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

Читатели спрашивают, почему на наших картах GEE нет легенды.

Действительно, без легенды карта — не совсем карта. Но здесь есть три соображения.

1. GEE тоже не геоинформационная система. Узнать значение в заданной точке карты можно в Инспекторе, оценить общую картину — с помощью выбранной палитры. Полноценная же карта создается в QGIS (R, Python, что-вам-больше-нравится), после экспорта данных из GEE.

2. Создание легенды в GEE зависит от языка API. JavaScript API позволяет начинать освоение GEE без дополнительных усилий. Большая часть кода легко переносится на Python API, но не код визуализации. А мы основное внимание уделяем легко переносимым вещам.

3. Решение проблемы легко гуглится. Например, вот и вот.

И все-таки: вот код на JavaScript, сразу с тремя видами легенд. Удачи!

#GEE

Озеро Балатон в Венгрии, период с февраля 2022 по текущую дату.

Timelapse сделан в Sentinel Hub EO Browser. Видео, о том, как сделан этот timelapse — в следующем посте.

Определение температуры земной поверхности со спутника

Объяснение для нетерпеливых. Любое нагретое тело, в том числе поверхность Земли, испускает электромагнитное излучение. По энергии этого излучения можно определить температуру тела для заданной длины волны излучения. Излучение фиксируется спутниковым радиометром. Длина волны (канал), на которой это происходит, известна. Таким образом, можно получить температуру земной поверхности (Land Surface Temperature, LST). Теперь можно брать данные USGS Landsat 8 Level 2, Collection 2, Tier 1 — канал "ST_B10" даст готовые значения LST.

А теперь — чуть более подробно.*

Спутниковые радиометры измеряют температуру поверхности, по принятому от нее электромагнитному излучению. Все тела, имеющие температуру выше абсолютного нуля (0 К), испускают электромагнитное излучение. При этом часть внутренней энергии вещества превращается в энергию излучения. Поэтому нагретые тела являются источниками электромагнитного излучения в широком диапазоне частот. Это излучение называют тепловым.

Эксперименты показывают, что тепловое излучение имеет непрерывный спектр. Это значит, что нагретое тело испускает некоторое количество энергии в любом диапазоне частот или длин волн. Распределение энергии излучения тела по спектру зависит от температуры тела — с увеличением температуры, максимум энергии излучения смещается в коротковолновый участок спектра, а общая энергия излучения возрастает.

Оценить длину волны, на которую приходится максимум излучательной способности тела, если известна температура тела, можно с помощью закона Вина. Но сначала нам нужно ввести понятие абсолютно черного тела.

Способность тела поглощать тепловое излучение характеризует монохроматический коэффициент поглощения — безразмерная величина, которая показывает, какая доля энергии электромагнитных волн с длинами волн от λ до λ + dλ, падающих на поверхность тела, поглощается им. Значение коэффициента зависит от длины волн, температуры, химического состава тела и состояния его поверхности. Оно не может быть больше 1 — нельзя поглотить больше излучения, чем было передано.

Абсолютно черное тело — это тело, способное поглощать все падающее на него электромагнитное излучение, а затем заново его испускать.** Монохроматический коэффициент поглощения абсолютно черного тела на всех частотах и при любых температурах равен 1.

Итак, согласно закону Вина, длина волны λm, на которую приходится максимум излучательной способности абсолютно черного тела, обратно пропорциональна его абсолютной температуре (Рис. 1).

Так, при ядерном взрыве (T ≈ 10^6 К) большая доля энергии взрыва уходит коротковолновыми рентгеновским и γ-излучением, раскаленная поверхность Солнца (T ≈ 6·10^3 К) излучает значительную часть энергии в диапазоне видимого света, а излучение Земли (T ≈ 300 К) имеет пик энергии при 9.66 мкм, то есть в тепловом инфракрасном диапазоне (именно благодаря этому факту, эта область ИК-диапазона и получила свое название).

Перейдем к описанию связи между тепловым излучением тела и его температурой. Основной характеристикой изучения абсолютно черного тела является спектральная излучательная способность. Она равна плотности потока энергии, излучаемой телом в узком интервале длин волн от λ до λ + dλ, к ширине этого интервала dλ.


*Именно что чуть. Нераскрытых подробностей еще достаточно, есть к чему придраться)

**Важно, что абсолютно черное тело — не только идеальный поглотитель энергии, но и ее идеальный испускатель. Этот момент иногда ускользает от внимания слушателей, видимо, из-за названия тела. Все-таки “абсолютно черный” скорее говорит нам о полном поглощении, чем об испускании. Но такова уж сложившаяся терминология.

#основы #LST

Зависимость спектральной излучательной способности абсолютно черного тела от его температуры подчиняется закону Планка (Рис. 2).

Закон Планка хорошо описывает спектральное распределение излучения черного тела при любых частотах. Из него, зная величину излучательной способности тела (для какой-то заданной длины волны), регистрируемую спутниковым датчиком, можно определить яркостную температуру тела (Рис. 3). Если бы поверхность Земли состояла из абсолютно черных тел, то наша цель была бы уже достигнута.

Яркостная температура тела — это температура абсолютно черного тела, имеющего такую же спектральную излучательную способность, как и данное тело (для какой-либо определенной длины волны). Яркостная температура тела всегда ниже его истинной термодинамической температуры, потому что любое реальное тело излучает меньше, чем абсолютно черное тело при той же температуре.

Основной характеристикой теплового излучения реального тела является спектральный коэффициент теплового излучения — отношение излучательной способности реального тела к излучательной способности абсолютно черного тела (идеального излучателя) при той же температуре и той же длине волны. Спектральный коэффициент теплового излучения реального непрозрачного тела зависит от длины волны, природы тела, состояния его поверхности и температуры. Он изменяется в диапазоне от 0 до 1.

Согласно закону излучения Кирхгофа, для любого тела спектральный коэффициент теплового излучения равен его монохроматическому коэффициенту поглощения при заданной температуре и длине волны. Ближе всего к 1 коэффициент теплового излучения в тепловом ИК-диапазоне у воды и облаков (0.980–0.990). Сложнее дело обстоит с поверхностью суши. Здесь влияют шероховатость поверхности, ее увлажненность и другие факторы. Для свежего снега коэффициент теплового излучения равен 0.986, для густой травы и хвойного леса — 0.970, для глинистой почвы — 0.980.

Таким образом, для определения температуры поверхности нам нужно знать ее яркостную температуру, а также то, из каких классов эта поверхность состоит (растительность, почва, вода и др.). Для более точного определения температуры поверхности из космоса нужно учитывать не только коэффициент теплового излучения, но и поглощение в атмосфере.

На практике, при обработке данных инфракрасной радиометрии применяются разные методики, основанные на эмпирических соотношениях, связывающих измеряемое со спутника излучение с фактической температурой поверхности, определяемой контактными методами и используемой в качестве калибровочных значений.

Сжатое изложение наиболее известных методик расчета температуры земной поверхности по данным тепловых сенсоров Lansat дано в: Ndossi, M. I.; Avdan U. Application of Open Source Coding Technologies in the Production of Land Surface Temperature (LST) Maps from Landsat: A PyQGIS Plugin. Remote Sens. 2016, 8(5), 413. https://doi.org/10.3390/rs8050413

#основы #LST