Обзор исследований микроволновых методов восстановления характеристик ледяного покрова Арктики
Заболотских Е.В., Хворостовский К.С., Животовская М.А., Львова Е.В., Азаров С.М., Балашова Е.А. Спутниковое микроволновое зондирование морского льда Арктики. Обзор // Современные проблемы дистанционного зондирования Земли из космоса. — 2023. Т. 20. № 1. — С. 9–34. DOI: 10.21046/2070-7401-2023-20-1-9-34
Возможности оптических методов изучения ледяного покрова Арктики крайне ограничены из-за полярной ночи и постоянной облачности, поэтому основную роль в таких исследованиях играют наблюдения в микроволновом диапазоне с помощью радиометров, скаттерометров и радаров. При этом решаются задачи классификации морской поверхности (лед/вода) и определения характеристик льда — его сплоченности (Sea Ice Concentration), типа (по возрасту), температуры и толщины. Статья дает обзор самых современных результатов в этой области исследований, подробный и читабельный.
#лед #обзор
Заболотских Е.В., Хворостовский К.С., Животовская М.А., Львова Е.В., Азаров С.М., Балашова Е.А. Спутниковое микроволновое зондирование морского льда Арктики. Обзор // Современные проблемы дистанционного зондирования Земли из космоса. — 2023. Т. 20. № 1. — С. 9–34. DOI: 10.21046/2070-7401-2023-20-1-9-34
Возможности оптических методов изучения ледяного покрова Арктики крайне ограничены из-за полярной ночи и постоянной облачности, поэтому основную роль в таких исследованиях играют наблюдения в микроволновом диапазоне с помощью радиометров, скаттерометров и радаров. При этом решаются задачи классификации морской поверхности (лед/вода) и определения характеристик льда — его сплоченности (Sea Ice Concentration), типа (по возрасту), температуры и толщины. Статья дает обзор самых современных результатов в этой области исследований, подробный и читабельный.
#лед #обзор
Картирование поверхностных водоемов и зон затопления с помощью данных мультиспектральных оптических спутниковых сенсоров
Хороший современный обзор:
Albertini C, Gioia A, Iacobellis V, Manfreda S. Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing. 2022; 14(23):6005. https://doi.org/10.3390/rs14236005
В целом, в задаче выделения поверхностных водоемов по-прежнему рулят Normalized Difference Water Index (NDWI), предложенный McFeeters’ом в 1996, и Modified Normalized Difference Water Index (MNDWI), предложенный Xu в 2005 году. Вместе с тем, интересно узнать, какие новые подходы предложены, и как новые индексы работают, в зависимости от типа почвенно-растительного покрова конкретной местности.
#вода #обзор #наводнение
Хороший современный обзор:
Albertini C, Gioia A, Iacobellis V, Manfreda S. Detection of Surface Water and Floods with Multispectral Satellites. Remote Sensing. 2022; 14(23):6005. https://doi.org/10.3390/rs14236005
В целом, в задаче выделения поверхностных водоемов по-прежнему рулят Normalized Difference Water Index (NDWI), предложенный McFeeters’ом в 1996, и Modified Normalized Difference Water Index (MNDWI), предложенный Xu в 2005 году. Вместе с тем, интересно узнать, какие новые подходы предложены, и как новые индексы работают, в зависимости от типа почвенно-растительного покрова конкретной местности.
#вода #обзор #наводнение
Картирование разливов нефти по данным ДЗЗ из космоса
Читатели спрашивают нас о возможностях наблюдения разливов нефти по спутниковым данным. Ответим максимально коротко, а за подробностями отошлем читателей к обзору Фингаса и Брауна, которые пишут подобные обзоры, начиная с 1990-х годов, а также к статье коллектива авторов под руководством Айры Лейфера, посвященной аварии на нефтяной платформе Deepwater Horizon (2010 г.). Авария была огромная, так что в распоряжении авторов оказались лучшие на тот момент и самые разнообразные данные ДЗЗ.
📖Fingas M., & Brown C. (2017). A Review of Oil Spill Remote Sensing. Sensors, 18(2), 91. https://doi.org/10.3390/s18010091
📖Leifer I. et al. (2012). State of the art satellite and airborne marine oil spill remote sensing: Application to the BP Deepwater Horizon oil spill. Remote Sensing of Environment, 124, 185–209. https://doi.org/10.1016/j.rse.2012.03.024
На оптических снимках нефть легко перепутать с другими видами загрязнений морской поверхности (1️⃣ A, C, E — ложные срабатывания; B, D, F — разливы нефти). В зависимости от освещения, нефть может выглядеть на снимке как светлой, так и темной 2️⃣. В видимом диапазоне нет специфических спектральных признаков нефти. Поэтому отделить нефть от воды на снимках можно только зная заранее, что на поверхности моря находится именно нефть.
