Тренинги NASA ARSET

NASA Applied Remote Sensing Training Program (ARSET) проводит тренинги для начинающих и опытных специалистов в области дистанционного зондирования Земли.

Тренинги бывают очными и онлайновыми. Они позволяют изучить ряд наборов данных, веб-порталов и инструментов анализа, которые применяются для управления качеством воздуха, сельским хозяйством, климатом, стихийными бедствиями, земельными и водными ресурсами.

Очные тренинги большинству из нас вряд ли светят, а вот онлайновые могут очень даже пригодится. Тренинги рассчитаны на разные уровни подготовки: beginner, intermediate, advanced. На странице выбранного тренинга описано, что нужно знать или сделать перед началом занятий (в разделе Prerequisites, пример).

Список доступных онлайновых тренингов. В каждом есть видео и слайды. Часто есть упражнения. Языки: английский (всегда) и испанский.

Все тренинги ARSET на YouTube.

В отличие от RUS Copernicus Training, у ARSET не предоставляют виртуальных машин, зато:

* тренинги рассчитаны на разные уровни подготовки специалистов. У RUS Copernicus они больше ориентированы на начинающих;
* тренинги сгруппированы в микрокурсы, то есть можно сразу увидеть направление развития;
* данные, порталы и софт, которые используют на тренингах, не обязательно имеют отношение к NASA. В RUS Copernicus ограничивались данными европейских спутников Sentinel.

Никакого отношения к NASA ARSET наш канал не имеет. Просто мы не раз использовали их материалы, и они нам были полезны. Вот, делимся.

#обучение

Милые дамы!
Поздравляем с Международным женским днем.

Сегодня праздник и думать о серьезном не хочется. Хочется просто поделится красотой.

Вот два композитных снимка одного региона: оптический и радарный. Красный канал каждого составлен из данных апреля, зеленый — июня, синий — августа.

Оптика: Sentinel-2, канал B8 (ближний инфракрасный), код.

Радар: Sentinel-1, VV-поляризация, код.

Внимание! На создание и экспорт композита может понадобиться 15–20 минут.

GEE-18. Маскирование облаков: первое знакомство

До сих пор облака на снимках мы игнорировали. Старались выбирать снимки, где облаков мало или нет совсем. Но при таком подходе пропадает много данных, которые можно было бы использовать, удалив из них облака. Этим мы сейчас и займемся.

Спешу расстроить (или обрадовать?), но проблема маскирования облачности до сих пор полностью не решена. Существует много рабочих подходов, но все они допускают ошибки (пропускают облака, путают с облаками яркие отсветы искусственных объектов и т. п.). Трудно встретить специалиста, работающего с оптическими снимками, который был бы доволен применяемой им маской облаков. Но теорию мы рассмотрим позже, сейчас займемся применением готовых масок.

Вместе со снимками Sentinel-2 Surface Reflectance поставляется сразу два вида масок. Их мы и рассмотрим.

Код примера: https://code.earthengine.google.com/467bda21cbbfe7030597c8f242ef9cd8

Маска качества данных QA60 досталась в наследство от данных 1-го уровня обработки (Sentinel-2 L1C). Алгоритм ее построения описан здесь. “60” в имени маски — это ее пространственное разрешение (60 м). Маска QA60 — битовая. Бит 10 в ней отвечает за непрозрачные облака: если он равен 0, то облаков нет, если 1 — облака есть. Бит 11 отвечает за тонкие перистые облака или cirrus (с разными видами облаков можно познакомиться здесь).

Возьмем маску качества и построим слои clouds и cirrus, состоящие только из чистых пикселей, в которых облака и cirrus отсутствуют (по “мнению” QA60, разумеется). Используя полученные слои в качестве масок, удалим оба вида облаков:

var QA = image.select("QA60");

var clouds = QA.bitwiseAnd(Math.pow(2, 10)).eq(0);
var cirrus = QA.bitwiseAnd(Math.pow(2, 11)).eq(0);

// Снимок с удаленными облаками.
var image_qa60 = image.updateMask(clouds).updateMask(cirrus);

Чтобы показать на карте только облака, инвертируем маску clouds (напомним, что она состоит из безоблачных пикселей):

Map.addLayer(clouds.not().selfMask(),{palette: ['blue']}, "QA60 Cloud mask", false);

Маска QA60 — простая, считается быстро, но дает посредственное качество удаления облаков.

#GEE

Облака показаны синим цветом, а cirrus — оранжевым.

Справа на снимке находятся две горы, покрытые снегом. Они помогают проверить способность алгоритмов удаления облачности различать облака и снег.

Маски MSK_CLDPRB (Cloud Probability Map) и SCL (ScenCLassification Table) появились уже в продуктах Sentinel-2 SR, то есть в данных 2-го уровня обработки (подробности здесь). Значения MSK_CLDPRB дают вероятность того, что в соответствующем пикселе находится облако.

