Глобальные карты потоков углерода лесов (2001–2023)
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Недавнее обновление данных Global Forest Carbon Fluxes (GFCF) позволяет изучать глобальные потоки углерода лесов в период с 2001 по 2023 год. Данные разделены на чистый поток (баланс между выбросами и поглощением), поглощение (количество углерода, поглощенного лесами) и выбросы (количество углерода, высвобожденные в результате нарушений лесного покрова).
GFCF соответствуют рекомендациям МГЭИК и дают представление о том, сколько углерода хранят или высвобождают леса с течением времени.
Данные можно также найти на сайте Global Forest Watch. Информация об обновлениях доступна в блоге.
🌍 Код примера в GEE
#лес #данные #GEE #GHG
Предварительный анализ возможности использования данных космического лидара GEDI для мониторинга уровня внутренних водоёмов
📖 Hamoudzadeh, A., Ravanelli, R., & Crespi, M. (2023). GEDI DATA WITHIN GOOGLE EARTH ENGINE: PRELIMINARY ANALYSIS OF A RESOURCE FOR INLAND SURFACE WATER MONITORING. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-1–2023, 131–136. https://doi.org/10.5194/isprs-archives-xlviii-m-1-2023-131-2023
Точность оценок уровня поверхностных вод выполнялась для четырёх озер на севере Италии путем сравнения с результатами наземных измерений.
Для оценки точности альтиметрических данных GEDI использован двухэтапный метод удаления выбросов. На первом этапе для отсеивания данных с низкой точностью использовались метаданные GEDI. На втором применялся тест 3NMAD (нормализованное медианное абсолютное отклонение). Удаление выбросов привело к удалению от 80–87% данных.
После удаления выбросов, среднее стандартное отклонение составило 0,36 м, среднее значение NMAD — 0,38 м. Это, по мнению авторов, подтверждает перспективность использования альтиметрических данных GEDI L2A для мониторинга внутренних водоёмов.
Данные GEDI L2A на Google Earth Engine:
* GEDI L2A Vector Canopy Top Height (Version 2)
* GEDI L2A Table Index
* GEDI L2A Raster Canopy Top Height (Version 2)
Идея интересная. Смущает, правда, что удалённые 80–87% данных названы “выбросами” (outliers).
#лидар #альтиметр #GEE #вода
📖 Hamoudzadeh, A., Ravanelli, R., & Crespi, M. (2023). GEDI DATA WITHIN GOOGLE EARTH ENGINE: PRELIMINARY ANALYSIS OF A RESOURCE FOR INLAND SURFACE WATER MONITORING. The International Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences, XLVIII-M-1–2023, 131–136. https://doi.org/10.5194/isprs-archives-xlviii-m-1-2023-131-2023
Точность оценок уровня поверхностных вод выполнялась для четырёх озер на севере Италии путем сравнения с результатами наземных измерений.
Для оценки точности альтиметрических данных GEDI использован двухэтапный метод удаления выбросов. На первом этапе для отсеивания данных с низкой точностью использовались метаданные GEDI. На втором применялся тест 3NMAD (нормализованное медианное абсолютное отклонение). Удаление выбросов привело к удалению от 80–87% данных.
После удаления выбросов, среднее стандартное отклонение составило 0,36 м, среднее значение NMAD — 0,38 м. Это, по мнению авторов, подтверждает перспективность использования альтиметрических данных GEDI L2A для мониторинга внутренних водоёмов.
Данные GEDI L2A на Google Earth Engine:
* GEDI L2A Vector Canopy Top Height (Version 2)
* GEDI L2A Table Index
* GEDI L2A Raster Canopy Top Height (Version 2)
Идея интересная. Смущает, правда, что удалённые 80–87% данных названы “выбросами” (outliers).
#лидар #альтиметр #GEE #вода
This media is not supported in your browser
VIEW IN TELEGRAM
Границы сельскохозяйственных полей Великобритании
Набор данных UK Fields включает в себя автоматически очерченные границы полей в Англии, Уэльсе, Шотландии и Северной Ирландии. Этот набор данных предоставляет полную информацию о границах полей на территории Великобритании, полученную на основе композитов снимков Sentinel 2, сделанных в 2021 году.
