.
Напомним, что в августе 2013 года Индия объявила об успешном выводе на орбиту первого военного спутника GSAT-7, а марте 2019 года провела успешные испытания противоспутникового оружия: ракета системы АSAT через три минуты после старта сбила космический аппарат, находившийся на низкой околоземной орбите (высотой 283 км).
*Так в сообщении.
#война #индия
По сообщению The Times of India, Военно-воздушные силы Индии (Indian Air Force, IAF) в ближайшее время будут преобразованы в Воздушно-космические силы Индии (Indian Air and Space Force, IASF).
IAF также рассчитывает, что в ближайшие семь-восемь лет у Индии будет более 100 “больших и малых”* военных спутников, созданных с помощью частного сектора, а созданное в 2019 году tri-Service Defence Space Agency превратится в полноценное Космическое командование.
Напомним, что в августе 2013 года Индия объявила об успешном выводе на орбиту первого военного спутника GSAT-7, а марте 2019 года провела успешные испытания противоспутникового оружия: ракета системы АSAT через три минуты после старта сбила космический аппарат, находившийся на низкой околоземной орбите (высотой 283 км).
*Так в сообщении.
#война #индия
The Times of India
Indian Air and Space Force: IAF goes full throttle to turn into an 'aerospace power' | India News - Times of India
India News: The Indian Air Force (IAF) is undergoing a transformation to become the Indian Air and Space Force (IASF) in order to enhance its capabilities in the
Forwarded from Музей космонавтики в Москве
Друзья, приглашаем вас на лекцию о космических данных, которые нас окружают!
💙 12 декабря в 16:00 мы разберёмся в том, что такое спутниковые данные, как работают наземные станции приема спутниковых данных, как происходит получение и обработка данных из космоса.
🔵 Приглашённый спикер Кирилл Стариков, руководитель проекта наземных станций ООО «Геоскан», расскажет вам всё о космических данных и ответит на ваши вопросы.
Регистрация уже открыта!
〰️ Лекция организована проектом Space-π совместно с компанией «Образование будущего».
Прямой эфир и запись👉 здесь.
Регистрация уже открыта!
Прямой эфир и запись
Please open Telegram to view this post
VIEW IN TELEGRAM
Количество мероприятий в ноябре, связанных с развитием российской отрасли ДЗЗ, не позволило нам рассмотреть материалы конференции “Наука на МКС”. Сегодня возвращаем “должок”. Нас интересовало направление “Дистанционное зондирование Земли и атмосферы на МКС”. Основное внимание уделим обзорному докладу Е. А. Лупяна.