الگوریتم‌های Sentinel-1

Sentinel-1 مأموریتی فضایی است که اتحادیه اروپا بودجه آن را تأمین کرده است و «آژانس فضایی اروپا» (ESA) آن را در چارچوب «برنامه کوپرنیک» اجرا می‌کند. ‫Sentinel-1 تصاویر رادار با روزنه مصنوعی (SAR) باند C را در قطبش‌ها و وضوح‌های مختلف جمع‌آوری می‌کند. ازآنجایی‌که داده‌های رادار برای به‌دست آوردن تصاویر کالیبره‌شده و ارتورکتیفای‌شده به چندین الگوریتم تخصصی نیاز دارند، این سند پیش‌پردازش داده‌های Sentinel-1 را در Earth Engine شرح می‌دهد.

داده‌های Sentinel-1 با چندین پیکربندی ابزار، وضوح، و ترکیب باند مختلف درطول مدارهای صعودی و نزولی جمع‌آوری می‌شود. به‌دلیل این ناهمگونی، معمولاً لازم است داده‌ها را قبل‌از شروع پردازش به یک زیرمجموعه همگن فیلتر کنید. این فرایند در بخش فراداده و فیلتر کردن در زیر به‌طور خلاصه شرح داده شده است.

فراداده و فیلتر کردن

برای ایجاد زیرمجموعه همگن از داده‌های Sentinel-1، معمولاً لازم است مجموعه را بااستفاده از ویژگی‌های فراداده فیلتر کنید. فیلدهای فراداده رایج مورداستفاده برای فیلتر کردن شامل این ویژگی‌ها است:

  1. transmitterReceiverPolarisation: ['VV']،‏ ['HH']،‏ ['VV'،‏ 'VH']، یا ['HH'،‏ 'HV']
  2. ‫instrumentMode: «IW» (نوار عریض تداخل‌سنجی)، «EW» (نوار عریض اضافی) یا «SM» (نقشه نواری). برای جزئیات، این مرجع را ببینید.
  3. orbitProperties_pass: «صعودی» یا «نزولی»
  4. resolution_meters: ۱۰، ۲۵، یا ۴۰
  5. resolution: «M» (متوسط) یا «H» (بالا). برای جزئیات، این مرجع را ببینید.

کد زیر مجموعه Sentinel-1 را براساس ویژگی‌های transmitterReceiverPolarisation، instrumentMode، و orbitProperties_pass فیلتر می‌کند، سپس ترکیب‌ها را برای چندین ترکیب مشاهده که در نقشه نمایش داده شده‌اند محاسبه می‌کند تا نشان دهد این ویژگی‌ها چگونه بر داده‌ها تأثیر می‌گذارند.

ویرایشگر کد (جاوا اسکریپت)

// Load the Sentinel-1 ImageCollection, filter to Jun-Sep 2020 observations.
var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD')
                    .filterDate('2020-06-01', '2020-10-01');

// Filter the Sentinel-1 collection by metadata properties.
var vvVhIw = sentinel1
  // Filter to get images with VV and VH dual polarization.
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
  // Filter to get images collected in interferometric wide swath mode.
  .filter(ee.Filter.eq('instrumentMode', 'IW'));

// Separate ascending and descending orbit images into distinct collections.
var vvVhIwAsc = vvVhIw.filter(
  ee.Filter.eq('orbitProperties_pass', 'ASCENDING'));
var vvVhIwDesc = vvVhIw.filter(
  ee.Filter.eq('orbitProperties_pass', 'DESCENDING'));

// Calculate temporal means for various observations to use for visualization.
// Mean VH ascending.
var vhIwAscMean = vvVhIwAsc.select('VH').mean();
// Mean VH descending.
var vhIwDescMean = vvVhIwDesc.select('VH').mean();
// Mean VV for combined ascending and descending image collections.
var vvIwAscDescMean = vvVhIwAsc.merge(vvVhIwDesc).select('VV').mean();
// Mean VH for combined ascending and descending image collections.
var vhIwAscDescMean = vvVhIwAsc.merge(vvVhIwDesc).select('VH').mean();

// Display the temporal means for various observations, compare them.
Map.addLayer(vvIwAscDescMean, {min: -12, max: -4}, 'vvIwAscDescMean');
Map.addLayer(vhIwAscDescMean, {min: -18, max: -10}, 'vhIwAscDescMean');
Map.addLayer(vhIwAscMean, {min: -18, max: -10}, 'vhIwAscMean');
Map.addLayer(vhIwDescMean, {min: -18, max: -10}, 'vhIwDescMean');
Map.setCenter(-73.8719, 4.512, 9);  // Bogota, Colombia

راه‌اندازی Python

برای اطلاعات درباره Python API و استفاده از geemap برای توسعه تعاملی، به صفحه Python Environment مراجعه کنید.

import ee
import geemap.core as geemap

Colab (Python)

# Load the Sentinel-1 ImageCollection, filter to Jun-Sep 2020 observations.
sentinel_1 = ee.ImageCollection('COPERNICUS/S1_GRD').filterDate(
    '2020-06-01', '2020-10-01'
)

# Filter the Sentinel-1 collection by metadata properties.
vv_vh_iw = (
    sentinel_1.filter(
        # Filter to get images with VV and VH dual polarization.
        ee.Filter.listContains('transmitterReceiverPolarisation', 'VV')
    )
    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
    .filter(
        # Filter to get images collected in interferometric wide swath mode.
        ee.Filter.eq('instrumentMode', 'IW')
    )
)

