На каком исз установлен сканер modis который имеет 36 спектральных каналов
Обновлено: 15.05.2024
Однако, использование этих данных совместно с распространенным программным обеспечением связано с рядом сложностей (отчасти связанных с дефектами метаданных, отчасти — с несколько необычной структурой используемого в программе EOS формата данных HDF-EOS.) Цель данного учебника — познакомить с некоторыми из типов результатов обработки данных MODIS, на примере взаимодействия с ними с использованием программного пакета QGIS.
Для публикуемых NASA результатов обработки данных MODIS до уровня 3 («физические величины на регулярной сетке») используется определенная номенклатура, которую рассмотрим на следующих двух примерах.
Чтобы получить общее представление о данных MODIS уровня 3, рассмотрим данные в системе координат «широта, долгота» на сетке 0.05°. (Данная сетка ориентирована на использование в задачах моделирования климата и, поэтому, также известна как CMG — англ. climate modelling grid.)
Загрузим ( ) в QGIS, к примеру, растр Nadir_Reflectance_Band1 (коэффициенты спектральной яркости, приведенные к стандартной геометрии освещения—наблюдения; канал MODIS 1 — «красный») сетки MCD_CMG_BRDF_0.05Deg файла MCD43C4.A2013169.005.2013191204312.hdf.
Установим текущую область по границам слоя, а также изменим стиль на одноканальное псевдоцветное и загрузим цветовую карту reflectance-colors-10000.txt . Результат должен получиться похожим на изображение справа.
Здесь уместно упомянуть, что средствами QGIS невозможно объединить три отдельных растра для получения изображения «в истинных цветах» (каналы MODIS 1, 4, 3.) Кроме того, в описании системы координат данного набора допущена ошибка: несложно убедиться, что с точки зрения QGIS, охват слоя — 0.1° × 0.05°, а вовсе не ожидаемый 360° × 180°.
После чего в результирующем .vrt -файле исправляется поле <GeoTransform /> :
С другой стороны, применить цветовую карту reflectance-colors-10000.txt к каждому из результирующих каналов средствами QGIS окажется невозможным. Впрочем, соответствующая информации также может быть внесена в .vrt -файл.
Рассмотрим теперь растр Majority_Land_Cover_Type_1 (типы подстилающей поверхности, классификация №1) сетки MOD12C1 файла MCD12C1.A2012001.051.2013178154403.hdf.
Вновь установим текущую область по границам слоя, а также изменим стиль на одноканальное псевдоцветное и загрузим цветовую карту mcd12q1-lct1-colors.txt . Ожидаемый результат представлен на изображении справа.
Рис.1. Формат APT.
Форматы.
Прибор AVHRR (Advanced Very High Resolution Radiometer) на спутнике NOAA является сканером с разрешением 1 км/пиксель, он формирует изображение в 5 ИК-каналах. Российский МСУ-МР (Многоканальное Сканирующее Устройство Малого Разрешения) на спутнике Метеор-М1 формирует 6 каналов. На Terra и Aqua устройство MODIS (MODerate resolution Imaging Spectroradiometer) сканирует в 36 спектральных каналах с 12-битным разрешением в видимом, ближнем, среднем и тепловом инфракрасном диапазонах.
На частоте 137МГц в аналоговом формате (APT) передается картинка с разрешением 4км/пиксель, состоящая из двух ИК-каналов, полученная в результате геометрической коррекции перспективных искажений и уменьшения масштаба. На частоте 1,7ГГц уже используется цифровой формат HRPT (High Resolution Picture Transmission) (в NOAA – манчестерский код, а в Metop – код Рида-Соломона и алгоритм Витерби) – разрешение 1км/пиксель, на частоте 8ГГц тоже используется цифровой код для передачи данных с максимальным разрешением 250м/пиксель.
Поток данных в формате в общем случае состоит из строк, каждая из которых содержит:
• синхробайты
• данные о спутнике
• метку точного времени для каждой строки растрового изображения
• калибровочные значения
• нужную нам информацию о яркости пикселя в каждом канале
• последние форматы предусматривают передачу GPS-координат положения спутника на орбите.
Цифровой сигнал формируется 10-битными байтами (в MODIS 12 бит), т.е. по 10 бит на пиксель каждого канала. Строки идут одна за другой, в соответствии с направлением полета фото-сенсора, т.е., если спутник летит с севера на юг, то картинка строится сверху вниз, а если он возвращается к нам с Антарктиды, то прежде чем смотреть, картинку надо переворачивать. Сенсор устроен таким образом, что строки сканируются одна за другой, непрерывно. Он постоянно смотрит в центр Земли, а сканируемая строка перпендикулярна вектору движения, т.е. спутник производит съемку в надире. Проекция получается понятная глазу, но далеко не картографическая. Чтобы наложить карту городов и границ стран, приходится использовать редкие, никому неизвестные и ненужные в обычной жизни программы. Орбита, по которой летают метеоспутники, называется солнечно-синхронной. Запущенные по такой орбите объекты сохраняют свое положение относительно Земли и Солнца на каждом витке, т.е. если спутник пролетел над Москвой вечером, то на следующем витке он пролетит над Европой тоже вечером и вообще все время он попадает в вечер, а на обратной стороне Земли, значит, он всегда бывает утром, т.е. Земля фактически прокручивается под ним внутри его орбиты.
