Maxar в феврале

Продуктивным выдался февраль для Maxar. Сначала компания заключила пятилетний контракт стоимостью до 192 миллионов долларов с Национальным агентством геопространственной разведки (NGA) на поставку спутниковых снимков в страны-союзники США.

Агентство не сообщило, в какие страны и в каком количестве будут поставляться снимки. Однако известно, что NGA играет центральную роль в координации поставок спутниковых данных на Украину.

По новому контракту Maxar будет поставлять оптические данные высокого разрешения, радарные данные и трехмерные данные.

Оптические снимки высокого разрешения Maxar дает собственная группировка из четырех спутников. В ближайшие несколько лет ее планируют пополнить шестью новыми спутниками WorldView Legion. В прошлом году Maxar заключил контракт с Национальным разведывательным управлением (NRO) на сумму 3.2 миллиарда долларов — на поставку спутниковых снимков правительству США в течение следующих 10 лет.

14 февраля Maxar и Umbra — компания, занимающаяся радарной съемкой высокого разрешения, заключили договор о партнерстве. Это позволит Maxar напрямую работать со спутниками Umbra и интегрировать радарные данные в свой портфель продуктов и услуг. Комбинированные оптико-радарные продукты должны стать доступны во втором квартале 2023 года. Соглашение с Umbra не является эксклюзивным и рассчитано на несколько лет. Отметим, что у Maxar уже есть соглашения с поставщиками радарных данных, включая Capella Space и Iceye, но для специализированного партнерства компания выбрала Umbra.

Компания Umbra (из Санта-Барбары, штат Калифорния) имеет на орбите пять спутников. Согласно контракту, Maxar будет иметь гарантированный доступ к следующим двум спутникам, шестому и седьмому. Umbra заявила, что планирует запустить в общей сложности 24 спутника.

В будущем Umbra планирует использовать свои радарные спутники для пассивного сканирования на предмет радиочастотной активности. В интересах NRO, что характерно. А это означает отслеживание судов, транспортных средств и любых устройств, излучающих радиочастотные сигналы.

Maxar создает улучшенные 3D-карты с эффектом погружения, построенные на основе спутниковых снимков, съемки с дронов, и наземного видео. Такие данные применяются для наведения ракет, дронов и разных умных боеприпасов.

#SAR #война #maxar

Снимки Национального стадиона Сингапура, полученные радарным спутником Umbra (слева) и спутником WorldView-3 компании Maxar (справа) (источник)

Китай успешно запустил два спутника дистанционного зондирования Земли

9 марта 2023 г. в 22:41 UTC с космодрома Тайюань выполнен пуск ракеты-носителя Чанчжэн-4C/Long March-4C с двумя спутниками ДЗЗ Тяньхуэй-6А и -6B (Tianhui-6 A/B). Космические аппараты были успешно выведены на заданную орбиту.

Спутники разработаны Китайской академией космических технологий (CAST). Они, среди прочего, будут использоваться для географического картографирования, обследования земельных ресурсов и научных экспериментов.

Состоявшийся пуск стал 465-м для ракет семейства "Чанчжэн".

#китай

Организации: NOAA, DARPA, SDA и другие

ASI / Agenzia Spaziale Italiana — Итальянское космическое агентство
ADD / Agency for Defense Development (South Korea) — Агентство оборонных разработок, Южная Корея
AFRL / U.S. Air Force Research Laboratory — Исследовательская лаборатория ВВС США
CASC / China Aerospace Science and Technology Corporation — Китайская аэрокосмическая научно-техническая корпорация
CASIC / China Aerospace Science & Industry Corporation Limited — Китайская аэрокосмическая научно-промышленная корпорация
CAST / China Academy of Space Technology — Китайская академия космических технологий
CEOS / Committee on Earth Observation Satellites
CNES / Centre National d'Études Spatiales — Национальный центр космических исследований, Франция
CNSA / China National Space Administration / 國家航天局 — Китайское национальное космическое управление
CSA / Canadian Space Agency — Канадское космическое агентство
DAAC / Distributed Active Archive Center — тематический центр хранения и обработки данных дистанционного зондирования в NASA.
DAPA / Defense Acquisition Program Administration — Управление программ оборонных закупок, Южная Корея
DARPA / Defense Advanced Research Projects Agency — Управление перспективных исследовательских проектов Министерства обороны США
DLR / Deutsches Zentrum für Luft - und Raumfahrt — Немецкий центр авиации и космонавтики
ESA / European Space Agency — Европейское космическое агентство
FCC / Federal Communications Commission — Федеральная комиссия по связи, США
ISRO / Indian Space Research Organisation — Индийская организация космических исследований
JAXA / Japan Aerospace Exploration Agency — Японское агентство аэрокосмических исследований
MDA / Missile Defense Agency — Агентство по противоракетной обороне США
NASA / National Aeronautics and Space Administration — Национальное управление по аэронавтике и исследованию космического пространства, США
NGA / National Geospatial-Intelligence Agency — Национальное агентство геопространственной разведки, США
NOAA / National Oceanic and Atmospheric Administration — Национальное управление океанических и атмосферных исследований, США
NRL / Naval Research Laboratory — Военно-морская исследовательская лаборатория, США
NRO / National Reconnaissance Office — Национальное управление военно-космической разведки США
SAST / Shanghai Academy of Spaceflight Technology (The Eighth Academy of CASC)
SDA / Space Development Agency — Агентство космического развития Космических сил США
SOC / Space Operations Command — Командование космических операций, США
USGS / United States Geological Survey — Геологическая служба США
USSF / U.S. Space Force — Космические силы США

#справка

Список организаций и аббревиатур, связанных с дистанционным зондированием Земли, стал слишком длинным. Помещаю его в закреп.

