Спутник как найти модель

(не выбрано)

Определение положения ИСЗ по орбитальным данным на заданное время по модели SGP4. Автоматизированное получение орбитальных данных с помощью API сервиса space-track.org. Пример реализации на языке Python.

Задачу определения положения того или иного искусственного спутника Земли в заданный момент времени (в прошлом или недалёком будущем) приходится решать для самых разнообразных целей, в том числе связанных с дистанционным зондированием Земли из космоса. Часть данных (например, многие продукты MODIS) распространяется без строгой географической привязки, а лишь с указанием времени непосредственного наблюдения территории для каждой сцены, — и для автоматизации поиска и загрузки таких данных требуется вычислять время пролёта спутника над исследуемыми объектами. Часто возникает и потребность определить время зондирования заданной территории в будущем – чаще всего для проведения подспутниковых наблюдений (в целях верификации, атмосферной коррекции и пр.).

В статье описывается подход к моделированию проекций орбит ИСЗ на поверхность Земли с использованием доступных средств: библиотек языка Python и API сервиса space-track.org.

Входные параметры модели SGP4

Наиболее распространенной моделью для определения положения спутников на орбите является SGP (Simplified General Perturbations), различные модификации которой используются в оперативной работе по всему миру начиная с 70-х годов. Главная задача модели – вычислить скорость и геоцентрические координаты ИСЗ (X, Y, Z) на заданный момент времени, которые нетрудно пересчитать на поверхность эллипсоида, получив географические координаты проекции положения ИСЗ (широта, долгота). Сама модель достаточно сложна, хотя и сводится к линейным расчётам и удобна для алгоритмизации. Её описание и оригинальный FORTRAN-код можно найти в соответствующих документах [1,2].

В качестве входных параметров SGP использует данные телеметрии спутников в формате TLE (two-line element sets): это две линии по 69 символов, описывающие основные метаданные спутника и параметры телеметрии [3]. Содержание первой линии:

Собранный пример: 1 25994U 99068A 16052.07623983 .00001336 00000-0 30635-3 0 9996

Содержание второй линии:

Собранный пример: 2 25994 98.1986 128.0087 0001485 109.3968 250.7393 14.57136668860462

Важно понимать, что такие эфемериды описывают мгновенное состояние ИСЗ, и, хотя описывают его поведение с довольно высокой точностью, при увеличении дальности прогноза (относительно данной эпохи) будут давать всё большую и большую ошибку.

Получение данных TLE

Данные TLE сегодня публикуются многими поставщиками (например, последние данные TLE по ряду спутников ДЗЗ на сайте ScanEx), но нам нужно получать не только свежие данные, но и архивные, для моделирования положений спутников в прошлом.

Одним из лучших в сети ресурсов представляется портал space-track.org, предоставляющий доступ к обширной информации о спутниках различного назначения. Очень важно, что space-track имеет REST API, позволяющее получать нужные данные максимально удобно. Требуется авторизация (и для доступа к интерфейсу, и для программного обращения к API), регистрация при этом бесплатная и открытая. Забегая вперёд, скажем в пользу space-track ещё то, что для работы с его API существует открытая python-библиотека.

Непосредственно в интерфейсе сайта можно запрашивать данные TLE (в разделе Retrieve TLE Data by Satellite Catalog Number), заполнив небольшую форму с указанием названия или идентификатора спутника, а также интересующего вас периода времени. Для примера запросим данные TLE для спутника AQUA на середину мая 2012 года:

Результат вы получаете мгновенно. Примечательно, что сразу же при выдаче ответа сервис выводит команду API, соответствующую вашему запросу – это позволяет очень быстро разобраться в том, как оно организовано и как с ним работать.

https://www.space-track.org/basicspacedata/query/class/tle/EPOCH/2012-05-11--2012-05-12/NORAD_CAT_ID/27424/orderby/TLE_LINE1 ASC/format/tle

Выполнив этот запрос тут же в адресной строке браузера (т.е. реализовав простой HTTP-запрос), можно увидеть, что при работе с API данные представляются в незамысловатом текстовом виде, в котором их, учитывая строгую структуру формата, несложно интерпретировать программно.

