Влияние тяжелых металлов на спектральные характеристики растений

Попалась на глаза статья — не самая новая (2018 год), но очень интересная.

Стресс растений под влиянием тяжелых металлов довольно хорошо изучен. Он выражается в изменении отражательной способности в видимом и ближнем ИК-диапазоне 0.4–0.9 мкм. Но авторы решили рассмотреть не постоянное воздействие, а разовое и кратковременное.

Оказалось, что и кратковременное влияние тяжелых металлов существенно изменяет спектры отражения растений. У травянистых растений это происходит через несколько дней, у кустарников — через неделю и более. Сохраняются аномалии до двух месяцев. При этом никаких видимых морфологических изменений у растений не наблюдается.

Наибольшее значение для индикации стресса от тяжелых металлов на ранних стадиях воздействия имеет ближняя ИК-зона: 700–900 нм.

Любопытно, что характер аномалий спектра изменяется со временем. Казалось бы, отражающая способность просто должна падать. Однако для гречихи (и не только) сначала наблюдается отчетливая положительная аномалия в ближней ИК-зоне, а затем такая же четкая, но отрицательная аномалия. Возможно, невысокие концентрации тяжелых металлов вначале оказывают на растения стимулирующее действие, и только позднее, накопившиеся изменения в организме растений приводят к отрицательной аномалии спектра. Что именно там происходит — тема для новых исследований.

Очень важно, что рассматриваются полевые наблюдения, а не лабораторные. То есть съемки велись не в идеальных условиях, а в поле, где есть множество мешающих факторов. Но при этом изменения в спектре были вполне отчетливыми.

Это значит, что перенос таких наблюдений в воздух и на спутник — дело самого ближайшего будущего. Понадобится пространственное разрешение лучше 1 м и гиперспектральный сенсор (или, как минимум, мультиспектральный, с несколькими дополнительными узкими диапазонами в ИК-области).

Изменения характера аномалии коэффициента спектральной яркости (КСЯ) гречихи (источник).

В 2021 году похожая техника уже работает (источник).

Сходил по ссылкам из статьи — там оказалась еще масса интересного.

В видимом свете плавки у обоих атлетов — темные, а в ИК-диапазоне у атлета справа они светлые. Сказываются различия в составе ткани.

Очень хочется развить тему плавок и спутников-шпионов, но мы все же остановимся.

Глобальные навигационные спутниковые системы как инструмент ДЗЗ

Развитие глобальных навигационных спутниковых систем (ГНСС) приводит к появлению новых способов их использования. Универсальные и общедоступные сигналы ГНСС дают высокоточный, непрерывный и всепогодный инструмент дистанционного зондирования Земли.

Преломление сигналов спутников ГНСС, совместно с наземными наблюдениями, позволяет определять наличие тропосферных водных паров, температуру и давление, параметры тропопаузы и мн. др. Эта область называется ГНСС-метеорологией.

Отраженные сигналы ГНСС дают возможность определять уровень поверхности океана, скорость и направление ветра над океаном, влажность почвы, толщину льда и снега. Использование отраженных сигналов ГНСС называют ГНСС-рефлектометрией.

Сигнал ГНСС — очень слабый, к тому же его мощность сильно ослабевает после рассеяния на цели, так что обнаружить отраженный сигнал становится непросто. Группа китайских исследователей под руководством Веннинга Гао предложила метод обработки сигналов ГНСС. Опуская технические подробности, теперь по рассеянному сигналу ГНСС можно обнаруживать небольшие движущиеся цели, вроде автомобилей. Таким образом, появилась ГНСС-скаттерометрия.

#GNSSR #SAR

ГНСС работают в L-диапазоне. Сигналы в нем хорошо проникают сквозь растительность. Разница в мощности отраженного сигнала от сухой и влажной поверхности позволяет составлять карты водных объектов и болот. В результате ГНСС-рефлектометрия (вверху) находит водные объекты, скрытые под пологом леса, чего оптические сенсоры (внизу) сделать не могут.

#GNSSR

GEE-14. Административные границы

Данные об административных границах находятся в каталоге по тегу borders.

Здесь есть границы FAO GAUL 2015 года — нормального качества (the best available information on administrative units for all the countries in the world, как говорят они сами про себя) и упрощенного — FAO GAUL 500m. Каждый, в свою очередь, делится на три класса: границы стран (административный уровень 0), областей (1) и районов (2).

Если присмотреться, то окажется качество границ GAUL, мягко говоря, не очень. Для обзорной работы они подойдут, но для детальной нужно искать другие карты.

