Спутниковая съемка высокого разрешения: Съемка со спутника высокого разрешения местности. Карта Искателей со спутника — улицы и дома онлайн. Google Карты

Содержание

Digital Globe представила спутниковые снимки с разрешением 50 см

Геоинформатика Маркет | Поделиться Компания Digital Globe объявила о выпуске нового продукта: набора спутниковых снимков с разрешением 50 см. До сих пор максимальным «стандартом качества» спутниковых снимков было разрешение 70 см.

Компания Digital Globe представила свой новый продукт – высококачественные спутниковые снимки с разрешением 50 см. Снимки сделаны с надира и имеют минимальную радиальную ошибку 5 м (CE90). В настоящее время компания Digital Globe является единственным коммерческим производителем и поставщиком спутниковых снимков с разрешением 50 см.

Три из пяти спутников Digital Globe имеют очень мощные объективы и могут вести фотосъемку с разрешением 50 см, а летом этого года на орбиту будет выведен спутник, который сможет делать снимки с разрешением 30 см.

До сих пор максимальным «стандартом качества» спутниковых снимков было разрешение 70 см, которое имеет приблизительно 2 млн пикселей на квадратный километр. 50-сантиметровое спутниковое изображение имеет около 4 млн пикселей на квадратный километр, то есть содержит в 2 раза больше информации. На практике это означает, что такие снимки позволяют обнаружить множество ранее неразличимых объектов, например автомобили.

В настоящее время архив Digital Globe содержит снимки высокого разрешения, покрывающие площадь более 700 милн квадратных километров. Три спутника Digital Globe (Quick Bird, World View-1 и World View-2) могут вести съемку с разрешением 50 см или панхроматическую с разрешением 60 см в натуральном цвете или инфракрасном диапазоне. Разрешение в мультиспектральном режиме составляет 1,85–2,62 м.


Двухмегапиксельный снимок небоскреба Burj Kalifa (Дубаи) с разрешением 70 см

Новый спутник WorldView-3 будет иметь новую панхроматическую камеру высокого разрешения, а также новый сенсор коротковолнового инфракрасного излучения SWIR. Последний имеет более высокое разрешение, чем аналогичные сенсоры, например, у спутников Landsat: 3,7-4,1 м на пиксель против 30 м на пиксель у Landsat. Также WorldView-3 будет оснащен сенсором CAVIS , который позволит измерять содержание водяных паров и льда в атмосфере, вести мониторинг качества воздуха, перемещения облаков пыли и микрочастиц.


Четырехмегапиксельный снимок небоскреба Burj Kalifa (Дубаи) с разрешением 50 см. Отчетливо видны различия между двумя снимками: на данном снимке видно намного больше деталей, чем на предыдущем

Заменит ли цифровая копия оригинал водительского удостоверения?

ИТ в госсекторе

Спутник WorldView-3 будет работать на орбите высотой 617 км и делать панхроматические снимки с разрешением 31 см; мультиспектральные с разрешением 1,24 м; коротковолновые ИК (SWIR) 3,7 м; снимки с помощью CAVIS с разрешением 30 м. WorldView-3 станет одним из самых мощных спутников ДЗЗ, когда-либо отправленных в космос частной компанией.

По некоторым данным WorldView-3 способен вести съемку с разрешением 25 см, но такие снимки будут доступны только для американских госведомств. На сегодняшний день максимальное достигнутое американскими спутниками-шпионами разрешение спутниковой съемки составляет 10 см.

Форум «Интеграция геопространства — будущее информационных технологий» 23-25 апреля

Михаил Левкевич



Зачем нужны снимки из спутников

Спутниковые снимки сегодня используются в разных областях. С их помощью службы разных стран осуществляют разведывательную деятельность, еще ими пользуются журналисты и спасательные службы. Данные, полученные из космоса, потребуются для формирования городской застройки и планирования будущих инфраструктурных объектов.

Наблюдения также позволяют наблюдать за эффективностью работы портов и производств, выполнить оценку транспортной доступности регионов и так далее.

Спутниковые снимки высокого разрешения представлены на сервисе terratech.ru. Он открывает доступ к базе космических снимков с российских спутников онлайн в круглосуточном режиме из любой точки мира. Все данные прошли обработку и привязку к местности.

Геосервис TerraCloud упрощает задачу заказчиков с пространственной информацией, обеспечивая представителей госорганов и частных структур потоком актуальных сведений для выполнения контрольной деятельности и мониторинга лесного хозяйства, возникновения чрезвычайных ситуаций и добывающего сектора, строительства и экологии, а также многих других направлений. Частные лица могут защитить собственные интересы в суде, что касается земельных споров и собственности. 

Как следить за планетой из космоса?

Космические агентства осуществляют запуски спутников с набором специальной аппаратуры. Сюда входят качественные цифровые камеры, позволяют делать фото с высоким разрешением. Хотя человеческого лица рассмотреть не получится, можно увидеть их очертания и цвет одежды, а также окружающие предметы. При помощи геосервисов есть возможность получить качественный снимок любого участка земли, причём очень быстро.

Спутниковая съёмка в строительстве.

При помощи снимков со спутников можно получить данные обо всех этапах строительства объектов, начиная с подготовки площадки до обустройства территорий. Ещё они позволяют вести наблюдение за детальным состоянием течения строительного процесса на каждом его этапе, от заливки фундамента и до возведения этажей.

По снимкам легко оценить активность строительства, подсчитать количество работающей техники, объемов материалов и изменений этих параметров со временем. Подобная информация формируется в установленной форме отчетности. Благодаря чему можно оценить активность строительства или факт его заморозки на определённый момент времени.

 

На правах рекламы

Сравнительный анализ картирования побережья Белого моря по данным космосъемки и БПЛА «Геоскан 401»

Сравнительный анализ результатов картирования литорали побережья Белого моря по материалам полученным космической съемкой и аэросъемкой при помощи БПЛА «Геоскан 401».

Макаров А.В., Курков М.В., Барымова А.А.

Морское побережье — это пограничная полоса между сушей и морем, характеризующаяся распространением современных и древних береговых форм рельефа…» (По И.С.Щукину) [1]. Все компоненты морского побережья взаимосвязаны, поэтому, «…берег, в широком понимании этого слова, можно рассматривать в качестве сложной природной системы с обратными связями. Для них типично существование процессов саморегулирования и наличие реакций на внешние воздействия» [2].

Прибрежная полоса Белого моря, это зона активного перемещения камней, песка, илистых грунтов в процессе разрушения скал, переноса водой и отложения мелкодисперсного осадка. Эти абразионные и аккумулятивные процессы постоянно изменяют форму береговой линии. Наличие приливов и отливов определяет строение прибрежной полосы, которая включает в себя литораль (зона дна, покрываемая водой во время приливов), сублитораль (зона дна, которая начинается от границы максимального отлива и продолжается в глубину до условной границы распространения растительности) и супралитораль (береговая зона, которая начинается от верхней границы прилива и продолжается вверх до уровня максимального штормового заплеска) [3]. В зимнее время присутствует фактор ледового переноса грунта и камней [4]. В этих зонах располагаются особые растительные и животные сообщества, которые приспосабливаются к меняющимся условиям. В связи с этим, прибрежная полоса Белого моря служит чрезвычайно интересным полигоном для отработки методик комплексного изучения прибрежных мелководий арктических морей.

1. Особенности комплексных исследований прибрежных мелководий и береговой полосы.

Комплексные исследования арктических мелководий в настоящее время активно развиваются. Оперативное получение достоверной информации о состоянии прибрежных экосистем необходимо для рационального планирования освоения и минимизации антропогенного воздействия на экосистемы арктического шельфа при геологических изысканиях и разработке полезных ископаемых, в особенности, при добыче нефти и газа под водой, при транспортировке полезных ископаемых, прокладке коммуникаций и сооружении объектов береговой инфраструктуры.

Комплексные морские исследования в Арктике ведутся с целью создания наиболее полной картины современного состояния морского шельфа и прибрежной полосы, которую можно получить, применяя самые современные методы и оборудование. Комплексные исследования включают в себя изучение осадков на морском дне, состояние и состав толщи воды, живых организмов, состояние морских и прибрежных экосистем.

Комплексные морские исследования объединяют геофизические (сейсмоакустические и гидролокационные), биологические, гидрологические, геологические и геоморфологические методы. Важной составляющей комплексных исследований являются данные дистанционного зондирования Земли (ДЗЗ). К ним относятся, в том числе, спутниковые снимки и аэроснимки. С помощью таких снимков изучается ледовая обстановка в Арктике, загрязнения поверхности воды и берегов нефтепродуктами, изменения формы береговой линии, состояние почвы и растительного покрова, и др. Спутниковые снимки высокого разрешения, на которых различимы объекты менее 1 м. в поперечнике (то есть, меньше 1 м2 земной поверхности на пиксель матрицы съемочной аппаратуры) позволяют картировать лежбища морских млекопитающих на арктических берегах, отслеживать положение судов, получать оперативную информацию при чрезвычайных ситуациях.

2. Краткий обзор источников данных дистанционного зондирования Земли (ДЗЗ) высокого разрешения.

Оптические системы высокого разрешения установлены на низкоорбитальных спутниках (высота орбиты — от 440 до 770 км). В настоящее время для коммерческого использования доступны снимки следующих спутников (Табл. 1).

Табл. 1. Спутники с оптической аппаратурой высокого разрешения.
Принадлежность спутника Название спутника
Группировка DigitalGlobe (США) QUICKBIRD
WORLDVIEW-1
WORLDVIEW-2
WORLDVIEW-3
Группировка GeoEye (США) IKONOS
GEOEYE-1
GEOEYE-2
Группировка IRS (Индия) CARTOSAT-2, 2B
Группировка PLEIADES (Франция) PLEIADES-1A, 1B
Япония ALOS-3
Израиль EROS B
Корея KOMPSAT-2
KOMPSAT-3
Россия РЕСУРС-П

В качестве примера рассмотрим характеристики двух спутниковых систем: Pleiades — группировки из двух спутников, введенных в эксплуатацию в 2012 г. и новейшего World View-3, запущенного в 2014 г.

С точки зрения изучения прибрежной полосы арктических морей наибольшее значение имеют следующие характеристики спутников.

Pleiades, как и большинство других оптических аппаратов высокого разрешения, имеют аппаратуру, снимающую в трех каналах видимого спектра — синем, зеленом, красном, в ближнем инфракрасном (это каналы мультиспектральной съемки) и панхроматическом канале, объединяющем весь видимый спектр. Особенность спутниковой съемки такова, что разрешение панхроматического канала всегда выше мультиспектральной съемки. У спутников Pleiades фактическое разрешение мультиспектральных снимков — 2,8 м, а панхроматического канала — 0,7 м. Ширина полосы съемки — 20 км. Мультиспектральные каналы в различных комбинациях позволяют анализировать состояние лесов, сельскохозяйственных угодий, антропогенных ландшафтов. Именно наличие аппаратуры, ведущей съемку в ближнем инфракрасном спектре, позволяет анализировать состояние зеленых насаждений, так как хлорофилл, содержащийся в высших растениях не поглощает инфракрасное излучение, а отражает его. Панхроматический канал, с разрешением 0,7 м позволяет составлять точные карты.

Спутник World View-3 в отличие от Pleiades и всех остальных спутников высокого разрешения ведет съемку в трех мультиспектральных режимах: VNIR (Visible and Near Infrared — видимый и ближний инфракрасный диапазон, 8 каналов), SWIR (Shortwave Infrared — средний инфракрасный диапазон. Позволяет снимать сквозь дымку, туман, смог, пыль, дым и облака — 8 каналов) и CAVIS (clouds, aerosols, vapors, ice, snow — позволяет проводить атмосферную коррекцию, 12 каналов). Разрешение снимков этого аппарата самое высокое, среди спутников гражданского назначения. Панхроматические снимки имеют разрешение 31 см, мультиспектральные — 1,24 м, SWIR — 3,72 м, CAVIS — 30 м. Ширина полосы съемки 13,1 км. Этот аппарат выполняет все задачи, которые ставятся перед спутниками высокого разрешения, но гораздо более точно и подробно. В том числе с его помощью создаются цифровые модели рельефа с точностью 1-3 м по высоте и топографические карты. Предшественник этого спутника, аппарат World View-2 имеет аппаратуру несколько меньшего разрешения. Панхроматический канал — 46 см, мультиспектральные — 1,84 м. [5].

При изучении арктических мелководий и прибрежных территорий спутниковые данные высокого разрешения позволяют различать объекты до полуметра в поперечнике, например, отдельные валуны. Такие снимки позволяют анализировать состояние прибрежной полосы водоемов, например, наличие штормовых выбросов, грубо оценивать механический состав открытого грунта (илистые, каменистые грунты), распределение растительных сообществ (приморские луга, заросли тростников, марши — приморские, засоленные торфяники, куртины галофитов — растений соленых грунтов, заросли морских трав, таких, как зостера) (Рис. 1).

Рис. 1. Фрагмент снимка аппарата WorldView-2 с ближним инфракрасным каналом, на котором обозначены участки побережья с различными грунтами и растительным сообществами

На спутниковых снимках высокого разрешения можно дистанционно выделять границы лесов и открытых пространств. Различать хвойные и лиственные породы деревьев, а также границы выделов и вывалы древостоя. Разделять болота и луговую травянистую растительность. Выходы коренных горных пород и аккумулятивные песчаные пляжи. Следы антропогенного воздействия, любые строения, дороги, тропы и колеи в грунте. Подвергнув спутниковый снимок обработке в специализированных программах можно более четко выделять объекты или их группы с помощью изменения интенсивности отображения различных спектральных каналов или, создавая из них разные комбинации. Таким образом, в прибрежной полосе морей можно выявлять скопления водорослей, на мелководьях выделять плотные заросли водных видов растений. На берегу оценивать состояние лесных насаждений, распространение заболеваний деревьев в лесах. Выявлять области с повышенным увлажнением, затопленные территории, загрязнения нефтепродуктами и оценивать площади ветровалов. Одной из главнейших задач спутниковой съемки высокого разрешения является осуществление подробного, многолетнего мониторинга, отслеживание изменений на местности по множеству параметров.

3. Сравнение методов получения и использования данных ДЗЗ со спутников и аэрофотосъемки с квадрокоптера.

