Forwarded from Спутник ДЗЗ
Возможности Sentinel-2 для оценки выбросов метана
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
В (Varon et al., 2021) продемонстрирована возможность использования прибора Sentinel-2 MSI для обнаружения и количественной оценки аномально больших точечных источников метана с высоким пространственным разрешением (20 м) и высокой периодичностью съёмки (2–5 суток).
Кривая оптической толщины метана (CH4), углекислого газа (CO2) и водяного пара показана на рисунке ⬆️. Приближённо, её можно считать аналогом кривой спектров поглощения этих веществ. Для обнаружения и оценки концентрации метана в столбе атмосферы используются спектральные каналы коротковолнового инфракрасного диапазона (SWIR) — B11 (∼1560–1660 нм) и B12 (∼2090–2290 нм). Канал B12, в целом, более чувствителен к метану, чем канал B11.
Поглощение водяного пара и CO2 в этих двух диапазонах создает риск появления артефактов при определении метана. Однако водяной пар и CO2 обычно не испускаются вместе с метаном и потому оказывают пренебрежимо малое влияние на определение точечных источников метана.
В работе представлены три метода определения концентрации метана в столбе атмосферы: сравнение яркостей пикселей канала B12 в разные моменты времени (с шлейфом метана и без него), сравнение яркостей каналов B12 и B11, а также комбинированный метод. Последний метод, как правило, показывает лучшие результаты. Важно: для измерений используются данные Sentinel-2 Top-of-Atmosphere, не прошедшие атмосферную коррекцию.
Лучшие результаты, с точки зрения точности оценки концентрации выбросов метана, метод показал на однородных поверхностях лишенных растительности. На неоднородных ландшафтах, вроде сельскохозяйственных угодий и городской застройки, точность снижалась в несколько раз. В таких случаях авторы рекомендуют сегментировать изображения. В целом, метод лучше подходит для обнаружения шлейфов метана, чем для оценки его концентрации.
Метод легко переносится на другие спутниковые сенсоры, имеющие аналогичные каналы SWIR, в частности, на сенсоры спутников Landsat. Так, предложенный метод используется в работе (Tai-Long He et al., 2024), показавшей увеличение выбросов метана в Туркменистане после распада СССР. Успеху применения метода во многом способствовал аридный ландшафт района исследований.
В завершение — обзор спутниковых методов количественной оценки выбросов метана в коротковолновом инфракрасном диапазоне, от глобального масштаба до точечных источников:
📖 (Jacob D. J. et al., 2022) Quantifying methane emissions from the global scale down to point sources using satellite observations of atmospheric methane.
#GHG #CH4 #sentinel2
Forwarded from Спутник ДЗЗ
Обнаружение выбросов диоксида азота по данным Sentinel-2 и Landsat
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
Диоксид азота относится к одним из самых распространенных видов выбросов в атмосферу, имеющих антропогенное происхождение. Он образуется в ходе протекания фотохимических реакций оксидов в атмосфере. Их источниками в свою очередь являются различные продукты сгорания и отходы предприятий промышленного сектора.
Несмотря на то, что спутники картографируют концентрацию диоксида азота, начиная с 1990-х годов, их разрешения обычно недостаточно, чтобы определить точечные источники выбросов, такие как электростанции.
📖 В недавнем исследовании учёные использовали снимки со спутника Sentinel-2 для наблюдения шлейфов диоксида азота от электростанций, что стало значительным шагом вперед в мониторинге загрязнения воздуха. Для обнаружения шлейфов и измерения концентрации диоксида азота использовались каналы видимого и ближнего инфракрасного диапазонов съёмочной аппаратуры Sentinel-2 и Landsat. Наличие многолетних временных рядов данных Landsat позволило проанализировать тенденции выбросов с течением времени.
Объектом исследования стали электростанции в Саудовской Аравии и США. Исследователи использовали изображения в синем и ультра-синем (Ultra Blue) каналах обоих спутников для выявления шлейфов диоксида азота.