Второй вариант, представленный в каталоге: Large Scale International Boundary Polygons 2017 года (LSIB 2017). Они тоже есть детальные и упрощенные. Детальные — вполне приличного качества. Но это только границы стран.

Качественные границы есть среди сторонних наборов данных. В первую очередь, это geoBoundaries, с которыми мы уже знакомы. Они бывают в виде High Precision и Simplified, причем каждый доступен в двух вариантах: Unstandardized и Globally Standardized. В первом случае границы стран могут пересекаться из-за территориальных споров, во втором — границы приведены “к общему знаменателю” по данным Госдепа США.

У типичного набора данных geoBoundaries пять свойств:

shapeGroup: SWZ
shapeID: SWZ-ADM0-1590546715-B1
shapeISO: SWZ
shapeName: Swaziland
shapeType: ADM0

shapeName — название административной единицы. Для выбора страны удобнее использовать shapeGroup — трехбуквенный код страны, который можно найти здесь.

Карты существуют для административных единиц уровней 0–4. Разумеется, если такие единицы в данной стране вообще есть. Например, для стран бывшего СССР есть карты административных единиц уровней 0–2 — вплоть до районов. А вот для Португалии есть и уровень 3 — приходы (пример). Административных единиц уровня 4 найти не удалось, хотя набор данных для них существует.

Качество границ geoBoundaries гораздо лучше, чем у GAUL. Хотя, при желании, огрехи можно найти и в них.

#GEE #данные #границы

Качество детальных границ GAUL годиться только для обзорных работ.

Пример: https://code.earthengine.google.com/a152124b02d4c64e43555ecbb4fa8823

#границы

Для Португалии доступны карты границ административных единиц четырех уровней: 0 — страна, 1 — округ, 2 — муниципалитет, 3 — приход.

Пример: https://code.earthengine.google.com/dd40179ecf687c7b84e316a911573861

#границы

Хотим поделится любопытным приемом — выделение цветом интересующих объектов на снимке.

Нас интересует растительность, изображенная на снимке. В естественных цветах (красный-зеленый-синий) она сливается с другими классами поверхности (снимок вверху). Поэтому обесцветим все ненужное, и выделим цветом только растительность (снимок внизу). Так лучше, не правда ли?

Порядок работы:

1. Берем снимок.
2. Готовим из него серую основу.
3. Выделяем растительность и маскируем ее.
4. Экспортируем мозаику серой основы и растительности.

Берем снимок image, выбираем из него зеленый канал, и повторяем его трижды, создавая композит из трех одинаковых зеленых каналов:

Map.addLayer(image, {
bands: ['B3', 'B3', 'B3'],
min: 0,
max: 2500,
gamma: 1.5
}, 'Серый (основа)');

Это и будет серой основой нашего снимка.

Растительность выделяем по порогу NDVI: NDVI >= 0.4. Это условие даст нам бинарную маску veg, в которой области без растительности заполнены нулями. Умножаем на эту маску исходный снимок, и применяем к результату selfMask(). Заполненная нулями часть снимка при этом трактуется как маска и удаляется. От image остаются лишь области, покрытые растительностью.

var imageNDVI = image.normalizedDifference(['B8', 'B4']).rename('ndvi');
var veg = imageNDVI.gte(0.4);
var imageGreen = image.multiply(veg);
var imageGreen_vis = imageGreen.selfMask();

При отображении на карте, усиливаем яркость зеленого цвета. Это не обязательно, но так красивей:

Map.addLayer(imageGreen_vis, {
min: [50, 0, 50],
max: [255, 200, 255]
}, 'Растительность', true);

Четвертый параметр Map.addLayer управляет выводом слоя на экран. При false слой не выводится, и нужно нажать галочку в слоях карты, чтобы отобразить его.

Создаем мозаику из серой основы, из которой удалены области растительности, а на их место вставлена растительность из исходного снимка — imageGreen_vis:

var grey = image.multiply(veg.select('ndvi').lt(0.4));
var mosaicGreen = ee.ImageCollection([
imageGreen_vis.visualize({
min: [50, 0, 50],
max: [255, 200, 255]
}),
grey.selfMask().visualize({
bands: ['B3', 'B3', 'B3'],
min: 0,
max: 2500,
gamma: 1.5
}),
]).mosaic();


Такой результат уже можно экспортировать.

Код здесь. Кроме описанного, по той же методике добавлены участки открытой земли (красный цвет) и воды (синий цвет).

#GEE

Добавили к растительности водные объекты.

awesome-gee-community-catalog

Наряду с официальным каталогом данных Google Earth Engine существует awesome-gee-community-catalog, который содержит наборы геопространственных данных, созданные сообществом пользователей GEE.

