GEE-41. Дополнительная обработка данных Sentinel-2 Surface Reflectance
Данные Sentinel-2 MSI Surface Reflectance — это данные 2-го уровня и, после маскирования облаков и теней, они полностью готовы к работе. Тем не менее, в некоторых случаях дополнительная обработка снимков может существенно улучшить качество результатов. Мы имеем в виду две операции — топографическую коррекцию и коррекцию угла съемки в надир.
Топографическая коррекция — учет вариаций отражательной способности (сходных объектов), вызванных наклоном, ориентацией склона и высотой. Топографическая коррекция нужна не всегда, но в горной или пересеченной местности она может быть важнее атмосферной коррекции.
Коррекция угла съемки в надир — освещенность снимка корректируется так, будто снимок сделан точно в надир. Реализуется с помощью двулучевой функции отражательной способности (Bidirectional Reflectance Distribution Function, BRDF), известной по результатам наблюдений. Выполняется после топографической коррекции. Результат называется: Nadir BRDF-Adjusted Reflectance (NBAR).
Обе вида коррекции и JavaScript-код для них приведены здесь, а также в Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
BRDF- и топо-коррекция основаны на коде из статьи Poortinga, A. et al. Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification. Remote Sens. 2019, 11, 831. https://doi.org/10.3390/rs11070831 (в конце статьи есть ссылки на JavaScript-код).
Реализацию для GEE Python API можно найти здесь и здесь.
Отметим, что Nguen et al. (2020) решает более общую задачу гармонизации данных Sentinel-2 и Landsat 8/9, то есть создание объединенного набора данных этих спутников.
Частичное решение этой задачи уже известно — это данные Harmonized Landsat Sentinel-2 (HLS). Они основаны на работе: Claverie, M., Ju, J., Masek, J. G., Dungan, J. L., Vermote, E. F., Roger, J.-C., Skakun, S. V., & Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, 219, 145–161. https://doi.org/10.1016/j.rse.2018.09.002. Nguen et al. (2020) пытаются реализовать аналогичный подход средствами Google Earth Engine.
Увы, идеального объединения данных Sentinel-2 и Landsat не получилось. Тем не менее, с работами стоит ознакомится, так как ряд описанных в них операций пригодится в других задачах. Например, корегистрация снимков или радиометрическая кросс-калибровка (выравнивание) данных двух сенсоров.
#sentinel2 #landsat #GEE #основы
Данные Sentinel-2 MSI Surface Reflectance — это данные 2-го уровня и, после маскирования облаков и теней, они полностью готовы к работе. Тем не менее, в некоторых случаях дополнительная обработка снимков может существенно улучшить качество результатов. Мы имеем в виду две операции — топографическую коррекцию и коррекцию угла съемки в надир.
Топографическая коррекция — учет вариаций отражательной способности (сходных объектов), вызванных наклоном, ориентацией склона и высотой. Топографическая коррекция нужна не всегда, но в горной или пересеченной местности она может быть важнее атмосферной коррекции.
Коррекция угла съемки в надир — освещенность снимка корректируется так, будто снимок сделан точно в надир. Реализуется с помощью двулучевой функции отражательной способности (Bidirectional Reflectance Distribution Function, BRDF), известной по результатам наблюдений. Выполняется после топографической коррекции. Результат называется: Nadir BRDF-Adjusted Reflectance (NBAR).
Обе вида коррекции и JavaScript-код для них приведены здесь, а также в Nguyen, M.D.; Baez-Villanueva, O.M.; Bui, D.D.; Nguyen, P.T.; Ribbe, L. Harmonization of Landsat and Sentinel 2 for Crop Monitoring in Drought Prone Areas: Case Studies of Ninh Thuan (Vietnam) and Bekaa (Lebanon). Remote Sens. 2020, 12, 281. https://doi.org/10.3390/rs12020281
BRDF- и топо-коррекция основаны на коде из статьи Poortinga, A. et al. Mapping Plantations in Myanmar by Fusing Landsat-8, Sentinel-2 and Sentinel-1 Data along with Systematic Error Quantification. Remote Sens. 2019, 11, 831. https://doi.org/10.3390/rs11070831 (в конце статьи есть ссылки на JavaScript-код).
Реализацию для GEE Python API можно найти здесь и здесь.