В работе рассматривается использование для аэрофотосъемки квадрокоптеров фирмы Группы компаний «Геоскан» (далее – Геоскан). Модели «Геоскан 401» коптерного типа оснащены камерами Sony Cyber-shot DSC-RX1 и могут выполнять качественную аэрофотосъемку с разрешением 4 см/pix и выше. В настоящее время БПЛА такого класса, при производстве аэрофотосъемки, используются для проведения кадастровых работ, мониторинга сельскохозяйственных угодий, лесных массивов, составления карт антропогенных ландшафтов, при проектировке и строительстве, для оценки ситуации при чрезвычайных ситуациях (наводнения, пожары) и т.д. Для получения специализированной информации БПЛА оснащаются камерами, работающими в инфракрасном диапазоне.

Сравнение спутниковой съемки высокого разрешения и аэрофотосъемки с БПЛА проведено по нескольким параметрам.

a. Разрешение

Панхроматический канал спутника WorldView-3 имеет разрешение 31х31см земной поверхности на пиксель. Это, на сегодняшний день, самое высокое разрешение спутниковых снимков, доступное для гражданского коммерческого использования. Этот канал объединяет весь видимый спектр, служит для составления подробных карт и детализации мультиспектральных изображений. В качестве примера приведен панхроматический снимок аппарата WorldView-2 с пространственным разрешением 46х46 см, который использовался в работе по изучению прибрежной полосы Белого моря (Рис. 2).

Рис. 2. Часть снимка побережья Белого моря в панхроматическом канале со спутника WorldView-2. В верхней части снимка водная поверхность моря, в средней части — литораль, в нижней части — лес.

Сочетание каналов мультиспектрального диапазона, в котором присутствует инфракрасный канал, дает возможность выделять различные типы растительных сообществ, в частности, плотные заросли бурых водорослей Fucus vesiculosus и Fucus serratus на нижней границе литорали (рис. 3).

Рис. 3. Часть мультиспектрального снимка побережья Белого моря со спутника WorldView-2. В средней части снимка яркой красной полосой выделяются заросли бурых водорослей в нижней части литорали.

Проведенная аэрофотосъемка квадрокоптером «Геоскан 401» с высоты 60 м, имеет пространственное разрешение 1 см/pix при использовании геодезического приемника на борту высокого класса и базовых станций на земле можно обеспечить точность привязки до 10 см. Так как эти снимки делаются в видимом спектре и отображаются цветными, то на них хорошо различимы растительные сообщества, механический состав поверхности грунта (скалы, камни, земля и торф, песок и илистый грунт). Хорошо видны отдельные предметы, такие как древесные стволы, постройки и транспортные средства. Можно различать опоры линий электропередач и провода.

При аэрофотосъемке с БПЛА, оснащенных камерами с фиксированным фокусным расстоянием, пространственное разрешение зависит от высоты съемки. Если у спутника разрешение постоянное, так как высота съемки неизменна, то высоту полета БПЛА можно менять в пределах технических характеристик аппарата. Параметр высоты полета, при серийной аэрофотосъемке, определяется безопасностью работы и пространственным разрешением, необходимым для выполнения задачи, для которой производится аэрофотосъемка. Например, аэрофотосъемка прибрежной полосы Белого моря, выполненная в 2017 г, делалась для геоморфологического картирования литорали, геологического описания литорали и верхней сублиторали, оценки количества выбросов водорослей и картирования растительных сообществ на литорали и в верхней части сублиторали. Для выполнения этих задач съемка выполнялась с высоты 60 м. Для сравнения разрешения спутниковой съемки и съемки с БПЛА произведено пространственное совмещение части кадра панхроматической съемки спутника WorldView-2 и снимка БПЛА «Геоскан 401» (Рис. 4).

Рис. 4. Пространственное совмещение части кадра панхроматической съемки спутника WorldView-2 (монохромный снимок), с разрешением 46*46 см, и снимка БПЛА «Геоскан 401», с разрешением 1*1 см (цветной снимок).

b.
Площадь охвата

Площадь кадра спутниковой съемки определяется шириной полосы съемки. Аппарат World View-3 имеет ширину полосы съемки 13,1 км, аппарат World View- 2 – 16,4 км. Причем из-за применения длиннофокусных объективов, искажения на всей площади кадра минимальные. Искажения и пространственное разрешение еще могут зависеть от угла съемки, и они минимальные при съемке в надир (строго вниз, перпендикулярно поверхности земли).

Площадь аэрофотосъемки с БПЛА определяется типом БПЛА, заданным разрешением и фокусным расстоянием объектива, а также удаленностью участка съемки от места пуска. В нашем случае использовался квадрокоптер «Геоскан 401» чьи технические характеристики изложены в Табл. 2, а внешний вид представлен на Рисунке — 5. В качестве эксперимента было отснято 2 км2 береговой линии. Площадная аэрофотосъемка с помощью квадрокоптеров, это выполнение непрерывной серии снимков при полете галсами над заданной территорией. Снимки имеют большое перекрытие (как правило продольное — Рх =70%, поперечное — Ру =50%) для исключения искажений. Дальнейшая обработка производится в специализированных программах, таких как «AgisoftPhotoScanPro». Перекрытие снимков рассчитывается автоматически, в зависимости от высоты полета. За один сеанс съемки с высоты 60 м на одном аккумуляторе, в течение 60 минут, аппарат «Геоскан 401» может выполнить около 250 снимков, которые в процессе обработки покроют площадь поверхности земли, равную 0,5 км2. При наличии нескольких заряженных аккумуляторов, оператор может отснять всю территорию, в пределах радиуса действия радиосвязи с квадрокоптером.

Табл. 2. Технические характеристики системы «Геоскан-401»
Продолжительность полета до 60 мин
Макс. протяженность маршрута 15 км
Площадь съемки за 1 полет до 0,5 км2
Макс. допустимая скорость ветра до 10 м/с
Скорость полета 0-50 км/ч
Макс. взлетная масса 9,5 кг
Макс. масса полезной нагрузки 2 кг
Размер в сложенном виде 71*20*19 см
Двигатели электрические
Размер в полетном виде 156*156*56 см
Мин. безопасная высота полета 10 метров
Макс. высота полета 500 метров
Время подготовки к взлету 5 мин
Температура эксплуатации От -20°С до +40°С (возможно расширение от -40°С до +40°С)
Взлет/посадка вертикально, автоматически, с площадки 5*5 метров

Рис. 5. Внешний вид системы «Геоскан-401».

c. Периодичность

Космические аппараты для высоко детальной съемки обращаются вокруг Земли по своим орбитам, которые имеют смещение на каждом витке для покрытия съемкой всей площади земной поверхности. Поэтому каждый спутник имеет такие характеристики, как период обращения и время повторной съемки. У аппарата World View-3 эти характеристики заданы таким образом, что спутник может сделать повторный кадр того же места на поверхности уже через 1 сутки, облетев за это время всю Землю, и отсняв всю ее поверхность с периодом обращения в 97 минут. В зависимости от наклона орбиты спутников время между повторной съемкой одной точки земной поверхности в разных широтах может различаться. Спутниковая съемка арктических регионов в оптическом спектре ограничивается временем года. Во время полярной ночи съемка не производится. Например, в окрестностях Беломорской биологической станции МГУ, где проводится аэрофотосъемка морского побережья, абсолютной темноты в течение всех суток нет даже зимой. Хотя биологическая станция находится на Северном полярном круге, зимой несколько часов в день присутствует освещение, достаточное для аэрофотосъемки. Но спутниковые снимки высокого разрешения на этот регион можно получать только в период с февраля по конец ноября. Для регионов, расположенных севернее, этот период еще меньше. Существует еще один фактор, который необходимо учитывать при работе со спутниковой съемкой. Большинство спутников предназначенных для ДЗЗ выведены на солнечно-синхронные орбиты. Это значит, что снимки одного и того же места всегда будут делаться в одно и то же время суток. Например, аппарат World View-2 пролетает над окрестностями Беломорской биологической станции МГУ всегда в дневные часы, в районе 12.40 – 13.00.

Аэрофотосъемку с помощью БПЛА можно проводить в любое время с любой периодичностью, ограничиваясь лишь условиями, обеспечивающими безопасность работы.

d. Оперативность

Срок получения спутниковых снимков на любую территорию определяется временем пролета спутника над нужным местом и оперативностью обмена информацией, между заказчиком съемки и оператором аппарата. Например, в арктических регионах, можно ожидать снимок от 1 до 4 дней в ограниченный временной интервал с жесткой привязкой к наличию облачности.

Оперативность съемки с помощью БПЛА определяется удаленностью района съемки от места базирования оператора с аппаратом и транспортной доступностью района съемки.

e. Влияние погодных условий

На возможность получения качественных спутниковых снимков влияет облачность. Спутниковые снимки имеют параметр «процент покрытия облаками», который указывается вместе с основными параметрами снимка. Чем больше процент покрытия облаками, тем меньшая площадь снимка доступна для изучения и обработки. Если над районом съемки сплошная облачность, то получение качественного снимка, возможно, откладывается на неопределенный срок, до установления ясной погоды.

Работа с БПЛА возможна как в ясную, так и в облачную погоду. Невозможна работа в дождь, туман, снегопад и сильный ветер (более 10 м/с). Так же затруднена работа при температуре ниже -40о С.

f. Спектральные характеристики

Спутниковые снимки высокого разрешения выполняются в мультиспектральном диапазоне. Основными каналами съемки, общими для всех спутников высокого разрешения являются 4 спектральных канала, это синий, зеленый, красный и ближний инфракрасный. Так же имеется панхроматический канал. Спутники последних моделей оснащаются съемочной аппаратурой, работающей в среднем и дальнем инфракрасном спектре. Диапазоны спектральных каналов могут незначительно различаться у разных моделей спутников. Особенностью, объединяющей, практически, всю орбитальную съемочную аппаратуру, является начало канала синего спектра. Он начинается с 450 Нм, а это самый конец синего спектра. Это обусловлено тем, что земная атмосфера рассеивает синий свет, и на орбиту возвращается очень мало отраженного синего света. Однако на аппаратах последних моделей, таких как World View-2 и World View-3 установлена очень чувствительная съемочная аппаратура, способная улавливать рассеянный атмосферой синий свет. Поэтому на этих аппаратах установлен экспериментальный сенсор, так называемый “Coastal”, воспринимающий фиолетовый и синий спектр, начиная с 400 Нм. Наличие этого канала позволяет различать объекты в прозрачной воде тропической зоны на глубинах в несколько десятков метров. В арктических районах холодная морская вода насыщена кислородом и богата планктоном. Большое количество взвеси делает ее малопрозрачной, поэтому синий свет, который глубже всего проникает под воду, интенсивно поглощается, а его малое количество, отраженное от подводных объектов, рассеивается атмосферой.

Пространственное разрешение спектральных каналов спутников высокого разрешения начинается от 1,24 м. Такое разрешение не позволяет в цветном изображении производить геоморфологическую и геологическую характеристику прибрежной полосы, но позволяет выделять растительные сообщества видов растений, произрастающих плотными группами, выявлять картину поверхностного стока воды в прибрежной полосе и на литорали. Для увеличения разрешения используется панхроматический канал, объединяющий весь видимый спектр, и имеющий разрешение от 31 см. С помощью процедуры слияния спектральных и панхроматического каналов, которая выполняется в специальном программном обеспечении, можно получить более детальную цветную картинку местности, которая позволит достоверно различать отдельные объекты на снимке, например, камни, размером от полуметра в поперечнике, но для геоморфологического, геологического и биогеоценологического описания этого все равно недостаточно.

Аэрофотоснимки, сделанные с помощью БПЛА, оснащенных стандартными камерами, цветные и выполнены в видимом спектре. Они подходят для детальных описаний местности, так как имеется возможность изменения пространственного разрешения в широких пределах. На этих снимках хорошо различимы все растительные сообщества, даже таких видов растений, которые произрастают небольшими группами, как, например, некоторые виды галофильной растительности на литорали. Цветные аэрофотоснимки позволяют давать характеристику механического состава грунта (илы, песок, гравий, камни, валуны и скалы). Также БПЛА могут оснащаться и мультиспектральными камерами, качество снимков будет лучше спутниковых за счет высокого разрешения и отсутствия или малого влияния атмосферных искажений.

g. Точность отображения мелководий и глубина

В арктических морях мультиспектральные спутниковые снимки высокого разрешения позволяют наблюдать крупные скопления морской растительности на глубине до 1 м. Во время отлива можно достоверно различать такие объекты, как заросли морской травы зостеры (Zostera marina), границы пояса бурой водоросли фукуса (Fucus vesiculosus, Fucus serratus), верхнюю границу зарослей бурой водоросли ламинарии (Laminaria saccharina). Объекты на глубинах больше 1 м в арктических морях не различимы из-за поглощения света водой и рассеивания синего спектра в атмосфере.

В отличие от спутников БПЛА летает в десятках метров от поверхности земли. Поэтому влияние атмосферы на качество снимка отсутствует. На снимках с БПЛА можно различать объекты на глубине, куда проникает видимый свет. Из-за большого количества взвеси вода в арктических морях обладает прозрачностью на расстоянии всего нескольких метров. Летом в прибрежной полосе Белого моря видимость под водой ограничивается 7-10 м. Но и такая видимость позволяет достоверно различать объекты на глубине до 5-6 м (рис.6).

Рис. 6. Некоторые подводные объекты, хорошо различимые на снимке БПЛА «Геоскан 401», сделанном с высоты 50 м во время отлива.

Различимые объекты:

1 — элементы рельефа, такие как валунный пояс у нижней границы литорали, покрытый зарослями бурой водоросли фукус (Fucus vesiculosus, Fucus serratus), глубина 0 – 1 м;

2 — отдельные камни и каменистые гряды, глубина 0 – 1,5 м;

3 — песчаное дно, глубина 1 – 3 м;

4 — скопления нитчатых водорослей (Cladophora sp. , Rhizocloniumsp. и др.), глубина 1 – 2 м;

5 — заросли бурой водоросли хорды (Chorda filum), глубина 0,5 – 1,5 м;

6 — скопления бурой водоросли ламинарии (Laminaria saccharina), глубина 3 – 5 м;

7 — заросли морской травы зостеры (Zostera marina), глубина 1 – 3 м.

h. Возможность отслеживания изменений. Мониторинг.