Для построения границ полей использовалась модель Segment Anything Model, разработанная компанией Meta. Сегментированные поля были отмаскированы по годовому композиту данных Dynamic World за 2021 год (класс “crops”).
🛢 Bancroft, S., & Wilkins, J. (2024). UKFields (1.0.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.11110206
🗺 UK Fields на GEE
#данные #сельхоз #UK #GEE
Набор данных UK Fields включает в себя автоматически очерченные границы полей в Англии, Уэльсе, Шотландии и Северной Ирландии. Этот набор данных предоставляет полную информацию о границах полей на территории Великобритании, полученную на основе композитов снимков Sentinel 2, сделанных в 2021 году.
Для построения границ полей использовалась модель Segment Anything Model, разработанная компанией Meta. Сегментированные поля были отмаскированы по годовому композиту данных Dynamic World за 2021 год (класс “crops”).
🛢 Bancroft, S., & Wilkins, J. (2024). UKFields (1.0.0) [Data set]. Zenodo. https://doi.org/10.5281/zenodo.11110206
🗺 UK Fields на GEE
#данные #сельхоз #UK #GEE
GlobalDamWatch.org — глобальные данные о расположении плотин.
GDW содержит три основных набора данных:
1️⃣ Global Geo-referenced Database of Dams (GOODD) отображает плотины, обнаруженные на спутниковых снимках Google. В базе находятся координаты 38 660 плотин. GOODD на GEE.
2️⃣ Global Reservoir and Dam Database (GRanD) отображает местоположение и атрибутивные данные 7320 плотин высотой более 15 м или с объемом водохранилища более 0,1 куб. км.
3️⃣ Future Hydropower Reservoirs and Dams (FHReD) содержит 3700 плотин, которые находятся в стадии строительства или на продвинутых этапах планирования.
Вместе эти три набора данных представляют собой наиболее подробную глобальную общедоступную базу данных о плотинах с географической привязкой.
🛢Скачать базу данных плотин
#данные #GEE
GDW содержит три основных набора данных:
1️⃣ Global Geo-referenced Database of Dams (GOODD) отображает плотины, обнаруженные на спутниковых снимках Google. В базе находятся координаты 38 660 плотин. GOODD на GEE.
2️⃣ Global Reservoir and Dam Database (GRanD) отображает местоположение и атрибутивные данные 7320 плотин высотой более 15 м или с объемом водохранилища более 0,1 куб. км.
3️⃣ Future Hydropower Reservoirs and Dams (FHReD) содержит 3700 плотин, которые находятся в стадии строительства или на продвинутых этапах планирования.
Вместе эти три набора данных представляют собой наиболее подробную глобальную общедоступную базу данных о плотинах с географической привязкой.
🛢Скачать базу данных плотин
#данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Глобальные данные PM2.5 по результатам наблюдений из космоса
В данных Global Monthly Satellite-derived PM2.5 (V6.GL.02) представлены ежегодные и ежемесячные оценки содержания в воздухе на уровне земли мелкодисперсных твёрдых частиц PM2.5 за период с 2000 по 2022 год. Пространственное разрешение данных: 0,01° × 0,01° (≈ 1 км × 1 км).
Данные получены путем интеграции измерений оптической толщины аэрозоля (Aerosol Optical Depth, AOD), полученных с помощью спутниковых приборов NASA — MODIS, MISR, SeaWIFS и VIIRS, и модели химического переноса GEOS-Chem. После чего оценки PM2.5 откалиброваны с помощью остаточной свёрточной нейронной сети по глобальным наземным наблюдениям.
PM2.5 — это мельчайшие частицы, размером от 0,001 до 2,5 микрометра (мкм), находящиеся в воздухе. PM — сокращённое английское Particulate Matter — твёрдые частицы. Значение PM2.5 определяется в весе — количестве микрограмм на кубический метр (мкг/м³).