Отметим, что Nguen et al. (2020) решает более общую задачу гармонизации данных Sentinel-2 и Landsat 8/9, то есть создание объединенного набора данных этих спутников.
Частичное решение этой задачи уже известно — это данные Harmonized Landsat Sentinel-2 (HLS). Они основаны на работе: Claverie, M., Ju, J., Masek, J. G., Dungan, J. L., Vermote, E. F., Roger, J.-C., Skakun, S. V., & Justice, C. (2018). The Harmonized Landsat and Sentinel-2 surface reflectance data set. Remote Sensing of Environment, 219, 145–161. https://doi.org/10.1016/j.rse.2018.09.002. Nguen et al. (2020) пытаются реализовать аналогичный подход средствами Google Earth Engine.
Увы, идеального объединения данных Sentinel-2 и Landsat не получилось. Тем не менее, с работами стоит ознакомится, так как ряд описанных в них операций пригодится в других задачах. Например, корегистрация снимков или радиометрическая кросс-калибровка (выравнивание) данных двух сенсоров.
#sentinel2 #landsat #GEE #основы
Отчего зависит цвет морской воды?
Отвечаем на вопрос читателя.
Вопрос “отчего зависит цвет воды?” — далеко не простой. Цвет чистой морской воды зависит от поглощения водой света разных длин волн. Красные и оранжевые лучи спектра поглощаются уже на незначительной глубине 1️⃣. Голубые и фиолетовые лучи поглощаются гораздо слабее, и потому имеют больше шансов отразиться в направлении поверхности. В результате, вода кажется голубой.
При небольшой глубине или низкой прозрачности воды, наряду с голубыми лучами, от дна или взвешенных в воде частиц отражаются также красные и оранжевые лучи. Вместе они придают воде зеленый цвет. На совсем небольшой глубине (у кромки берега или в стакане) различия в поглощении света разных цветов не успевают сказаться, и вода выглядит бесцветной.
На цвет морской воды влияют примеси, приносимые реками. Желтое море получает свой желтый цвет из-за выносимого реками лесса. В Красном море у берегов обитают микроорганизмы красноватого цвета. Выносимый реками торф делает воду почти черной. Примеси влияют на цвет воды у берегов, но вдали их влияние сходит на нет.
На цвет морской воды может влиять фосфоресценция микроорганизмов.
Цвет воды зависит от цвета неба: в ясную погоду море выглядит более голубым или синим, в пасмурную его цвет сменяется на серый (свинцовый).
Цвет морской воды колеблется между зеленым, голубым и кобальтово-синим. Замечено, что более соленая и теплая вода имеет более интенсивный голубой цвет, тогда как холодная и менее соленая имеет зеленоватый оттенок. Поэтому южные моря обычно голубые, а северные — зеленые. Над более глубокими местами цвет голубой, над менее глубокими — зеленый. Чем выше соленость воды, тем скорее происходит осаждение мелкой мути, вследствие чего увеличивается прозрачность воды, отсюда и ее более синий цвет.
Важно! Мы не является специалистами в данном вопросе. Все, что здесь изложено, мы узнали из научно-популярных книг и учебника “Основы оптики океана” (конкретно — отсюда).
#вода #основы
Отвечаем на вопрос читателя.
Вопрос “отчего зависит цвет воды?” — далеко не простой. Цвет чистой морской воды зависит от поглощения водой света разных длин волн. Красные и оранжевые лучи спектра поглощаются уже на незначительной глубине 1️⃣. Голубые и фиолетовые лучи поглощаются гораздо слабее, и потому имеют больше шансов отразиться в направлении поверхности. В результате, вода кажется голубой.
При небольшой глубине или низкой прозрачности воды, наряду с голубыми лучами, от дна или взвешенных в воде частиц отражаются также красные и оранжевые лучи. Вместе они придают воде зеленый цвет. На совсем небольшой глубине (у кромки берега или в стакане) различия в поглощении света разных цветов не успевают сказаться, и вода выглядит бесцветной.
На цвет морской воды влияют примеси, приносимые реками. Желтое море получает свой желтый цвет из-за выносимого реками лесса. В Красном море у берегов обитают микроорганизмы красноватого цвета. Выносимый реками торф делает воду почти черной. Примеси влияют на цвет воды у берегов, но вдали их влияние сходит на нет.
На цвет морской воды может влиять фосфоресценция микроорганизмов.