Спутниковые снимки высокого разрешения традиционно используются для отслеживания изменений на поверхности Земли как в природных ландшафтах, так и в антропогенных. Мониторинг природных сообществ прибрежной полосы, изменения контура береговой линии, изменения площади лежбищ морских млекопитающих в Арктике, оценка воздействия на прибрежную полосу строительства трубопроводов и береговой инфраструктуры при разведке, добыче и транспортировке полезных ископаемых. Все эти данные возможно получать с помощью спутниковых снимков оперативно и постоянно на всей площади арктического побережья, учитывая погодные условия и график пролета спутников над объектом мониторинга. При этом задачи, решаемые при помощи спутников, не должны выходить за рамки возможностей дешифрирования снимка с разрешением от 31 см.

Мониторинг с помощью БПЛА «Геоскан» может осуществляться на очень подробном уровне. Например, отслеживание изменения береговой линии может быть осуществлено на уровне наблюдений за перемещениями отдельных камней и других небольших объектов. Однако, площадь, охваченная мониторингом, ограничивается радиусом действия БПЛА и мобильностью группы обеспечения полетов. Мониторинг отдаленных объектов с помощью БПЛА возможен только при условии доставки на место работы оператора с аппаратом. Ежегодная аэрофотосъемка объекта мониторинга может быть осуществлена в одно и то же время, и с той же точки, так как маршрут и координаты точек съемки сохраняются с помощью программного обеспечения БПЛА.

i. Векторизация данных и возможность применения в ГИС

Мультиспектральные спутниковые снимки предоставляются пользователю в виде набора файлов в формате GEOTIFF. Каждый файл содержит географически привязанный снимок, выполненный в одном из спектральных каналов. Так же в наборе присутствуют текстовые файлы с различной информацией, в том числе, информацией о дате, времени съемки и получения оператором каждого кадра, географические координаты углов отснятого полигона на поверхности Земли в системе координат UTM WGS-84, угол наклона камеры спутника, а также оговоренные с заказчиком данные первичной обработки снимка. Точность привязки снимка от 3 м и более. Все эти данные позволяют работать со снимком в специализированном программном обеспечении для создания ортофотоплана с применением цифровой модели местности и последующего дешифрирования, комбинирования спектральных каналов, составления мозаик снимков и векторизации растровых изображений. Подготовленные в специализированном программном обеспечении растровые изображения, их фрагменты и векторные данные в дальнейшем используются в качестве слоев в геоинформационных системах (ГИС) для создания подробных карт местности, 3D — моделей, проведения тематического и математического анализа объектов местности. Комбинации спектральных каналов позволяют визуально выделять различные классы объектов, что облегчает их векторизацию.

Аэрофотосъемка при помощи БПЛА «Геоскан 401» была выполнена в надир, полученные снимки были в видимом спектре–RGB формата RAW и географической привязкой центров фотографирования с точностью до 10 см в системе координат WGS-84. Эти снимки в виде географически привязанного растрового изображения могут использоваться в геоинформационных системах в качестве отдельного слоя для векторизации и анализа данных.

j. Программное обеспечение и аппаратура

При работе с прибрежными районами можно встретиться с крутыми и высокими обрывистыми склонами, отвесными скалами. Некоторые арктические острова имеют отвесные обрывистые берега высотой сотни метров. Чтобы избежать искажений, связанных с рельефом, существует процедура ортофотокоррекции, когда спутниковое изображение накладывается на цифровую модель рельефа (ЦМР). Существует международная база данных с ЦМР всей Земли, откуда можно получить данные на необходимый участок местности и осуществить обработку снимка. Так же для построения локальной карты рельефа местности высокого разрешения существует процедура стереосъемки, когда со спутника получают два последовательных снимка одного и того же полигона, выполненные под разными углами. Совмещая эти кадры, получают трехмерное изображение местности, которое можно использовать для создания локальной цифровой модели рельефа и получения карты высот. После ортофотокоррекции спутниковый снимок готов для дешифрирования и дальнейшей обработки. Для работы со спутниковыми снимками в настоящее время наиболее популярны пакеты программ ERDAS IMAGINE и ScanEx IMAGE Processor. Это профессиональные лицензированные программы полного цикла обработки данных дистанционного зондирования Земли. Спутниковые снимки, подготовленные и обработанные в этих программах, используются в геоинформационных и навигационных системах. Для обработки спутниковых снимков необходимы современные компьютеры с большой оперативной памятью и высокой тактовой частотой работы процессора, так как снимки имеют большой объем.

БПЛА фирмы Геоскан в стандартной комплектации оснащаются камерами Sony Cyber-shot DSC-RX1 с центральной проекцией. Камеры могут устанавливаться как в надир, так и в перспективу в зависимости от поставленных задач. Обработка данных аэросъемки осуществлялась в специализированном программном обеспечении Agisoft Photoscan, при помощи которой были получены: цифровые модели местности и рельефа, ортофотопланы и текстурированная 3 D модель береговой линии (Рис. 7, 8).

Рис. 7. Фрагмент ортофотоплана прибрежной полосы, снятой во время отлива.

Рис. 8. Фрагмент текстурированной 3D модели прибрежной полосы, снятой во время отлива.

В дальнейшем карта высот и ортофотоплан загружались в ГИС в качестве отдельных слоев для обработки, измерения расстояний, площадей и пр. Для работы с программой Agisoft Photoscan требуется высокая частота процессора и большая оперативная память, так как одновременно обрабатывается большой массив аэрофотоснимков.

Для проведения аэрофотосъемки при помощи БПЛА «Геоскан 401» использовалась наземная станция управления (НСУ) с предустановленной программой управления и проектировки АФС — «GeoScan Planner», также в состав НСУ входит радиомодем для контроля и управления БПЛА. Данное оборудование и ПО позволяет оператору БПЛА подготавливать проект с заданными параметрами аэрофотосъемки и проводить аэрофотосъемку в автоматизированном режиме с контролем телеметрии и возможностью изменений параметров в процессе, также данный продукт позволяет в последствии просматривать лог файлы и анализировать проделанную работу.

4. Перспективы.

Необходимость получения и постоянного обновления подробных карт морских побережий в Арктике требует постоянных затрат на получение и обработку спутниковой съемки высокого разрешения. Объекты мониторинга могут располагаться в отдаленных регионах, но они имеют постоянную дислокацию. Это облегчает возможность применения аэрофотосъемки с помощью БПЛА. Для геоморфологического, геологического, геоботанического описания морских побережий и узкой прибрежной полосы с литоралью необходима аэрофотосъемка очень высокого разрешения. Описание верхней сублиторали до глубины нескольких метров необходимо при комплексных исследованиях. Такие описания с помощью дистанционных методов возможны только на основе аэрофотоснимков, выполненных с помощью БПЛА. Имея в своем распоряжении стандартный комплект, в который входит БПЛА, несколько дополнительных аккумуляторов, НСУ, компьютер для обработки данных, необходимое программное обеспечение и средства доставки мобильной группы обеспечения полетов, можно в течение летнего сезона подготовить к анализу аэрофотосъемку очень высокого разрешения на сотни километров морского побережья. Либо обеспечивать постоянный, независимый от наличия облачности мониторинг прибрежной полосы в радиусе действия мобильной группы обеспечения полетов.

Перспективы применения БПЛА для аэрофотосъемки связаны с развитием программного обеспечения для обработки и дешифрирования отснятого материала, возможностью применения специализированной съемочной аппаратуры, работающей в различных диапазонах, в том числе инфракрасных.

5. Выводы.

При осуществлении комплексных исследований прибрежной полосы морей современными методами назрела необходимость применения аэрофотосъемки с помощью БПЛА, в частности хорошо себя зарекомендовал комплекс «Геоскан 401». Уже сейчас выявлены возможности, которые предоставляет только этот метод. Например, возможность картирования объектов на прибрежных мелководьях до глубины 5-6 м.

Совместное применение спутниковой съемки и аэрофотосъемки значительно расширяет возможности обоих методов. Например, при дешифрировании природных сообществ на литорали, с помощью аэрофотосъемки можно оперативно и точно выявить и векторизовать, практически, все объекты размером в несколько сантиметров в поперечнике на многокилометровой полосе берега. Высокое разрешение аэрофотоснимков позволяет очень точно векторизовать эталонные полигоны для автоматической классификации спутникового снимка и других методов его математической обработки.

1. Щукин И.С. Четырехъязычный энциклопедический словарь терминов по физической географии. М.: Сов. Энциклопедия, 1980. 704 с.

2. Игнатов Е.И. Береговые морфосистемы. Смоленск: Маджента. 2004. 362 с.

3. Бурковский И.В. Морская биогеоценология. Организация сообществ и экосистем. М.: Т-во научных изданий КМК. 2006. 285 с.

4. Романенко Ф. А., Репкина Т. Ю., Ефимова Л. Е., Булочникова А. С. Динамика ледового покрова и особенности ледового переноса осадочного материала на приливных осушках Кандалакшского залива Белого моря // Океанология. 2012. Т. 52. № 5. С. 768–779.

5. © Компания «Совзонд», «Космическая съемка Земли высокого и сверхвысокого разрешения», 2017. [В Интернете]. Available: https://sovzond.ru/products/spatial-data/satellites/#sat-425. [Дата обращения: 11 Ноябрь 2017].

6. © 2018 Agisoft. [В Интернете]. Available: https://www.agisoft.com/buy/online-store/. [Дата обращения: 14 марта 2018].

Спутниковые карты земли высокого разрешения. Невероятные фото из космоса астронавта дугласа уилока

Россия или Российская Федерация – это уникальная страна, совместившая в себе европейские и азиатские черты. Карта России поражает: страна занимает огромную территорию в 17 млн км2 и располагается одновременно на территории Северной Азии и Восточной Европы.

На территории России проживает 143 млн человек. Российская федерация представляет собой своеобразный «плавильный котел наций»: здесь проживают представители более 200 национальностей. Страна является федеративной республикой с президентской формой правления. Территория страны разделена на 46 областей, 9 краев, 21 республику, 4 автономных округа, одну автономную область и 2 города федерального значения. Примечательно, что Калининградская область располагается на территории Евросоюза и не имеет границ с РФ.

Сегодня Россия является одним из динамически развивающихся государств, которые вершат мировую политику. РФ входит в состав многочисленных мировых политических организаций таких, как ООН и «Большая Восьмерка». Несмотря на относительную стабильность и значительное развитие страны после падения Советского режима, экономика России во многом зависит от энергоресурсов, в частности от цен на нефть и газ.

Столицей России является Москва – один из самых дорогих и красивых городов мира.

Историческая справка

Российская Федерация является преемницей нескольких государств. Страна ведет свою историю от 862 года, когда образовалась Киевская Русь. В XII веке на территории России располагались многочисленные русские княжества, которые в XV веке соединились в Русское государство. С 1721 году царь Петр I создал Российскую империю. В 1917 году революционное движение социализма свергло монархический режим и образовало сначала Российскую республику, затем РСФСР, а в 1922 году СССР.

Во время Советского режима страну от других стран мира отделил «железный занавес», некоторые последствия которого до сих пор не ликвидированы. В 1991 году произошел развал СССР, и появилась Российская Федерация.

Must Visit

Россия – страна, на территории которой есть множество культурных, исторических и природных памятников. Рекомендуется посетить деловой и культурный центры страны – Москву и Санкт-Петербург, озеро Байкал, города «Золотого» и «Серебряного» кольца, православные монастыри и храмы, Кавказский заповедник, вулканы Камчатки и многое другое.

Интерактивная карта России — современный и удобный способ найти нужную карту любого региона или города. Данная карта позволяет просматривать города как в спутниковом режиме, так и в режиме схематической карты. Можно смотреть со спутника с возможностью приближать любой город и переключаться между разными поставщиками и типами карты. Доступны дополнительные сервисы — фотографии облачности в реальном времени, пробки (только для крупных городов), фотографии местности, слой погоды с отображением текущей погоды для каждого населенного пункта, и кратким прогнозом на следующие 4 дня.

Для большинства объектов на карте России — спутниковые фотографии Google Maps считаются лучшими по качеству

Качество спутниковой фотографии часто зависит от региона, ведь спутниковые изображения нужно постоянно обновлять. Поэтому у разных провайдеров может быть разное качество фотографии для конкретного города или региона. Однако наилучшие по качеству фотографии в большинстве случаев оказываются у Google Maps. Фотографии Яндекс карт часто хуже по качеству, но они могут быть новее, поэтому для новостроек можно обойтись и яндексом. OVI maps — к удивлению в некоторых случаях обладает фотографиями, лучшими даже чем в Google Maps,

Open Street Maps

OSM — это феномен современного компьютерного общества, ведь карту составляют простые люди (добровольцы волонтеры), (в отличие от карты 2gis и других). Но несмотря на это OSM считается наиболее точной и детальной картой не только для России, но и для всего мира. Даже такие гиганты как Яндекс или Google не могут составлять карты так-же точно и эффективно как это делает сообщество увлеченных картографов-любителей. Новостройки (а именно по ним легко определить актуальность и «свежесть» карты) практически всегда присутствуют на OSM (и даже фундаменты новостроек), в то время как в гугле и яндексе они могут присутствовать попеременно, или не присутствовать вовсе. Кроме того, Open Street Maps наверное единственная карта, на которой отображаются тропинки в парках и лесах и множество других дополнительных объектов, которых обычно нет на других сервисах.

Россия — физическая карта одним файлом, на которой показаны наиболее крупные города, основные хребты и равнины. Карта очень ясная и простая для понимания, хотя и недостаточно детализированная.

Физическая карта — вариант 2

(Всего 29 фото)

1. Вперед, «Discovery»! 23 октября 2007 года в 11:40 я впервые отправился в космос на шаттле «Discovery». Онпрекрасен… жаль, что это его последний полет. С нетерпением жду, когда взойду на борт корабля, и он прибудет на станцию в ноябре.

2. Земное сияние. Космическая станция в голубом земном сиянии, которое появляется, когда восходящее солнце пронизывает тонкую атмосферу нашей планеты, и станция заливается голубым светом. Никогда не забуду это место… от подобного вида душа поет, а сердце хочет полета.

3. Астронавт НАСА Дуглас Х. Уилок.