📖 Shen, S. Li, C. van Donkelaar, A. Jacobs, N. Wang, C. Martin, R. V. Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning. (2024) ACS ES&T Air. https://doi.org/10.1021/acsestair.3c00054
🛢 Данные в формате NetCDF
🌍 Данные на GEE
#атмосфера #данные #GEE
В данных Global Monthly Satellite-derived PM2.5 (V6.GL.02) представлены ежегодные и ежемесячные оценки содержания в воздухе на уровне земли мелкодисперсных твёрдых частиц PM2.5 за период с 2000 по 2022 год. Пространственное разрешение данных: 0,01° × 0,01° (≈ 1 км × 1 км).
Данные получены путем интеграции измерений оптической толщины аэрозоля (Aerosol Optical Depth, AOD), полученных с помощью спутниковых приборов NASA — MODIS, MISR, SeaWIFS и VIIRS, и модели химического переноса GEOS-Chem. После чего оценки PM2.5 откалиброваны с помощью остаточной свёрточной нейронной сети по глобальным наземным наблюдениям.
PM2.5 — это мельчайшие частицы, размером от 0,001 до 2,5 микрометра (мкм), находящиеся в воздухе. PM — сокращённое английское Particulate Matter — твёрдые частицы. Значение PM2.5 определяется в весе — количестве микрограмм на кубический метр (мкг/м³).
📖 Shen, S. Li, C. van Donkelaar, A. Jacobs, N. Wang, C. Martin, R. V. Enhancing Global Estimation of Fine Particulate Matter Concentrations by Including Geophysical a Priori Information in Deep Learning. (2024) ACS ES&T Air. https://doi.org/10.1021/acsestair.3c00054
🛢 Данные в формате NetCDF
🌍 Данные на GEE
#атмосфера #данные #GEE
Сервис NASA Fire Information for Resource Management System (FIRMS) распространяет данные об очагах возгораний и тепловых аномалиях в режиме, близком к реальному времени (Near Real-Time, NRT). Данные FIRMS получены с помощью спектрорадиометров MODIS на спутниках Aqua и Terra, а также приборов VIIRS на спутниках S-NPP, NOAA 20 и NOAA 21. По всему миру эти данные доступны в течение 3 часов после наблюдения со спутника, а в США и Канаде они доступны в режиме реального времени*.
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
Данные FIRMS изначально предназначались для выявления и ликвидации пожаров в лесных и сельскохозяйственных угодьях. Cегодня сервис FIRMS используется также для определения мест активных боевых действий.
🗺 Интерактивная карта FIRMS
📖 Подробнее о продуктах FIRMS NRT, в том числе — об алгоритмах расчёта.
🛢 Скачать данные FIRMS в виде файлов
🛢 FIRMS на NASA Earthdata Search
🖥 FIRMS API
🌍 FIRMS на GEE с запаздыванием на 2–3 суток
*NASA EOSDIS определяет данные реального времени (Real-Time, RT) как данные, которые становятся доступны в течение 60 минут после пролёта спутника. Данные FIRMS для США и Канады распространяются в режиме Ultra Real-Time (URT) и становятся доступны менее чем через 60 секунд после пролёта спутника над большей части территории этих стран.
#пожары #данные #GEE #основы
Гармонизация данных Landsat и Sentinel-2 с помощью Google Earth Engine
Непрерывные и плотные временные ряды данных дистанционного зондирования необходимы для решения ряда многих задач. Но недостаточная частота съёмки, а также облачность и тени не позволяют построить подобные ряды для данных оптических сенсоров.
Одним из способов создания плотных и непрерывных временных рядов является гармонизация (согласование) данных нескольких оптических сенсоров. Мы уже рассматривали подобные подходы здесь и вот появился ещё один.