Цвет воды зависит от цвета неба: в ясную погоду море выглядит более голубым или синим, в пасмурную его цвет сменяется на серый (свинцовый).
Цвет морской воды колеблется между зеленым, голубым и кобальтово-синим. Замечено, что более соленая и теплая вода имеет более интенсивный голубой цвет, тогда как холодная и менее соленая имеет зеленоватый оттенок. Поэтому южные моря обычно голубые, а северные — зеленые. Над более глубокими местами цвет голубой, над менее глубокими — зеленый. Чем выше соленость воды, тем скорее происходит осаждение мелкой мути, вследствие чего увеличивается прозрачность воды, отсюда и ее более синий цвет.
Важно! Мы не является специалистами в данном вопросе. Все, что здесь изложено, мы узнали из научно-популярных книг и учебника “Основы оптики океана” (конкретно — отсюда).
#вода #основы
Учебники проекта SEOS
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы
Science Education through Earth Observation for High Schools (SEOS) — проект по использованию данных ДЗЗ из космоса в старших классах школы. В рамках проекта было разработано 17 учебных пособий по основам дистанционного зондирования и его применению в разных областях науки и техники.
Учебники переведены на несколько европейских языков, причем один из них — Начала дистанционного зондирования — на русский язык. Уровень изложения — школьный.
Учебникам больше 10 лет, но они — про основы, которые с тех пор не изменились.
#основы
Обзор канала за октябрь
В октябре мы…
🖥 Приступили к изучению R (#R). Начали с основ языка: переменных и структур данных. Учебник по R собираем здесь. Основ осталось немного. В ноябре перейдем, наконец, к пространственным данным.
👨🏻💻 Знакомились с новыми коллекциями данных (#данные) и полезными инструментами. OpenTopography — сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. geojson.io — инструмент для создания, просмотра и обмена векторными картами. Satellites.pro — свободный агрегатор спутниковых изображений и карт. На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA, а также ESA CCI Global Forest Above Ground Biomass и AgERA5 (ECMWF) dataset.
🖥🛰 Изучали возможности Google Earth Engine (#GEE). Атмосферная коррекция данных Sentinel-2 Level-1C позволяет продлить временной ряд данных Sentinel-2 Surface Reflectance, начав его с 2015 года вместо 2019. Обобщили наши знания по маскированию облаков и теней на снимках Sentinel-2. Познакомились с топографической коррекцией и коррекцией угла съемки в надир для данных Sentinel-2 Surface Reflectance. Научились рассчитывать индексы состояния растений: VCI, TCI и VHI. Учебник по GEE с “живыми” примерами кода находится здесь. Более крупные проекты — здесь.
📖🛰 В рубрике “Основы ДЗЗ” ( #основы) обсудили влияние вулканов и стратосферных аэрозолей на климат. Разобрали, отчего зависит цвет морской воды и как распространение радарных сигналов в атмосфере зависит от длины волны. Cобрали учебники по ДЗЗ, подготовленные по проекту SEOS, в том числе, на русском языке.
📜 🗓 Вспоминали о том, как 66 лет назад Советский Союз запустил первый в мире искусственный спутник Земли. Познакомились с планами по созданию новой группировки метеоспутников NOAA — Near Earth Orbit Network, новой российской группировки спутников ДЗЗ “Грифон” и планами по развитию российской спутниковой группировки до 2036 года.
🚀Следили за запуском европейской ракеты-носителя Vega, которая успешно вывела на орбиту несколько интересных спутников, но только не космическую тросовую систему с электропроводящим тросом ESTCube-2. Ожидаем проведения российского эксперимента “Напор-миниРСА” по радарной съемке с борта МКС.
🔔 🗓 Публиковали анонсы конкурсов, турниров, соревнований и челенджей, связанных с космонавтикой и дистанционным зондированием, а также научных конференций и семинаров. На некоторые регистрация еще продолжается. Ищите их по хештегам: #конкурс #конференции Особенно отметим “Золотой лекторий” на Всероссийском фестивале NAUKA 0+ с десятками научно-популярных лекций российских ученых. Все записи доступны в VK.