4. Остров Хуан де Нова в Мозамбикском проливе между Мадагаскаром и Африкой. Удивительная цветовая гамма этих мест может соперничать с видами Карибского моря.

5. Северное сияние вдалеке в одну из прекрасных ночей над Европой. На фото отчетливо виден Дуврский пролив, впрочем, как и Париж, город огней. Небольшой туман над западной частью Англии, в частности, над Лондоном. Как же невероятно видеть огни городов и поселков на фоне глубокого космоса. Я буду скучать по этому вид на наш удивителный мир.

6. “Fly me to the Moon…let me dance among the Stars…” (Отвези меня на Луну, давай потанцуем среди звезд). Надеюсь, мы никогда не потеряем ощущение чуда. Страсть к исследованиям и открытиям – отличное наследие, которое можно оставить своим детям. Надеюсь, когда-нибудь мы расправим паруса и отправимся в путешествие. Когда-нибудь этот чудесный день наступит …

7. Из всех мест нашей великолепной планеты немногие могут соперничать по красоте и богатству красок с . На этом фото виден наш корабль «Progress-37» на фоне Багамам. Как же все-таки прекрасен наш мир!

8. На скорости 28163 км/час (8 км в секунду)… мы вращаемся на орбите Земли, делая один оборот каждые 90 минут, и наблюдая закаты и рассветы каждые 45 минут. Так что половина нашего путешествия проходит в кромешной тьме. Для работы нам просто необходимы фонари на шлемах. На этом фото я подготавливаю ручку одного прибора … «M3 Ammonia Connector».

9 .Каждый раз, когда я выглядываю в иллюминатор и вижу нашу прекрасную планету, у меня поет душа! Я вижу голубые небеса, белые облака и яркий благословенный день.

10. Еще один захватывающий закат. На орбите Земли мы каждый день видим 16 таких закатов, и каждый из них – по-настоящему ценен. Эта прекрасная тонкая голубая линия – то, что выделяет нашу планету среди множества других. В космосе холодно, а Земля – островок жизни в огромном темном море космоса.

11. Прекрасный атолл в Тихом океане, сфотографированный с помощью 400-милимметрового объектива. Приблизительно в 1930 км к югу от Гонолулу.

12. Прекрасное отражение солнечного света в восточной части Средиземного моря. Из космоса не видно границ… Оттуда открывается только захватывающий дух вид, как, например, вид на этот остров Кипр.

13. Над центром Атлантического океана, перед очередным изумительным закатом. Внизу в лучах заходящего солнца видны спирали урагана Эрл. Интересный взгляд на жизненную энергию нашего солнца. Солнечные лучи на левом борте станции и на урагане Эрл… эти два объекта собирают последние частички энергии перед погружением в темноту.

14. Чуть дальше на восток мы увидели священный монолит Улуру, более известный под названием скала Айерс Рок. У меня никогда не было возможности посетить Австралию, но когда-нибудь я надеюсь, что буду стоять рядом с этим чудом природы.

15. Утро над Андами в Южной Америке. Я не знаю наверняка название этой вершины, но просто был поражен ее волшебством, тянущимся к солнцу и ветрам вершинам.

16. Над пустыней Сахара, приближаясь к древним землям и тысячелетней истории. Река Нил течет через Египет мимо пирамид Гизы в Каире. Далее, Красное море, Синайский полуостров, Мертвое море, река Иордан, а также остров Кипр в Средиземном море и Греция на горизонте.

17. Ночной вид на реку Нил, тянущуюся змейкой через Египет к Средиземному морю, и Каир, расположенный в дельте реки. Какой контраст между темной безжизненной пустыней северной Африки и рекой Нил, на берегах которой кипит жизнь. Вдалеке на этом снимке, сделанном прекрасным осенним вечером, виднеется Средиземное море.

18. Наш беспилотный ‘Progress 39P’ приближается к МКС для дозаправки. На нем полно еды, топлива, запчастей и всего необходимого для нашей станции. Внутри был настоящий подарок – свежие фрукты и овощи. Какое чудо после трех месяцев питания из тюбиков!


20. Модуль Союза 23C «Олимпус» состыкован со стороной надира . Когда наша работа закончится здесь, мы вернемся домой, на Землю. Я подумал, вам будет интересно увидеть это зрелище через Купол. Мы пролетаем над заснеженными вершинами Кавказа. Восходящее солнце отражается от Каспийского моря.

21. Вспышка цвета, движения и жизни на холсте нашего удивительного мира. Это часть Большого Барьерного рифа у восточного побережья Австралии, заснятая через объектив 1200 миллиметра. Думаю, даже великие импрессионисты были бы поражены этой естественной картиной.

22. Вся красота Италии ясным летним вечером. Можно увидеть множество прекрасных островов, украшающих побережье, — Капри, Сицилия и Мальта. Неаполь и вулкан Везувий выделяются вдоль побережья.

23. В южном окончании Южной Америки лежит жемчужина Патагонии. Изумительная красота скалистых гор, массивных ледников, фьордов и открытого моря сочетается в удивительной гармонии. Мне снилось это место. Интересно, каково это – вдохнуть тамошний воздух. Настоящее волшебство!

24. «Купол» на стороне надира станции дает панорамный вид нашей прекрасной планеты. Федор сделал этот снимок из окна российского стыковочного отсека. На этом фото я сижу в куполе, подготавливая фотоаппарат для нашего вечернего полета над ураганом Эрл.


27. Ясная звездная ночь над восточной частью Средиземного моря. Древние земли с тысячелетней историей простираются от Афин до Каира. Исторические земли, сказочные города и заманчивые острова… Афины – Крит – Родос – Измир – Анкара – Кипр – Дамаск – Бейрут – Хайфа – Амман – Тель-Авив – Иерусалим – Каир – все они превратились в крошечные огоньки в эту прохладную ноябрьскую ночь. От этих мест как будто веет грацией и спокойствием.

28. В это время года можно в полной мере насладиться красотой полярных мезосферных облаков. С помощью нашего высокого угла освещенности мы смогли запечатлеть тонкий слой серебристых облаков на закате.

29. Шеннон, я и Федор в наших костюмах «Сокол» в модуле МРМ-1. Мы сели в капсулу «Олимпус» для герметизации и проверки утечек на наших костюмах. Все системы запущены, отсчет пошел.

Россия располагается в северной части материка Евразии. Страну омывают Северный Ледовитый и Тихий океаны, Каспийское, Черное, Балтийское и Азовское моря. Россия имеет общие границы с 18 странами. Площадь территории равна 17 098 246 кв.км.

Равнины и низменности составляют больше 70% всей площади страны. Западные районы расположены на Восточно-Европейской равнине, где чередуются низменности (Прикаспийская и др.) и возвышенности (Среднерусская, Валдайская и др.). Горной системой Урал отделяется Восточно-Европейская равнина от Западно-Сибирской низменности.

Карта России со спутника онлайн

Карта России со спутника. Города России со спутника
(Данная карта позволяет изучить дороги и отдельные города в различных режимах просмотра. Для детального изучения карту можно перетягивать в разные стороны и увеличивать)

Россия богата огромными запасами пресной воды. К крупнейшим рекам относятся: Лена, Ангара, Енисей, Амур, Волга, Обь, Печора и другие с их многочисленными притоками. Байкал – величайшее пресноводное озеро.
Флора России состоит из 24 700 разновидностей растений. Больше всего растений на Кавказе (6000) и Дальнем Востоке (до 2000). Лесам принадлежит 40% территории.
Разнообразен животный мир. Он представлен белыми медведями, тиграми, леопардами, волками и огромным множеством других представителей животных.
Нефтяные запасы разведаны практически по всей стране. Сибирская платформа богата каменным углем, калийными и каменными солями, газом и нефтью. Курская магнитная аномалия включает крупнейшие железорудные месторождения, на Кольском полуострове – залежи медно-никелевых руд. На Горном Алтае много железных руд, асбеста, талька, фосфоритов, вольфрама, молибдена. Чукотская область богата месторождениями золота, олова, ртути, вольфрама.
Благодаря географическому положению Россия принадлежит различным климатическим поясам: арктическому, субарктическому, умеренному и частично субтропическому. Средняя январская температура (по разным районам) обозначена в пределах от плюс 6 до минус 50°С, июльская – плюс 1-25°С. В год выпадает осадков 150-2000 мм. На 65% территории страны находится вечная мерзлота (Сибирь, Дальний Восток).
Крайний юг Европейской части включает горы Большого Кавказа. Юг Си-бири занимают Алтай и Саяны. Северо-восточная часть Дальнего Востока и Сибири богата средневысотными горными хребтами. На полуострове Камчатка и Курильских островах – вулканические территории.
Население России к 2013 году составляло 143 млн. человек. В стране жи-вут представители свыше 200 национальностей. Из них русские составляют примерно 80%. Остальные — татары, чуваши, башкиры, украинцы, чеченцы, мордва, белорусы, якуты и многие другие.
Российские народы разговаривают на 100 и более языках, относящихся к индоевропейской, уральской, алтайской языковым семьям. Самые распространенные разговорные языки: русский (государственный), белорусский, украинский, армянский, татарский, немецкий, чувашский, чеченский и другие.
В России проживает самое многочисленное православное население в мире – 75% россиян. Другими распространенными конфессиями являются: ислам, буддизм, иудаизм.

По своему государственному устройству Россия относится к федеративной республике президентского типа. В ее состав входят 83 субъекта, включая:
— областей — 46,
— республик — 21,
— краев — 9,
— городов федерального значения — 2,
— автономных округов — 4,
— автономная область — одна.

Россия обладает огромным туристическим потенциалом. Однако, эта сфера все еще ждет своего развития. На данный момент, кроме привычного всем курортного туризма развивается новое направления, например сельский туризм. Существуют различные виды сельского туризма: этнографический, сельскохозяйственный, экологический, образовательный, кулинарный (гастрономический), промысловый, спортивный, приключенческий, познавательный, экзотический, оздоровительный и комбинированный.

Сельский туризм (аграрный туризм) — это прежде всего окружающая со всех сторон природа, памятники архитектуры и исторические места. Пение петухов по утрам и парное молоко к ужину, натуральная еда и туристические маршруты, изобилующие прекрасными видами, святые источники, монастыри, месторождения, красота лесов и полей, рыбалка на берегу озера, знакомство с сельским бытом, с традиционными ремеслами, возможность приобщиться к деревенской среде и культурному наследию, совершать пешие, велосипедные и конные прогулки. К тому же, сельский туризм поднимает роль краеведения.

Этот вид туризма процветает в Европе, в России же он — пока непонятная диковинка, однако, желающих отдохнуть в стиле «кантри» становится все больше.

Такой отдых вдали от городской суеты и шума дает колоссальный заряд энергии.

Google Maps — это лидер среди современных картографических сервисов, предоставляющих спутниковые интерактивные карты онлайн. По крайней мере лидер в области спутниковых снимков и по количеству разнообразных дополнительных сервисов и инструментов (Google Earth, Google Mars, разнообразные погодные и транспортные сервисы, одно из самых мощных API).

В области схематических карт в какой-то момент лидерство это «было упущено» в пользу Open Street Maps — уникальному картографическому сервису в духе википедии, где каждый доброволец может внести данные на сайт.

Однако несмотря на это, популярность Карт Google остается пожалуй одной из самых высоких из всех других картографических сервисов. Отчасти причина в том, что именно в Google Maps мы можем найти самые детализированные спутниковые фотографии для самых обширных регионов любых стран. Даже в России такая крупная и успешная компания как Яндекс не может переплюнуть качество и покрытие спутниковых фотографий хотя-бы в своей стране.

С картами Google любой желающий может бесплатно посмотреть спутниковые фотографии Земли практически в любой точке мира.

Качество снимков

Снимки самого высокого разрешения как правило доступны для крупнейших городов мира в Америке, Европе, России , Украине , Беларуси , Азии, Океании. В настоящее время высококачественные снимки доступны для городов с населением более 1 млн. жителей. Для менее крупных городов и других населенных пунктов спутниковые изображения доступны лишь в ограниченном разрешении.

Возможности

Google Maps или «Карты Google» явились настоящим открытием для пользователей интернета да и вообще всем пользователям ПК дав неслыханную и невиданную ранее возможность взглянуть на свой дом, на свою деревню, дачу, озеро или речку где они отдыхали летом — со спутника. Увидеть это сверху, с такого ракурса, с какого нельзя было-бы посмотреть ни при каких прочих обстоятельствах. Открытие, сама идея дать людям простой доступ к спутниковым фотографиям гармонично вписывается в общую концепцию Google «легкого предоставления доступа всем пользователям к любой информацией на планете».

Карты Google позволяют увидеть со спутника одновременно те вещи и объекты, которые при наблюдении с земли наблюдать одновременно невозможно. Спутниковые карты отличаются от обычных тем, что на простых картах цвета и естевственные формы природных объектов искажены редакционной переработкой для дальнейшей публикации. Однако в спутниковых фотографиях сохранена вся натуральность природы и объектов съемки, натуральные цвета, формы озер, рек, полей и лесов.

Глядя на карту можно только гадать что там: лес, поле или болото, в то время как на спутниковой фотографии сразу понятно: объекты как правило круглой или овальной формы уникального болотного цвета и есть — болота. Светло-зеленые пятна или области на фотографии — поля, а темно-зеленые — леса. При достаточном опыте ориентации в Google Maps — можно даже различать хвойный это лес или смешанный: хвойный имеет более коричневый оттенок. Так-же на карте можно различить специфические ломаные линии, пронзающие леса и поля необъятных российских просторов — это железные дороги. Только глядя со спутника можно понять что железные дороги намного больше автомобильных дорог влияют на окружающий их природный ландшафт. Так-же в Картах Google существует возможность наложить на спутниковое изображение местности или города карты с названием областей, дорог, населенных пунктов в масштабах страны и названием улиц, номеров домов, станций метро в масштабе города.

Режим карты и режим спутникового вида

Кроме спутниковых изображений существует возможность переключиться в режим «карта», в котором возможно просматривать любую территорию на поверхности Земли плп подробно изучать планировку и расположение домов любого более-менее крупного города. В режиме «карта» особенно удобно планировать перемещения по городу если вы уже вдоволь насмотрелись спутниковых видов своего города.