Нефть, разлитая на поверхности моря, делает эту поверхность более гладкой, так что пятна нефти дают более низкие значения отраженного радарного сигнала. На снимке 3️⃣, сделанном со спутника RADARSAT, более темными оттенками серого показаны нефтяные пятна, появившееся на поверхности Мексиканского залива в результате аварии на платформе Deepwater Horizon. В квадрате показан увеличенный вид центра зоны разлива. Яркие точки — это суда, работающие над ликвидацией последствий аварии.
Радарные снимки — хороший инструмент для всепогодного детектирования разливов нефти, но у них есть свои ограничения. Радарные данные дают много ложных срабатываний. Например, гладкая поверхность моря в штиль может дать такое же низкое отражение радарного сигнала, как и пятно нефтяного разлива. При значительном волнении нефтяное загрязнение становится трудно обнаружить по радарным данным, то есть они хорошо работают в определенном диапазоне состояний морской поверхности. Нефть не только делает поверхность моря более гладкой, но и изменяет ее диэлектрические характеристики. При определенных условиях это может привести не к ослаблению, а к усилению отражения радарного сигнала.
Специфические спектральные особенности нефти не попадают в спектральные каналы современных мультиспектральных сенсоров. Поэтому нужны гиперспектральные данные с узкими спектральными каналами (5–10 нм), покрывающие диапазон ближнего и среднего инфракрасного света.
Картируют разливы нефти и по данным тепловых инфракрасных сенсоров, опираясь на различия в температуре чистой морской поверхности и поверхности, покрытой пленкой нефти.
Для определения толщины нефтяной пленки существуют только оценочные методики. Они позволяют определить, куда в первую очередь направить силы и средства для ликвидации последствий аварии, но обладают весьма ограниченной точностью.
Исходя из площади разлива нефти и толщины пленки, объем вытекшей нефти можно вычислить очень приблизительно. Дело в том, что нефть присутствует на поверхности моря в виде водо-нефтяной эмульсии. Для определения объема нефти нужно знать состав этой эмульсии, который к тому же изменяется со временем 4️⃣.
#нефть #обзор
Читатели спрашивают нас о возможностях наблюдения разливов нефти по спутниковым данным. Ответим максимально коротко, а за подробностями отошлем читателей к обзору Фингаса и Брауна, которые пишут подобные обзоры, начиная с 1990-х годов, а также к статье коллектива авторов под руководством Айры Лейфера, посвященной аварии на нефтяной платформе Deepwater Horizon (2010 г.). Авария была огромная, так что в распоряжении авторов оказались лучшие на тот момент и самые разнообразные данные ДЗЗ.
📖Fingas M., & Brown C. (2017). A Review of Oil Spill Remote Sensing. Sensors, 18(2), 91. https://doi.org/10.3390/s18010091
📖Leifer I. et al. (2012). State of the art satellite and airborne marine oil spill remote sensing: Application to the BP Deepwater Horizon oil spill. Remote Sensing of Environment, 124, 185–209. https://doi.org/10.1016/j.rse.2012.03.024
На оптических снимках нефть легко перепутать с другими видами загрязнений морской поверхности (1️⃣ A, C, E — ложные срабатывания; B, D, F — разливы нефти). В зависимости от освещения, нефть может выглядеть на снимке как светлой, так и темной 2️⃣. В видимом диапазоне нет специфических спектральных признаков нефти. Поэтому отделить нефть от воды на снимках можно только зная заранее, что на поверхности моря находится именно нефть.
Нефть, разлитая на поверхности моря, делает эту поверхность более гладкой, так что пятна нефти дают более низкие значения отраженного радарного сигнала. На снимке 3️⃣, сделанном со спутника RADARSAT, более темными оттенками серого показаны нефтяные пятна, появившееся на поверхности Мексиканского залива в результате аварии на платформе Deepwater Horizon. В квадрате показан увеличенный вид центра зоны разлива. Яркие точки — это суда, работающие над ликвидацией последствий аварии.
Радарные снимки — хороший инструмент для всепогодного детектирования разливов нефти, но у них есть свои ограничения. Радарные данные дают много ложных срабатываний. Например, гладкая поверхность моря в штиль может дать такое же низкое отражение радарного сигнала, как и пятно нефтяного разлива. При значительном волнении нефтяное загрязнение становится трудно обнаружить по радарным данным, то есть они хорошо работают в определенном диапазоне состояний морской поверхности. Нефть не только делает поверхность моря более гладкой, но и изменяет ее диэлектрические характеристики. При определенных условиях это может привести не к ослаблению, а к усилению отражения радарного сигнала.
Специфические спектральные особенности нефти не попадают в спектральные каналы современных мультиспектральных сенсоров. Поэтому нужны гиперспектральные данные с узкими спектральными каналами (5–10 нм), покрывающие диапазон ближнего и среднего инфракрасного света.