Приемная аппаратура.
Видео 1. Прием данных со спутника NOAA.
Программная дообработка.
Получаемые с разных спутников данные должны быть пересобраны в какой-то единый формат, чтобы их могла открыть какая-то универсальная программа. Поэтому та программа (BMsat), что принимает цифру с декодера, переупаковывает данные на лету и пишет на диск в таком формате, чтобы их открыла программа HRPT Reader, которая может строить цветные картинки, накладывать карту и сохранять в BMP или JPEG! Это вторая в цепочке программа, которой тоже надо подкачивать из Интернета файлы орбит (TLE). Чтобы изображения, получаемые в инфракрасных спектрах, выглядели достаточно адекватно для слепого в этом диапазоне RGB-зрителя, т.е. для вас, есть специальный алгоритм, названный в программе False color. Таким образом, вам должно быть понятно, что те метеорологические изображения, которые есть в Интернете, имеют не настоящие цвета, а смоделированные на основе полосок ИК-спектра. Вообще, основой для алгоритма False color могут служить разные каналы – здесь выбор за оператором. В функционал программы еще входит возможность выпрямления перспективных искажений. Те пиксели, которые отсканировались с поверхности Земли прямо из под спутника отображают 1км, а те пиксели, которые расположены ближе к горизонту охватывают по несколько километров, и чтобы Земля казалась не круглой, а плоской, как на картах, можно вытягивать края картинки в ширину. При этом качество изображения страдает, размер JPG-файла растет, на экране помещается еще меньший фрагмент. Но так или иначе дальше, все отправляется по FTP на сайт, а про это вы уже сами все хорошо знаете. Разве что можно упомянуть разбиение большого снимка на тайлы (маленькие квадратики), которые бы закачивались для тех мест, на которые смотрит пользователь сайта. Как это делается в яндекс- и гугл-картах.
Видео 2. Обработка данных с метеоспутника.
Оборудование и программы, которые используются для приема, начиная двухосевыми поворотками, заканчивая HRPT Reader’ом очень специфичны и в магазинах на полках не лежат. Все это надо разрабатывать своими силами, используя свой опыт и опыт тех, кто этим уже занимается, либо платить за разработку специалистам. Вообще всякое оборудование, конечно, уже существует, но цены на него космические. Благодаря ebay, можно попробовать купить списанный экземпляр того или другого устройства на свой страх и риск, попробовать починить его и доработать. Чтобы было возможно принимать 8ГГц спутники с разрешением 250м/пиксель необходимо увеличить:
• точность позиционирования параболической антенны до 10’ (10 угловых минут)
• частоту позиционирования – тарелка должна двигаться плавно
• диаметр до 3м
Кроме этого надо полностью заменить аппаратную часть. Перейти на другие частоты и т.д. Снимки, генерируемые такими спутниками формируются уже не построчно, а полосками ощутимой ширины, в связи с этим нормально смотреть на них не возможно, т.к. перспективные искажения дублируют кусочки изображений, близких к горизонту. Т.е. тут тоже есть математическая задача, которую надо будет решать.
В настоящее время наш проект предоставляет открытый доступ ко многим уникальным и полезным данным. Смысл его очень многогранен. Спрогнозировать облачность и изменение погоды иногда гораздо проще и интереснее смотря на метеоснимки, чем на прогнозы разных метеосайтов. Еще можно понимать попадаешь ли ты в центр циклона, на грозовой фронт или погода будет меняться плавно в течении нескольких дней. В частности, один мой знакомый использовал эти снимки три года назад, когда всё было в дыму от лесных пожаров, чтобы принять решение, куда уехать из Московской области на выходные: на снимках было видно, что прозрачный воздух начинался тогда аж в Белоруссии. Но это пример краткосрочного применения технологии. Полученные нами данные используются в обучении студентов метеорологических факультетов. Очень важно понимать, что эти данные представляют собой не просто оперативные данные, а уникальную область технологий. Такие вещи могут заинтересовать школьников и стимулировать их к обучению сразу по нескольким предметам, кроме физики сюда подключаются знания о природе, атмосферных, водных процессах, метеорологии, географии, астрономии, геометрии, информатике и радиоэлектронике. Можете попробовать проверить свои знания о географии, мысленно представив текущее состояние пересохшего Аральского моря и сравнив со снимком из космоса. Вы чувствуете разницу между теоретическим знанием и практическим, разве было бы возможно просто взять и посмотреть на Аральское море, довольствуясь редкими распечатками из учебников, которых нет и старинными картами? Или вспомните трагедию в Крымске – городе, где в свое время с участием Д.И. Менделеева была открыта первая нефтедобывающая установка. Сейчас же при таком уровне технического развития не нашлось ни одного человека в той местности, чтобы создать ситуацию, в которой люди были бы хотя бы предупреждены о приближающейся катастрофе. Т.е. вопросами выживания почему-то никто не занимается, даже не кто-то там, кто должен, а вообще никто, наверно тысячу лет назад была такая же ситуация. Никто не знает, как резко сможет взлететь наука о Земле, если в такие знания будут окунаться не только штучные доктора наук, но хотя бы 1% школьников. Хотели бы вы, чтобы у вас в ваше время в школе был компьютер, спутниковый приемный комплекс? Наверное, и сейчас половина из вас мечтают, если не о телескопе, то о связи со спутниками, приеме какой-нибудь совершенно новой для разума информации. При самом скромном желании можно внедрить технологии в образование. Но мы то с вами знаем, что вообще в настоящее время в образование внедряют.