В 📖 работе весь процесс гармонизации данных Landsat-7 ETM+, Landsat-8 OLI и Sentinel-2 MSI первого уровня реализован в Google Earth Engine (GEE). Предложены и описаны шесть основных этапов обработки данных для создания гармонизированного временного ряда Landsat и Sentinel с пространственным разрешением 30 м:
* корректировка диапазонов
* атмосферная коррекция
* маскировка облаков и теней облаков
* корректировка угла обзора и освещённости
* корегистрация
* перепроецирование и передискретизация (resampling).
🌍 Код JavaScript-реализации на GEE
🖥 Github
Сразу предупредим горячие головы: идеального решения у этой задачи нет (подробности — в разделе Discussion статьи). Но хорошо, что появился ещё один подход, к тому же реализованный в GEE.
#GEE
Непрерывные и плотные временные ряды данных дистанционного зондирования необходимы для решения ряда многих задач. Но недостаточная частота съёмки, а также облачность и тени не позволяют построить подобные ряды для данных оптических сенсоров.
Одним из способов создания плотных и непрерывных временных рядов является гармонизация (согласование) данных нескольких оптических сенсоров. Мы уже рассматривали подобные подходы здесь и вот появился ещё один.
В 📖 работе весь процесс гармонизации данных Landsat-7 ETM+, Landsat-8 OLI и Sentinel-2 MSI первого уровня реализован в Google Earth Engine (GEE). Предложены и описаны шесть основных этапов обработки данных для создания гармонизированного временного ряда Landsat и Sentinel с пространственным разрешением 30 м:
* корректировка диапазонов
* атмосферная коррекция
* маскировка облаков и теней облаков
* корректировка угла обзора и освещённости
* корегистрация
* перепроецирование и передискретизация (resampling).
🌍 Код JavaScript-реализации на GEE
🖥 Github
Сразу предупредим горячие головы: идеального решения у этой задачи нет (подробности — в разделе Discussion статьи). Но хорошо, что появился ещё один подход, к тому же реализованный в GEE.
#GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Новые возможности geemap
Д-р. Qiusheng Wu, автор питоновского пакета geemap (https://geemap.org) для работы с Google Earth Engine (GEE) через Python API, сообщил об обновлении пакета.
Теперь с помощью geemap можно создавать интерактивные графики для различных типов данных GEE: feature, image, array, list и table.
#GEE #python
Д-р. Qiusheng Wu, автор питоновского пакета geemap (https://geemap.org) для работы с Google Earth Engine (GEE) через Python API, сообщил об обновлении пакета.
Теперь с помощью geemap можно создавать интерактивные графики для различных типов данных GEE: feature, image, array, list и table.
#GEE #python
This media is not supported in your browser
VIEW IN TELEGRAM
Глобальный набор данных интенсивности городских островов тепла (2001–2020)
Эффект городского острова тепла (Urban Heat Island, UHI), характеризующийся локальным потеплением над городскими территориями, является одним из самых известных последствий урбанизации для климата. Традиционные оценки интенсивности UHI разнятся из-за фокусировки исследований на “обычном” UHI (или canopy UHI), присутствие которого оценивается по приземной температуре воздуха, или на “поверхностном” UHI (surface UHI), который оценивается по температуре земной поверхности, а также из-за рассмотрения случаев безоблачного неба (clear-sky) и присутствия облаков (all-sky).
В 📖 работе рассматриваются оба вида городских островов тепла как при наличии, так и в отсутствие облачности. Для приведения данных “к общему знаменателю” предлагается метод динамической равной площади (dynamic equal-area, DEA).
Применяя метод DEA и интегрируя данные о температуре по сетке, был получен глобальный набор данных интенсивности UHI, охватывающий более 10000 городов за период более 20 лет с ежемесячным временным разрешением. Этот набор данных предлагает многосторонние оценки интенсивности UHI. Значения температуры земной поверхности получены из наблюдений приборов MODIS спутников Terra и Aqua.
Исследования показали, что интенсивность UHI больше нуля в более чем 80% исследованных городов, со среднегодовым глобальным значением около 1,0°C (днем) и 0,8°C (ночью) для поверхностного UHI, и около 0,5°C для обычного UHI.