🖥📡 Знакомились с новыми технологиями. 1️⃣ IDRS реализует двусторонний канал передачи данных через группировку геостационарных спутников INMARSAT-4, что позволяет компаниям-операторам спутников на низкой околоземной орбите в любой момент связаться со своими аппаратами. 2️⃣ Тепловая съемка на спутнике HotSat-1 реализована в среднем инфракрасном диапазоне. Возможно, определять температуру поверхности с его помощью станет сложнее, зато сенсор стал дешевле, а выявлять очаги возгораний такой выбор диапазона не помешает.
🔥🌋Следили за стихийными бедствиями: лесными пожарами в Индонезии и в Канаде (последние, наконец-то, пошли на спад), извержением вулкана Безымянный на Камчатке и тропическим циклоном “Лола” в Тихом океане.
📸 ❄️🌕 Рассматривали снимки мыса Челюскин, снимки Земли c японского лунного зонда SLIM, а также тень от Луны на поверхности Земли, возникшую в результате кольцеобразного солнечного затмения.
🌲 Много писали о лесе и оценках его биомассы: об углеродных кредитах и компенсациях, методе оценки надземной биомассы леса в проектах углеродной компенсации, данных ICESat-2 для оценки высоты леса, о том, где их взять, а также о том, как беспилотники ускоряют проведение лесной таксации.
В октябре число подписчиков канала превысило 500. Нам очень приятно!
Спасибо, что читаете.
#октябрь2023
В октябре мы…
🖥 Приступили к изучению R (#R). Начали с основ языка: переменных и структур данных. Учебник по R собираем здесь. Основ осталось немного. В ноябре перейдем, наконец, к пространственным данным.
👨🏻💻 Знакомились с новыми коллекциями данных (#данные) и полезными инструментами. OpenTopography — сервис для хранения топографических и батиметрических данных, а также инструментов для работы с этими данными. geojson.io — инструмент для создания, просмотра и обмена векторными картами. Satellites.pro — свободный агрегатор спутниковых изображений и карт. На Google Earth Engine появились данные Harmonized Landsat Sentinel-2 TOA, а также ESA CCI Global Forest Above Ground Biomass и AgERA5 (ECMWF) dataset.
🖥🛰 Изучали возможности Google Earth Engine (#GEE). Атмосферная коррекция данных Sentinel-2 Level-1C позволяет продлить временной ряд данных Sentinel-2 Surface Reflectance, начав его с 2015 года вместо 2019. Обобщили наши знания по маскированию облаков и теней на снимках Sentinel-2. Познакомились с топографической коррекцией и коррекцией угла съемки в надир для данных Sentinel-2 Surface Reflectance. Научились рассчитывать индексы состояния растений: VCI, TCI и VHI. Учебник по GEE с “живыми” примерами кода находится здесь. Более крупные проекты — здесь.
📖🛰 В рубрике “Основы ДЗЗ” ( #основы) обсудили влияние вулканов и стратосферных аэрозолей на климат. Разобрали, отчего зависит цвет морской воды и как распространение радарных сигналов в атмосфере зависит от длины волны. Cобрали учебники по ДЗЗ, подготовленные по проекту SEOS, в том числе, на русском языке.
📜 🗓 Вспоминали о том, как 66 лет назад Советский Союз запустил первый в мире искусственный спутник Земли. Познакомились с планами по созданию новой группировки метеоспутников NOAA — Near Earth Orbit Network, новой российской группировки спутников ДЗЗ “Грифон” и планами по развитию российской спутниковой группировки до 2036 года.
🚀Следили за запуском европейской ракеты-носителя Vega, которая успешно вывела на орбиту несколько интересных спутников, но только не космическую тросовую систему с электропроводящим тросом ESTCube-2. Ожидаем проведения российского эксперимента “Напор-миниРСА” по радарной съемке с борта МКС.
🔔 🗓 Публиковали анонсы конкурсов, турниров, соревнований и челенджей, связанных с космонавтикой и дистанционным зондированием, а также научных конференций и семинаров. На некоторые регистрация еще продолжается. Ищите их по хештегам: #конкурс #конференции Особенно отметим “Золотой лекторий” на Всероссийском фестивале NAUKA 0+ с десятками научно-популярных лекций российских ученых. Все записи доступны в VK.
🖥📡 Знакомились с новыми технологиями. 1️⃣ IDRS реализует двусторонний канал передачи данных через группировку геостационарных спутников INMARSAT-4, что позволяет компаниям-операторам спутников на низкой околоземной орбите в любой момент связаться со своими аппаратами. 2️⃣ Тепловая съемка на спутнике HotSat-1 реализована в среднем инфракрасном диапазоне. Возможно, определять температуру поверхности с его помощью станет сложнее, зато сенсор стал дешевле, а выявлять очаги возгораний такой выбор диапазона не помешает.