Рис.2. Формат HRPT.
Непосредственная польза человечеству от снимков, кроме колоссальной научной, очень разносторонняя:
• на фотографиях видны различные пожары, их очаги, направление распространения, эта информация формируется в соответствующих противопожарных службах сразу же, как только пролетел спутник
• в сельской местности на просторах нашей Родины по цветовой информации полей можно определить степень созревания сельскохозяйственных культур, отслеживать сбор урожая и количество снега зимой
• также осуществляется мониторинг паводков и ледовой обстановки, так пару лет назад можно было наблюдать замерзшее Азовское море и ледоход. А в Белом море знание ледовой обстановки жизненно необходимо для судоходства
• в мире происходит бесчисленное множество природных явлений, кроме самого наблюдения за ними, можно оценить степень и масштаб их влияния
Век компьютеризации пока что шагает по планете в виде экономики продаж бытовой техники и электронных игрушек со стеклом, до которого можно дотронуться пальцем. Если взглянуть на это со стороны, то даже может стать немножко стыдно, как человечество, получив такие совершенные технологии, их использует. С другой стороны, в масштабах государственных служб, существуют глобальные проекты, но на примере нашей космической отрасли тоже становится немножко стыдно, когда видишь, что построенные за народные деньги ракеты и летающие на них спутники, собирающие информацию принадлежат как бы не нам, а узкому замкнутому кругу лиц, в который попасть почти нереально по комплексу причин. Простому смертному россиянину увидеть нормальный космоснимок можно только благодаря иностранным сайтам тех стран, где хоть какое-то участие в образовательных процессах этому предусматривается, а в реальном времени снимок можно увидеть только у нас. Ситуация такова, что в то время как польза любому человеку от своевременно полученной метео-инфромации может быть сопоставима с пользой от яндекс-пробок, те госслужбы, которые занимаются непосредственно приемом изображений, считают выкладывание снимков в открытый доступ нецелесообразным. Т.е. они существуют, строят ракеты и спутники за наш счет, а потом нам же предлагают покупать у них наши же снимки.
Сейчас у всех нас есть возможность конструктивно работать в параллель государству. Нужно открывать новые приемные станции, разрабатывать, изготавливать и устанавливать новое оборудование, писать новые программы для расширения охвата земной поверхности. На днях мы договорились о сотрудничестве с энтузиастом из Японии, у которого тоже есть собственная приемная станция, теперь мы получаем его исходные данные, обрабатываем их и публикуем снимки от Байкала до Камчатки. Среди пользователей нашего сайта появилось много жителей Дальнего Востока. Таким образом, покрытие фото-данных расширилось от Лиссабона до Владивостока и даже дальше. Сейчас абсолютно всё: изготовление оборудования, эксплуатация, обслуживание помещения приемной станции, работа оператора никем и ничем не финансируется – все делается за свой счет. Мы делаем это бесплатно и открыто. Для поддержания и устойчивого развития проекта нужны заинтересованные люди и финансирование.
У нас есть снимки туч на Черном море и Кавказе тех дней, когда в Крымске погибли тысячи людей. Если бы хотя бы 10 человек в стране искренне интересовались подобными явлениями, начиная со школы или с сознательного возраста, вполне возможно, что опасные явления (ОЯ) предсказывались бы не просто как «ОЯ», а «уровень затопления местами составит более 2 метров». Кстати метеослужбы по самым пессимистичным прогнозам давали до 100мм осадков ту ночь, а реально было под 300мм. Вот вам и эффективность подхода сокрытия метеоданных, пусть и не физического, но идеологического.
