Sentinel-1 演算法

Sentinel-1 是由歐盟資助、歐洲太空總署 (ESA) 在哥白尼計畫中執行的太空任務。Sentinel-1 會以各種極化和解析度收集 C 波段合成孔徑雷達 (SAR) 圖像。由於雷達資料需要多種專門演算法才能取得校正、正射校正的圖像,因此本文將說明 Earth Engine 中 Sentinel-1 資料的預先處理。

Sentinel-1 資料是在上升和下降軌道期間,使用多種不同的儀器設定、解析度和波段組合收集而成。由於這種異質性,通常必須先將資料篩選為同質子集,才能開始處理。這項程序會在下方的「中繼資料和篩選」一節中說明。

中繼資料和篩選

如要建立同質的 Sentinel-1 資料子集,通常需要使用中繼資料屬性篩選集合。用於篩選的常見中繼資料欄位包含下列屬性:

  1. transmitterReceiverPolarisation:['VV']、['HH']、['VV', 'VH'] 或 ['HH', 'HV']
  2. instrumentMode:「IW」(干涉寬幅)、「EW」(超寬幅) 或「SM」(條帶地圖)。詳情請參閱這份參考資料。
  3. orbitProperties_pass:「ASCENDING」或「DESCENDING」
  4. resolution_meters:10、25 或 40
  5. resolution:「M」(中) 或「H」(高)。詳情請參閱這份參考資料。

下列程式碼會依 transmitterReceiverPolarisation、instrumentMode 和 orbitProperties_pass 屬性篩選 Sentinel-1 集合,然後計算地圖中顯示的幾種觀測組合,藉此示範這些特性對資料的影響。

程式碼編輯器 (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 設定

如要瞭解 Python API 和使用 geemap 進行互動式開發,請參閱「Python 環境」頁面。

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 預先處理

Earth Engine 'COPERNICUS/S1_GRD' Sentinel-1 ImageCollection 中的圖像包含 Level-1 Ground Range Detected (GRD) 場景,這些場景會經過處理,轉換為以分貝 (dB) 為單位的後向散射係數 (σ°)。後向散射係數代表每單位地面面積的目標後向散射面積 (雷達截面積)。由於可能會有幾個數量級的差異,因此會轉換為 dB,即 10*log10σ°。這項指標會測量輻射地形是否會優先將入射微波輻射散射至遠離 SAR 感應器 (dB < 0) 或朝向 SAR 感應器 (dB > 0) 的方向。這種散射行為取決於地形的物理特性,主要是地形元素的幾何形狀和電磁特性。

Earth Engine 會使用下列預先處理步驟 (由 Sentinel-1 Toolbox 實作),推導每個像素的反向散射係數:

  1. 套用軌道檔案
    • 使用還原的軌道檔案 (如果沒有還原的軌道檔案,則使用精確軌道檔案) 更新軌道中繼資料。
  2. GRD 邊界雜訊移除
    • 移除場景邊緣的低強度雜訊和無效資料。 (截至 2018 年 1 月 12 日)
  3. 熱雜訊移除
    • 移除子掃描帶中的加性雜訊,有助於減少多掃描帶擷取模式中場景的子掃描帶之間的不連續性。(這項操作不適用於 2015 年 7 月前產生的映像檔)
  4. 套用輻射校正值
    • 使用 GRD 中繼資料中的感應器校正參數,計算後向散射強度。
  5. 地形校正 (正射校正)
    • 使用 SRTM 30 公尺 DEM 或 ASTER DEM (適用於緯度大於 60° 或小於 -60° 的高緯度地區),將不考慮地形的地面範圍幾何圖形資料轉換為 σ°。

資料集附註

  • 由於山坡上有不自然影像,因此未套用輻射地形平坦化。
  • 無單位的後向散射係數會轉換為 dB,如上所述。
  • 目前無法擷取 Sentinel-1 SLC 資料,因為 Earth Engine 不支援具有複雜值的圖片,因為在金字塔化期間無法在不遺失相位資訊的情況下平均這些值。
  • 系統不會擷取 GRD SM 資產,因為 S1 工具箱中邊界雜訊移除作業的 computeNoiseScalingFactor() 函式不支援 SM 模式。