🔥🌋Следили за стихийными бедствиями: лесными пожарами в Индонезии и в Канаде (последние, наконец-то, пошли на спад), извержением вулкана Безымянный на Камчатке и тропическим циклоном “Лола” в Тихом океане.
📸 ❄️🌕 Рассматривали снимки мыса Челюскин, снимки Земли c японского лунного зонда SLIM, а также тень от Луны на поверхности Земли, возникшую в результате кольцеобразного солнечного затмения.
🌲 Много писали о лесе и оценках его биомассы: об углеродных кредитах и компенсациях, методе оценки надземной биомассы леса в проектах углеродной компенсации, данных ICESat-2 для оценки высоты леса, о том, где их взять, а также о том, как беспилотники ускоряют проведение лесной таксации.
В октябре число подписчиков канала превысило 500. Нам очень приятно!
Спасибо, что читаете.
#октябрь2023
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
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
Soil-Adjusted Vegetation Index (SAVI)
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы
Нормализованный разностный вегетационный индекс NDVI — это удобная и универсальная мера оценки состояния растительности, но — не идеальная. Когда поле покрыто редкой растительностью, NDVI может колебаться, даже если состояние растительности не меняется. Это происходит потому что почва на поле меняет яркость в зависимости от того, насколько она влажная или сухая.
Напомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
где NIR и Red обозначают отражательную способность в ближнем инфракрасном и в красном диапазонах соответственно.
Предположим, что 20% поля покрыто растительностью, а остальные 80% представляют собой открытую почву 1️⃣. После дождя эта почва станет влажной и, как следствие, более темной. При этом отражение в ближнем инфракрасном и красном диапазонах снизится примерно на одну и ту же величину 2️⃣. В результате NDVI поля увеличится. Напротив, сухая почва становится светлее, и это приводит к уменьшению NDVI 3️⃣.
Итак, исходный NDVI поля равнялся 0,21. После дождя он увеличился до 0,25, а для высохшей почвы упал до 0,17. И все это — без изменения состояния растительности!
Посмотрим, как “исправить” NDVI.
Изменение отражательной способности поля при изменении цвета почвы приводит к тому, что отражение в инфракрасном и в красном диапазонах увеличиваются или уменьшаются примерно на одинаковые величины. Предположим, что эти изменения действительно одинаковы, и обозначим величину изменения через ε. Тогда, с изменением отражательной способности почвы, NDVI будет равен
NDVI = ((NIR + ε) – (Red + ε)) / ((NIR + ε) + (Red + ε))
или
NDVI = (NIR – Red) / (NIR + Red + 2ε).
ε зависит от доли открытой почвы на поле и от цвета почвы. Если поле в основном покрыто растительностью и почвы не видно, то ε будет мало по сравнению с (NIR+RED), так что им можно пренебречь и мы получим обычную формулу NDVI. То есть, когда почвы не видно, NDVI не чувствителен к изменениям ее цвета.
Нас же интересует ситуация, когда почву видно хорошо...
#индексы #сельхоз #основы
SAVI. Часть 2
Вернемся к формуле
NDVI = (NIR – Red) / (NIR + Red + 2ε).
Обратите внимание, что ε не влияет на числитель NDVI. Если бы мы использовали в качестве индекса разность (NIR – RED), у нас бы не было проблем с изменением цвета почвы. Однако, возникла бы другая сложность: новый вегетационный индекс будет меняться в зависимости от освещенности. Когда общая интенсивность света составляет 50% от нормы (например, из-за умеренной облачности), (NIR – RED) тоже будет на 50% меньше. Отсюда и необходимость нормализации индекса путем деления на общую интенсивность (NIR + RED).
Чтобы уменьшить чувствительность формулы к ε, добавим в знаменатель константу L:
Стабилизированный NDVI = (NIR – Red) / (NIR + Red + 2ε + L).
Разберемся с тем, как выбрать L. Если L будет очень велико по сравнению с NIR и RED, то формула для вычисления стабилизированного NDVI превратится в
(NIR – Red) / (NIR + Red + 2ε + L) ≈ (NIR – Red) / L
Таким образом, для больших L чувствительность к ε исчезает. Зато формула сводится к масштабированной версии (NIR – RED), которая, как мы знаем, не работает.