Снимки высокого (10–30 метров) разрешения позволили оценить уровень выбросов оксидов азота нескольких крупных электростанций, в том числе в Эр-Рияде (Саудовская Аравия) и в Вайоминге (США). В частности, на электростанции № 9 в Эр-Рияде анализ снимков за 13 лет (с 2009 по 2021 год) показал значительные сезонные колебания выбросов. Летом, когда активно используются кондиционеры, выбросы достигают максимума.
Руководитель работы Даниэль Варон (Daniel J. Varon) так прокомментировал результаты исследований: “Эта неожиданная возможность означает, что спутники Landsat и Sentinel-2 могут использоваться для обнаружения выбросов диоксида азота с тонким пространственным разрешением, что особенно полезно в городской застройке, где источники загрязнения многочисленны и расположены близко друг к другу”.
Думается, что говоря о неожиданных возможностях, Даниэль немного лукавит. Он известен своими работами по применению данных Sentinel-2 и Landsat для мониторинга выбросов метана, так что наверняка знал, что и где искать.
Как и в случае с метаном, использование Sentinel-2 и Landsat для мониторинга выбросов диоксида азота не лишено проблем. По словам Варона: “… спутники лучше всего работают на ярких и однородных поверхностях и могут испытывать трудности в районах со сложным рельефом или тёмными поверхностями.”.
Результаты исследования расширяют возможности применения спутников Sentinel-2 и Landsat, позволяя им вносить вклад в мониторинг качества воздуха.
📸 Шлейфы диоксида азота над электростанцией № 9 в Эр-Рияде (источник).
#атмосфера #sentinel2
🔥2
Forwarded from Спутник ДЗЗ
Обзор методов машинного обучения для оценки урожайности сельскохозяйственных культур по данным Sentinel-2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
В 📖 статье рассматриваются исследования последних пяти лет, в которых использовались снимки Sentinel-2 и методы машинного обучения для оценки урожайности пшеницы, кукурузы, риса и других культур. Обсуждается применение различных методов, таких как “случайный лес”, SVM, CNN, а также ансамблей методов, для уточнения прогнозов урожайности.
Результаты показывают рост числа применений данных Sentinel-2 для прогноза урожайности, а также тенденцию к применению более продвинутых методов машинного обучения (переход от случайного леса к нейронкам). Отмечено, что разные исследователи используют различные комбинации спутниковых данных, вегетационных индексов и методов машинного обучения для схожих культур, что приводит к разным результатам, которые зачастую не удается сравнить между собой.
📖 Aslan, M. F., Sabanci, K., & Aslan, B. (2024). Artificial Intelligence Techniques in Crop Yield Estimation Based on Sentinel-2 Data: A Comprehensive Survey. Sustainability, 16(18), 8277. https://doi.org/10.3390/su16188277
📊 Количество исследований, связанных с Sentinel-2, в базе Web of Science по годам.
#сельхоз #sentinel2
🔥1
Forwarded from Спутник ДЗЗ
Спутник Sentinel-2C введен в эксплуатацию
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
Симонетта Чели (Simonetta Cheli), директор программ ESA по наблюдению Земли и глава ESRIN (ESA Centre for Earth Observation), сообщила, что спутник Sentinel-2C введен в эксплуатацию.
Данные Sentinel-2C публикуются в Copernicus Data Space Ecosystem (https://dataspace.copernicus.eu), начиная с 13 декабря 2024 года. Пользователи могут получить доступ к данным через Copernicus Browser (https://browser.dataspace.copernicus.eu/), 📸 применив во время поиска фильтр Satellite Platform, установленный на S2C.
#sentinel2 #данные
Forwarded from Спутник ДЗЗ
Продление работы Sentinel-2A
ESA объявило о начале кампании по временному продлению работы спутника Sentinel-2A, которая начнется в марте 2025 года.
Кампания предусматривает реализацию специального сценария работы Sentinel-2A, обеспечивающего непрерывность систематических наблюдений Sentinel-2A над Европой каждые 10 суток (как для Sentinel-2B/C) и глобальный охват каждые 20 суток.
