Sentinel-1 Algoritmaları

Sentinel-1, Avrupa Birliği tarafından finanse edilen ve Copernicus Programı kapsamında Avrupa Uzay Ajansı (ESA) tarafından yürütülen bir uzay görevidir. Sentinel-1, çeşitli polarizasyonlarda ve çözünürlüklerde C bandı sentetik açıklıklı radar (SAR) görüntüleri toplar. Radar verileri, kalibre edilmiş ve ortorektifiye edilmiş görüntüler elde etmek için birkaç özel algoritma gerektirdiğinden bu belgede, Earth Engine'deki Sentinel-1 verilerinin ön işleme süreci açıklanmaktadır.

Sentinel-1 verileri, hem yükselen hem de alçalan yörüngelerde birkaç farklı araç yapılandırması, çözünürlük ve bant kombinasyonuyla toplanır. Bu heterojenlik nedeniyle, işlemeye başlamadan önce verileri homojen bir alt kümeye filtrelemek genellikle gereklidir. Bu işlem, aşağıdaki Meta Veriler ve Filtreleme bölümünde açıklanmıştır.

Meta veriler ve filtreleme

Sentinel-1 verilerinin homojen bir alt kümesini oluşturmak için genellikle koleksiyonu meta veri özelliklerini kullanarak filtrelemek gerekir. Filtreleme için kullanılan yaygın meta veri alanları şu özellikleri içerir:

  1. transmitterReceiverPolarisation: ['VV'], ['HH'], ['VV', 'VH'] veya ['HH', 'HV']
  2. instrumentMode: "IW" (Interferometrik Geniş Şerit), "EW" (Ekstra Geniş Şerit) veya "SM" (Şerit Harita). Ayrıntılar için bu referansa bakın.
  3. orbitProperties_pass: "ASCENDING" veya "DESCENDING"
  4. resolution_meters: 10, 25 veya 40
  5. resolution: "M" (orta) veya "H" (yüksek). Ayrıntılar için bu referansa bakın.

Aşağıdaki kod, Sentinel-1 koleksiyonunu transmitterReceiverPolarisation, instrumentMode ve orbitProperties_pass özelliklerine göre filtreler, ardından bu özelliklerin verileri nasıl etkilediğini göstermek için haritada gösterilen çeşitli gözlem kombinasyonlarının bileşiklerini hesaplar.

Kod Düzenleyici (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

Python kurulumu

Python API ve etkileşimli geliştirme için geemap kullanımı hakkında bilgi edinmek üzere Python Ortamı sayfasını inceleyin.

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

Sentinel-1 ön işleme

Earth Engine 'COPERNICUS/S1_GRD' Sentinel-1 ImageCollection veri kümesindeki görüntüler, desibel (dB) cinsinden geri saçılım katsayısına (σ°) göre işlenmiş Seviye 1 Yer Menzili Algılanmış (GRD) sahnelerden oluşur. Geri saçılım katsayısı, birim zemin alanı başına hedef geri saçılım alanını (radar kesit alanı) temsil eder. Birkaç büyüklük sırasına göre değişebileceğinden 10*log10σ° olarak dB'ye dönüştürülür. Işınlanan arazinin, gelen mikrodalga radyasyonunu tercihen SAR sensöründen uzağa (dB < 0) veya SAR sensörüne doğru (dB > 0) dağıtıp dağıtmadığını ölçer. Bu saçılma davranışı, arazinin fiziksel özelliklerine, özellikle de arazi öğelerinin geometrisine ve elektromanyetik özelliklerine bağlıdır.

Earth Engine, her pikseldeki geri saçılım katsayısını elde etmek için aşağıdaki ön işleme adımlarını (Sentinel-1 Toolbox tarafından uygulandığı şekilde) kullanır:

  1. Yörünge dosyası uygulama
    • Yörünge meta verilerini, düzeltilmiş bir yörünge dosyası (veya düzeltilmiş dosya yoksa hassas bir yörünge dosyası) ile günceller.
  2. GRD sınır gürültüsünü giderme
    • Sahne kenarlarındaki düşük yoğunluklu gürültüyü ve geçersiz verileri kaldırır. (12 Ocak 2018 itibarıyla)
  3. Termal gürültü giderme
    • Çoklu tarama genişliği alma modlarındaki sahneler için alt tarama genişlikleri arasındaki süreksizlikleri azaltmaya yardımcı olmak amacıyla alt tarama genişliklerindeki ek gürültüyü kaldırır. (Bu işlem, Temmuz 2015'ten önce üretilen resimlere uygulanamaz.)
  4. Radyometrik kalibrasyon değerlerinin uygulanması
    • GRD meta verilerindeki sensör kalibrasyon parametrelerini kullanarak geri saçılım yoğunluğunu hesaplar.
  5. Arazi düzeltme (ortorektifikasyon)
    • SRTM 30 metre DEM veya yüksek enlemler (60°'den büyük veya -60°'den küçük) için ASTER DEM kullanarak araziyi hesaba katmayan yer menzili geometrisindeki verileri σ°'ye dönüştürür.

Veri Kümesi Notları

  • Dağ yamaçlarındaki yapaylıklar nedeniyle radyometrik arazi düzleştirme uygulanmıyor.
  • Birim içermeyen geri saçılım katsayısı, yukarıda açıklandığı gibi dB'ye dönüştürülür.
  • Earth Engine, piramit oluşturma sırasında faz bilgilerini kaybetmeden ortalama alamadığı için karmaşık değerlere sahip görüntüleri desteklemez. Bu nedenle, Sentinel-1 SLC verileri şu anda alınamamaktadır.
  • S1 araç kutusundaki sınır gürültüsü giderme işleminde computeNoiseScalingFactor() işlevi SM modunu desteklemediği için GRD SM öğeleri alınmaz.