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

Моделирование водной эрозии с помощью модели RUSLE в масштабе сельскохозяйственного предприятия

📖 В работе описан процесс моделирования водной эрозии почвенного покрова в масштабе сельскохозяйственного предприятия с использованием уравнения RUSLE на основе наземных данных и данных ДЗЗ из космоса.

Исходные данные:

🔹 цифровая модель рельефа FABDEM
🔹 спутниковые снимки Sentinel-2
🔹 данные наземной метеостанции
🔹 цифровые карты почвы
🔹 цифровая карта типов землепользования

Сложнее всего, обычно, найти цифровые карты почвы. Они нужны для вычисления фактора эродируемости почвы (K). В эти данные входит содержание песка (SAN), ила (SIL) и глины (CLA) в процентах, а также содержание органических веществ в почве (OM) в процентах. В работе карта почв построена по данным наземных обследований.

В качестве источника данных для расчёта фактора природоохранной практики (P) использовалась карта типов землепользования (пахотные земли, пастбища и кустарник, водно-болотные угодья, лес), построенная для данного сельхозпредприятия.

📊 Алгоритм вычисления факторов уравнения RUSLE

#почва #вода

🌊 Большая часть последствий изменения климата связана с водой

☀️ В сегодняшнем мире засухи и наводнения все чаще происходят там, где раньше такие экстремальные погодные явления были редкостью. Это связано с изменением климата, объясняет Соня Коппель, секретарь Конвенции ООН по охране и использованию трансграничных водотоков и международных озер.

🌐 https://news.un.org/ru/story/2024/11/1458691

#климат #вода

Опубликованы презентации докладов VIII Всероссийского объединённого метеорологического и гидрологического съезда

🔗 Презентации доступны на сайте.

Напомним названия секций:

🔹 Метеорологический съезд

* МС-1. Состояние и стратегические направления развития государственной метеорологической наблюдательной сети
* МС-2. Метеорологические исследования, прогнозирование погоды и климата
* МС-3. Климатическое обслуживание и адаптация, включая социально-экономические аспекты
* МС-4. Мониторинг и исследования состава и загрязнения атмосферы
* МС-5. Геофизические исследования атмосферы и ионосферы

🔹 Гидрологический съезд

* ГС-1. Опасные гидрологические явления: оценка, прогнозирование, снижение рисков
* ГС-2. Состояние и развитие системы гидрологического мониторинга
* ГС-3. Проблемы качества вод и охраны водных объектов
* ГС-4. Водные ресурсы, водный баланс: расчеты и моделирование. Гидрологические последствия климатических изменений
* ГС-5. Управление водными ресурсами и региональные водохозяйственные проблемы
* ГС-6. Исследования русловых, эрозионных и устьевых процессов

#погода #климат #вода #атмосфера #ионосфера

Температура морской поверхности на основе данных Landsat

Данные спутниковых измерений температуры морской поверхности (sea surface temperature, SST), как правило, имеют низкое пространственное разрешение — 1 км и более. В работе предложена методика использования линейного уравнения для калибровки яркостной температуры, измеренной Landsat TIRS, для получения SST с пространственным разрешением 100 м. Константы этого уравнения получены из корреляций совпадающих данных MODIS SST и Landsat, которые фильтруются для поиска оптимальных пар.

Проверка данных датчиков in situ на различных расстояниях от берега в Северной Калифорнии показала, что новые оценки SST точнее, чем готовые данные Landsat, откалиброванные для поверхности суши. Среднеквадратичная ошибка SST для минимально отфильтрованного набора данных (n = 557 снимков) составила 0,76…1,20 °C с коэффициентами корреляции Пирсона r = 0,73…0,92, а для оптимального набора данных (n = 229 снимков) ошибка составила 0,62…0,98 °C с коэффициентами корреляции r = 0,83…0,92.

📸 (c) Карта температуры морской поверхности — MODIS Terra SST от 7 января 2015 года. (d) Оценка SST по данным Landsat.

📖 Speiser, W. H., & Largier, J. L. (2024). High-Resolution Nearshore Sea Surface Temperature from Calibrated Landsat Brightness Data. Remote Sensing, 16(23), 4477. https://doi.org/10.3390/rs16234477

#SST #вода