Sentinel-1 adalah misi luar angkasa yang didanai oleh Uni Eropa dan dilaksanakan oleh European Space Agency (ESA) dalam Program Copernicus. Sentinel-1 mengumpulkan citra radar apertur sintetis (SAR) C-band pada berbagai polarisasi dan resolusi. Karena data radar memerlukan beberapa algoritma khusus untuk mendapatkan citra yang dikalibrasi dan diortorektifikasi, dokumen ini menjelaskan pra-pemrosesan data Sentinel-1 di Earth Engine.
Data Sentinel-1 dikumpulkan dengan beberapa konfigurasi instrumen, resolusi, kombinasi band yang berbeda selama orbit naik dan turun. Karena heterogenitas ini, biasanya data perlu difilter menjadi subgrup yang homogen sebelum memulai pemrosesan. Proses ini diuraikan di bawah di bagian Metadata dan Pemfilteran.
Metadata dan pemfilteran
Untuk membuat subset data Sentinel-1 yang homogen, biasanya Anda perlu memfilter koleksi menggunakan properti metadata. Kolom metadata umum yang digunakan untuk pemfilteran mencakup properti berikut:
transmitterReceiverPolarisation: ['VV'], ['HH'], ['VV', 'VH'], atau ['HH', 'HV']instrumentMode: 'IW' (Interferometric Wide Swath), 'EW' (Extra Wide Swath), atau 'SM' (Strip Map). Lihat referensi ini untuk mengetahui detailnya.orbitProperties_pass: 'ASCENDING' atau 'DESCENDING'resolution_meters: 10, 25, atau 40resolution: 'M' (sedang) atau 'H' (tinggi). Lihat referensi ini untuk mengetahui detailnya.
Kode berikut memfilter koleksi Sentinel-1 berdasarkan properti transmitterReceiverPolarisation, instrumentMode, dan orbitProperties_pass, lalu menghitung komposit untuk beberapa kombinasi pengamatan yang ditampilkan di peta untuk menunjukkan pengaruh karakteristik ini terhadap data.
Editor Kode (JavaScript)
// 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
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
Pra-pemrosesan Sentinel-1
Citra dalam ImageCollection Sentinel-1 'COPERNICUS/S1_GRD' Earth Engine terdiri dari scene Ground Range Detected (GRD) Level-1 yang diproses menjadi koefisien hamburan balik (σ°) dalam desibel (dB). Koefisien backscatter mewakili
area backscattering target (penampang radar) per unit area permukaan tanah. Karena dapat
bervariasi hingga beberapa tingkat besaran, nilai ini dikonversi ke dB sebagai
10*log10σ°. Nilai ini mengukur apakah medan yang diradiasi menyebarkan
radiasi gelombang mikro yang datang secara istimewa menjauhi sensor SAR
dB < 0) atau ke arah sensor SAR dB > 0). Perilaku penghamburan ini bergantung pada
karakteristik fisik medan, terutama geometri elemen medan
dan karakteristik elektromagnetiknya.
Earth Engine menggunakan langkah-langkah pra-pemrosesan berikut (seperti yang diterapkan oleh Sentinel-1 Toolbox) untuk mendapatkan koefisien backscatter di setiap piksel:
- Menerapkan file orbit
- Memperbarui metadata orbit dengan file orbit yang dipulihkan (atau file orbit yang akurat jika file yang dipulihkan tidak tersedia).
- Penghapusan derau batas GRD
- Menghapus derau intensitas rendah dan data yang tidak valid di tepi scene. (Per 12 Januari 2018)
- Penghapusan derau termal
- Menghilangkan derau aditif di sub-swath untuk membantu mengurangi diskontinuitas antara sub-swath untuk scene dalam mode akuisisi multi-swath. (Operasi ini tidak dapat diterapkan ke gambar yang dibuat sebelum Juli 2015)
- Penerapan nilai kalibrasi radiometrik
- Menghitung intensitas backscatter menggunakan parameter kalibrasi sensor dalam metadata GRD.
- Koreksi medan (ortorektifikasi)
- Mengonversi data dari geometri rentang permukaan, yang tidak memperhitungkan medan, menjadi σ° menggunakan DEM SRTM 30 meter atau DEM ASTER untuk lintang tinggi (lebih dari 60° atau kurang dari -60°).
Catatan Set Data
- Perataan Medan Radiometrik tidak diterapkan karena adanya artefak di lereng gunung.
- Koefisien hamburan balik tanpa unit dikonversi ke dB seperti yang dijelaskan di atas.
- Data SLC Sentinel-1 saat ini tidak dapat diserap, karena Earth Engine tidak mendukung gambar dengan nilai kompleks karena ketidakmampuan untuk meratakannya selama pembuatan piramida tanpa kehilangan informasi fase.
- Aset GRD SM tidak diserap karena fungsi
computeNoiseScalingFactor()dalam operasi penghapusan derau batas di toolbox S1 tidak mendukung mode SM.