Деревянный спутник LingoSat

Японские исследователи из университета Киото планируют в 2024 году запустить в космос спутник из дерева. Работы над проектом LignoSat Space Wood начались в апреле 2020 года, совместно с компанией Sumitomo Forestry.

Для проверки влияния условий космоса на древесину на Международную космическую станцию была доставлена небольшая панель с тремя различными образцами древесины. Она была размещена на японском экспериментальном модуле “Кибо”, где в течение десяти месяцев подвергалась воздействию космического пространства. Панель была извлечена астронавтом JAXA Коичи Ваката и возвращена на Землю в январе 2023 года.

Из всех испытанных пород древесины команда LignoSat выбрала древесину магнолии, из-за ее "относительно высокой обрабатываемости, стабильности размеров и общей прочности".

Как можно судить по рисунку, из древесины предполагается изготовить только корпус спутника.

Дальше в тексте идут ритуальные заявления: что спутник из дерева сгорит в атмосфере и спасет орбиту от загрязнения собой (можно подумать, что миниатюрный спутник из других материалов не сгорит в атмосфере) и что такой спутник more environmentally friendly (вырубка деревьев для создания корпусов спутников, видимо, тоже считается environmentally friendly). В общем, сотрудничество с Sumitomo Forestry обязывало что-то сказать и это было сказано. А мы подождем 2024 года.

Рассекреченные снимки самолетов-разведчиков U2 в археологии

Закрываем гештальт по археологии)

Рассекреченные снимки американских самолетов-разведчиков U2, как и данные спутников Key Hole (CORONA), могут стать серьезным подспорьем в археологических исследованиях. Снимки, полученные с помощью камер U2, как правило, сделаны раньше снимков Key Hole и имеют болеем высокое разрешение.

Снимки U2 хранятся в National Archives and Records Administration (NARA). Для использования требуется геопривязка снимков. Кроме того, данные о маршрутах полетов и зонах съемки U2 не предоставляются, что затрудняет использование этого источника данных.

Подробней об использовании снимков U2 в археологических исследованиях можно узнать в статье Near Eastern Landscapes and Declassified U2 Aerial Imagery.

Разрешение аэрофотосъемки U2 в сравнении с разрешением спутниковых снимков Key Hole (KH). Пример из Ура (Телль аль-Мукайяр), Ирак. Слева: миссия U2 8648 (ролик 11L, кадр 1351, получен 30 октября 1959 года). Справа: CORONA KH-4B (1103-1041DA026, получен 4 мая 1968 года).

#археология #keyhole

Учебные CubeSat’ы

Вчера сразу несколько околоспутниковых каналов опубликовали заметки о спутниках с деревянными корпусами. Естественно, воспринимаются такие новости в юмористическом ключе, и вечер пятницы тому способствовал. Но есть во всем этом и практический аспект, который, как нам кажется, может быть интересен.

Коллеги обнаружили спутник с деревянным корпусом, который планировала изготовить финская компания Arctic Astronautics. Эта компания не связана с деревообработкой и, помимо создания космических буратин, изготавливает и продает Kitsat — учебные модели CubeSat 1U. Модели полностью функциональны, и их можно запускать на дронах или метеозондах. Компания продает отдельно модели (они стоят около 1500 евро), наборы с метеозондами и все вместе — так, чтобы у пользователя был готовый спутник, возможность его запустить и наземная станция слежения. С 2018 года продано более 100 Kitsat’ов.

Нам показалось это интересным дополнением к проекту “Стратосферный спутник”, в том плане, что проблемой некоторых команд может стать не сам спутник, а наземная инфраструктура.

Проект мониторинга выращивания хлопка в Индии

Global Organic Textile Standard (GOTS), Европейское космическое агентство (ESA) и немецкая компания Marple запустили проект, цель которого — показать возможности дистанционного спутникового мониторинга выращивания органического хлопка.

Проект предполагает использование спутниковых данных ESA для обнаружения хлопковых полей по всей Индии и их автоматической классификации в соответствии со стандартом выращивания. Проект позволит GOTS получить реалистичные оценки урожайности органического хлопка в конкретных районах. Кроме того, GOTS сможет выявлять случаи мошенничества, если реальная технология выращивания хлопка будет отличаться от заявленной.

Результаты пилотного исследования, проведенного компанией Marple в Узбекистане, показали, что методы автоматической классификации способны отличить органический хлопок от обычного с точностью 98%.

Spacenews добавляет к сказанному, что в проекте будут использованы данные спутников Sentinel-2, а бюджет составит около 500 тыс. евро. Предполагается, что проект продлится до конца 2023 года.