В целом API подробно документировано. Для нашей задачи вполне достаточно рассмотреть тот пример, который был получен для майских приключений спутника AQUA. Изменяемыми в этой строке запроса будут всего два параметра:

• Диапазон дат (2012-05-11–2012-05-12), формат yyyy-mm-dd–yyyy-mm-dd;
• Идентификатор ИСЗ (27424).

Идентификатор нужного вам ИСЗ можно найти там же, на space-track, в разделе SATCAT, в удобном интерактивном интерфейсе. Нас интересует первая колонка таблицы результатов поиска. Например, поищем идентификаторы спутников программы Landsat:

Landsat 8 соотвествует номеру 39084. Попробуем найти актуальные TLE для этого спутника, заодно посмотрев, как изменится структура запроса при использовании не диапазона дат, а опции “Latest”, т.е. “последние данные”. Запрос:

https://www.space-track.org/basicspacedata/query/class/tle_latest/ORDINAL/1/NORAD_CAT_ID/39084/orderby/TLE_LINE1%20ASC/format/tle

и ответ:

1 39084U 13008A   16354.79369944  .00000065  00000-0  24444-4 0  9999
2 39084  98.2045  61.9547 0001318  94.3108 265.8241 14.57119154204938

Как видно, порядок аргументов в запросе изменился.

Программная реализация

Открытая программная реализация модели SGP4 доступна для C++ и Python (библиотека pyorbital). Для примера будем использовать именно Python и pyorbital (есть и другая реализация на Python’e: python-sgp4). Для получения данных от API space-track.org доступна специальная библиотека. Чтобы представить результат в формате геоданных применим библиотеку pyshp. Поскольку за нас уже почти всё сделали, код очень прост. Разберём его по разделам.

Установка необходимых библиотек

Все библиотеки доступны в основном репозитории Python и устанавливаются очень просто

pip install pyorbital
pip install spacetrack
pip install pyshp

Получение данных space-track.org

# Импортируем библиотеки
# Штатная библиотека для работы со временем
from datetime import datetime, date
# Собственно клиент для space-track
# Набор операторов для управления запросами. Отсюда нам понадобится время
import spacetrack.operators as op
# Главный класс для работы с space-track
from spacetrack import SpaceTrackClient
 
# Имя пользователя и пароль сейчас опишем как константы
USERNAME = <YOUR SPACE-TRACK USERNAME>
PASSWORD = <YOUR SPACE-TRACK PASSWORD>
 
# Для примера реализуем всё в виде одной простой функции
# На вход она потребует идентификатор спутника, диапазон дат, имя пользователя и пароль. Опциональный флаг для последних данных tle
def get_spacetrack_tle (sat_id, start_date, end_date, username, password, latest=False):
    # Реализуем экземпляр класса SpaceTrackClient, инициализируя его именем пользователя и паролем
    st = SpaceTrackClient(identity=username, password=password)
    # Выполнение запроса для диапазона дат:
    if not latest:
        # Определяем диапазон дат через оператор библиотеки
        daterange = op.inclusive_range(start_date, end_date)
        # Собственно выполняем запрос через st.tle
        data = st.tle(norad_cat_id=sat_id, orderby='epoch desc', limit=1, format='tle', epoch = daterange)
    # Выполнение запроса для актуального состояния
    else:
        # Выполняем запрос через st.tle_latest
        data = st.tle_latest(norad_cat_id=sat_id, orderby='epoch desc', limit=1, format='tle')
 
    # Если данные недоступны
    if not data:
        return 0, 0
 
    # Иначе возвращаем две строки
    tle_1 = data[0:69]
    tle_2 = data[70:139]
    return tle_1, tle_2

Представлена очень простая функция, использующая клиентскую библиотеку space-track для получения одного (первого из запроса) набора tle. Пример её использования:

# Запросим данные о положении Landsat 8 11 мая 2016 года
# Обратите внимание, что даты указываем в формате date(y,m,d)
tle_1, tle_2 = get_spacetrack_tle (39084, date(2016,5,11), date(2016,5,12), USERNAME, PASSWORD)
print tle_1, tle_2
 