Картируют разливы нефти и по данным тепловых инфракрасных сенсоров, опираясь на различия в температуре чистой морской поверхности и поверхности, покрытой пленкой нефти.
Для определения толщины нефтяной пленки существуют только оценочные методики. Они позволяют определить, куда в первую очередь направить силы и средства для ликвидации последствий аварии, но обладают весьма ограниченной точностью.
Исходя из площади разлива нефти и толщины пленки, объем вытекшей нефти можно вычислить очень приблизительно. Дело в том, что нефть присутствует на поверхности моря в виде водо-нефтяной эмульсии. Для определения объема нефти нужно знать состав этой эмульсии, который к тому же изменяется со временем 4️⃣.
#нефть #обзор
⭐️ СТРАНЫ / КОМПАНИИ / СПУТНИКИ
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Страны: #австралия #германия #индия #иран #испания #канада #китай #португалия #россия #США #япония и т. п.
Но:
#корея обозначает Северную и Южную Кореи
#РБ — Республика Беларусь
#UK — Великобритания
Компании: #planet #maxar
Спутники: #landsat #sentinel1 #sentinel2
⭐️ ДЗЗ
Методы и приборы
#альтиметр
#гиперспектр — гиперспектральная оптическая съемка
#лидар
#оптика — мультиспектральная оптическая съемка
#радиометр — микроволновой радиометр
#dnb — ночная съёмка (day / night band)
#SIF — солнечно-индуцированная флуоресценция хлорофилла
#ro — радиозатменный метод
#SAR — радарная съемка
#InSAR — радарная интерферометрия
#LST — съемка в тепловом инфракрасном диапазоне
#GNSSR — ГНСС-рефлектометрия
#sigint — радиоэлектронная разведка
Виды орбит: #ГСО — геостационарная, #VLEO — сверхнизкая
#основы — обучающие материалы по ДЗЗ
#обучение курсы, обучающие сервисы и т. п.
#история — в основном, история ДЗЗ
#индексы — спектральные индексы
#комбинация — комбинации каналов
Данные
#данные — коллекции данных ДЗЗ, наземных данных, карты и т.п.
#датасет — набор данных для машинного обучения
Дополнительные хештеги, описывающие данные:
#LULC — Land Use & Land Cover
#осадки
#SST — Sea Surface Temperature
#nrt — (near real time) изображения, получаемые в режиме, близком к реальном времени
#debris — космический мусор
#границы — административные границы
#DEM — цифровая модель рельефа (ЦМР)
#keyhole — рассекреченные снимки разведспутников
Литература, справочная информация
#справка — спектральные каналы, орбиты спутников, поиск данных и т.п.
#обзор
#книга — текст книги прикреплён к сообщению.
Дополнительные хештеги:
#наблюдение — ресурсы для наблюдения спутников и орбиты спутников
#космодромы
#конференции — анонс конференций/семинаров/школ, посвященных ДЗЗ и анализ их материалов.
#конкурсы — анонс конкурсов/чемпионатов/олимпиад.
#МВК — материалы заседаний Межведомственной комиссии (МВК) по использованию результатов космической деятельности.
#снимки — поучительные (хоть в чем-то интересные) снимки, первые снимки
Программные инструменты / Языки
#нейронки #софт #GEE #R #tool #python
#ИИ #FM — Foundation Model (Remote Sensing Foundation Model)
⭐️ ОТРАСЛИ / ТЕМАТИЧЕСКИЕ ЗАДАЧИ
#археология #атмосфера #вода #война #засуха #климат #лед #лес #нефть #океан #оползни #наводнение #пожары #почва #растительность #севморпуть #сельхоз #снег
#AGB — надземная биомасса
#ЧС — мониторинг стихийных бедствий и катастроф
#GHG — парниковые газы
Отдельные газы: #CO2 #NO2
#энергетика — космическая энергетика
#SSA — Space Situational Awareness
Обзор методов извлечения дорог из данных дистанционного зондирования высокого разрешения с помощью глубокого обучения
📖 Liu, R., Wu, J., Lu, W., Miao, Q., Zhang, H., Liu, X., Lu, Z., & Li, L. (2024). A Review of Deep Learning-Based Methods for Road Extraction from High-Resolution Remote Sensing Images. Remote Sensing, 16(12), 2056. https://doi.org/10.3390/rs16122056
В статье представлен систематический обзор методов извлечения дорог из данных дистанционного зондирования Земли (ДЗЗ) высокого разрешения при помощи глубокого обучения. В зависимости от типа аннотированных данных, методы глубокого обучения делятся на обучение с учителем, без учителя и с частичным привлечением учителя (supervised learning, unsupervised learning, semi-supervised learning), каждый из которых подразделяется на более детальные подкатегории. Методы подвергаются сравнительному анализу на основе их принципов, преимуществ и ограничений. Кратко описаны метрики, используемые для оценки эффективности моделей выделения дорог, и наборы данных изображений ДЗЗ высокого разрешения, применяемые для выделения дорог (DeepGlobe, Massachusetts и др.). Обсуждаются основные проблемы и перспективы использования развития методов выделения дорожной сети по данным ДЗЗ.