Кроме впечатляющего бюджета, отметим, что проект проводится в интересах неправительственной организации, которая получит оценки урожая хлопка по всей Индии. Вспоминается что-то про анализ возможностей конкурентов, но это, конечно, не он.

Индия — далеко не Узбекистан, как по размерам полей, так и по климату. Если в реалистичность мониторинга по снимкам Sentinel-2 еще можно поверить, то для определения границ участков понадобятся снимки высокого разрешения. Облачность не позволит наблюдать за ростом хлопка значительную часть сезона. Похоже, немецкие коллеги знают об этих рисках, но как они собираются справится с ними — пока неясно. Веб-страница Marple (скриншот в заголовке) предельно лаконична.

#сельхоз

Albedo расширяет штат и создает собственное производство спутников

Стартап Albedo, планирующий создать группировку спутников дистанционного зондирования на сверхнизкой околоземной орбите, расширяет штат и строит собственное производство в Колорадо.

Благодаря использованию низкой околоземной орбиты, Albedo планирует получать снимки в видимом диапазоне с разрешением 10 сантиметров на пиксель и тепловые инфракрасные снимки с разрешением 2 метра на пиксель. Чтобы повысить разрешение тепловых снимков, предполагается объединять их со снимками в видимом диапазоне*.

Компания Albedo, основанная в 2020 году, в 2022 году привлекла 48 млн долларов инвестиций, а также выиграла два контракта Small Business Innovation Research стоимостью 1.25 млн долларов каждый. Впечатляет состав стратегического консультативного совета компании, куда входят бывший директор ЦРУ Джон Дейч и бывший директор NGA вице-адмирал Роберт Шарп.

Albedo собирается запустить свой первый спутник в 2025 году, а на следующий год полностью развернуть группировку из 6 спутников, которая должна обеспечить суточную периодичность съемки.

За счет чего Albedo собирается поддерживать работоспособность группировки на сверхнизкой орбите — пока неясно. Впрочем, есть такой класс спутников, которым не обязательно находится на орбите долго, если призом является сверхвысокое разрешение. Желающие могут ознакомится с орбитами и сроками существования спутников Key Hole. А ведь это были аппараты с массами в несколько тонн.


*вероятно, речь идет о разновидности статистического даунскейлинга (downscaling). Такие операции, в частности, проделывают с данными Landsat TIRS, чтобы повысить их разрешение до разрешения данных Landsat OLI, то есть со 100 метров до 30 метров.

#война #VLEO

На этой неделе будет несколько заметок, посвященных изучению городских тепловых аномалий по данным тепловой инфракрасной съемки. В идеале, это должны быть “кирпичики”, из которых желающие смогут составить собственные исследования. Начнем мы с места в карьер, с создания тепловой карты, а теоретические рассуждения оставим на завтра.

Как обычно, вопросы и предложения пишите в бот: @sputnikDZZ_bot

Городские тепловые аномалии: 1. Подготовка

Мы собираемся картировать городские тепловые аномалии по спутниковым данным Landsat 8/9. Для этого, в первую очередь, понадобится выбрать малооблачный снимок исследуемого района.

Нас интересует город Казань. Границы городов приведены в данных geoBoundaries 2-го уровня. Чтобы не искать, как в этих данных называется Казань, применим фильтрацию по координатам. С помощью вкладки Inspector выберем на карте точку на территории Казани, скопируем ее координаты и потребуем, чтобы эта точка содержалась в границах объекта (filterBounds)

var point = ee.Geometry.Point(49.1281, 55.7936);
var bbox = point.buffer({'distance': 20}).bounds();
var ROI = ee.FeatureCollection('projects/earthengine-legacy/assets/projects/sat-io/open-datasets/geoboundaries/HPSCU-ADM2')
             .filter(ee.Filter.eq('shapeGroup', 'RUS'))
             .filterBounds(bbox);

Мы уже умеем выделять малооблачные снимки, а также маскировать облака и тени на снимках Landsat. Умеем мы и объединять коллекции снимков Landsat. Итак, объединим коллекции и выберем самый малооблачный снимок:

var l89 = l8.merge(l9)
            .map(getCloudScore)
            .filter(ee.Filter.lt('cloud', min_cloud_score))
            .map(applyScaleFactors)
            .map(maskL8sr)
            .sort('cloud');

var image = l89.first();

l8 и l9 — коллекции снимков Landsat 8 и 9. '‘cloud' — доля площади района интереса, покрытой облаками.

Вот, собственно, и все. Дальше нас ждет выделение тепловых аномалий.