Напротив, при L=0, мы вернемся к формуле NDVI, которая слишком чувствительна к ε.
Существует компромисс: выберем L достаточно большим, чтобы знаменатель был чувствителен к ε, но не слишком большим, чтобы не исчез эффект нормализации от деления на (NIR + RED).
Для конкретного региона можно определить свое значение L, откалибровав его на основе реальных данных. Однако в целом исследователи пришли к выводу, что L=0,5 создает вегетационный индекс, значительно менее чувствительный к цвету почвы, чем NDVI, и при этом достаточно нормализованный, чтобы общие изменения в интенсивности света не привели к существенному изменению индекса.
Осталось сделать последний шаг, чтобы сделать новый индекс удобным. Мы хотим, чтобы его значения находилась в интервале между –1 и 1. Увеличив знаменатель на L, мы добились того, что максимальное значение индекса (теоретически встречающееся при NIR=1, RED=0) стало равно 1/1+L. Если мы хотим, чтобы максимальное значение было равно 1, нам нужно умножить числитель на (1+L):
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L), где L = 0,5
Новый индекс называется Soil-Adjusted Vegetation Index или SAVI. Он предложен в работе: Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-x
SAVI варьируется в пределах от –1 до 1, малочувствителен к цвету почвы, нечувствителен к общей интенсивности света и увеличивается пропорционально состоянию и плотности растительности. Он лучше NDVI подходит для районов с разреженной растительностью, где цвет почвы может меняться.
#индексы #сельхоз #основы
Вернемся к формуле
NDVI = (NIR – Red) / (NIR + Red + 2ε).
Обратите внимание, что ε не влияет на числитель NDVI. Если бы мы использовали в качестве индекса разность (NIR – RED), у нас бы не было проблем с изменением цвета почвы. Однако, возникла бы другая сложность: новый вегетационный индекс будет меняться в зависимости от освещенности. Когда общая интенсивность света составляет 50% от нормы (например, из-за умеренной облачности), (NIR – RED) тоже будет на 50% меньше. Отсюда и необходимость нормализации индекса путем деления на общую интенсивность (NIR + RED).
Чтобы уменьшить чувствительность формулы к ε, добавим в знаменатель константу L:
Стабилизированный NDVI = (NIR – Red) / (NIR + Red + 2ε + L).
Разберемся с тем, как выбрать L. Если L будет очень велико по сравнению с NIR и RED, то формула для вычисления стабилизированного NDVI превратится в
(NIR – Red) / (NIR + Red + 2ε + L) ≈ (NIR – Red) / L
Таким образом, для больших L чувствительность к ε исчезает. Зато формула сводится к масштабированной версии (NIR – RED), которая, как мы знаем, не работает.
Напротив, при L=0, мы вернемся к формуле NDVI, которая слишком чувствительна к ε.
Существует компромисс: выберем L достаточно большим, чтобы знаменатель был чувствителен к ε, но не слишком большим, чтобы не исчез эффект нормализации от деления на (NIR + RED).
Для конкретного региона можно определить свое значение L, откалибровав его на основе реальных данных. Однако в целом исследователи пришли к выводу, что L=0,5 создает вегетационный индекс, значительно менее чувствительный к цвету почвы, чем NDVI, и при этом достаточно нормализованный, чтобы общие изменения в интенсивности света не привели к существенному изменению индекса.
Осталось сделать последний шаг, чтобы сделать новый индекс удобным. Мы хотим, чтобы его значения находилась в интервале между –1 и 1. Увеличив знаменатель на L, мы добились того, что максимальное значение индекса (теоретически встречающееся при NIR=1, RED=0) стало равно 1/1+L. Если мы хотим, чтобы максимальное значение было равно 1, нам нужно умножить числитель на (1+L):
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L), где L = 0,5
Новый индекс называется Soil-Adjusted Vegetation Index или SAVI. Он предложен в работе: Huete, A. R. (1988). A soil-adjusted vegetation index (SAVI). Remote Sensing of Environment, 25(3), 295–309. https://doi.org/10.1016/0034-4257(88)90106-x
SAVI варьируется в пределах от –1 до 1, малочувствителен к цвету почвы, нечувствителен к общей интенсивности света и увеличивается пропорционально состоянию и плотности растительности. Он лучше NDVI подходит для районов с разреженной растительностью, где цвет почвы может меняться.