Функция поиска по номеру дома с легкостью укажет вам на нужный дом дав возможность «оглядеть» территорию вокруг этого дома и как к нему можно подъехать/подойти. Для поиска необходимого объекта достаточно набрать по-русски в строке поиска запрос вида: «Город, улица, номер дома» и сайт отобразит вам специальным маркером местоположение искомого вами объекта.

Как пользоваться Google Maps

Для начала Откройте какое-нибудь место.

Чтобы переместиться по карте нажмите левой кнопкой мыши на карту и перетащите ее в произвольном порядке. Чтобы вернуться в изначальную позицию нажмите на кнопку центрирования, находящуюся между кнопками четырех направлений.

Чтобы увеличить карту — нажмите на кнопку «+» или покрутите ролик мыши когда курсор находится над картой. Увеличить карту можно так-же и двойным щелчком мыши в интересующем вас месте.

Для переключения между спутниковым, смешанным (гибридным) видом и картой используйте соответствующие кнопки в правом верхнем углу карты: Карта / Спутник / Гибрид.

Спутниковые карты от Google пользуются популярностью. Это удобный и практичный инструмент, позволяющий посмотреть планету под любым масштабом. Изображение со спутника раскрывает детали: небольшие улицы и проулки рядом с домом, города, страны и континенты. Стало это возможно благодаря спутниковой съемке.
Ранее для получения снимков из Космоса применялась съемка телевизионной камерой с передачей сигнала на станцию или съемка специальной фотографической камерой, снимки которой отображались на пленке. Сегодня современные космические технологии позволяют посмотреть на планету благодаря сканирующему механизму, заложенному в спутники.

Карта спутника: применение и цели

В настоящее время карта мира со спутника в реальном времени применяется во многих областях: анализируется состояние сельскохозяйственных полей, лесов, океана и опознания местоположения друзей с помощью смартфона. Для этих ресурсов используется спутниковая карта Гугл.
Основной целью использования спутниковых снимков мира от Google остается навигация. На сайте сайт представлена диаграмма мира с отображением континентов, государств, городов, улиц и трасс. Это помогает сориентироваться в местности, оценить ее ландшафт и просто путешествовать по Земле, не выходя из дома.

Качество снимков карты мира онлайн со спутника

Снимки наивысшего разрешения доступны для самых больших городов Украины, Америки, России, Беларуси, Азии, Европы и Океании с населением более миллиона человек. Для населенных пунктов с меньшим количеством жителей доступны снимки в ограниченном количестве и худшем качестве.
Несмотря на это, каждый желающий может детально рассмотреть территорию своего дома, близлежащих улиц, посмотреть фото планеты практически с любой точки. Снимки раскрывают размещение:

  • городов, поселков, сел,
  • улиц, проулков
  • рек, морей, озер, лесной зоны, пустыни и др.

Хорошее качество картографических снимков позволяет детально рассмотреть ландшафт выбранной местности.

Возможности Google карты со спутника:

Спутниковые карты Google помогают детализировано рассмотреть объекты, которые сложно оценить на обычных диаграммах. Снимки со спутника сохраняют естественную форму объекта, его размер и цвета. Обычные, классические карты перед печатью и тиражом проходят редакционную проработку для соответствия масштаба, вследствие чего теряются натуральные цвета местности и формы объектов. На картографических снимках сохранена натуральность.
Помимо этого на карте можно быстро отыскать интересующий город в любой стране. Диаграмма имеет графу, в которой на русском языке можно указать страну, город и даже номер дома. За секунду диаграмма увеличит масштаб и отобразит расположение заданного объекта и тех, которые находятся рядом с ним.

Режим спутниковой карты мира

Спутниковые изображения имеют возможность переключаться в режим карты мира. Она помогает просмотреть территорию на поверхности планеты, максимально приблизиться к выбранному объекту, рассмотреть планировку размещения. Данный режим позволяет быстро и удобно планировать маршрут поездки, перемещений по городу, находить достопримечательности и др.
Указав номер дома, диаграмма за секунду отобразит его размещение относительно от центра города. Также есть возможность проложить маршрут от заданного изначально объекта. Для этого необходимо кликнуть на соответствующую кнопку и ввести адрес.

Карта земли со спутника на сайт

сайт предоставляет возможность пользователям пользоваться спутниковой картой в реальном времени совершенно бесплатно. Для удобства карта разбита на страны. Для поиска определенного города или ознакомления с площадью государства кликните на интересующий вас и начинайте «путешествия». Сервис постоянно улучшается, проводятся работы по размещению снимков со спутника в высоком разрешении небольших населенных пунктов.
Хорошее качество картографических снимков спутника онлайн, размещенных на нашем сайте, помогает быстро отыскать необходимый объект, осмотреть ландшафт, оценить расстояния между городами, узнать расположение лесов, рек, морей и океана. Вместе с Voweb путешествия по миру стали еще доступнее.

Google значительно повысила качество спутниковых карт / Хабр

Спасибо спутнику Landsat 8



Старые карты Google Maps: район Центрального парка Нью-Йорка

Новые карты Google Maps

Каждые несколько месяцев Google обновляет спутниковые карты Google Maps и Google Earth, добавляя новые спутниковые фотографии и улучшая методы обработки. Например, три года назад компания научилась составлять безоблачную мозаику неба.

Сегодня Google провела самое большое обновление спутниковых карт за последние несколько лет, используя снимки со спутника Landsat 8.

Спутник дистанционного зондирования Земли Landsat 8 выведен на орбиту в феврале 2013 года. Он делает фотографии с разрешением 15/30/100 метров на точку. Сенсоры Operational Land Imager (OLI) и Thermal InfraRed Sensor (TIRS) имеют более высокое отношение сигнал-шум (SNR) и позволяют снимать до 12 бит на точку. Сенсор OLI получает изображения в девяти диапазонах видимого света и ближнего инфракрасного диапазона, а TIRS — в двух диапазонах дальнего (теплового) ИК. Точность позиционирования инструментов составляет 12 и 41 метр, соответственно.

Google сообщает, что в новой базе спутниковых фотографий не только используются более качественные снимки, но также применяются новые техники обработки и склеивания фотографий. Не последнюю роль в этом сыграли и более качественные исходные данные, ведь в новом спутнике Landsat 8 используются длинные линейные массивы фотодатчиков, снимающие сразу всю ширину поля зрения спутника — 185 километров.

Усовершенствована техника составления безоблачной мозаики, так что бесшовная мозаика в целом стала более чёткой и ясной. Это важное улучшение, ведь ежедневно облака закрывают около 70% земной поверхности.

Новые фотографии улучшают качество только спутниковых фотографий среднего и общего плана (зум от 0 до 12), но не самые детальные фотографии городов на максимальном зуме, которые поставляют другие частные и государственные спутники, в том числе от DigitalGlobe.

Несмотря на это, разница в качестве потрясающая.


Ледник Колумбия на Аляске


Город Детройт, США (к северу и западу от реки)


Швейцарские Альпы

Набор инструментов Landsat 8 гораздо более продвинутый, чем у Landsat 7 — и это сразу видно на фотографиях, которые отличаются лучшей детализацией, более насыщенными цветами. Кроме того, Landsat 8 отличается беспрецедентной частотой обновления снимков: каждый день он снимает почти вдвое большую территорию, чем Landsat 7 (400 сцен в сутки у Landsat 8 против 250 сцен в сутки у Landsat 7).

Google признаётся, что все последние годы составляла мозаику спутниковых карт только из фотографий Landsat 7, который после аппаратного сбоя 2003 года начал присылать некачественные данные — фотографии с большими диагональными белыми полосами. Например, вот как выглядят фотографии одной и той же территории в американском городе Оклахома-Сити в 2000 и 2003 годах.


Оклахома-Сити, 9 июля 2000 года


Оклахома-Сити, 20 сентября 2003 года

Фотографии с такими полосами сложнее склеивать в единую мозаику.

Для обработки использовались стандартные программные интерфейсы Earth Engine API, доступные в том числе для сторонних исследователей. Те же API использовались учёными для составления интерактивных карт изменения лесного покрытия планеты и карт рисков распространения малярии.

Мозаику всей поверхности нашей планеты Google составила из фотографий Landsat 8 общим объёмом примерно 1 петабайт, совокупным разрешением 700 триллионов пикселей. Для сравнения, это количество пикселей примерно в 7000 раз больше, чем предполагаемое количество звёзд в нашей галактике Млечный путь, или в 70 раз больше, чем предполагаемое количество галактик во Вселенной.

Для склеивания 1 петабайта фотографий Google понадобилось более 6 миллионов часов процессорного времени: задача почти неделю обсчитывалась на кластере из 43 000 компьютеров в вычислительном облаке Google.


Озеро Балхаш, Казахстан


Город Бразилиа, Бразилия

С сегодняшнего дня новые спутниковые фотографии открыты во всех картографических продуктах Google, в том числе на спутниковом слое Google Maps.

Карта местности высокого разрешения. Где искать исторические спутниковые снимки

Ноя 11, 2015 13:06

grudeves_vf97s8yc

Публичная кадастровая карта, отображаемая с наложением фотографий со спутника (по состоянию на 2015 год), – общероссийский ресурс, содержащий сведения об объектах недвижимости. В общем виде это огромная фотография страны, смонтированная из множества маленьких фотоснимков, сделанных из космоса в рамках проектов Esri или Сканэкс. Изображение скомпоновано с учетом общемировой системы координат. Основное предназначение сервиса – предоставление открытого (бесплатного) доступа к кадастровым сведениям неограниченному числу пользователей – простым гражданам, риелторам, юристам, сотрудникам межевых фирм и прочим. С момента реализации проекта в 2010 г. процедура получения кадастровой информации существенно упростилась.

Информативность ресурса

Кадастровая публичная карта со спутника – есть результат работы множества кадастровых инженеров, состоящих на службе в Росреестре. С ее помощью можно найти объект на местности и узнать его:

  • 1 – кадастровый номер;
  • 5 – форму собственности.

При необходимости можно:

  • 2 – уточнить категорию земель, их границы и целевое назначение;
  • 3 – определить местоположение и пограничные линии соседних объектов;
  • 4 – узнать данные подразделения Росреестра, которое хранит сведения об интересующем объекте;
  • 5 – получить сведения об объектах капитального строительства. Помимо вышеуказанных данных можно узнать этажность постройки, включая подземную, материал стен, даты ввода в эксплуатацию и окончания строительства, наименование исполнителя и его ИНН;
  • 6 – направить запрос в ГКН, ЕГРП, получить данные об объекте он-лайн.

Резюме

Кадастровая публичная карта со спутника – уникальный инструмент, позволяющий получить представление о том, где расположен интересующий объект недвижимости, каковы его границы, с какими объектами он соседствует. Ресурс необходим для определения местоположения и статуса земельных участков. Это очень важно при разрешении спорных вопросов: для наследников, нотариусов и честных граждан, отстаивающих свои права.

Многие пользователи хотели бы насладиться спутниковой картой России онлайн, посмотреть какие-либо памятные места с которыми связано множество ярких и красочных воспоминаний. В этом могут помочь различные сетевые сервисы, представляющие такую возможность в реальном времени. В данном материале я расскажу, где в сети можно посмотреть на карты России со спутника, и какие сетевые сервисы являются лучшими в 2018 году.

В сети можно встретить большое количество сервисов, представляющих возможность просмотра территории России с помощью фото, снятых со спутника. Всё разнообразие таких сервисов не должно вводить в заблуждение – большинство из них использует API от «Google Maps», некоторые — возможности «Яндекс.Карты», единицы — карты сервиса «Bing» от Майкрософт.

Работа с такими сервисами довольно проста.


При этом ряд сервисов (те же «Карты Гугл» и «Яндекс.Карты») позволяют задействовать режим «просмотра улиц», в котором вы сможете виртуально походить по выбранным улицами, наслаждаясь окружающим вас видом.

Рассмотрим сервисы, позволяющие нам увидеть карту России со спутника онлайн.

Google Карты — просматриваем города России со спутника

Наиболее популярный картографический сервис в мире – это «Google Maps». Он включает режим отображения территории Земли со спутника, карту улиц (в том числе 360-градусный панорамный обзор). Также состояние уличного трафика в реальном времени, прокладку оптимальных маршрутов (для пешехода, велосипедиста, водителя авто), другие удобные возможности. Для просмотра наиболее популярных и красивых мест на нашей планете Гугл создал сервис , в котором доступно панорамный вид.

Для того, чтобы открыть карту России со спутника в Гугл Картах внизу слева переключитесь на спутниковый режим отображения карты. Затем в строке поиска введите название нужного вам топонима в России, и нажмите ввод (или найдите его с помощью мышки).

Для включения режима просмотра улиц существует кнопка с рисованным жёлтым человечком справа снизу.

Карты от Гугл — наиболее посещаемый карточный сервис в мире

Яндекс.Карты — лучшая спутниковая карта России

«Яндекс.Карты» — один из популярнейших в России картографических сервисов. Его популярность среди российской аудитории не удивительна – сервис может похвалиться наиболее высокой частотой обновления данных по России по сравнению с конкурентами (что особенно важно для отображения автомобильных пробок). При этом в его функционал кроме спутниковых карт и режима «Панорамы улиц и фотографии» (сходен с режимом просмотра улиц от Гугл) включён инструмент под названием «Народная карта», являющий собой краудсорсинговую систему сбора данных, при которой карту может редактировать каждый пользователь (с условием модерации).

  1. Чтобы выполнить просмотр России со спутника перейдите на сервис yandex.ru .
  2. В строке поиска слева вы можете ввести данные нужные вам географической локации, или найти нужное вам заведение вблизи, кликнув по соответствующей кнопке.
  3. Для перехода в режим просмотра улиц нажмите на кнопку «Панорама улиц и фотографии» внизу справа.

Начальный экран сервиса от «Яндекс» даёт возможность быстро найти рядом нужное заведение

Infokart.ru – детальная карта с видом на улицы и дома

Отечественный сервис infokart.ru хорош прежде всего тем, что объединяет на одной странице сайта как функционал спутниковых карт «Bing » от Майкрософт, так и карты некоммерческого веб-карточного проекта OpenStreetMap.org , позволяя просматривать карты России со спутника онлайн.

Перейдя на страницу сервиса infokart.ru , вы можете насладиться как спутниковыми картами России, так и детальной картой многих российских городов.