Красивейшие спутниковые снимки можно найти на на Unsplash. В основном, это снимки Landsat’ов, предоставляемые Геологической службой США (USGS). У нее есть и отдельный раздел, с фотографиями минералов.

Все снимки сделаны в так называемых “расширенных цветах” (enhanced colors). С одной стороны, так красивей. С другой — это позволяет подчеркнуть приглушенные вариации цвета и повысить способность различать особенности поверхности. Тонкие вариации цвета могут быть вызваны небольшими различиями в составе пород или в текстуре поверхности. Так что у красоты есть вполне практический смысл.

#снимки

​​Вновь финансовые космические новости.

Белый дом запросил $27,2 млрд. для НАСА в 2024 году. Это на $1,8 млрд. больше, чем выделено в 2023.

Портал Payload обращает внимание на следующие статьи, по которым произошло увеличение расходов.

Программа "Артемида".
Запрошено $8,1 млрд., что на $500 илн больше, чем в 2023.

Доставка на Землю образцов грунта с Марса.
$949 млн.

Буксир для затопления МКС.
На это планируется потратить $180 млн. Само затопление запланировано на 2030.

Насколько я знаю, раньше всегда предполагалось, что вывод МКС с орбиты и затопление будет обеспечивать Россия. Хотя бы потому, что США нечем решать эту задачу. Почему США решили взяться за эту задачу сами? Какие сценарии будущего они рассматривают?

Для сравнения - годовой бюджет Роскосмоса порядка 200 млрд. рублей - около половины финансирования американского лунного проекта.

GEE-20. Landsat Cloudscore

Продолжим тему маскирования облаков, начатую здесь и здесь. Сегодня маскируем облака на снимках Landsat. В объективе — Париж.

У Landsat есть тепловой сенсор, поэтому маскировать облака для него проще, чем для Sentinel-2. Облака довольно холодные, их отражательная способность в тепловом диапазоне низкая, что позволяет отличать их от других природных объектов. С маскированием облаков вполне качественно справляется “родная” маска Landsat:

function maskL8sr(image) {
  // Маска качества пикселей QA_PIXEL.
  var qa = image.select('QA_PIXEL');

  // Биты 3 и 4 - признаки облаков и теней облаков.
  var cloudsBitMask = 1 << 3;
  var cloudShadowBitMask = 1 << 4;
  
  var cloud = qa.bitwiseAnd(cloudsBitMask);
  var cloudShadow = qa.bitwiseAnd(cloudShadowBitMask);
  
  var qaMask = cloud.eq(0).and(cloudShadow.eq(0)).copyProperties(image, ['system:time_start']);
  
  var saturationMask = image.select('QA_RADSAT').eq(0).copyProperties(image, ['system:time_start']);

  return image.updateMask(qaMask)
      .updateMask(saturationMask);
}

Облака и тени определяются по маске качества пикселей QA_PIXEL. В ней бит 3 отвечает за облака, а бит 4 — за их тени. Если бит равен 1, значит в соответствующем пикселе изображения присутствует облако или его тень. Равенство нулю обоих битов означает отсутствие облаков и теней облаков.

Мы уже имели дело с битовыми масками, но тогда обрабатывали их по-другому. Сейчас мы используем битовый сдвиг (<<). На пальцах эта операция описана здесь. Пишите в бот, если будут вопросы.

Кроме того, мы используем маску радиометрического насыщения QA_RADSAT. Насыщение означает, что полученный в данном пикселе сигнал настолько силен, что превышает максимальный сигнал, который способен измерить наш сенсор. В результате насыщения мы получим искаженное значение измеряемой величины. Равенство нулю пикселей маски QA_RADSAT означает отсутствие насыщения.

Подробности алгоритма маскирования облачности Landsat Collection 2 смотрите в главе 4.4.18 Landsat 8-9 OLI/TIRS Calibration / Validation Algorithm Description Document.

А сейчас рассмотрим еще одну очень полезную функцию. До сих пор мы подбирали снимки, исходя из доли площади снимка, покрытой облаками. А что если район наблюдения сравнительно невелик, и окажется чистым даже на заполненном облаками снимке? Значит нужно подбирать снимки, опираясь на покрытие облаками именно района интереса (ROI), а не всего снимка. Этим мы и займемся.

Идея состоит в следующем. Нужна простая маска облаков, которая будет сравнительно быстро считаться и давать неплохую оценку облачности. Вычислив среднее значение такой маски в ROI, мы получим долю площади ROI, покрытую облаками. Сказано — сделано:

function getCloudScore(image) {
  var qa = image.select('QA_PIXEL').rename('cloud');
  var mask = qa.bitwiseAnd(1 << 3)
    .or(qa.bitwiseAnd(1 << 4));
  var cloudiness = mask.reduceRegion({
    reducer: 'mean', 
    geometry: ROI, 
    scale: 30,
  });
  return image.set(cloudiness);
}

Мы немного схитрили, использовав обычную маску Landsat для оценки доли облачного покрытия района (cloud score). Но она уже готова, так что расчет выполняется быстро. Если нужно, есть cloud score по более простой маске — ee.Algorithms.Landsat.simpleCloudScore.

Важно, что таким же способом мы можем поступать и со снимками Sentinel-2: отбирать малооблачные снимки для ROI, опираясь на маски `MSK_CLDPRB` и `SCL`, а затем маскировать облака с помощью s2cloudless.

Код примера: https://code.earthengine.google.com/6427f178979fe1ac6f816d13f609bd55

#GEE