# Separate ascending and descending orbit images into distinct collections.
vv_vh_iw_asc = vv_vh_iw.filter(
    ee.Filter.eq('orbitProperties_pass', 'ASCENDING')
)
vv_vh_iw_desc = vv_vh_iw.filter(
    ee.Filter.eq('orbitProperties_pass', 'DESCENDING')
)

# Calculate temporal means for various observations to use for visualization.
# Mean VH ascending.
vh_iw_asc_mean = vv_vh_iw_asc.select('VH').mean()
# Mean VH descending.
vh_iw_desc_mean = vv_vh_iw_desc.select('VH').mean()
# Mean VV for combined ascending and descending image collections.
vv_iw_asc_desc_mean = vv_vh_iw_asc.merge(vv_vh_iw_desc).select('VV').mean()
# Mean VH for combined ascending and descending image collections.
vh_iw_asc_desc_mean = vv_vh_iw_asc.merge(vv_vh_iw_desc).select('VH').mean()

# Display the temporal means for various observations, compare them.
m = geemap.Map()
m.add_layer(vv_iw_asc_desc_mean, {'min': -12, 'max': -4}, 'vv_iw_asc_desc_mean')
m.add_layer(
    vh_iw_asc_desc_mean, {'min': -18, 'max': -10}, 'vh_iw_asc_desc_mean'
)
m.add_layer(vh_iw_asc_mean, {'min': -18, 'max': -10}, 'vh_iw_asc_mean')
m.add_layer(vh_iw_desc_mean, {'min': -18, 'max': -10}, 'vh_iw_desc_mean')
m.set_center(-73.8719, 4.512, 9)  # Bogota, Colombia
m

پیش‌پردازش Sentinel-1

تصاویر در Earth Engine 'COPERNICUS/S1_GRD' Sentinel-1 ImageCollection شامل صحنه‌های «تشخیص محدوده زمین سطح ۱» (GRD) است که به ضریب پراکنش برگشتی (σ°) در دسی‌بل (dB) پردازش شده است. ضریب پراکندگی برگشتی نشان‌دهنده مساحت پراکندگی برگشتی هدف (سطح مقطع رادار) در واحد مساحت زمین است. چون این مقدار می‌تواند به‌اندازه چندین مرتبه بزرگی متفاوت باشد، به‌صورت 10*log10σ° به دسی‌بل تبدیل می‌شود. این مقدار اندازه‌گیری می‌کند که آیا زمین تابش‌شده، تابش مایکروویو برخوردی را ترجیحاً دور از حسگر SAR (دسی‌بل < 0) یا به‌سمت حسگر SAR (دسی‌بل > 0) پراکنده می‌کند یا نه. این رفتار پراکندگی به ویژگی‌های فیزیکی زمین، عمدتاً هندسه عناصر زمین و ویژگی‌های الکترومغناطیسی آن‌ها بستگی دارد.

Earth Engine از مراحل پیش‌پردازش زیر (همان‌طور که توسط Sentinel-1 Toolbox پیاده‌سازی شده است) برای به‌دست آوردن ضریب پراکندگی برگشتی در هر پیکسل استفاده می‌کند:

  1. اعمال کردن فایل مدار
    • فراداده مدار را با فایل مدار بازسازی‌شده به‌روز می‌کند (یا اگر فایل بازسازی‌شده دردسترس نباشد، با فایل مدار دقیق).
  2. حذف نوفه مرز GRD
    • نوفه با شدت کم و داده‌های نامعتبر را در لبه‌های صحنه حذف می‌کند. (از ۱۲ ژانویه ۲۰۱۸)
  3. برداشتن نوفه حرارتی
    • نوفه افزایشی را در زیرنوارهای فرعی حذف می‌کند تا به کاهش ناپیوستگی‌ها بین زیرنوارهای فرعی برای صحنه‌ها در حالت‌های دریافت چندنواری کمک کند. (این عملیات را نمی‌توان برای تصاویر تولیدشده قبل‌از ژوئیه ۲۰۱۵ اعمال کرد)
  4. اعمال مقادیر واسنجی رادیومتری
    • شدت پراکندگی برگشتی را بااستفاده از پارامترهای واسنجی حسگر در فراداده GRD محاسبه می‌کند.
  5. تصحیح عوارض زمینی (تصحیح قائم)
    • داده‌ها را از هندسه محدوده زمینی که زمین را درنظر نمی‌گیرد، بااستفاده از SRTM 30 meter DEM یا ASTER DEM برای عرض‌های جغرافیایی بالا (بیشتر از ۶۰ درجه یا کمتر از ۶۰- درجه) به σ° تبدیل می‌کند.

یادداشت‌های مجموعه داده

  • «مسطح‌سازی رادیومتری زمین» به‌دلیل وجود آثار مصنوعی در دامنه‌های کوه اعمال نمی‌شود.
  • ضریب پراکنش برگشتی بدون واحد به دسی‌بل تبدیل می‌شود همان‌طور که در بالا توضیح داده شد.
  • درحال‌حاضر داده‌های Sentinel-1 SLC را نمی‌توان وارد کرد، زیرا Earth Engine از تصاویر با مقادیر پیچیده پشتیبانی نمی‌کند، چون نمی‌تواند آن‌ها را درطول هرمی‌سازی بدون ازدست دادن اطلاعات فاز میانگین‌گیری کند.
  • دارایی‌های GRD SM دریافت نمی‌شوند زیرا تابع computeNoiseScalingFactor() در عملیات حذف نوفه مرزی در جعبه‌ابزار S1 از حالت SM پشتیبانی نمی‌کند.