Викимапия с детализацией до городов и домов

Международный проект «Викимапия» представляет собой географическую энциклопедию онлайн, совмещающий API от «Google. Maps» с принципом свободного редактирования данных, принятым в Википедии. Основателями проекта стали отечественные разработчики Александр Корякин и Евгений Савельев в 2006 году. Ныне же проект объединяет более 2,5 миллионов пользователей, внёсших в базу данных системы информацию о десятках миллионов объектов.

Цель проекта состоит в сборе и упорядочивании данных о географических объектах, информацию о которых может получить любой желающий.

  1. Для работы с сайтом перейдите на сайт wikimapia.org .
  2. Выберите сверху русский интерфейс (вместо EN — RU), затем в строке поиска справа введите название нужного вам объекта для его просмотра.
  3. Для внесения собственных данных (кнопка «Добавить объект»), или редактирования существующих (кнопка «Редактирование»), необходимо будет пройти регистрацию в системе.
  4. Кнопка «Категории» позволит выполнить поиск по нужной категории (магазины, стадионы, гостиницы, парки и так далее).

Maps-online.ru – каталогизированный карточный сервис

Особенностью карточного сервиса maps-online.ru является каталогизированная должным образом информация. При переходе на ресурс вы сможете выбрать нужную вам область России, затем район, и населённый пункт.

В процессе просмотра вы также можете выбрать какие спутниковые карты вам нужны – от Гугл или от Яндекса.

Заключение

С помощью перечисленных мной сервисов можно легко просмотреть карты России со спутника онлайн. Вам будет достаточно запустить понравившийся сервис, набрать в поисковой строке название нужного населённого пункта, а затем и просмотреть полученное изображение, увеличив или уменьшив его масштаб с помощью колёсика мышки. Для отображения России могу порекомендовать карты от Яндекса – они имеют высокий уровень детализации и хорошую частоту обновляемых данных.

Вконтакте

В кадре видны острова, входящие в состав Венеции, и Венецианская лагуна, которая их окружает. Снимок получен 22 июня 2008 года с коммерческого спутника Ikonos-2.

На фото необычайный ландшафт пустыни Танезруфт, одной из самых необитаемых частей Сахары на юге Алжира. Кадр сделан 24 июня 2009 года с усовершенствованного японского спутника ALOS.

Фото: JAXA, ESA

Плодородные сельскохозяйственные угодья в Императорской долине Южной Калифорнии, США, запечатлённые 4 июля 2010 года с 4-тонного спутника наблюдения Земли ALOS.

Фото: ESA, 2009

Цветение планктона в Баренцевом море у северного побережья Европы, запечатлённое спутником Envisat 19 августа 2009 года.

Фото: ESA

Река Журуа (правый приток Амазонки), извивающаяся через дождевые леса Амазонии в западной Бразилии. Изображение составили из трёх кадров, полученных со спутника Envisat 2 января, 1 февраля и 3 марта 2012 года.

Фото: ESA

На этом изображении, полученном со спутника Envisat, видны снежные облака, которые покрывают Северное море и несутся вниз к проливу между Данией (нижний правый угол) и Норвегией (вверху по центру). В правом верхнем углу более массивное скопление облаков покрывает юго-восточную Норвегию и распространяется над Швецией. В нижнем правом углу видна часть датского полуострова Ютландия.

Фото: KARI/ESA

Снимок сделан 24 ноября 2012 года спутником Kompsat-2. Перед вами Мангистауская область на юго-западе Казахстана к востоку от Каспийского моря. Сеть дорог в нижней левой части изображения это нефтяное месторождение Каракудук. Белыми квадратами в «паутине» обозначены нефтяные скважины.

Фото: KARI/ESA

Спутник Kompsat-2 запечатлел холмы сельхозугодий на северо-западе Соединенных Штатов.

Фото: Европейское космическое агентство

В этом изображении со спутника Envisat на переднем плане видна дельта реки Ганг, расположенная на юге Азии. Она же самая крупная дельта в мире.

Фото: USGS/ESA

Это искусственно раскрашенное изображение получили 4 мая 2012 года со спутника геологической службы LandSat-5. Пахотные сельскохозяйственные земли американского штата Канзас поделили на круги и прямоугольники в связи с различными типами используемых систем орошения.

Фото: ESA

Массивный айсберг в центре снимка откололся от ледника Петермана в Гренландии в августе 2010 года. Спутник Envisat сделал этот кадр 4 мая 2011 года. С конца мая до конца июня в южную часть Лабрадорского моря стекаются более 1000 айсбергов, поэтому место и назвали «Аллея айсбергов».

Фото: JAXA, ESA

Глубоко в пустыне Сахара, на юго-востоке Ливии, находится оазис Эль-Джаф, который изображён на этом снимке, полученном с японского спутника ALOS. Город можно разглядеть в левом верхнем углу. Две параллельные линии это взлётно-посадочные полосы аэропорта Куфра.

Фото: KARI/ESA

Корейский спутник Kompsat-2 сделал этот снимок южной и центральной части Румынии 2 января 2013 года.

Фото: ESA

Большая часть Сибири, которая видна на фото, лежит за Полярным кругом. Это также область вечной мерзлоты. В левом нижнем углу выделяется река Енисей, которая течёт на север в Карское море. Фото сделано спутником Envisat 5 марта 2012 года.

Фото: European Space Imaging (EUSI)

В изображении, полученном со спутника Ikonos-2, запечатлелись золотистые волны песков из Деште-Кевир (Большая Соляная пустыня), северная часть Ирана.

Фото: USGS/ESA

Кадр сделан спутником LandSat 3 октября 2011 года. Это дельта реки Миссисипи, самой большой реки в Соединенных Штатах, впадающей в Мексиканский залив.

Фото: KARI

В этом изображении запечатлелись сельскохозяйственные ландшафты испанских автономных областей Арагон и Каталония.

Многие пользователи хотели бы насладиться спутниковыми фото родных мест, увидеть сверху свой дом, близлежащую речку или лес, словом всё то, что принято называть «малой Родиной». Инструментом для реализации этого желания могут стать спутниковые картографические сервисы, предоставляющие уникальную возможность просмотра в детализированном графическом режиме всех требуемых геолокаций. После моих попыток посмотреть со спутника на свой дом в режиме онлайн я нашёл действительно качественные сервисы и в статье поделюсь своими наработками.

В сети существует огромное разнообразие картографических сервисов, предоставляющих пользователю доступ к спутниковым картам высокого разрешения. При этом абсолютное большинство таких сервисов использует API от «Google Maps», и лишь несколько сервисов (в том числе отечественный «Яндекс.Карты») могут похвалиться собственными картографическими наработками, отличными от доминантных в данном сегменте карт от Гугл.

При этом работа с такими картами довольно шаблонна. Вы переходите на один из них, при необходимости включаете спутниковое отображение, а затем вводите в строку поиска свой адрес (населённый пункт, улицу, номер дома). После этого сервис находит требуемую локацию, а вы с помощью колёсика мышки можете увеличить или уменьшить имеющееся отображение. Если же сервис по каким-либо причинам не находит ваш дом, рекомендую ввести название города (посёлка, села) и улицу, а потом найти нужный дом самостоятельно с помощью мышки.


При этом некоторые сервисы позволяют не только увидеть свой дом сверху, но и погулять по улицам родного города, и вблизи насладиться видом нужных нам зданий.

Перейдём к списку сервисов, которые помогут нам увидеть свой дом со спутника.

Google Карты — смотрим на свой дом со спутника в реальном времени

Самый популярный мировой картографический ресурс – это, несомненно, «Google Maps» (Карты Гугл). Кроме карт, представленных в схематическом и спутниковом виде, в сервис также включена возможность 360° просмотра улиц многих городов мира (Street View). Информация об уличном траффике и пробках (Google Traffic), планировщик маршрута из точки А в точку Б, 3Д отображение многих географических точек, другие полезные возможности.

Для просмотра своего дома можно воспользоваться двумя основными возможностями:


Яндекс.Карты — позволит увидеть необходимый объект в России

Другой картографический сервис, с помощью которого вы сможете насладиться видом своего дома – это «Яндекс.Карты ». Этот сервис является наиболее популярным в России, так как уровень отображения им территории России и частота обновления данных по РФ превышает все существующие аналоги, включая и общепризнанные карты от Гугл.

Как и сервис «Гугл Мапс», «Яндекс.Карты» могут похвалиться как стандартным, так и спутниковым отображением карт (а также режимом «Гибрид», предполагающим нанесение различных текстовых и схематических разметок на спутниковой карте). Кроме того, для пользователей доступен режим отображения улиц («Яндекс.Панорамы»), индикатор дорожных заторов («Яндекс.Пробки»), а также краундсорсинговая система «Народная карта», доступная для редактирования любому пользователю.


Чтобы посмотреть свой дом с помощью «Яндекс.Карты» перейдите на ресурс, вбейте в строке поиска сверху свой адрес, и нажмите ввод. Для перехода в режим просмотра улиц кликните внизу экрана на кнопку с биноклем (панорамы улиц и фотографии). А затем выберите одну из улиц, отмеченную синим цветом (вы перейдёте в режим просмотра улицы в данной точке, и сможете насладиться колоритом данных мест).

Bing.Maps – спутниковая карта от Microsoft

«Bing.Maps » — это сетевой картографический сервис от Майкрософт, ранее известный под названиями «Windows Live Maps» и «MSN Virtual Earth». В его возможности входит спутниковое отображение карт, просмотр улиц, отображение в 3Д для 60 городов мира, прокладка оптимального маршрута и другие возможности, шаблонные для сервисов данного типа.


Чтобы понаблюдать за своим домом с помощью «Bing.Maps» перейдите на указанный сервис, нажмите на «Дорога» справа, и выберите «Гибридный вид». Затем введите в строку поиска нужный вам адрес, и просмотрите открывшейся вид.

MapQuest – популярный американский картографический сервис

«MapQuest » (в переводе «Карточный поиск») – это бесплатный американский картографический сервис, второй по популярности в США после «Google Maps». Ресурс может похвалиться высокой степенью детализации улиц многих стран мира, поможет проложить удобный маршрут, проинформирует об имеющемся траффике и многое другое.

Для работы с ним необходимо перейти на данный ресурс, нажать на кнопку с изображением земного шара справа (Satelite), что позволит переключиться в спутниковый режим отображения. После этого в строке поиске слева введите нужный вам адрес (желательно, латиницей), и наслаждайтесь отображением нужной локации с помощью сервиса «MapQuest».


Сервис «MapQuest» — второй по популярности в США

Заключение

Посмотреть со спутника на ваш дом можно с помощью сервисов, перечисленных мной в данном материале. Для территории России я бы рекомендовал сервис «Яндекс.Карты» — уровень его детализации и частота обновляемых данных инспирируют считать карты от Яндекса лучшим картографическим сервисом на территории РФ. В мировом же масштабе сервис «Карты Гугл» является неоспоримым лидером, потому будет оптимальным использовать инструментарий данного сервиса для отображения карт многих стран мира.

Вконтакте

Все люди знают о красоте планеты Земля, но удостовериться в этом ранее был шанс только у космонавтов. Сейчас же эта возможность есть у каждого пользователя компьютера с выходом в интернет. Вид со спутника в реальном времени транслируется на многих сайтах, которые легко найти через Google, просмотр абсолютно бесплатный.

Где посмотреть вид со спутника в реальном времени

Для тех, кто ищет варианты, как посмотреть на Землю со спутника в реальном времени существует несколько вариантов. Первый из них предлагает видеотрансляцию с МКС (международная космическая станция), на которой одна из команд закрепила камеру, направленную в сторону планеты. Весь земной шар со станции в режиме онлайн увидеть не получится (изображение захватывает лишь часть), но фантастические закаты и рассветы вам обеспечены. Во втором варианте вы можете изучить конкретную местность по снимкам из космоса в нескольких форматах (картографический, спутниковый).

Земля из космоса онлайн в реальном времени

Планета Земля со спутника передается по прямой трансляции с задержкой на одну или две минуты круглосуточно. Если при переходе на сайт вы не видите ничего, значит, съемка наблюдения ведется с темной стороны планеты (там, где на данный момент наступила ночь). Тем, кто ищет, как посмотреть на Землю со спутника в реальном времени, нужно посетить сайт ustream.tv/channel/live-iss-stream. Это официальная трансляции от NASA в прямом эфире, которую можно найти и на многих других ресурсах, но этот сервис является первоисточником.

Там же можно найти график полета станции, узнать в какой момент она пролетает над Россией. Иногда вместе с сотрудниками МКС составляется программа, согласно которой они выходят на видеосвязь. Они общаются, показывают и рассказывают об интересных фактах в космосе. Земля со спутника в реальном времени и общение с персоналом происходит в режиме онлайн каждый день.

Карты со спутника в реальном времени

Вид на Землю из космоса не обязательно должен быть в видеоформате. Пролетающие по орбите спутники ежедневно способны сделать огромное количество фото, которые потом используются для составления карт местности. Снимки настолько детальные, что каждый человек может найти не только свой город, но и конкретно свой дом. Сбором данных о Земле со спутника занимаются несколько компаний, которые предлагают затем свои данные.

Примером может служить сайт meteosputnik.ru. Данный проект выкладывает в сеть фото с низкоорбитальных метрологических геостационарных станций планеты. На сервисе реализован прием снимков, которые получены в режиме настоящего времени. Выкладываются они сразу после окончания передачи данных. Сайт предлагает для просмотра два формата фото Земли: HRPT и ART. Отличаются они между собой разрешением и диапазоном полученных снимков.

Гугл планета земля онлайн

Одним из самых популярных плагинов для просмотра снимков Земли стал плагин от Гугла «Google Earth». Она устанавливается на компьютер и предоставляет возможность рассмотреть и даже «посетить» самые отдаленные уголки планеты. Сервис предлагает при желании отправиться в виртуальный «полет» вокруг земного шара. Вы сможете использовать для перемещения стандартные координаты GPS, дополнительно к плагину предоставляются снимки других планет, которые были сделаны на станциях.

Яндекс-карты

Прямым конкурентом американского гиганта является российская компания Yandex, которая не предлагает смотреть со спутника в реальном времени, но карты предоставляет не менее качественные. Для того чтобы посмотреть снимки, необходимо зайти на главную страницу сервиса и нажать на вкладку «Карты». Перед вами откроются все доступные точки земного шара, которые вы можете приблизить, детально рассмотреть.