Выделим пиксели, вероятность облачности которых меньше 5%:

var cloudProb = image.select('MSK_CLDPRB');
var cloudsSR = cloudProb.lt(5);

Расположение сirrus описано в маске SCL. Это — карта, разбивающая пиксели снимка на классы. Каждому классу соответствует свое значение https://developers.google.com/earth-engine/datasets/catalog/COPERNICUS_S2_SR#bands на карте SCL. Перистым облакам соответствует значение SCL=10, теням от облаков — SCL=3. В QA60 теней облаков не было, сейчас отмаскируем и их:

var scl = image.select('SCL');
var cirrusSR = scl.eq(10); // 10 = cirrus
var shadowSR = scl.eq(3);  // 3 = cloud shadow

// Маскируем облака, cirrus и тени.
var image_SR = image.updateMask(cloudsSR).updateMask(cirrusSR.not()).updateMask(shadowSR.not());

#GEE

Облака показаны фиолетовым, cirrus — красным, а тени облаков — желтым цветом.

Видно, что эта маска работает гораздо лучше прежней, хотя до совершенства ей далеко.

Например, порог вероятности облачности взят слишком агрессивным — удалено много лишних пикселей. Это — типичная проблема работы с масками облачности: нельзя указать глобальное значение порога. Порог подбирается локально, для конкретной сцены, так что бы разделить облака и бликующие объекты на земной поверхности.

Эту маску уже можно применять на практике. Есть более совершенные маски, и с одной из них мы позже познакомимся. Но они считаются гораздо дольше.

Код примера: https://code.earthengine.google.com/467bda21cbbfe7030597c8f242ef9cd8

Запуск новой японской ракеты-носителя H3 закончился аварией

Ракета стартовала 7 марта в 1:37:55 утра по всемирному времени (UTC). Отделение первой ступени произошло примерно через пять минут полета, однако двигатель второй ступени не запустился. После того как запуск двигателя не удалось подтвердить, а скорость ракеты продолжила падать, JAXA отдало команду на самоуничтожение ракеты. Вместе с ней была потеряна полезная нагрузка — спутник ALOS-3.

H3 — первая большая ракета, которую Япония разработала за последние 30 лет. Она должна заменить ракеты семейства H2, обеспечив более высокую грузоподъемность при одновременном снижении стоимости запуска (планируемая стоимость запуска для клиентов — около 37 миллионов долларов США).

H3 разрабатывалась совместно JAXA и Mitsubishi Heavy Industries, и обошлась примерно в 1.5 миллиарда долларов. Работы начались в 2014 году, и первый запуск ракеты был запланирован на март 2021 года, но был перенесен из-за проблем с новым двигателем первой ступени LE-9.

Жидкостный криогенный ракетный двигатель LE-9 называют одним из основных факторов, обеспечивающих снижение стоимости запуска. В ходе испытаний в мае 2020 года были обнаружены треснувшие лопатки турбины в турбонасосе LE-9 и отверстие в стенке камеры сгорания. Решение этих проблем затянулось, а планы запусков H3 сместились сначала на 2022, а затем и на 2023 год.

Потерянный в результате аварии трехтонный спутник ALOS-3 должен был вести съемку высокого разрешения в видимом и ближнем инфракрасном диапазонах.

А вот теперь — комментарии. Проблемная ракета (первая за 30 лет), новый двигатель (тоже проблемный долгострой), более высокий риск пусков у новых ракет: что заставило JAXA выводить такой рискованной конфигурацией дорогущий трехтонный спутник? Почему нельзя было заменить его чем-то более дешевым (макетом)?

Мы уж было подумали, что ALOS-3 — радар (на ALOS и ALOS-2 стояли радары L-диапазона, много сделавшие для наблюдения лесов). Оказалось, что нет. Радарным будет следующий спутник ALOS-4, который планируется запускать в этом году, снова на H3. Надеемся, специалисты JAXAпотомки самураев будут в этот раз более осмотрительны.

Снимки Земли с расстояния 1.5 миллиона километров, cделанные космическим аппаратом DSCOVR 6 марта 2023 года.

DSCOVR (Deep Space Climate Observatory) — американский космический аппарат для наблюдения за Солнцем и Землей, совместный проект NASA и NOAA. Находится в точке Лагранжа L1 системы Солнце-Земля, на расстоянии около 1.5 миллиона километров от Земли.

Со своей точки обзора DSCOVR непрерывно видит Солнце и освещенную Солнцем сторону Земли. Он отслеживает солнечный ветер, обеспечивает раннее предупреждение о приближающихся выбросах корональной массы и наблюдает за явлениями на Земле, включая изменения концентрации озона, аэрозолей, пыли и вулканического пепла, высоты облаков, растительного покрове и климата.

Основными научными приборами DSCOVR являются плазменный магнитометр (PlasMag), наблюдающий Солнце, и наблюдающие Землю радиометр NIST Advanced Radiometer (NISTAR) и Earth Polychromatic Imaging Camera (EPIC).

EPIC делает снимки освещенной солнцем стороны Земли в десяти различных каналах — от ультрафиолетового до ближнего инфракрасного (317, 325, 340, 388, 443, 552, 680, 688, 764 и 779 нм). Пространственное разрешение снимков оставляет 25 км/пиксель.

EPIC делает снимки всей Земли примерно каждые два часа. NASA публикует их в режиме, близком к реальному времени, через веб-сайт прибора: https://epic.gsfc.nasa.gov

#nrt #данные #снимки