Moderate Resolution спектрорадиометр ( MODIS ) является полезной нагрузкой датчика изображения , построенный в Санте - Барбаре дистанционного зондирования , который был выведен на околоземную орбиту с помощью НАСА в 1999 году на борту Terra ( EOS AM) спутник, а в 2002 году на борту Акв (EOS PM) спутниковое. Приборы собирают данные в 36 спектральных диапазонах с длиной волны от 0,4 мкм до 14,4 мкм и с различным пространственным разрешением (2 диапазона на 250 м, 5 диапазонов на 500 м и 29 диапазонов на 1 км). Вместе инструменты делают снимки всей Земли каждые 1-2 дня. Они предназначены для измерения крупномасштабной глобальной динамики, включая изменения облачного покрова Земли , радиационного баланса и процессов, происходящих в океанах, на суше и в нижних слоях атмосферы . MODIS использует четыре бортовых калибратора в дополнение к космическому обзору, чтобы обеспечить калибровку в полете: солнечный диффузор (SD), монитор устойчивости солнечного диффузора (SDSM), сборка спектрально-радиометрической калибровки (SRCA) и черный с v-образной канавкой. тело . MODIS использовал морской оптический буй для дополнительной калибровки. На смену MODIS приходит прибор VIIRS на борту спутника Suomi NPP, запущенного в 2011 году, и будущие спутники Объединенной полярной спутниковой системы (JPSS).
Группа поддержки определения характеристик MODIS (MCST) занимается производством высококачественного откалиброванного продукта MODIS, который является предшественником любого продукта геофизической науки. Подробное описание миссии MCST и другие подробности можно найти на сайте MCST.
СОДЕРЖАНИЕ
Приложения
Благодаря низкому пространственному разрешению, но высокому временному разрешению, данные MODIS полезны для отслеживания изменений ландшафта с течением времени. Примерами таких приложений являются мониторинг здоровья растительности посредством анализа временных рядов с индексами растительности, долгосрочные изменения земного покрова (например, для мониторинга темпов обезлесения), глобальные тенденции снежного покрова, затопление воды в результате плювиального, речного или повышения уровня моря. наводнения в прибрежных районах, изменение уровня воды в крупных озерах, таких как Аральское море , а также обнаружение и картирование лесных пожаров в Соединенных Штатах. Лесная служба США «s применениям дистанционного зондирования Центр анализирует MODIS изображения на постоянной основе предоставлять информацию для управления и подавления пожаров.
Характеристики
| Характеристики | |
|---|---|
| Орбита | 705 км, нисходящий узел 10:30 (Terra) или восходящий узел 13:30 (Aqua), солнечно-синхронный, почти полярный, круговой |
| Скорость сканирования | 20,3 об / мин, поперечная колея |
| Полоса | 2330 км (поперечная) по 10 км (по колее в надире) |
| Габаритные размеры | |
| Телескоп | 17,78 см диам. внеосевой, афокальный (коллимированный), с промежуточным упором поля |
| Размер | 1,0 × 1,6 × 1,0 м |
| Масса | 228,7 кг |
| Власть | 162,5 Вт (среднее по одной орбите) |
| Скорость передачи данных | 10,6 Мбит / с (пик днем); 6,1 Мбит / с (среднее орбитальное) |
| Квантование | 12 бит |
| Пространственное разрешение | 250 м (полосы 1–2) 500 м (полосы 3–7) 1000 м (полосы 8–36) |
| Временное разрешение | 1-2 дня |
| Дизайн жизни | 6 лет |
Группы MODIS
| Группа | Длина волны ( нм ) | Разрешение (м) | Основное использование |
|---|---|---|---|
| 1 | 620–670 | 250 | Границы суши / облака / аэрозолей |
| 2 | 841–876 | 250 | |
| 3 | 459–479 | 500 | Свойства земли / облака / аэрозолей |
| 4 | 545–565 | 500 | |
| 5 | 1230–1250 | 500 | |
| 6 | 1628–1652 | 500 | |
| 7 | 2105–2155 | 500 | |
| 8 | 405–420 | 1000 | Цвет океана / фитопланктон / биогеохимия |
| 9 | 438–448 | 1000 | |
| 10 | 483–493 | 1000 | |
| 11 | 526–536 | 1000 | |
| 12 | 546–556 | 1000 | |
| 13 | 662–672 | 1000 | |
| 14 | 673–683 | 1000 | |
| 15 | 743–753 | 1000 | |
| 16 | 862–877 | 1000 | |
| 17 | 890–920 | 1000 | Атмосферный водяной пар |
| 18 | 931–941 | 1000 | |
| 19 | 915–965 | 1000 | |
| Группа | Длина волны ( мкм ) | Разрешение (м) | Основное использование |
| 20 | 3,660–3,840 | 1000 | Температура поверхности / облака |
| 21 год | 3,929–3,989 | 1000 | |
| 22 | 3,929–3,989 | 1000 | |
| 23 | 4,020–4,080 | 1000 | |
| 24 | 4,433–4,498 | 1000 | Атмосферная температура |
| 25 | 4,482–4,549 | 1000 | |
| 26 год | 1,360–1,390 | 1000 | Перистые облака водяной пар |
| 27 | 6,535–6,895 | 1000 | |
| 28 год | 7,175–7,475 | 1000 | |
| 29 | 8.400–8.700 | 1000 | Свойства облака |
| 30 | 9,580–9,880 | 1000 | Озон |
| 31 год | 10,780–11,280 | 1000 | Температура поверхности / облака |
| 32 | 11,770–12,270 | 1000 | |
| 33 | 13,185–13,485 | 1000 | Максимальная высота облаков |
| 34 | 13,485–13,785 | 1000 | |
| 35 год | 13,785–14,085 | 1000 | |
| 36 | 14,085–14,385 | 1000 |
Данные MODIS
Наборы данных MODIS Level 3
Следующие наборы данных MODIS уровня 3 (L3) доступны в НАСА и обработаны программным обеспечением Collection 5.