С недавних пор появилась удивительная функция «панорамный вид», которая переносит вас буквально на улицы выбранного города. Кнопка переключения отображения расположена слева (нижний угол раздела «Карты»). Вы просто нажимаете на желаемое место отображения – и перед вами открывается 3D-тур (доступен только по основным улицам населенного пункта). Вы можете крутить картинку на 360 градусов, двигаться вперед и назад.

Видео в реальном времени со спутника

Горящий Майдан из космоса — Открытый космос Зеленого кота — LiveJournal

Центр Киева около полудня 18 февраля 2014 г. снимок частного спутника SkySat-1 по заказу издания The New York Times. Ясная погода и высокое разрешение камеры космического аппарата позволили увидеть баррикады, пожары и даже тени отдельно стоящих людей.


Вполне вероятно, что сегодня съемка будет повторена. С российского спутника Электро-Л, можно можно посмотреть сегодняшнюю Украину в низком разрешении, зато с получасовым интервалом. Похоже облачность, в этот раз, не позволит получить снимок SkySat.

Дым над Киевом тоже не удается увидеть, хотя раньше получилось увидеть его над Сирией. Видимо покрышки горят не так интенсивно, как нефтеперерабатывающие заводы и емкости с нефтью.

Спутник SkySat-1 частной американской космической компании Skybox Imaging был запущен в декабре 2013 года российско-украинской ракетой «Днепр», и уже через месяц продемонстрировал высокое качество свое съемки. Новые технологии позволили не только получать изображения высокого разрешения до 90 см на пиксель, но и даже снимать видео:

Когда я первый раз написал о спутнике SkySat, многие в комментариях задавались вопросом: кому, кроме военных, нужна оперативная высокодетальная съемка земной поверхности. И вот перед нами наглядный пример как частный гражданский спутник выполняет задачи в гражданских интересах — в качестве фотожурналиста. Я уверен, что вскоре подобная спутниковая съемка различных событий станет привычным делом для журналистики. Развитие частных средств дистанционного зондирования Земли приведет к снижению стоимости снимков, поэтому такая съемка станет доступна не только крупным изданиям. По моим расчетам такой снимок может обойтись примерно в $300-500, что дороговато, но возможно сумма будет еще ниже. SkyBox планирует расширить группировку своих спутников до 24 штук и уже заказало производство 16.

Тем временем на МКС доставлены 28 наноспутников компании Planet Labs, которые обеспечат съемку поверхности Земли с разрешением 3-5 метров на пиксель. К 2015 году российская компания Dauria Aerospace готовит спутниковую группировку из 4-6 космических аппаратов микрокласса с возможностью съемки 22 метра на пиксель (об этой разработке я еще расскажу отдельно и подробно).

22 метра — это уже среднее разрешение, оно не подойдет для съемки митингов, но более масштабные события, например такие как извержения вулканов, она позволит наблюдать.

Разумеется фотожурналистика — далеко не единственное дело, которое может приносить доход создателям и операторам частных спутниковых группировок. Это скорее даже исключение из правила, которое не учитывали в бизнес-планах. Позже я еще расскажу как можно применять спутниковую съемку исключительно в мирных целях, для развития бизнеса, экономики, защите экологии и других задач.

Подпишитесь на блог zelenyikot, если интересны новости из космоса.


5 бесплатных зрителей исторических изображений, чтобы вернуться в прошлое

Как просматривать исторические изображения

Когда вы хотите совершить прыжок назад во времени и посмотреть, как изменился ваш двор…

Где можно просмотреть исторические изображения в интуитивно понятной и удобной программе просмотра карт?

Не смотрите дальше, потому что вот 5 онлайн-платформ для путешествия в прошлое…

И исследуйте исторические изображения почти любой точки Земли.

1. Google Планета Земля Про

Google не только является мировым лидером в области адресации с геокодированием, но вы можете совершить прыжок в прошлое с помощью ползунка исторического времени.

От спутниковой до аэрофотосъемки — Google Планета Земля Про предоставляет в ваши руки весь мир.

Сначала увеличьте интересующую вас область. Щелкните значок ползунка времени. Теперь посетите свой район в прошлом. Вы узнаете, какие годы доступны на основе эскизов.

2. Wayback Living Atlas от Esri

Недавно Esri выпустила новейшее дополнение к Living Atlas of the World. По сути, эта коллекция Земли содержит важную географическую информацию, которая влияет на повседневную жизнь людей.

Например, сюда входят такие элементы, как погода, трафик, высота над уровнем моря, демография, океаны и городские системы.

Являясь частью огромной коллекции карт, Wayback Living Atlas от Esri позволяет пользователям просматривать исторические изображения в прошлое.

Тем не менее, на начальном этапе их коллекция изображений растет и превращается в обязательную платформу для историков карт.

ПОДРОБНЕЕ: Живой атлас мира от Esri

3.Геологическая служба США LandLook

Если вы хотите покопаться в гигантской коллекции Геологической службы США, насчитывающей около 7 миллионов отсканированных исторических изображений, отправляйтесь в путешествие на Исследователь Земли Геологической службы США. У нас есть пошаговое руководство по загрузке изображений из USGS Earth Explorer. Вместо спутниковых снимков вашим критерием поиска будет «Аэрофотосъемка». Некоторые из моих любимых — NAIP, DOQ и мозаика.

Для быстрого просмотра изображений Sentinel-2 и Landsat программа USGS Land Look охватывает период с 1999 года.

  • Сначала загрузите изображения, отфильтровав дни, годы, облачность и датчики.
  • Затем вы можете воспроизвести видео, показывающее каждую сцену вашего промежутка времени.
  • Наконец, если вы хотите экспортировать свои сцены в формате PNG, GeoTIFF или JPG, вы можете выбрать инструмент «Экспорт».

В целом, USGS Land Look идеально подходит для поиска исторических изображений, которые являются частью архива Sentinel-2 и Landsat.

4. Мировоззрение НАСА

НАСА Worldview содержит 600 глобальных слоев спутниковых изображений в полном разрешении.

Хотя они и грубее остальных в этом списке. Но по сути они показывают всю Землю такой, какой она выглядит «прямо сейчас». На самом деле, он обновляется в течение трех часов наблюдения.

Вы, наверное, спросите: это же не исторические кадры?

Вместо использования текущей даты (которая используется по умолчанию) вы можете сделать шаг назад во времени, отрегулировав бегунок времени. В отличие от привычных безоблачных образов, это истинный вид нашей планеты.

5.Лаборатории Планеты

Вот несколько интересных фактов о Планете:

  • Это команда бывших ученых НАСА, которые построили свой бизнес на недорогих, легких микроспутниках в космосе.
  • Они являются крупнейшим сборщиком изображений Земли с созвездием из более чем 175 спутников на орбите в настоящее время.
  • Planet имеет услугу «Freemium», которая восходит к 2009 году, предоставляя вам исторический контекст по интересующим вас областям.

Флот спутников Planet идеально подходит для наблюдения за всем на Земле.Например, Planet Stories позволяет пользователям использовать космические снимки и рассказывать свою историю где угодно.

Воздушная ортофотосъемка для исторического контекста

Если вам нужен исторический контекст интересующей вас области, есть несколько вариантов, которые помогут вам начать работу.

Google Планета Земля — это мобильное и настольное приложение с огромной бесплатной коллекцией исторических изображений.

Wayback Living Atlas от Esri представляет собой онлайн-платформу. Это бесплатно, и это растет для исторических изображений.Наконец, он становится все более доступным для среднего пользователя.

Наконец, Геологическая служба США, НАСА и созвездие спутников Planet предоставляют альтернативные средства просмотра истории Земли.

ПОДРОБНЕЕ: 15 бесплатных источников спутниковых снимков

Подписывайтесь на нашу новостную рассылку:

Спутниковые снимки | Помощь | Mapbox

Mapbox Satellite — это глобальная базовая карта спутниковых и аэрофотоснимков высокого разрешения. Стиль Mapbox Satellite Streets сочетает в себе базовую карту Mapbox Satellite с векторными данными из Mapbox Streets для добавления контекстной информации на вашу карту.

В этом руководстве представлены ресурсы изображений Mapbox и объясняется, как вы можете загружать свои собственные изображения для использования с инструментами Mapbox.

Чтобы узнать больше о снимках Mapbox, включая источники данных и охват данных, прочитайте наше руководство по снимкам Mapbox.

Может быть полезно понять ключевые термины, связанные с изображениями.

Для получения более подробных определений щелкните термины ниже или посетите глоссарий.

  • аэрофотосъемка : визуальные растровые данные со спутников, дронов или других аэроисточников векторные данные разбиты на сетку
По часовой стрелке сверху слева: MODIS, Landsat, спутник Maxar, антенна Nearmap.

Вы можете использовать данные изображений Mapbox в следующих стилях или наборах фрагментов, принадлежащих Mapbox, которые доступны всем, кто использует действительный токен доступа Mapbox.

Стили изображений

Щелкните имя стиля ниже, чтобы узнать больше о стиле в нашей документации по API стилей:

Узнайте больше об использовании стилей в нашем руководстве по началу работы с Map Design.

Наборы фрагментов изображений

Щелкните имя набора фрагментов, чтобы узнать о его слоях, источниках данных и многом другом:

Узнайте больше об использовании наборов фрагментов в нашем руководстве по набору фрагментов изображений Mapbox.

Если вы хотите использовать свои собственные изображения с Mapbox, см. нашу документацию для нашего Mapbox Tiling Service, Mapbox Studio и Uploads API. Перед загрузкой обязательно конвертируйте изображения в формат GeoTIFF.

После того, как вы загрузите свои данные, они будут автоматически преобразованы в пользовательский набор растровых листов, который вы затем сможете добавить в свой проект Mapbox.

Чтобы узнать больше о том, что вы можете делать с наборами фрагментов, см. следующие руководства:

Если вы заметили область, где изображения по какой-либо причине нуждаются в улучшении или обновлении, свяжитесь с нашей командой по адресу [email protected]ком. Изображения не улучшаются по установленному графику и обновляются, когда и где они становятся доступными. Чтобы порекомендовать источник изображений, укажите его в своем запросе.

Генерация ЦМР на основе спутниковых изображений высокого разрешения — Школа гражданского строительства Лайлса

Создание цифровой модели рельефа (ЦМР) на основе изображений дистанционного зондирования имеет решающее значение для различных картографических приложений, таких как создание ортофотоснимков, моделирование городов, распознавание объектов и создание перспективных видов. Недавно запущенные спутники для получения изображений с высоким разрешением (например,g., SPOT-5, IKONOS, QUICKBIRD, ORBVIEW и EOS-1) представляют собой отличный источник для эффективного, экономичного и точного создания данных ЦМР для обширных областей земной поверхности.

Создание цифровой модели рельефа (ЦМР) на основе изображений дистанционного зондирования имеет решающее значение для различных картографических приложений, таких как создание ортофотоснимков, моделирование городов, распознавание объектов и создание перспективных видов. Недавно запущенные спутники для получения изображений с высоким разрешением (например, SPOT-5, IKONOS, QUICKBIRD, ORBVIEW и EOS-1) представляют собой отличный источник для эффективного, экономичного и точного получения данных ЦМР для обширных областей земной поверхности.В целом процедуру создания ЦМР из стереоскопических изображений можно резюмировать следующим образом:

  • Выделение признаков в одной из сцен стереопары; извлеченные признаки должны соответствовать интересному явлению сцены и/или предметного пространства.
  • Выявление сопряженных признаков в другой сцене; эта проблема известна как проблема соответствия/соответствия в сообществах фотограмметров и компьютерного зрения.
  • Процедура пересечения; совпадающие элементы в стереосценах подвергаются процедуре пересечения для получения наземных координат соответствующих элементов объекта.Процесс пересечения включает в себя математическую модель, связывающую координаты сцены и земли.
  • уплотнение; данные высот высокой плотности генерируются в пределах рассматриваемой области посредством интерполяции между производными объектными пространственными характеристиками.

Математическая связь между координатами сцены и объекта сопряженных точек может быть установлена ​​с помощью либо строгого, либо приближенного моделирования перспективной геометрии изображающей системы.Точное моделирование требует всестороннего понимания геометрии изображения. Однако получение IOP (параметров внутренней ориентации) и EOP (параметров внешней ориентации) не всегда возможно из-за отсутствия достаточного контроля, слабой геометрии изображения и преднамеренного сокрытия поставщиком данных.

Растет интерес к исследованию приближенных моделей (таких как DLT, SDLT, RFM, Parallel Projection), которые явно не включают внутренние и внешние характеристики системы визуализации.Среди этих моделей параллельная проекция стала популярной благодаря своей простоте и точному представлению датчиков изображения с узким угловым полем зрения, как в случае недавно запущенных спутниковых изображений высокого разрешения.

Наша группа разработала полную методологию генерации ЦМР из стерео спутниковых сцен с использованием модели параллельной проекции. На рисунке 1 изображена стереопара сцен SPOT5 над Бельгией. На рис. 2 показаны фрагменты нормализованных сцен, сгенерированных на основе модели параллельной проекции.На рис. 3 показан пример успешно сопоставленных точек из нормализованных сцен. На рис. 4 показана ЦМР размером 5 м × 5 м, полученная путем интерполяции полученных точек объектного пространства.

(а) Левая сцена

(б) Правая сцена

Рисунок 1. Стереопара сцен SPOT5 над Бельгией

(а) Левая сцена

(б) Правая сцена

Рисунок 2. Нормализованные сцены SPOT5

(а) Левая сцена

(б) Правая сцена

Рисунок 3.Успешно набрано

очков

Рис. 4. ЦМР, сгенерированная из сцены SPOT5.

Произошла ошибка установки пользовательского файла cookie

Этот сайт использует файлы cookie для повышения производительности. Если ваш браузер не принимает файлы cookie, вы не можете просматривать этот сайт.