>>> 1 39084U 13008A   16132.92196421 +.00000109 +00000-0 +34320-4 0  9999
>>> 2 39084 098.2260 203.0765 0001471 094.1169 266.0197 14.57124417160799
 
# А теперь данные об актуальном положении
tle_1, tle_2 = get_spacetrack_tle (39084, None, None, USERNAME, PASSWORD, True)
print tle_1, tle_2
 
>>> 1 39084U 13008A   16354.79369944  .00000065  00000-0  24444-4 0  9999
>>> 2 39084  98.2045  61.9547 0001318  94.3108 265.8241 14.57119154204938

Расчёт координат проекции спутника

# Импортируем библиотеки
# Штатная библиотека для работы со временем
from datetime import datetime, date
# Ключевой класс библиотеки pyorbital
from pyorbital.orbital import Orbital
 
# Ещё одна простая функция, для демонстрации принципа.
# На вход она потребует две строки tle и время utc в формате datetime.datetime
def get_lat_lon_sgp (tle_1, tle_2, utc_time):
    # Инициализируем экземпляр класса Orbital двумя строками TLE
    orb = Orbital("N", line1=tle_1, line2=tle_2)
    # Вычисляем географические координаты функцией get_lonlatalt, её аргумент - время в UTC.
    lon, lat, alt = orb.get_lonlatalt(utc_time)
    return lon, lat

Пример использования:

# Используем данные TLE полученные вручную на space-track.org для спутника Terra
tle_1 = '1 25994U 99068A   16355.18348138  .00000089  00000-0  29698-4 0  9992'
tle_2 = '2 25994  98.2045  66.7824 0000703  69.9253 290.2059 14.57115924904601'
# Нас интересует текущий момент времени
utc_time = datetime.utcnow()
# Обращаемся к фукнции и выводим результат
lon, lat = get_lat_lon_sgp (tle_1, tle_2, utc_time)
print lon, lat
 
>>> 175.589796941 -13.6408377148

Создание набора геоданных с треком спутника

Теперь объединим получение данных space-track и расчёт положения спутника, добавив создание точечного шейп-файла. Зададимся целью написать функцию, которая бы создавала точечный шейп-файл с положениями спутника в течение указанных суток с заданным шагом по времени, в атрибуты каждой точки записывая широту, долготу и время пролёта.

# Импортируем библиотеки - для начала оговоренные ранее
from datetime import datetime, date, timedelta
import spacetrack.operators as op
from spacetrack import SpaceTrackClient
from pyorbital.orbital import Orbital
 
# И pyshp, которая понадобится для создания шейп-файла
import shapefile
 
# Имя пользователя и пароль
USERNAME = <YOUR SPACE-TRACK USERNAME>
PASSWORD = <YOUR SPACE-TRACK PASSWORD>
 
# Уже описанная ранее функция get_spacetrack_tle может использоваться без изменений
def get_spacetrack_tle (sat_id, start_date, end_date, username, password, latest=False):
    st = SpaceTrackClient(identity=username, password=password)
    if not latest:
        daterange = op.inclusive_range(start_date, end_date)
        data = st.tle(norad_cat_id=sat_id, orderby='epoch desc', limit=1, format='tle', epoch = daterange)
    else:
        data = st.tle_latest(norad_cat_id=sat_id, orderby='epoch desc', limit=1, format='tle')
 
    if not data:
        return 0, 0
 
    tle_1 = data[0:69]
    tle_2 = data[70:139]
    return tle_1, tle_2
 
# А вот функция get_lat_lon_sgp нам уже не пригодится в своём виде
# ведь создавать экземпляр класса Orbital для каждого момента времени
# не очень-то хочется
 