В конце января 2025 года спутник Sentinel-2A должен начать маневрировать, чтобы к началу марта занять новую орбитальную позицию, расположенную на расстоянии 36° от Sentinel-2B. Такая конфигурация повысит доступность данных Sentinel-2, поскольку дополнительные наблюдения Sentinel-2 на той же относительной орбите будут проводиться с интервалом 2 суток от Sentinel-2B и 1 сутки — от Sentinel-2C.
#ESA #sentinel2
ESA объявило о начале кампании по временному продлению работы спутника Sentinel-2A, которая начнется в марте 2025 года.
Кампания предусматривает реализацию специального сценария работы Sentinel-2A, обеспечивающего непрерывность систематических наблюдений Sentinel-2A над Европой каждые 10 суток (как для Sentinel-2B/C) и глобальный охват каждые 20 суток.
В конце января 2025 года спутник Sentinel-2A должен начать маневрировать, чтобы к началу марта занять новую орбитальную позицию, расположенную на расстоянии 36° от Sentinel-2B. Такая конфигурация повысит доступность данных Sentinel-2, поскольку дополнительные наблюдения Sentinel-2 на той же относительной орбите будут проводиться с интервалом 2 суток от Sentinel-2B и 1 сутки — от Sentinel-2C.
#ESA #sentinel2
Forwarded from Спутник ДЗЗ
Индексы растительности на основе данных Harmonized Landsat Sentinel-2
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
В рамках проекта NASA Harmonized Landsat and Sentinel-2 (HLS) выпущены два новых продукта — индексы растительности по данным спутников Landsat (HLSL30_VI) и по данным спутников Sentinel-2 (HLSS30_VI). Каждый продукт содержит девять индексов растительности: NDVI, EVI, SAVI, MSAVI, NDMI, NDWI, NBR, NBR2 и TVI. Все данные имеют пространственное разрешение 30 метров.
🌍 Данные доступны на Earthdata Search и в Common Metadata Repository.
В начале нынешнего года LP DAAC планирует добавить поддержку новых данных в инструменте AppEEARS. AppEEARS (Application for Extracting and Exploring Analysis Ready Samples) упрощает получение готовых данных для заданной области интереса и промежутка времени.
#sentinel2 #landsat #индексы #растительность #данные
Forwarded from Спутник ДЗЗ
Комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
Развитие алгоритмов повышения резкости (sharpening) и разрешения (super-resolution) спутниковых снимков невозможно без стандартных тестовых данных и протоколов оценки качества результатов. В работе предложена комплексная платформа для тестирования алгоритмов повышения резкости снимков Sentinel-2 (каналы с разрешениями 60 и 20 метров доводятся до 10-ти метрового разрешения). В ней анализируются несколько передовых алгоритмов повышения резкости — от традиционного паншарпенинга до подходов на основе глубокого обучения. Все выбранные методы были реализованы в единой среде на основе Python и протестированы на специально созданном крупномасштабном наборе данных Sentinel-2. Этот набор данных охватывает разнообразные географические регионы, типы покрытия поверхности и условия съемки. Производительность методов повышения резкости оценивается с использованием разнообразных индексов качества, подчеркивая сильные и слабые стороны, а также открытые вызовы современных алгоритмов. Предложенная платформа, набор данных и протоколы оценки находятся в открытом доступе.
📊 Пример результатов повышения резкости 60-метровых каналов Sentinel-2, обрезанных до 145×180 пикселей. Изображения H (B2, B3, B4 — 10-ти метровые каналы) и L (B1, B1, B9 — 60-ти метровые каналы), увеличенные с помощью интерполяции ближайших соседей, сопровождаются соответствующими результатами повышения резкости для каждого метода.
📖 Ciotola, M., Guarino, G., Mazza, A., Poggi, G., & Scarpa, G. (2025). A Comprehensive Benchmarking Framework for Sentinel-2 Sharpening: Methods, Dataset, and Evaluation Metrics. Remote Sensing, 17(12), 1983. https://doi.org/10.3390/rs17121983
#sentinel2 #superresolution #датасет #софт
🔥1🥱1