В более чем 60% городов отмечается межгодовая тенденция к увеличению интенсивности UHI. При этом глобальные средние тенденции превышают 0,1°C за десятилетие (день) и 0,06°C за десятилетие (ночь) для поверхностного UHI, и чуть более 0,03°C за десятилетие для обычного UHI.
Выявлена положительная корреляция между величиной и тенденцией интенсивности UHI, указывающая на то, что в городах с более интенсивным UHI наблюдается и более быстрый рост интенсивности UHI с течением времени.
Набор данных находится в открытом доступе:
🛢 Global Urban Heat Island Intensity Dataset
🌍 Urban Heat Island Intensity (UHII) на GEE
#LST #климат #данные #GEE
Эффект городского острова тепла (Urban Heat Island, UHI), характеризующийся локальным потеплением над городскими территориями, является одним из самых известных последствий урбанизации для климата. Традиционные оценки интенсивности UHI разнятся из-за фокусировки исследований на “обычном” UHI (или canopy UHI), присутствие которого оценивается по приземной температуре воздуха, или на “поверхностном” UHI (surface UHI), который оценивается по температуре земной поверхности, а также из-за рассмотрения случаев безоблачного неба (clear-sky) и присутствия облаков (all-sky).
В 📖 работе рассматриваются оба вида городских островов тепла как при наличии, так и в отсутствие облачности. Для приведения данных “к общему знаменателю” предлагается метод динамической равной площади (dynamic equal-area, DEA).
Применяя метод DEA и интегрируя данные о температуре по сетке, был получен глобальный набор данных интенсивности UHI, охватывающий более 10000 городов за период более 20 лет с ежемесячным временным разрешением. Этот набор данных предлагает многосторонние оценки интенсивности UHI. Значения температуры земной поверхности получены из наблюдений приборов MODIS спутников Terra и Aqua.
Исследования показали, что интенсивность UHI больше нуля в более чем 80% исследованных городов, со среднегодовым глобальным значением около 1,0°C (днем) и 0,8°C (ночью) для поверхностного UHI, и около 0,5°C для обычного UHI.
В более чем 60% городов отмечается межгодовая тенденция к увеличению интенсивности UHI. При этом глобальные средние тенденции превышают 0,1°C за десятилетие (день) и 0,06°C за десятилетие (ночь) для поверхностного UHI, и чуть более 0,03°C за десятилетие для обычного UHI.
Выявлена положительная корреляция между величиной и тенденцией интенсивности UHI, указывающая на то, что в городах с более интенсивным UHI наблюдается и более быстрый рост интенсивности UHI с течением времени.
Набор данных находится в открытом доступе:
🛢 Global Urban Heat Island Intensity Dataset
🌍 Urban Heat Island Intensity (UHII) на GEE
#LST #климат #данные #GEE
This media is not supported in your browser
VIEW IN TELEGRAM
Пожар на острове Мадейра
На видео показана работа приложения, созданного для идентификации зданий в районах, пострадавших от пожаров 🔥. Приложение создано с помощью Google Earth Engine и OpenStreetMap.
В случае острова Мадейра (Португалия), в радиусе 6,5 км от центра пожара находится около 6 тысяч зданий 🏠. Если изменить методику и считать только ближайшие окрестности, то получится более 1,5 тысяч зданий.
Использован снимок спутника 🛰 Sentinel-2 за 20 августа 2024 года.
#GEE #пожары
На видео показана работа приложения, созданного для идентификации зданий в районах, пострадавших от пожаров 🔥. Приложение создано с помощью Google Earth Engine и OpenStreetMap.
В случае острова Мадейра (Португалия), в радиусе 6,5 км от центра пожара находится около 6 тысяч зданий 🏠. Если изменить методику и считать только ближайшие окрестности, то получится более 1,5 тысяч зданий.
Использован снимок спутника 🛰 Sentinel-2 за 20 августа 2024 года.
#GEE #пожары