Карта высот Болгарии (FABDEM).

Расхождения между SRTM3 и ASTER GDEM в отдельных точках достигают сотен метров.

GEE-16. Ночные снимки и графики временных рядов

Недавно мы обсуждали ночные снимки, а сейчас поработаем с ними. Сначала мы сравним среднюю освещенность территории в 2014 и 2021 годах, а после построим графики временных рядов средней освещенности для нескольких стран.

Задаем список стран и выбираем нужные фильтром ee.Filter.inList:

var countryList = ['Yemen','Eritrea','Djibouti'];
var countries = ee.FeatureCollection('USDOS/LSIB_SIMPLE/2017')
                  .filter(ee.Filter.inList('country_na', countryList));

Импортируем коллекцию снимков VIIRS Day/Night band:

var nightlight = ee.ImageCollection('NOAA/VIIRS/DNB/MONTHLY_V1/VCMSLCFG');

Это — месячные композиты ночных снимков.

Вычислим среднюю освещенностью в 2014 году:

var start = ee.Date.fromYMD(2014,1,1);
var end = ee.Date.fromYMD(2014,12,31);
 
var nightlights2014 = nightlight.filterDate(start,end);
nightlights2014 = ee.Image(nightlights2014.mean());
nightlights2014 = nightlights2014.select('avg_rad');
nightlights2014 = nightlights2014.clip(countries);

и отобразим ее на карте:

// Палитра для отображения DNB.
var palDNB = ['000000','700000','808080','FFFF00','ffffff','ffffff','ffffff'];

Map.addLayer(nightlights2014, {min:0,max:10,palette:palDNB}, 'Nightlights 2014');

Аналогично поступим с данными 2021 года.

Базовой картой сделаем спутниковые снимки:

Map.setOptions('SATELLITE');

Результаты показаны в следующем посте.

Перейдем к построению временных рядов. Возьмем среднюю освещенность за весь период наблюдений (2014–2022 годы):

var nl = nightlight.select('avg_rad');

Построим временные ряды освещенности по странам. Здесь ee.Reducer.mean() вычисляет среднюю освещенность по стране на одном снимке, то есть за один месяц:

var chart =
    ui.Chart.image
        .seriesByRegion({
          imageCollection: nl,
          regions: countries,
          reducer: ee.Reducer.mean(),
          scale: 500,
          seriesProperty: 'country_na',
          xProperty: 'system:time_start'
        })
        .setOptions({
          title: 'Date',
          hAxis: {title: 'Date', titleTextStyle: {italic: false, bold: true}},
          vAxis: {
            title: 'average nighlight',
            titleTextStyle: {italic: false, bold: true}
          },
          lineWidth: 5,
          colors: ['e37d05','0f8755','76b349'],
          curveType: 'function'
        });
          
print(chart);

Свойство xProperty указывает на переменную, играющую роль времени. seriesProperty задает атрибут regions, разделяющий данные разных рядов (название страны). Все остальные свойства довольно очевидны.

Для закрепления навыка, построим временной ряд для одной страны:

var country = countries.filter(ee.Filter.inList('country_na', ['Yemen']));

var chart =
    ui.Chart.image
        .series({
          imageCollection: nl,
          region: country,
          reducer: ee.Reducer.mean(),
          scale: 500,
          xProperty: 'system:time_start'
        })
        .setSeriesNames(['avg_rad'])
        .setOptions({
          title: 'Date',
          hAxis: {title: 'Date', titleTextStyle: {italic: false, bold: true}},
          vAxis: {
            title: 'average nighlight',
            titleTextStyle: {italic: false, bold: true}
          },
          lineWidth: 5,
          colors: ['e37d05'],
          curveType: 'function'
        });
          
print(chart);

Вместо ui.Chart.image.seriesByRegion здесь использована ui.Chart.image.series, потому что регион теперь один. Соответственно, вместо regions использован region.

Подробности построения графиков описаны в официальном руководстве. На наш взгляд, глубоко погружаться в них не стоит, потому что они тесно связаны с языком программирования. Почти весь рассмотренный нами материал легко перенести на Python, а вот построение графиков специфично для JavaScript. В Python их придется строить по-другому. Не сложнее, а именно по-другому.

Код примера

#GEE #dnb

В Ленинградской области зима еще не думает сдавать свои права. Поэтому мы заглянули в будущее при помощи прошлого — взяли снимок апреля 2022 года, где лед на Ладожском озере уже тает под лучами весеннего солнца.

#снимки

Пост из цикла “как это сделано у них”))

В США развитие гражданского дистанционного зондирования координируется U.S. Group on Earth Observations (USGEO). USGEO создана в начале 2000-х годов Управлением по научно-технической политике Белого дома (OSTP), и состоит из представителей этого управления, а также NOAA, NASA и USGS как поставщиков спутниковых данных, и федеральных агентств — потребителей данных.

USGEO готовит национальные планы развития гражданского дистанционного зондирования (вот они). Национальный план нужен, чтобы обосновать федеральные инвестиции в гражданские системы наблюдения Земли. Это — не пошаговый план, а список увязанных между собой целей: что мы будем развивать и зачем. Поэтому документ это довольно короткий.

Работа USGEO ведется через рабочие группы. Наше внимание привлекла Satellite Needs Working Group (SNWG).

Раз в два года SNWG проводит опросы федеральных агентств, о том какие спутниковые данные тем нужны. Результаты опроса отправляются в NASA, NOAA и USGS для определения потребностей агентств и возможных пробелов в данных, собираемых в рамках текущих программ дистанционного зондирования. В результате решают, какие из недостающих данных необходимо получить, кто этим будет заниматься и какое финансирование для этого нужно.

Особенность роли SNWG состоит в том, что группа не просто проводит опросы, а потом отходит в сторону. Она контролирует весь процесс — от получения новых данных, до их внедрения в федеральных агентствах. Финансирование работ по сбору и подготовке данных осуществляется через SNWG. Наконец, по результатам внедрения данных, группа собирает отзывы потребителей. После чего, начинается новый цикл.

#МВК

Цикл работы Satellite Needs Working Group.

Пыльные бури в Саудовской Аравии наблюдаются при помощи Absorbing aerosol index (съемка Sentinel-5P, данные 2022 года).

Absorbing aerosol index (AAI) используется для определения наличия поглощающих ультрафиолет аэрозолей, таких как пыль и дым. Положительные значения (теплые цвета на снимке) указывают на присутствие этих загрязнителей.

Код: https://code.earthengine.google.com/bc0badde20b587036050cbc05b72a559