Доступность
Поток сырых данных MODIS может быть получен в режиме реального времени с помощью отслеживающей антенны благодаря возможности прямого вещания прибора.
В качестве альтернативы, научные данные становятся общедоступными через несколько сайтов в Интернете и FTP- архивы, такие как:
Большая часть данных доступна в формате HDF-EOS - варианте формата иерархических данных, предписанном для данных, полученных в ходе миссий Системы наблюдения Земли .
Результатом предварительной обработки снимков MODIS являются наборы данных уровня обработки Level1B. Эти наборы данных в дальнейшем могут быть использованы как для непосредственного анализа, так и для изготовления ряда стандартных производных наборов данных (тематических продуктов или продуктов обработки). Программное обеспечение ScanEx Image Processor, в частности, позволяет в автоматизированном режиме изготавливать следующие продукты:
- - маски облачности по алгоритму ATBD-MOD-06;
- - маски снежного и ледового покрова по алгоритму ATBD-MOD-10;
- - маски температуры земной поверхности по алгоритму ATBD-MOD-11;
- - маски индексов вегетации по ATBD-MOD-13;
- - маски пожаров по алгоритму ATBD-MOD-14.
ДЕТЕКТИРОВАНИЕ ОБЛАЧНОСТИ (MOD06)
Маски облачности, как и все тематические продукты описанные ниже генерируются на основе продуктов MOD 02 и MOD 03, то есть данных уровня Level1B, с использованием программного комплекса ScanEx Image Processor.
Маски облачности являясь самостоятельным продуктом обработки материалов съёмки, вместе с тем используются в качестве исходных данных при генерации многих других стандартных продуктов обработки, в связи с чем, предполагают использование нескольких возможных алгоритмов расчёта. Так для определения облачности, в ScanEx Image Processor предусмотрены алгоритмы, используемые при расчете масок пожаров (Fire), температуры земной поверхности (LST), льда на воде (Sea/Ice), снега на суше (Land/Snow).
Кроме того, при генерации маски облачности как самостоятельного продукта, возможен расчёт двух типов масок облачности: простая маска облачности (Clouds) и глобальная маска облачности (Full Clouds).
Для расчета маски облачности используется алгоритм, описанный в BT11 – BT3.7 Test (Bit 19), из ATBD-MOD-06. Данный алгоритм определения облачности основан на разнице температуры пикселей в 31 (11 нм) и 20 (3.7 нм) каналах. Алгоритм предусматривает задание пороговых значений при определении облачности раздельно над земной и водной поверхностью и для дневных и ночных изображений (пороги безоблачности и облачности). При этом значения разности 31 и 20 каналов, попадающие в границы порогов облачности, не рассматривается как облачность (в результирующей маске при этом задаётся значение 0). Если же разности 31 и 20 каналов находятся в пределах порогов безоблачности, то они рассматривается как 100% облачность (значение 100 в результирующей маске). Значения разности 31 и 20 каналов, лежащие между порогами облачности и безоблачности, рассматриваются как вероятность облачности, изменяющаяся от 0% до 100%.
Для расчета маски Глобальной облачности в программе используется алгоритм, описанный в ATBD-MOD-06. Для расчета используются файлы входящие в комплект поставки программы для калибровки данных MODIS IMAPP: файл пороговых значений (thresholds.dat.terra.v7), 1-километровый файл экосистем (goge1_2_img.v1), 10 минутный файл экосистем (ecosystem.img.v1) и Leapsec-файл (leapsec.dat).
Рис. 1 Маска облачности.
ДЕТЕКТИРОВАНИЕ СНЕЖНОГО И ЛЕДОВОГО ПОКРОВА (MOD10)
Для детектирования снежного и ледового покрова для суши используется маска Land.Snow, которая получается из данных с пространственным разрешением 1000 м/пиксель. Детектирование снежного и ледового покрова для суши позволяет вести наблюдения за ледовой обстановкой на суше. Для детектирования же снежного и ледового покрова акваторий используется маска Sea.Ice, которая также строится на основе данных с пространственным разрешением 1000 м/пиксель. Детектирование снежного и ледового покрова акваторий позволяет вести наблюдения за ледовой обстановкой в акваториях и оценивать температуру поверхности воды.