# На вход будем требовать идентификатор спутника, день (в формате date (y,m,d))
# шаг в минутах для определения положения спутника, путь для результирующего файла
def create_orbital_track_shapefile_for_day (sat_id, track_day, step_minutes, output_shapefile):
    # Для начала получаем TLE    
    # Если запрошенная дата наступит в будущем, то запрашиваем самые последний набор TLE 
    if track_day > date.today():
        tle_1, tle_2 = get_spacetrack_tle (sat_id, None, None, USERNAME, PASSWORD, True)
    # Иначе на конкретный период, формируя запрос для указанной даты и дня после неё
    else:
        tle_1, tle_2 = get_spacetrack_tle (sat_id, track_day, track_day + timedelta(days = 1), USERNAME, PASSWORD, False)
 
    # Если не получилось добыть    
    if not tle_1 or not tle_2:
        print 'Impossible to retrieve TLE'        
        return
 
     # Создаём экземляр класса Orbital
    orb = Orbital("N", line1=tle_1, line2=tle_2)
 
    # Создаём экземпляр класса Writer для создания шейп-файла, указываем тип геометрии
    track_shape = shapefile.Writer(shapefile.POINT)
 
    # Добавляем поля - идентификатор, время, широту и долготу
    # N - целочисленный тип, C - строка, F - вещественное число
    # Для времени придётся использовать строку, т.к. нет поддержки формата "дата и время"
    track_shape.field('ID','N',40)
    track_shape.field('TIME','C',40)
    track_shape.field('LAT','F',40)
    track_shape.field('LON','F',40)
 
    # Объявляем счётчики, i для идентификаторов, minutes для времени
    i = 0
    minutes = 0
 
    # Простой способ пройти сутки - с заданным в минутах шагом дойти до 1440 минут.
    # Именно столько их в сутках!
    while minutes < 1440:
        # Расчитаем час, минуту, секунду (для текущего шага)
        utc_hour = int(minutes // 60)
        utc_minutes = int((minutes - (utc_hour*60)) // 1)
        utc_seconds = int(round((minutes - (utc_hour*60) - utc_minutes)*60))
 
        # Сформируем строку для атрибута
        utc_string = str(utc_hour) + '-' + str(utc_minutes) + '-' + str(utc_seconds)
        # И переменную с временем текущего шага в формате datetime
        utc_time = datetime(track_day.year,track_day.month,track_day.day,utc_hour,utc_minutes,utc_seconds)
 
        # Считаем положение спутника
        lon, lat, alt = orb.get_lonlatalt(utc_time)
 
        # Создаём в шейп-файле новый объект
        # Определеяем геометрию
        track_shape.point(lon,lat)
        # и атрибуты
        track_shape.record(i,utc_string,lat,lon)
 
        # Не забываем про счётчики
        i += 1
        minutes += step_minutes
 
    # Вне цикла нам осталось записать созданный шейп-файл на диск.
    # Т.к. мы знаем, что координаты положений ИСЗ были получены в WGS84
    # можно заодно создать файл .prj с нужным описанием
 
    try:
        # Создаем файл .prj с тем же именем, что и выходной .shp
        prj = open("%s.prj" % output_shapefile.replace('.shp',''), "w")
        # Создаем переменную с описанием EPSG:4326 (WGS84)
        wgs84_wkt = 'GEOGCS["WGS 84",DATUM["WGS_1984",SPHEROID["WGS 84",6378137,298.257223563]],PRIMEM["Greenwich",0],UNIT["degree",0.0174532925199433]]'
        # Записываем её в файл .prj        
        prj.write(wgs84_wkt)
        # И закрываем его
        prj.close()
        # Функцией save также сохраняем и сам шейп.
        track_shape.save(output_shapefile)
    except:
        # Вдруг нет прав на запись или вроде того...
        print 'Unable to save shapefile'
        return

Вот и всё, давайте проверим, как это работает, и проверим корректность! Данные о положении спутника Terra с частотой 5 минут публикуются на специальном сервисе Space Science and Engineering Data Center, с ним и сверимся. Смоделируем положения на 15 декабря 2016 года и визуализируем получившийся набор геоданных в QGIS.

create_orbital_track_shapefile_for_day(25994, date(2016,12,15), 5, '/home/silent/space/terra_15_12_2016_5min.shp')

Настроив в QGIS подписи и подложив OSM получим следующую картинку:

Найдём данные на тот же день у Space Science and Engineering Data Center:

Всё прекрасно сходится! Узнаем, где будет Landsat 8 в будущем? Например, 22 декабря 2016.

create_orbital_track_shapefile_for_day(39084, date(2016,12,22), 5, '/home/silent/space/landsat_8_22_12_2016_5min.shp')

Представляя себе полосу съемки, можно оценить охват снятой территории за 1 день.