📸 Классификация методов выделения дорог
#обзор #нейронки
📖 Liu, R., Wu, J., Lu, W., Miao, Q., Zhang, H., Liu, X., Lu, Z., & Li, L. (2024). A Review of Deep Learning-Based Methods for Road Extraction from High-Resolution Remote Sensing Images. Remote Sensing, 16(12), 2056. https://doi.org/10.3390/rs16122056
В статье представлен систематический обзор методов извлечения дорог из данных дистанционного зондирования Земли (ДЗЗ) высокого разрешения при помощи глубокого обучения. В зависимости от типа аннотированных данных, методы глубокого обучения делятся на обучение с учителем, без учителя и с частичным привлечением учителя (supervised learning, unsupervised learning, semi-supervised learning), каждый из которых подразделяется на более детальные подкатегории. Методы подвергаются сравнительному анализу на основе их принципов, преимуществ и ограничений. Кратко описаны метрики, используемые для оценки эффективности моделей выделения дорог, и наборы данных изображений ДЗЗ высокого разрешения, применяемые для выделения дорог (DeepGlobe, Massachusetts и др.). Обсуждаются основные проблемы и перспективы использования развития методов выделения дорожной сети по данным ДЗЗ.
📸 Классификация методов выделения дорог
#обзор #нейронки
Картографирование наводнений с помощью радаров: обзор методов и наборов данных
📖 Amitrano, D., Di Martino, G., Di Simone, A., & Imperatore, P. (2024). Flood Detection with SAR: A Review of Techniques and Datasets. Remote Sensing, 16(4), 656. https://doi.org/10.3390/rs16040656
Дистанционное зондирование Земли из космоса при помощи радаров оказывает большую помощь в борьбе с наводнениями и смягчении их последствий. В отличие от оптических датчиков, радары позволяют получать данные в условиях облачности, что обеспечивает регулярный мониторинг зон затопления.
Для картографирования и мониторинга наводнений применяется широкий спектр подходов: пороговые методы, нечёткая логика, машинное обучение, слияние данных (data fusion) и др. Оценить точность и эффективность различных методов картографирования наводнений позволяют справочные наборы данных. Приведен обзор открытых наборов радарных данных, которые охватывают события, связанные с наводнениями.
Мониторинг наводнений при помощи радаров испытывает трудности в районах городской застройки и густой растительности, где сложные механизмы рассеяния могут помешать точному выделению зон затопления. Эти и другие проблемы, а также перспективы развития методов картографирования наводнений на основе радарных данных обсуждаются в данной работе.
Обзор методов картографирования поверхностных водоёмов и зон затопления с помощью мультиспектральных оптических спутниковых сенсоров приведен здесь.
📊 Архитектура нейронной сети Siam-DWENet, предназначенной для извлечения высокоуровневых характеристик водных объектов из радарных снимков, сделанных до и после наводнения.
#обзор #SAR #наводнение #вода
📖 Amitrano, D., Di Martino, G., Di Simone, A., & Imperatore, P. (2024). Flood Detection with SAR: A Review of Techniques and Datasets. Remote Sensing, 16(4), 656. https://doi.org/10.3390/rs16040656
Дистанционное зондирование Земли из космоса при помощи радаров оказывает большую помощь в борьбе с наводнениями и смягчении их последствий. В отличие от оптических датчиков, радары позволяют получать данные в условиях облачности, что обеспечивает регулярный мониторинг зон затопления.
Для картографирования и мониторинга наводнений применяется широкий спектр подходов: пороговые методы, нечёткая логика, машинное обучение, слияние данных (data fusion) и др. Оценить точность и эффективность различных методов картографирования наводнений позволяют справочные наборы данных. Приведен обзор открытых наборов радарных данных, которые охватывают события, связанные с наводнениями.
Мониторинг наводнений при помощи радаров испытывает трудности в районах городской застройки и густой растительности, где сложные механизмы рассеяния могут помешать точному выделению зон затопления. Эти и другие проблемы, а также перспективы развития методов картографирования наводнений на основе радарных данных обсуждаются в данной работе.
Обзор методов картографирования поверхностных водоёмов и зон затопления с помощью мультиспектральных оптических спутниковых сенсоров приведен здесь.
📊 Архитектура нейронной сети Siam-DWENet, предназначенной для извлечения высокоуровневых характеристик водных объектов из радарных снимков, сделанных до и после наводнения.
#обзор #SAR #наводнение #вода