Алгоритм расчёта маски Sea.Ice реализован на основе расчёта Normalized Difference Snow Index (NDSI) и Ice Surface Temperature (IST), которые описаны в документе ATBD-MOD-10.
Индекс NDSI основан на разнице поглощения снегом излучения в видимой и инфракрасной области спектра. Поэтому алгоритм применим только в дневное время суток, в вечернее или ночное время пиксели, покрытые льдом, определены не будут. Индекс NDSI рассчитывается как отношение разности к сумме коэффициентов отражения излучения с длиной волны 555 нм (4 канал) и 1640 нм (6 канал).
NDSI = (4 канал – 6 канал)/(4 канал + 6 канал)
Пиксель считается покрытым льдом, если значение NDSI больше или равно значению порога NDSI (по умолчанию 0.4), и значение излучения на сенсоре в канале 2 (858 нм) больше значения порога канала 2 (по умолчанию 0.11). Также пиксель считается покрытым льдом, если значение IST (температура поверхности льда) меньше значения порога IST (по умолчанию 271.50 K).
При этом, в связи с тем, что облака, как и лед, хорошо отражают излучение в видимой области спектра и поглощают в инфракрасной, в данном алгоритме используется маска облачности, поэтому пиксели, закрытые облачностью, не рассматриваются, и в результате считаются непокрытыми льдом. Допустимый процент облачности задается порогом облачности (% вероятности отсутствия облачности). Для работы алгоритма необходима точная настройка маски облачности, так как неопределенные облака могут детектироваться как наличие ледового покрова. Кроме того, ледовый покров определяется только для береговых линий, шельфов, морей и океанов, для чего необходимо наличие Land/Sea маски в исходном файле MOD 03. В противном случае пиксели определяются как суша и алгоритмом не рассматриваются.
Для определения снежного и ледового покрова суши используется маска Land.Snow. Данном алгоритм также реализует определение снега на основе Normalized Difference Snow Index (NDSI) и Ice Surface Temperature (IST), рассмотренных в документе ATBD-MOD-10.
Пиксель считается покрытым снегом, если значение NDSI больше или равно значению порога NDSI (по умолчанию 0.4), значение излучения на сенсоре в канале 2 (858 нм) больше значения порога канала 2 (по умолчанию 0.11) и значение излучения на сенсоре в канале 4 больше значения порога канала 4 (по умолчанию 0.10). Допустимый процент облачности задается порогом облачности (% вероятности отсутствия облачности). Снежный покров определяется только для суши, озер, рек и лесов, для чего необходимо наличие Land/Sea маски в исходном файле MOD 03.
Рис. 2 Маска наземного снежного покрова.
Рис. 3 Маска морского льда.
РАСЧЁТ ТЕМПЕРАТУРЫ ЗЕМНОЙ ПОВЕРХНОСТИ (MOD11)
Для расчета индекса температуры земной поверхности, который применяется в различных климатических исследованиях, используется маска LST (Land Surface Temperature), которая получается из данных с пространственным разрешением 1000 м/пиксель.
Расчет маски основан на алгоритме "Generalizedsplit-windowLST", описанном в MODISLand-SurfaceTemperatureAlgorithmTheoreticalBasisDocument (ATBD-MOD-11). В качестве входных значений используются значения излучения, регистрируемого в 31 и 32 каналах, пересчитанные в соответствующие значения температур, значения широты для начального приближения температуры и влажности воздуха, зенитный угол сенсора, значения облачности и наличие воды, вычисляемые для исключения соответствующих пикселей. При коррекции температуры для всех пикселей используется среднее значение излучения (за исключением пикселей, определенных как имеющих снежный покров, для них используется свои собственные значения).
Кроме того, можно задать маски, в пределах которых температура не рассчитывается (маска облачности, воды).
Рис. 4 Маска температуры земной поверхности.
РАСЧЁТ ИНДЕКСОВ ВЕГЕТАЦИИ (MOD 13)
Для расчета индексов вегетации, которые применяются для оценки наличия и состояния растительного покрова. Расчет индексов вегетации NDVI и EVI произвоится по алгоритмам, описанным в ATBD-MOD13. Получение NDVI – возможно на основе данных всего масштабного ряда (с разрешением 250, 500, 1000 м/пиксель), получение EVI – на основе данных 500 и 1000 м.
NDVI (NormalizedDifferenceVegetationIndex) характеризует плотность растительности, позволяет оценить всхожесть и рост растений, продуктивность угодий. Индекс рассчитывается как разность значений отражения в ближней инфракрасной и красной областях спектра, деленная на их сумму. В результате значения NDVI меняются в диапазоне от –1 до 1. Для зеленой растительности отражение в красной области всегда меньше, чем в ближней инфракрасной, за счет поглощения света хлорофиллом, поэтому значения NDVI для растительности не могут быть меньше 0.