В коде показан механизм, который несложно приспособить под собственные задачи. Таким образом можно осуществлять автоматизацию поиска и загрузки архивных данных, прогнозирование пролётов. Важно помнить, что в зависимости от особенностей аппаратуры, установленной на спутнике, соотношение между треком пролёта и снятой территорий будет сильно разниться. К примеру, Sentinel-1 оснащен радиолокатором бокового обзора, его наблюдения не надирные; полосы съемки MODIS (Terra) и ETM+ (Landsat) отличаются на порядки по степени охвата (хотя треки похожи); и так далее.

Источники

1. Felix R. Hoots, Ronald L. Roehrich. SPACETRACK REPORT NO. 3 – Models for Propagation of NORAD Element Sets. December 1980

2. David A. Vallado, Paul Crawford. SGP4 Orbit Determination

3. NORAD Two-Line Element Set Format

На сайте www.geospatialworld.net размещен обзор, представленный компанией Earth Observing System (EOS), «5 free satellite imagery sources to drive insights on your own» (https://www.geospatialworld.net/blogs/5-free-satellite-imagery-sources-to-drive-insights-on-your-own….

Наступило время, когда спутниковые снимки становятся все более и более доступными для всех желающих. Такая тенденция фактически прослеживается в течение всего последнего десятилетия. Развитие этой ситуации все еще продолжается, появляются большие возможности для использования этих ценных данных и результатов их анализа в решении широкого круга задач.

Прямо сейчас, многие отрасли используют эту богатую жилу для понимания процессов, обеспечивая большой потенциал для прорывных инноваций. В основном, эта сфера предназначена для ГИС-специалистов, однако бесплатные спутниковые снимки, на самом деле, широко доступны для всех, кто хочет их использовать.

Вот, по мнению Earth Observing System, список лучших на сегодняшний день онлайн-ресурсов, которые можно использовать для решения собственных аналитических задач.

EarthExplorer от USGS

Среди своих конкурентов USGS (Служба геологической съёмки США) обладает старейшей коллекцией бесплатных разнообразных ГИС-данных. Доступ к ним можно получить посредством сервиса EarthExplorer (https://earthexplorer.usgs.gov), который работает через Google Maps.

Данные. EarthExplorer предлагает 40-летние всеобъемлющие спутниковые снимки, которые можно использовать для получения новых знаний. Все снимки получены со спутников USGS-NASA. Это Terra и Aqua MODIS, ASTER, VIIRS и многие другие. В сервисе имеются наборы данных с открытым исходным кодом, которые были получены в результате сотрудничества с Индийской организацией космических исследований (ISRO) и Европейским космическим агентством (ESA). Это данные со спутников Resourcesat-1, 2 и Sentinel-2.

Также имеется много данных с коммерческих спутников высокого разрешения, таких как IKONOS-2 OrbView-3 и исторических данных SPOT.

Поиск. Сервис EarthExplorer позволяет фильтровать результаты поиска по дате, проценту облачности и любому количеству сенсоров. Можно просматривать каждый тайл отдельно или все вместе в зависимости от предпочтений.

Интересно, что в EarthExplorer можно воспользоваться поиском по функциям. Это позволяет просматривать длинный список всех возможных функций и встречать очень любопытные объекты, такие как древняя дорога или кладбища. Все это в дополнение к стандартным параметрам области интересов, таких как адрес, загрузка файлов и многое другое.

Аналитика. Не доступна. Возможна только через стороннее программное обеспечение.

Экспорт. Загрузка снимков из USGS доступна через приложение массовой загрузки. Также можно загрузить множество продуктов с данными, включая уровни Level-1,2,3, снимки в естественных цветах, тепловизионные снимки и многое другое в зависимости от сенсора.