Код: https://code.earthengine.google.com/6e91cd2f340f85485135a84c7af33a52

На рисунке показана карта температуры поверхности города Казань по данным Landsat 8 TIRS от 18 августа 2022 года (снимок LC08_170021_20220818), наложенная поверх композита данных Landsat 8 OLI (естественные цвета) за ту же дату.

#GEE #LST

ChatGPT справляется с заменой координат Казани на координаты Элисты в предоставленном ему фрагменте кода (var point = …). Предупреждает, что не выполняет реальных географических запросов, но “в качестве примера” дает вполне подходящие координаты.

Городские тепловые аномалии: 2. Выделение аномалий

Продолжим работу с тепловой картой Казани. Нас интересуют положительные тепловые аномалии, то есть участки поверхности, температура которых значительно выше средней по городу.

Снимок сделан летом и на нем вода заметно холоднее остальных объектов. Построим маску водных объектов water при помощи нормализованного разностного водного индекса NDWI. Заодно построим маску суши (land)

var ndwi_th = 0.1;
var land  = image.select('NDWI').lte(ndwi_th).selfMask();
var water = image.select('NDWI').gt(ndwi_th).selfMask();

Построим гистограмму температуры поверхности в границах города

var chartLST = ui.Chart.image.histogram({
  image: image.select('ST_B10'), 
  scale: 30,
  region: ROI
}).setOptions({title: 'Land + Water Surface Temperarure'});
print(chartLST);

Пик на левом краю гистограммы 1️⃣, соответствующий низким значениям температуры, — температура поверхности воды. Чтобы убедиться в этом, выделим воду при помощи маски, и построим для нее гистограмму

var chartLSTwater = ui.Chart.image.histogram({
  image: image.select('ST_B10').multiply(water), 
  scale: 30,
  region: ROI
}).setOptions({title: 'Water Surface Temperarure'});
print(chartLSTwater);

Результат показан на рисунке 2️⃣ и он подтверждает предположение, что пик в левой части гистограммы 1️⃣ относится к воде. Поскольку вода холоднее остальных объектов, а нас интересуют положительные тепловые аномалии, мы удалим воду со снимка, воспользовавшись маской land.

Перейдем к выделению тепловой аномалии. Нас интересуют участки с температурами поверхности заметно выше средней. Величину отклонения от средней температуры будем оценивать в стандартных отклонениях. Вычислим среднюю температуру поверхности (mu) и стандартное отклонение температуры (std) в границах города (ROI)

var mu = ee.Number(image.select('ST_B10').reduceRegion({
      reducer: ee.Reducer.mean(),
      geometry: ROI,
      maxPixels: 1e10
    }).get('ST_B10'));
var std = ee.Number(image.select('ST_B10').reduceRegion({
      reducer: ee.Reducer.stdDev(),
      geometry: ROI,
      maxPixels: 1e10
    }).get('ST_B10'));

Отнесем к положительной тепловой аномалии участки городской территории, температура поверхности которых удовлетворяет условию

T > mean(T) + 2 * std(T).

mean(T) — средняя температура по городу (за вычетом водных объектов); std(T) — стандартное отклонение температуры.

То есть температура в аномалии превышает среднюю более чем на два стандартных отклонения. Это не единственно возможное условие для выделения аномалии (можно, например, ограничиться одним стандартным отклонением), но это разумное условие и мы будем использовать его в качестве примера.

Маска положительной тепловой аномалии рассчитывается следующим образом

var suha = image.select('ST_B10').multiply(land).gt(mu.add(std.multiply(2))).selfMask();

Векторизуем маску тепловой аномалии

var islands = suha.reduceToVectors({
  reducer: ee.Reducer.countEvery(), 
  geometry: ROI, 
  scale: 30,
  maxPixels: 1e10
});

Тепловая карта Казани по данным Landsat 8 TIRS от 18 августа 2022 года показана на рисунке 3️⃣. Тепловые аномалии выделены на ней коричневым цветом. Отдельно они представлены на рисунке 4️⃣.

Код примера: https://code.earthengine.google.com/dfc7cf200c2eea2e85a029efeb59069f

#GEE #LST #вода

Найденные тепловые аномалии можно сохранить в Assets или на диске. Что делать с ними дальше, зависит от цели работы. Можно, например, сравнить их с аномалиями, полученными в другие периоды (весной, осенью). Можно построить временные ряды средней температуры в этих аномалиях (мы сделаем это чуть позже). Это позволит выяснить, являются аномалии постоянными или сезонными. Можно с помощью Overpass API попробовать автоматически определить, какие объекты находятся внутри аномалий.

Рассказ о тепловых аномалиях мы продолжим завтра.