NDVI = (2 канал – 1 канал) / (2 канал + 1 канал)
EVI (EnhancedVegetationIndex) основан на NDVI, но позволяет корректировать некоторые помехообразующие факторы путём повышения чувствительности в регионах с высокой биомассой и снижения атмосферного влияния. Наряду со значениями в красноё и ближней инфракрасной зонах спектра, учитывается также значение в синей зоне.
EVI = ((2 канал – 1 канал) / (2 канал + C1*1 канал - C2*3 канал + L)) * (G)
L – поправочный коэффициент, позволяющий учесть излучение прошедшее сквозь полог леса, C1 и C2 – коэффициенты учитывающие влияние аэрозолей в красной зоне спектра, G – коэффициент усиления. Для алгоритма MODIS-EVI приняты следующие значения: L = 1, C1 = 6, C2 = 7.5 и G = 2.
При расчёте индексов NDVI и EVI задаются маски, в пределах которых индексы вегетации не рассчитываются (маска облачности, маска воды).
Рис. 5 Маска NDVI.
Рис. 5 Маска EVI.
ДЕТЕКТИРОВАНИЕ ПОЖАРОВ (MOD14)
Для детектирования пожаров используется маска Fires, которая получается из данных с пространственным разрешением 1000 м/пиксель. Детектирование пожаров позволяет определять зоны возможных очагов пожаров и пожароопасных ситуаций.
Для определения пожаров используется алгоритм, описанный в ATBD-MOD-14 (MODIS Fire Products). В данном алгоритме используются две основные величины – значение температуры в 21 (4 нм) канале (чем больше температура, тем выше вероятность пожара) и разность между температурами в 21 (4 нм) и 31 (11 нм) каналах (чем больше разность, тем выше вероятность пожара).
Пожар выявляется двумя способами:
- - абсолютные значения каждой из вышеперечисленных величин в пикселе превышают допустимые пределы;
- - значения величин в пикселе сильно отличаются от окружения.
Пиксели с обнаруженным пожаром, но определенные как солнечный блик, отсеиваются.
Для автоматического детектирования пожаров задаются пороговые значения используемых в алгоритме переменных отдельно для дневных и ночных данных:
- - порог температуры в 21 канале (4 нм), выше которого детектируется пожар; все значения температуры в 21 канале выше заданного будут рассмотрены при определении пожаров (значения задается в Кельвинах как для дневных, так и для ночных данных);
- - средняя температура окружающих пикселей в 21 канале (значения задается в Кельвинах как для дневных, так и для ночных данных);
- - значение разницы температур в 21 (4 нм) и 31 (11 нм) каналах, выше которого детектируются пожары (значения задаются в Кельвинах как для дневных, так и для ночных данных);
- - коэффициент, определяющий, во сколько раз температура рассматриваемого пикселя может превышать температуру окружающих пикселей (данный коэффициент используется при детектировании пожаров вторым способом; коэффициент подставляется в выражение T4 > T4b + T4коэфф.СКО * dT4b, где T4 – температура в 21 канале, T4b – средняя температура окружающих пикселей, dT4b – стандартное отклонение температур окружающих пикселей; при T4коэфф.СКО = 3 будет рассмотрена вероятность пожара, если температура в пикселе превышает температуру окружающих пикселей на величину, равную трем стандартным отклонениям);
- - коэффициент, определяющий, во сколько раз температура рассматриваемого пикселя может превышать температуру окружающих пикселей (для разности между 21 и 31 каналами);
- - значение температуры в 21 канале, ниже которого вероятность пожара равна нулю;
- - значение разности температур в 21 и 31 каналах, ниже которой вероятность пожара равна нулю;
- - значение температуры в 21 канале, ниже которого пиксель не рассматривается как окружающий;
- - значение температуры, ниже которого пиксель не рассматривается как окружающий (для разности температур между 21 и 31 каналом).
Предварительно изображение оценивается на наличие облачности с помощью масок облачности и глобальной облачности. Пиксели, определенные как облачность, при детектировании пожаров игнорируются.
Рис. 7 Маска пожаров.
ОБЛАСТИ ПРИМЕНЕНИЯ ТЕМАТИЧЕСКИХ ПРОДУКТОВ
Все упомянутые продукты относятся к группе тематических продуктов для научных исследований.