EarthExplorer является наиболее богатым источником бесплатных спутниковых снимков. Сервис отличает большоеколичество функций. Пользовательский интерфейс не самый удобный для пользователя, и требуется некоторый навык, чтобы привыкнуть к этому приложению.

LandViewer от EOS

LandViewer (https://eos.com/landviewer ) — это современный источник спутниковых данных и аналитики на основе AI. Сервис представлен EOS, одним из ключевых официальных дистрибьюторов спутниковых снимков высокого разрешения.

Данные. LandViewer охватывает огромное количество общедоступных библиотек. Это снимки со спутников CBERS-4, Sentinel-1, 2, MODIS / NAIP, Landsat-7, 8, а также Landsat-4, 5 для исторических снимков. Среди наборов снимков SPOT -5-7, Pleiades-1, Kompsat-2, 3, 3A, SuperView-1. Максимальное пространственное разрешение достигает 40 см на пиксель.

С учетом всего вышесказанного вы можете получить полный список спутниковых данных и приобрести крупные планы изображений сверхвысокого разрешения.

Поиск. Снимки легко найти, задав интересующую область с помощью огромного количества опций и загрузки файла. Выбирается тип сенсора и таймфрейм. Процент облачного покрова, высота над уровнем моря и процент покрытия AOI доступны в качестве условий поиска фильтра.

Кроме того, вы можете сохранить свою область интересов и подписаться на новые сцены, чтобы легко получить то, что вам понадобится в будущем.

Можно легко загрузить обработанный снимок, комбинацию каналов или рассчитанный индекс.

Аналитика. LandViewer сразу включает аналитические возможности визуализации выбранного снимка, что делает сервис уникальным среди многих других платформ. Предлагается более 20 стандартных комбинаций и индексов, в том числе: NDVI, NBR SAVI. Можно создать свой собственный пользовательский индекс, кластеризацию, анализ временных рядов и использовать множество других инструментов для адаптации снимков к заданным потребностям.

Экспорт. В хранилище LandViewer есть много всего. Можно скачать любой спутниковый снимок с широким спектром каналов или в естественныз цветах. Он может быть полным или обрезанным в формате JPEG, KMZ или GeoTIFF.

LandViewer —универсальный источник спутниковых снимков для ГИС-специалистов. Ему удается объединить огромный список аналитических функций в аккуратный пакет для исследований.

EO Browser и Sentinel Playground от Sentinel Hub

С помощью Sentinel Hub открытые спутниковые снимки доступны через два основных сервиса: EO Browser (https://apps.sentinel-hub.com/eo-browser) и Sentinel Playground (https://apps.sentinel-hub.com/sentinel-playground)

Данные. В EO Browser можно получить снимки со средним и низким разрешением. К ним относятся неограниченные коллекции от всех миссий Sentinel, Landsat -5, 6, 7 и 8, Envisat, Meris, MODIS, GIBS и Proba-V.

Sentinel Playground, с другой стороны, может использоваться для мозаики снимков, полученных с Sentinel-2, Landsat-8, DEM и MODIS.

Поиск. EO Browser и Sentinel Playground обладают интуитивно понятным набором функций. Все, что нужно для исчерпывающего поиска снимков. Следует отметить одно важное ограничение: некоторые наборы данных ограничены рендерингом с определенного масштаба. Для Landsat он начинается только после увеличения на 20 км.

Аналитика. EO Browser может предложить значительную свободу с точки зрения прикладной аналитики. Для одного снимка можно применить как минимум 8 комбинаций каналов и даже добавить свои собственные. Временные ряды доступны, но не все используемые снимки могут быть визуализированы.

Экспорт. Sentinel Playground позволяет загружать в формате JPEG отдельные сегменты глобальной мозаики . EO Browser позволяет экспортировать снимки высокого разрешения в более широком наборе форматов, включая JPEG, GeoTIFF и KMZ, каналы и комбинации каналов.

EO Browser легко обозреть. Он предоставит вам доступ к хорошему выбору космических данных со средним разрешением с открытым исходным кодом и широкими возможностями визуализации. Sentinel Playground — отличное дополнение для глобальной мозаики снимков, которой можно поделиться.

