O Sentinel-1 é uma missão espacial financiada pela União Europeia e realizada pela Agência Espacial Europeia (ESA) no âmbito do Programa Copernicus. O Sentinel-1 coleta imagens de radar de abertura sintética (SAR, na sigla em inglês) de banda C em uma variedade de polarizações e resoluções. Como os dados de radar exigem vários algoritmos especializados para obter imagens calibradas e ortorretificadas, este documento descreve o pré-processamento de dados do Sentinel-1 no Earth Engine.
Os dados do Sentinel-1 são coletados com várias configurações de instrumentos, resoluções e combinações de bandas diferentes durante as órbitas ascendente e descendente. Devido a essa heterogeneidade, geralmente é necessário filtrar os dados para um subconjunto homogêneo antes de iniciar o processamento. Esse processo é descrito abaixo na seção Metadados e filtragem.
Metadados e filtragem
Para criar um subconjunto homogêneo de dados do Sentinel-1, geralmente é necessário filtrar o acervo usando propriedades de metadados. Os campos de metadados comuns usados para filtragem incluem estas propriedades:
transmitterReceiverPolarisation: ['VV'], ['HH'], ['VV', 'VH'] ou ['HH', 'HV']instrumentMode: "IW" (Interferometric Wide Swath), "EW" (Extra Wide Swath) ou "SM" (Strip Map). Consulte esta referência para mais detalhes.orbitProperties_pass: "ASCENDING" ou "DESCENDING"resolution_meters: 10, 25 ou 40resolution: "M" (médio) ou "H" (alto). Consulte esta referência para mais detalhes.
O código a seguir filtra a coleção do Sentinel-1 pelas propriedades transmitterReceiverPolarisation, instrumentMode e orbitProperties_pass e, em seguida, calcula as composições para várias combinações de observação que são mostradas no mapa para demonstrar como essas características afetam os dados.
Editor de código (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
Pré-processamento do Sentinel-1
As imagens no ImageCollection Sentinel-1 do Earth Engine 'COPERNICUS/S1_GRD' consistem em cenas de alcance de solo detectado (GRD, na sigla em inglês) de nível 1 processadas para o coeficiente de retroespalhamento (σ°) em decibéis (dB). O coeficiente de retroespalhamento representa
a área de retroespalhamento do alvo (seção transversal do radar) por unidade de área do solo. Como ele pode
variar em várias ordens de magnitude, ele é convertido em dB como
10*log10σ°. Ele mede se o terreno irradiado dispersa
a radiação de micro-ondas incidente preferencialmente para longe do sensor SAR
dB < 0) ou em direção ao sensor SAR dB > 0). Esse comportamento de espalhamento depende das
características físicas do terreno, principalmente da geometria dos elementos do terreno
e das características eletromagnéticas deles.
O Earth Engine usa as seguintes etapas de pré-processamento (conforme implementado pela Sentinel-1 Toolbox) para derivar o coeficiente de retroespalhamento em cada pixel:
- Aplicar arquivo de órbita
- Atualiza os metadados de órbita com um arquivo de órbita restituído (ou um arquivo de órbita preciso, se o restituído não estiver disponível).
- Remoção de ruído de borda GRD
- Remove ruídos de baixa intensidade e dados inválidos nas bordas da cena. (Em 12 de janeiro de 2018)
- Remoção de ruído térmico
- Remove o ruído aditivo em subfaixas para ajudar a reduzir as descontinuidades entre subfaixas para cenas em modos de aquisição de várias faixas. Essa operação não pode ser aplicada a imagens produzidas antes de julho de 2015.
- Aplicação de valores de calibração radiométrica
- Calcula a intensidade de retroespalhamento usando parâmetros de calibração do sensor nos metadados do GRD.
- Correção de terreno (ortorretificação)
- Converte dados da geometria de alcance do solo, que não considera o terreno, em σ° usando o DEM de 30 metros do SRTM ou o DEM do ASTER para latitudes altas (maiores que 60° ou menores que -60°).
Observações sobre o conjunto de dados
- A nivelamento radiométrico de terreno não está sendo aplicada devido a artefatos em encostas de montanhas.
- O coeficiente de retroespalhamento sem unidade é convertido em dB, conforme descrito acima.
- No momento, não é possível fazer a ingestão de dados SLC do Sentinel-1, porque o Earth Engine não aceita imagens com valores complexos devido à incapacidade de calcular a média delas durante a pirâmide sem perder informações de fase.
- Os recursos GRD SM não são ingeridos porque a
função
computeNoiseScalingFactor()na operação de remoção de ruído de borda na caixa de ferramentas S1 não é compatível com o modo SM.