Проект начался с идеи о том, что многие наборы данных, будучи открытыми, тем не менее недоступны для непосредственного использования в GEE. Как те же административные границы geoBoundaries, которые нужно было скачать с официального сайта, обработать, загрузить в GEE Assets, и только потом использовать. Теперь они есть в каталоге, и их можно использовать сразу.

Данные awesome-gee-community-catalog находятся под различными открытыми лицензиями.

#GEE #данные

Атмосферная коррекция

Продолжим разговор о коррекции влияния атмосферы, начатый здесь.

Если бы у Земли не было атмосферы, то определить отражательную способность ее поверхности было бы легко: достаточно было бы определить освещенность и геометрические параметры. Однако присутствие атмосферы значительно усложняет зависимость между падающим солнечным излучением и излучением, принятым датчиком на спутнике.

Схематично, путь излучения от Солнца к датчику показан на рисунке ниже.

Луч А представляет собой прямую освещенность поверхности солнцем, луч В показывает, что поверхность может освещаться рассеянным атмосферой светом. Лучи С и Ε указывают возможные направления рассеянного поверхностью света, при этом С может рассеяться обратно на поверхность. Луч D попадает прямо на датчик. Луч Ε после рассеивания в атмосфере тоже попадает на датчик. Наконец, луч F показывает, что часть солнечного света может рассеяться в атмосфере прямо на датчик.

Лучи А и D представляют простой, без влияния атмосферы, путь излучения от Солнца к датчику. Все остальные лучи являются следствием рассеивания в атмосфере.

Рисунок из: Рис У. Г. Основы дистанционного зондирования. — Москва: Техносфера, 2006.

Для устранения влияния атмосферы необходимо знать такие параметры, как количество водяного пара и распределения аэрозолей в атмосфере, а также видимость сцены. Прямое измерение этих свойств атмосферы доступно редко, поэтому разрабатываются методы их получения из спектральных значений данных. Кроме того, часть информации о состоянии атмосферы содержится в метаданных снимка.

Основные подходы к атмосферной коррекции: удаление темных пикселей и моделирование влияния атмосферы.

В первом подходе предполагается, что темные пиксели имеют нулевую отражательную способность (это могут быть участки тени в видимой области спектра или глубокие и чистые водоемы в ближней ИК-области). Далее предполагается, что любое излучение, исходящее от таких темных пикселей, обусловлено атмосферной дымкой, а не отражением самой поверхности. Вычитают яркость темных пикселей из значений яркости каждого пикселя снимка, и получают скорректированные значения. Подход прост, считается быстро и вполне работоспособен.

Второй подход основан на моделировании радиационного переноса в атмосфере. Он дает более качественные результаты, но и требует больше вычислений. В готовых продуктах surface reflectance атмосферная коррекция осуществляется именно при помощи моделирования.

Зачем говорить об атмосферной коррекции, если можно взять готовые скорректированные продукты? Можно, но не всегда. Так, для Landsat в настоящее время снимки с коррекцией влияния атмосферы доступны почти за весь период существования этой серии спутников. А вот для Sentinel-2 снимки без коррекции начинаются с июня 2015 года, а готовые данные surface reflectance в Google Earth Engine начинаются только с декабря 2018 года*. Таким образом, 3.5 года придется выполнять атмосферную коррекцию самостоятельно и нужно представлять себе, какими инструментами мы располагаем. И так происходит с каждым новым спутником (и даже, как видно, не слишком новым) — сначала появляются данные более низких уровней обработки.

Пожалуй наиболее распространенной моделью атмосферной коррекции, на сегодняшний день является модель 6S (Second Simulation of a Satellite Signal in the Solar Spectrum). Модель учитывает эффекты поглощения газов (озон, водяной пар и другие), молекулярного (Рэлея) и аэрозольного рассеяния (см. рисунок ниже), а также эффект поляризации. Задачей модели 6S является определение отражательной способности (точнее, коэффициента спектральной яркости) земной поверхности при отсутствии влияния атмосферы.

Другие известные модели: LOWTRAN, MODTRAN, FLAASH.

О способах атмосферной коррекции данных Sentinel L1C в Google Earth Engine мы поговорим позже. Вопросы пишите в бот: @sputnikDZZ_bot

*В каталоге GEE сейчас указано, что данные surface reflectance начинаются с 28.03.2017. В действительности, глобальное покрытие этими данными начинается с декабря 2018 года.

#основы

Распределение по высоте компонентов атмосферы, влияющих на рассеяние и поглощение солнечного излучения в модели 6S.

Источник: Барталев С.А., Егоров В.А., Жарко В.О. и др. Спутниковое картографирование растительного покрова России. — М.: ИКИ РАН, 2016.