Copernicus Open Access Hub

Еще одна замечательная коллекция снимков Sentinel — Copernicus Open Access Hub (https://scihub.copernicus.eu) — по-своему уникальна.

Данные. Ранее известный, как “Sentinels Scientific Data Hub”, это место для новейших снимков со всех спутников Sentinel: радарные снимки Sentinel-1, оптические мультиспектральные снимки Sentinel-2, а также данные о земной поверхности Sentinel-3 для совместного анализа окружающей среды с данными об атмосфере и качестве воздуха в Sentinel-5P.

Поиск. Интерфейс поиска очень минималистичен, и, тем не менее, он не является вершиной простоты. Загрузка файла через пользовательский AOI недоступна. Поиск координат работает через собственную внутреннюю базу данных операторов. Фильтр облачного покрова работает с помощью оператора шкалы от 0 до 5. Это очень полезно, но неудобно для более широкого круга специалистов.

Аналитика. Не доступна. Снимки можно просматривать только в режиме “Quicklook” с подробными метаданными.

Экспорт. Все снимки доступны для скачивания, будучи добавленными в «корзину».

Платформа является хорошим источником бесплатных снимков Sentinel, хотя и не является лучшим местом для получения данных Sentinel-1 и 2, учитывая ее ограниченные возможности.

Каталог снимков INPE

Одним из замечательных источников спутниковых снимков является INPE (Национальный институт космических исследований Бразилии), предлагающий собственный хороший каталог снимков (http://www.dgi.inpe.br). В каталоге снимков можно найти много коллекций для изучения земного покрова, мониторинга водных ресурсов, растительности и метеорологических данных.

Данные. Каталог снимков INPE превосходный, когда речь идет о Южной и Центральной Америке и Африке. Здесь можно воспользоваться данными следующих миссий: Aqua, DEIMOS, UK-DMC 2, Terra, Suomi-NPP, ResourceSat, Landsat-8, а также CBERS-4.

For those looking for some extra data on CBERS-2, Landsat 1, 2, 3, 5 and 7 their INPE cadastre is always out there.

Для тех, кто ищет дополнительные данные со спутников CBERS-2, Landsat -1, 2, 3, 5 и 7, их можно найти в кадастре INPE (http://www.dgi.inpe.br/CDSR).

Аналитика. Не доступна.

Экспорт. Загрузка осуществляется по FTP-ссылке, отправленной на электронную почту заказчика. Просто надо добавить выбранные снимки в «корзину» вместе с адресом.

Каталог снимков INPE — отличное место для получения снимков, если нужна Южная, Центральная Америка и Африка. Он не может помочь в получении данных по всему миру, но, исходя из вышесказанного, можно получить хороший опыт работы с многочисленными данными, которые можно обрабатывать в любой другой онлайн-среде или в десктопном режиме.

Спутниковые снимки больше не являются роскошью или эксклюзивной собственностью спецслужб. Каждый может получить их бесплатно и сделать полезными для себя. Все вышеперечисленное должно обеспечить множество способов получить соответствующую информацию из космических данных и принять обоснованные решения.

Время на прочтение
3 мин

Количество просмотров 29K

Мы живем в такое время, когда снимок со спутника можно получить в один клик. В оптическом, в инфракрасном и в радиодиапазоне. А еще историю изменений в определенной координате за несколько лет.

Зеленый Кот нашел разбившуюся советскую исследовательскую станцию «Марс-3» по снимкам со спутника, тысячи экологов следят за лесами Амазонки и состоянием береговой линии, школьники делают учебные проекты по слежке за популяцией моржей, репортеры проводят расследования, освобождают рабов, мониторят лагеря беженцев.

Предлагаю вам подборку бесплатных ресурсов и проектов со спутниковыми данными, программами обработки этих данных и полезные статьи.

Sentinel Hub Playground

Юзер-френдли база снимков с Sentinel 2/Landsat. База пополняется каждые 5-10 дней новыми изображениями. Тут можно отслеживать различные переменные ГИС, например, NDVI или NDWO. EO Browser упрощает просмотр в режиме таймлапса. Разрешение — 10 м/пикс.