Основными из таких тематических продуктов являются:
- - маска облаков (MOD 35) – распределение облачного покрова днем и ночью с разрешением 1 км;
- - растительность и почвенный покров (MOD 13, 15-17, 43, 44), в т.ч. их состояние продуктивность, определяемые по вегетационным индексам (NDVI и EVI), поляризационные эффекты и индикатриса отражения, распознавание типа земного покрова, первичная продуктивность растительности, индекс листовой поверхности LAI, доля излучения, абсорбируемая растениями при фотосинтезе;
- - пожары и тепловые аномалии (MOD 14) – оперативное обнаружение и мониторинг природных пожаров, вулканов и других тепловых аномалий с разрешением 1 км, при этом продукт позволяем зафиксировать пожар на площади менее 1 кв. км;
- - мониторинг снежного и ледового покровов (MOD 10, 29), в том числе спектральная и отражательная способность снега и льда, их температура;
- - температура поверхности, определяемая для суши (MOD 11) и водных объектов (MOD 28) с разрешением 1 км (максимальная точность измерения от 0.3 до 0.5 °С для водных объектов и 1 °С для суши;
- - концентрация и оптические свойства аэрозолей - оптическая плотность, эффективный радиус частиц, фазовое состояние, высота и температура верхней границы;
- - цвет океанической воды (MOD 19), спектральная энергетическая яркость поверхности океана;
- - концентрация хлорофилла (MOD 21) в пределах 0.05 – 50 мг/л для вод класса 1 (прозрачные);
- - флюоресценция хлорофилла (MOD 20) при концентрации хлорофилла в поверхностном слое 0.5 мг/л.
В результате дальнейшей обработки данных MODIS на основе научных продуктов подготавливаются тематические продукты конечного потребления в виде тематических карт, сопровождаемых легендой и другой атрибутивной информацией. Продукты конечного потребления рассчитаны на широкий круг пользователей и готовы к интеграции в пользовательские геоинформационные системы. Также на основе продуктов для научных исследований возможно непосредственно решать ряд научных задач.
Как и другие космические снимки, данные MODIS могут быть использованы для составления карт. При этом, учитывая графическую точность нанесения объектов на карту (обычно 0.1 мм) и точность печати карт, при составлении общегеографических и топографических карт следует использовать довольно детальные снимки. При обновлении карт наносятся лишь изменения элементов содержания и для обновления топографических карт требуются снимки более низкого разрешения, чем для их обновления. Данные MODIS возможно использовать для составления и обновления общегеографических карт масштаба мельче 1 : 1 000 000.
При тематическом картографировании требования к точности нанесения объектов в большинстве случаев ниже, чем для топографических карт. Поэтому по тем же снимкам можно составлять тематические карты более крупного масштаба. Так данные MODIS пригодны для составления и обновления карт масштаба мельче от 1 : 500 000 и мельче.
Для количественнй оценки состояния растительности, широко применяется нормализованный разностный вегетационный индекс (NDVI). NDVI характеризует также плотность растительности. Значения индекса меняются в диапазоне от –1 до 1. Для зеленой растительности за счет поглощения света хлорофиллом, значения NDVI не могут быть меньше 0. Расчет индекса для каждого пикселя снимка позволяет получить карту NDVI и выявить проблемные зоны угнетенной растительности, участки с различным состоянием растительности или объемом зеленой фитомассы.
Многие незаконные сплошные вырубки леса могут быть выявлены при сравнении материалов отводов с материалами космической съемки, сделанной за год до рубки и в момент контроля. Для выявления большинства рубок и грубой оценки их площади достаточно снимков с разрешением даже 250 м, которым обладают снимки MODIS.
Данные MODIS, обладая высоким радиометрическим разрешением и высокой периодичностью съемки, наиболее полно соответствуют и требованиям оперативного мониторинга лесных и торфяных пожаров. Очаги возгорания можно дешифрировать как визуально, так и автоматизированно, генерируя продукт MOD 14. При этом данные могут быть готовы уже в течение часа после приема, а выявление очагов пожара возможно при площадях от 1 га (от 9 га для подземных пожаров).
Для слежения за изменением ледовой обстановки на морской акватории составляют ледовые карты. Частая повторяемость съёмки MODIS и оперативность её обработки позволяют фиксировать состояние акватории и разделить лед по сплоченности.
Картографирование снежного покрова и скорость изменения его границ используются для решения задач, гидрологического прогноза. Путём гидрологического моделирования определяется водозапас, прогнозируется сток и половодье в бассейнах рек. По данным MODIS для этих целей могут быть получены такие параметры как площадь бассейна реки, покрытая снегом, лесистость, распаханность и др.
Данные MODIS позволяют охватывать обширные территории, используя 36 спектральных каналов с пространственным разрешением от 250 метров до 1000 метров, разносторонне оценивать состояние объектов на земной поверхности, и, что более важно, с учётом высокой временной дискретности съёмки, большого пространственного охвата и достаточно продолжительного времени функционирования инструмента, решать научные задачи, связанные с проведением исторического анализа развития природных процессов и разработкой прогнозов этого развития.
Подготовлено по материалам технического отчёта 12.1.1
Ресурсного центра космических и геоинформационных технологий
(ТО 12.1.1 Изготовление тематических продуктов по материалам съёмки MODIS)
Читайте также: