Спектральные каналы Landsat 8 и Sentinel-2
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
У Landsat 9 каналы такие же, как у Landsat 8.
Бросается в глаза сходство состава каналов Sentinel-2 и Landsat 8. Это потому, что разработчики S2 учились у “Ландсатов”. Новинкой S2 стала группа каналов Red Edge, добавленная в интересах диагностики состояния растений. А сегодня уже разработчики Landsat Next берут пример с S2.
#основы #sentinel2 #landsat
❤1
Уточнение пространственного разрешения данных Sentinel-2 с помощью нейросетей
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
1. Lanaras et al. Super-resolution of Sentinel-2 images: Learning a globally applicable deep neural network (2018).
Предложен способ уточнения пространственного разрешения каналов Sentinel-2 (так называемое super-resolution) с более низким разрешением (20 и 60 метров) до 10 метров. Для этого разработана сверточная нейросеть (CNN), названная DSen2. Сеть обучается на загрубленных данных: 40 м — для каналов с разрешением 20 м и 360 м — для 60 м. Для обучения использованы данные, отобранные по всему миру в различных климатических зоны и классах почвенно-растительного покрова. В результате сеть может уточнять разрешение снимков Sentinel-2, сделанных в различных районах Земли, без необходимости переобучения. Код: https://github.com/lanha/DSen2
2. Latif et al. Super-resolution of Sentinel-2 images using Wasserstein GAN (2022).
В работе представлен подход, использующий генеративно-состязательную сеть Вассерштейна (WGAN), названную DSen2-WGAN, для уточнения низкого разрешения (20 м и 60 м) каналов Sentinel-2 до пространственного разрешения 10 м. Является развитием работы Lanaras et al. (2018).
3. Tao et al. Towards Streamlined Single-Image Super-Resolution: Demonstration with 10 m Sentinel-2 Colour and 10–60 m Multi-Spectral VNIR and SWIR Bands (2021).
Для уточнения пространственного разрешения данных Sentinel-2 предложена генеративно-состязательная нейросеть TARSGAN (learning Terrestrial image deblurring using Adaptive weighted dense Residual Super-resolution Generative Adversarial Network). Кроме того, предлагается способ оценки эффективного разрешения изображения, использующий автоматическое определение и фильтрацию краев изображения — ELF (automated image Edge detection and measurements of edge spread function, Line spread function, and Full width at half maximum). Измерения ELF на снимках, обработанных TARSGAN показало, что разрешение увеличивается в среднем в 2,91 раза, что эквивалентно 3,44 м для каналов с исходным разрешением 10 м. Приводятся примеры применения TARSAGAN для различных типов сцен — от городских пейзажей до сельскохозяйственных сцен и морских льдин.
4. Зуев и др. Модифицированный алгоритм повышения детальности оптико-электронного снимка с использованием генеративно-состязательной нейронной сетей (2022).
Для уточнения разрешения спутниковых данных применятся модифицированный алгоритм GAN, с использованием сверточной нейросети VGG-19 для вычисления показателя потерь во время обучения. Рассмотрены вопросы подготовки обучающего набора данных.
5. Статьи Razzak et al. Multi-spectral multi-image super-resolution of Sentinel-2 with radiometric consistency losses and its effect on building delineation (2023) и Multi-temporal Super-Resolution on Sentinel-2 Imagery (2021) посвящены уточнению разрешения при помощи нейросети HighRes-Net. Существенно, что на вход подаются несколько разновременных спутниковых снимков, а на выходе получается один, с более высоким разрешением. В обоих случаях код прилагается.
#superresolution #sentinel2 #GAN #CNN
Разновременные данные Sentinel-1 и Sentinel-2 улучшают обнаружение оползней в GEE
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
Региональные системы раннего предупреждения об оползнях опираются на исторические данные для прогнозирования будущих событий. Однако базы данных об оползнях содержат гораздо больше сведений о событиях, происходивших вблизи дорог и других объектов инфраструктуры, где оползни легко наблюдать, чем о событиях в отдаленных районах. В такой ситуации помогают спутниковые данные.
Оползни детектируются по оптическим и радарным данным, как события, связанные с резкой потерей растительного покрова. Для оптических снимков используется разность вегетационного индекса (NDVI) до и после оползня — dNDVI (после оползня NDVI уменьшается). Для радарных снимков оценивается разность коэффициентов обратного рассеяния до и после события. Используется сигналы в ко- (VV) и кросс-поляризации (VH).
Lindsay E. et al. Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape (2022) занялись вопросом: улучшит ли использование разновременных данных обнаружение оползней? Ответ на вопрос дан в заголовке. Кроме того, было обнаружено большое число ранее неизвестных оползней (на территории Норвегии).
Вместо единственного снимка (до или после события) используют стек снимков, из которого создают композитный снимок. Этот композит создается так, чтобы решать какую-то проблему, существовавшую у одиночных снимков.
Для оптических данных, вместо NDVI за одну дату используют композит, составленный из максимальных значений NDVI в каждом пикселе стека снимков. Это позволяет снизить помехи от облаков и теней. Для радарных данных композит строится на основе среднего значения обратного рассеяния в каждом пикселе стека (отдельно для VV- и VH-поляризаций). Здесь разновременные данные используются для фильтрации спекл-шума и снижают помехи, связанные с выпавшими осадками (отражение радарного сигнала от влажной поверхности больше, чем от такой же, но сухой поверхности).
Композиты данных Sentinel-1 и Sentinel-2 создаются при помощи GEE.
Код: https://github.com/erin-ntnu/Change-detection-images-GEE
Исследователи использовали опыт HazMapper — GEE-приложения, разработанного для картирования последствий стихийных бедствий. В HazMapper для картирования оползней использовалась относительная разница NDVI до и после события, рассчитанная по безоблачным композитам, составленным из снимков Sentinel-2 или Landsat.
В статье изложен самый простой подход, который не решает массы проблем детектирования оползней. Например, некоторые агротехнические операции, да и просто сезонные изменения состояния растений (осень), могут приводить к значительному снижению NDVI. Разные результаты будут наблюдаться для разных поляризаций радарного сигнала, в зависимости от направления движения оползня относительно трассы спутникового радара. Но: 1) это простой и ясный пример использования спутниковых данных для выявления оползней; 2) применение GEE снимает множество технических проблем; 2) авторам, судя по всему, важнее обнаружить оползень, а его картирование можно выполнять вручную.
#GEE #оползни #SAR #sentinel1 #sentinel2
MDPI
Multi-Temporal Satellite Image Composites in Google Earth Engine for Improved Landslide Visibility: A Case Study of a Glacial Landscape
Regional early warning systems for landslides rely on historic data to forecast future events and to verify and improve alarms. However, databases of landslide events are often spatially biased towards roads or other infrastructure, with few reported in remote…
👍4❤1👎1