• Гайд: Использование интерактивных спутниковых карт для выявления изменений в инфраструктуре на примере Мьянмы, Нигерии и Южно-Китайского моря

Copernicus Open Access Hub

Сайт ESA c базой снимков с 6 спутников Copernicus Sentinel. Тут можно найти в открытом и свободном доступе данные с Sentinel-1, Sentinel-2, Sentinel-3 и Sentinel-5P. Есть API и можно создавать свои скрипты для поиска. Есть возможность синхронного доступа к самым последним снимкам и асинхронный доступ к исторической информации.

• Гайд как скачать бесплатные изображения
• Как обрабатывать спутниковые снимки с помощью Sen2Cor

EOSDIS Worldview

Интерактивный сервис от NASA с удобным интерфейсом. Позволяет любому желающему прямо в браузере следить за обстановкой на планете: следить за пожарами, пылевыми бурями, ураганами, тропическими циклонами, таянием льдов, извержением вулканов или просто любоваться ночными огоньками.

ESA Earth Online

Объединяет данные наблюдений за Землей Европейского космического агентства по таким темам, как температура, сельское хозяйство и ледяные щиты.

ESA SNAP

Программа дистанционного зондирования, созданная Европейским космическим агентством, которая позволяет выполнять различные улучшения и манипуляции с данными дистанционного зондирования. Позволяет просматривать гигапиксельные изображения, работать со слоями, визуализировать статистику и строить графики.

Google Earth Engine

Спутниковые снимки и аналитическая база в открытом доступе. Доступны практически любые спутниковые снимки, собранные NASA, NOAA, USGS и т. д. Изображения среднего и грубого разрешения по сравнению с коммерческие изображениями высокого разрешения. Есть кривая обучения с Javascript.

• Гайд на Хабре: Earth Engine от Google — уникальная платформа для анализа больших геоданных

GeoVisual Search

Поисковая система, которая позволяет пользователям визуально запрашивать изображения для похожих географических объектов. Платформа Descartes Labs основана на спутниковых снимках Landsat, Национальной программы сельскохозяйственных изображений (NAIP) и PlanetScope.

• Гайд: Searching the World Wide World

HERE WeGo

Более свежие чем у Google спутниковые снимки из таких мест, как Афганистан и Иран.

Radiant Earth

Некоммерческая группа, которая помогает глобальному сообществу разработчиков находить, исследовать и анализировать архивы спутников, дронов и аэрофотоснимков. Radiant Earth работает, в частности, с Code of Africa.

Публикуют много полезных материалов, делают обучающие курсы, проводят соревнования для дата-аналитиков.

• Observing the Earth, Fueling Global Development Solutions
• Detecting Agricultural Croplands from Sentinel-2 Satellite Imagery

Soar.earth

Soar.Earth был создан, потому что миру нужна масштабируемая, коллективная и подотчетная база знаний всех его карт и изображений. Наша миссия — создать крупнейший в мире цифровой атлас, основанный на картах и изображениях от отдельных лиц, организаций и сообществ.

Полезные статьи

• Ресурсы для поиска и использования спутниковых изображений
• Как спутниковые снимки стали незаменимым — и легкодоступным — инструментом журналистики
• Как обрабатывать спутниковые снимки с помощью Sen2Cor
• Radar Interference Tracker — инструмент OSINT для обнаружения действующих радаров
• Что могут рассмотреть спутники-шпионы
• Современный фонд космических снимков и возможности их применения (Сканекс)
• Starting Satellite Investigations
• Making Sense of Satellite Data, An Open Source Workflow: Accessing Data
• High-Resolution Satellite Imagery Ordering and Analysis Handbook
• Satellite Imagery As A Reporting Tool
• Observing the Earth, Fueling Global Development Solutions
• Satellite imagery for journalism: Why a picture is worth a thousand words
• Satellite journalism — the big picture
• Kruger’s contested borderlands
• Сбор геопространственных данных веб-скрейпингом