#индексы #сельхоз #основы
SAVI. Часть 3
Сравним NDVI и SAVI.
На рисунке 1️⃣ показана разница между NDVI и SAVI при различной плотности растительности. При редкой и умеренной растительности NDVI имеет значительный разброс значений из-за чувствительности к цвету почвы. SAVI имеет гораздо меньший разброс. Разброс NDVI уменьшается, когда плотность растительности высока и почва закрыта растительным покровом.
Кроме малой чувствительности к цвету почвы, существует еще одно преимущество, которое SAVI приобретает благодаря дополнительному члену L: порог насыщения SAVI выше, чем NDVI.
Вспомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
Когда Red приближается к нулю, NDVI будет расти вместе с NIR, асимптотически приближаясь к единице. Все большее увеличение NIR оказывает все меньшее влияние на NDVI, то есть происходит насыщение.
Рассмотрим эффект от добавления L к знаменателю
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L)
SAVI тоже достигнет насыщения, но это произойдет при большем значении NIR. Чтобы понять как это работает, зададим RED = 0 и сделаем L гораздо больше, чем NIR. В таком случае, в знаменателе формулы будет преобладать L, а вся формула сводится к (1+L)NIR/L. Она линейно возрастает с увеличением NIR, выпуклости графика нет, а значит, нет и насыщения 2️⃣. Таким образом, точка насыщения увеличивается вместе с увеличением L.
Таким образом, дополнительный член в знаменателе позволяет SAVI регистрировать увеличение плотности растительности даже после того, как NDVI вошел в насыщение.
Подведем итоги:
1. SAVI, как правило, используется вместо NDVI в ситуации, когда видна значительная часть почвы и возможны изменения ее яркости.
2. SAVI не имеет однозначного превосходства перед NDVI: смягчая эффекты яркости почвы, в нем нарушается нечувствительность индекса к общей интенсивности света (за счет добавления L).
3. Меньшая чувствительность SAVI к насыщению позволяет использовать этот индекс для оценки состояния густой растительности.
#индексы #сельхоз #основы
Сравним NDVI и SAVI.
На рисунке 1️⃣ показана разница между NDVI и SAVI при различной плотности растительности. При редкой и умеренной растительности NDVI имеет значительный разброс значений из-за чувствительности к цвету почвы. SAVI имеет гораздо меньший разброс. Разброс NDVI уменьшается, когда плотность растительности высока и почва закрыта растительным покровом.
Кроме малой чувствительности к цвету почвы, существует еще одно преимущество, которое SAVI приобретает благодаря дополнительному члену L: порог насыщения SAVI выше, чем NDVI.
Вспомним формулу NDVI
NDVI = (NIR – Red) / (NIR + Red),
Когда Red приближается к нулю, NDVI будет расти вместе с NIR, асимптотически приближаясь к единице. Все большее увеличение NIR оказывает все меньшее влияние на NDVI, то есть происходит насыщение.
Рассмотрим эффект от добавления L к знаменателю
SAVI = (1 + L)(NIR – Red) / (NIR + Red + L)
SAVI тоже достигнет насыщения, но это произойдет при большем значении NIR. Чтобы понять как это работает, зададим RED = 0 и сделаем L гораздо больше, чем NIR. В таком случае, в знаменателе формулы будет преобладать L, а вся формула сводится к (1+L)NIR/L. Она линейно возрастает с увеличением NIR, выпуклости графика нет, а значит, нет и насыщения 2️⃣. Таким образом, точка насыщения увеличивается вместе с увеличением L.
Таким образом, дополнительный член в знаменателе позволяет SAVI регистрировать увеличение плотности растительности даже после того, как NDVI вошел в насыщение.
Подведем итоги:
1. SAVI, как правило, используется вместо NDVI в ситуации, когда видна значительная часть почвы и возможны изменения ее яркости.
2. SAVI не имеет однозначного превосходства перед NDVI: смягчая эффекты яркости почвы, в нем нарушается нечувствительность индекса к общей интенсивности света (за счет добавления L).
3. Меньшая чувствительность SAVI к насыщению позволяет использовать этот индекс для оценки состояния густой растительности.
#индексы #сельхоз #основы