Настройка браузера на прием файлов cookie

Существует множество причин, по которым файл cookie не может быть установлен правильно. Ниже приведены наиболее распространенные причины:

  • В вашем браузере отключены файлы cookie.Вам необходимо сбросить настройки браузера, чтобы принять файлы cookie, или спросить вас, хотите ли вы принимать файлы cookie.
  • Ваш браузер спрашивает, хотите ли вы принимать файлы cookie, и вы отказались. Чтобы принять файлы cookie с этого сайта, нажмите кнопку «Назад» и примите файл cookie.
  • Ваш браузер не поддерживает файлы cookie. Попробуйте другой браузер, если вы подозреваете это.
  • Дата на вашем компьютере в прошлом. Если часы вашего компьютера показывают дату до 1 января 1970 г., браузер автоматически забудет файл cookie.Чтобы это исправить, установите правильное время и дату на своем компьютере.
  • Вы установили приложение, которое отслеживает или блокирует установку файлов cookie. Вы должны отключить приложение при входе в систему или проконсультироваться с системным администратором.

Почему этому сайту требуются файлы cookie?

Этот сайт использует файлы cookie для повышения производительности, запоминая, что вы вошли в систему, когда переходите со страницы на страницу. Предоставить доступ без файлов cookie потребует от сайта создания нового сеанса для каждой посещаемой вами страницы, что замедляет работу системы до неприемлемого уровня.


Что сохраняется в файле cookie?

Этот сайт не хранит ничего, кроме автоматически сгенерированного идентификатора сеанса в файле cookie; никакая другая информация не фиксируется.

Как правило, в файле cookie может храниться только информация, которую вы предоставляете, или выбор, который вы делаете при посещении веб-сайта. Например, сайт не может определить ваше имя электронной почты, если вы не решите ввести его. Разрешение веб-сайту создавать файлы cookie не дает этому или любому другому сайту доступ к остальной части вашего компьютера, и только сайт, создавший файл cookie, может его прочитать.

Высокое разрешение, среднее разрешение или низкое разрешение: какой тип спутниковых изображений соответствует всем требованиям? | от Quantum

Спутниковые изображения от PlanetScope

Революция в области больших данных идет полным ходом, и поставщики спутниковых изображений лидируют. Благодаря их созвездиям, вращающимся вокруг Земли, спутниковые данные теперь доступны каждому. Это знаменует собой следующий шаг в технологии дистанционного зондирования для многих отраслей — от строительства до сельского и лесного хозяйства.

Planet, Sentinel, DigitalGlobe и другие поставщики спутниковых изображений предлагают различные варианты разрешения, но какое выбрать? Самое главное, как узнать, нужны ли вам изображения с высоким разрешением или будет достаточно более низкого разрешения? Продолжайте читать, чтобы узнать.

Разрешение означает, насколько легко различить объект на спутниковом изображении. Другими словами, это детали, которые покрывает каждый пиксель. Чем меньше размер пикселя, тем детальнее изображение.

На сегодняшний день лучшее разрешение обеспечивают спутники Planet — SkySat с разрешением 30см-50см/пиксель, PlanetScope — 3–5м/пиксель. Это означает, что каждый пиксель покрывает объекты высотой и шириной 30–50 см и 3–5 м соответственно. Но эти изображения можно получить только со спутников с высоким и очень высоким разрешением, и поэтому получить их может быть трудно.

Изображения с низким и средним разрешением означают 60 м на пиксель и 10–30 м на пиксель соответственно. Эти изображения не позволяют различить мелкие детали, но охватывают большие участки земли. Sentinel входит в число поставщиков изображений низкого и среднего разрешения.

Конечно, у каждого качества разрешения есть свои плюсы и минусы:

К сожалению, универсального варианта разрешения не существует. Поэтому, прежде чем вы достанете свой бумажник, подумайте вот о чем: чего требует ваш проект? Насколько точными должны быть изображения? В каком спектральном диапазоне вам нужно, чтобы они были доставлены? Спутниковые снимки низкого и высокого разрешения используются по-разному, хотя охватывают одни и те же отрасли.

Созвездия спутников ежедневно собирают терабайты данных. Эти данные имеют глобальный охват и представляют ценность как для правительств, так и для коммерческих организаций.

Спутниковые изображения низкого и высокого разрешения чаще всего используются для:

– сельского хозяйства
– городского развития
– строительства
– смягчения последствий стихийных бедствий
– гражданской обороны
– управления водными ресурсами
– сбора данных ГИС
– лесного хозяйства

Это далеко не полный список отраслей, использующих спутниковые снимки.По мере развития дистанционного зондирования стремительно появляются новые приложения. До недавнего времени у вулканологов было очень мало инструментов для предсказания извержений вулканов. Однако теперь они могут воспользоваться и спутниковыми снимками. Это позволяет им анализировать кратерные озера и все изменения, связанные с вулканами, чтобы лучше прогнозировать извержения.

Дистанционное зондирование также можно использовать в страховой отрасли. Страховщики полагаются на него, чтобы расширить свои методы оценки рисков. Спутниковые снимки помогают им более точно определять вероятность стихийных бедствий и соответственно рассчитывать страховые взносы.

Очевидно, что чем выше разрешение, тем больше деталей можно обнаружить на спутниковом снимке. И хотя это будет стоить вам больших денег, чтобы получить его, часто это единственный вариант для использования. Несмотря на покрытие меньших площадей, изображения с высоким разрешением обеспечивают непревзойденную точность.

Вы не ошибетесь, выбрав спутниковые снимки высокого разрешения, если вы занимаетесь точным земледелием. Допустим, вы хотите улучшить управление куполом. Изображения в высоком разрешении помогают не только следить за своим виноградником, но и использовать их для расчета индекса площади листвы.Измеряя его на протяжении всего жизненного цикла виноградной лозы, вы можете лучше распределять водные ресурсы и планировать график сбора урожая.

Снимки высокого разрешения SkySat Снимки высокого разрешения PlanetScope

Ваши фрукты или овощи часто становятся жертвами мучнистой росы? С помощью спутниковых изображений высокого разрешения вы можете идентифицировать патогены растительности и свести к минимуму потери урожая. Независимо от того, связаны ли эти болезни с почвой или вызваны внешними источниками, вы можете обнаружить аномалии по мере их возникновения.

Изображения с высоким разрешением также могут быть эффективны для управления животноводством.Вы можете положиться на него, чтобы наблюдать за миграцией животных, следить за пасущимся скотом и отличать крупные виды от стада. Кроме того, изображения в высоком разрешении могут помочь достичь нужного уровня популяции на вашей ферме путем обнаружения аномальных моделей поведения животных.

Когда речь идет о лесном хозяйстве, спутниковые снимки высокого разрешения занимают особое место в предотвращении обезлесения. В связи с ростом незаконных рубок крайне важно удвоить усилия по обеспечению устойчивого развития на местном и глобальном уровнях. За последние пять лет мы потеряли 50 миллионов гектаров зеленых легких нашей планеты из-за обезлесения.Но изображения в высоком разрешении — отличное решение для отслеживания и предотвращения этого.

Снимки SkySat в высоком разрешении Снимки PlanetScope в высоком разрешении

Изображения с высоким разрешением обеспечивают высокую точность, позволяющую подсчитать, сколько деревьев было срублено. Они также позволяют управлять запасами углерода, выявлять виды, находящиеся под угрозой исчезновения, и диагностировать атаки короедов на ранних стадиях. Все эти идеи могут помочь сохранить лес, пока не стало слишком поздно.

Другие области применения спутниковых изображений высокого разрешения включают:

– Борьба с эрозией почвы
– Обнаружение границ поля
– Смягчение последствий природных аномалий
– Планирование фермы и картографирование полей

отклонение.Но если вам не нужно уменьшать масштаб до мелочей, стоит рассмотреть и другие варианты.

Изображения среднего разрешения требуют компромиссов — не ожидайте увидеть объекты размером с городской автомобиль. Однако это не означает, что они бесполезны.

Спутниковые снимки среднего разрешения — экономичная альтернатива дорогостоящим изображениям высокого разрешения. По сути, вы идете на это, когда вам не нужны детализированные детали. Итак, если вы хотите наблюдать за большими территориями в сочетании с мультиспектральными данными, оптимальное решение — среднее разрешение.

Изображения с разрешением 10–30 м/пиксель так же информативны для четкого обнаружения, как и для картирования леса. Например, при анализе деградированных лесных массивов изображения среднего разрешения могут помочь в приблизительной оценке утраты биоразнообразия. Вот как вы можете предотвратить выход обезлесения из-под контроля.

Для точного земледелия данные среднего разрешения открывают многочисленные возможности мониторинга. Наблюдения в режиме реального времени помогут вам быть в курсе моделей роста сельскохозяйственных культур, чтобы оптимизировать стратегии внесения удобрений и сбора урожая.Кроме того, вы можете использовать изображения среднего разрешения для оценки состояния ваших пахотных полей. Это, вероятно, наиболее универсальное решение для измерения уровня азота в почве, влажности и разрушительного воздействия нашествия вредителей.

Если вы готовы провести анализ расширения города, рассмотрите возможность завершения его спутниковыми снимками среднего разрешения. Это надежный источник данных о том, как меняются городские районы и какие преобразования ландшафта они вызывают. Поскольку созвездия Sentinel предлагают короткий период повторного просмотра, изображения среднего разрешения могут обеспечить согласованность вашего анализа.Они достаточно точны, чтобы увеличить масштаб проектов строительства дорог, газопроводов и изменений в инфраструктуре, влияющих на землепользование.

Снимки среднего разрешения Sentinel-2

Спутниковые данные среднего разрешения также могут быть полезны для вашего проекта, если вы хотите:

– Следите за признаками сельскохозяйственных вредителей
– Выявляйте природные аномалии на уровне города и страны
– Мониторинг водоемов для прогнозирования сценариев дефицита
– Делитесь спутниковыми данными для новостных репортажей

Хотя спутниковые снимки среднего разрешения и немного грубоваты, они дают довольно подробную информацию.Как и данные в высоком разрешении, они могут помочь вам в реализации сельскохозяйственных проектов, обнаружении аномалий и других промежуточных работах, но в большем масштабе.

Если вы думаете, что изображения с низким разрешением никуда не годятся, подумайте еще раз. Поскольку эти изображения содержат мультиспектральные спутниковые данные, они могут быть полезны для обнаружения аномалий. Хотя изображения с более высоким разрешением более точны, они не могут передать детали на определенном уровне спектра.

Кроме того, более низкое разрешение означает более низкую цену.Это происходит за счет грубости, но вы по-прежнему можете использовать спутниковые изображения с низким разрешением для:

— обнаружения крупномасштабных природных аномалий — от таяния ледников до лесных пожаров
— отслеживания изменений инфраструктуры на региональном или глобальном уровне
— обоснования тенденции картографирование
— Поднимите методы регрессии на новый уровень при прогнозировании урожайности
— Резервное моделирование роста урожая

Отправной точкой могут стать спутниковые снимки с низким разрешением. Вам решать, использовать ли его как автономный источник данных или сочетать с изображениями с более высоким разрешением.

Снимки Sentinel-2 в низком разрешении

Спутниковые снимки — бесценный инструмент для максимизации сельскохозяйственных ресурсов и сохранения природных экосистем. Это помогает реагировать на экологические угрозы и решать проблемы, которые трудно обнаружить невооруженным глазом.

Дистанционное зондирование работает лучше всего, когда вы комбинируете изображения среднего и высокого разрешения. Вам не всегда нужны сверхблизкие наблюдения, и тогда вы можете получить лучшее из обоих миров. Изображения среднего разрешения достаточно точны для наблюдения за большими территориями, такими как изменения земель и вырубка лесов.Но именно изображения в высоком разрешении дают глубокое понимание. Таким образом, стоит переключиться с данных среднего разрешения на него, чтобы получить более широкую картину. Помните, всегда полезно инвестировать в более высокое разрешение, когда мельчайшие детали могут иметь значение.

Узнайте больше о спутниковых снимках и пользовательских георешениях.

Прогнозирование качества дорог с использованием спутниковых изображений высокого разрешения: подход к трансфертному обучению

Abstract

Признавая важность дорожной инфраструктуры для улучшения здоровья человека и экономического развития, участники по всему миру регулярно инвестируют как в новые дороги, так и в улучшение дорог.Однако во многих случаях наблюдается нехватка или полное отсутствие точной информации о существующей дорожной инфраструктуре, что затрудняет эффективное определение направлений инвестиций. Предыдущая литература была сосредоточена на преодолении этого разрыва за счет использования спутниковых изображений для обнаружения и картирования дорог. В этой части мы расширяем эту литературу, используя спутниковые снимки для оценки качества дороги и сопутствующей информации о скорости движения. Мы применяем подход к трансфертному обучению, при котором архитектура сверточной нейронной сети сначала обучается на данных, собранных в Соединенных Штатах (где данные легко доступны), а затем «настраивается» на независимом, меньшем наборе данных, собранном из Нигерии.Мы тестируем и сравниваем восемь различных архитектур сверточных нейронных сетей, используя набор данных из 53 686 изображений 2400 километров дорог в Соединенных Штатах, в которых каждый сегмент дороги измеряется как «низкое», «среднее» или «высокое» качество с использованием открытого , измерительная платформа на базе мобильного телефона. Используя спутниковые снимки для оценки этих классов, мы достигаем точности 80,0%, при этом 99,4% прогнозов попадают в реальный или соседний класс. Самая производительная базовая модель была применена к предварительному исследованию в Нигерии с использованием набора данных из 1000 изображений дорог с твердым покрытием и грунтовых дорог.Адаптировав нашу американскую модель на основе данных по Нигерии, мы смогли достичь точности 94,0% при прогнозировании качества нигерийских дорог. Непрерывная оценка случая также показала способность прогнозировать качество дороги в среднем с точностью до 0,32 по шкале от 0 до 3 (более высокие значения указывают на более высокие уровни качества).

Образец цитирования: Брюэр Э., Лин Дж., Кемпер П., Хеннин Дж., Ранфола Д. (2021) Прогнозирование качества дорог с использованием спутниковых изображений высокого разрешения: подход к трансфертному обучению.ПЛОС ОДИН 16(7): e0253370. https://doi.org/10.1371/journal.pone.0253370

Редактор: Типпа Редди Гадекаллу, Технологический институт Веллора: Университет ВИТ, ИНДИЯ

Получено: 28 апреля 2021 г .; Принято: 4 июня 2021 г .; Опубликовано: 9 июля 2021 г.

Авторское право: © 2021 Brewer et al. Это статья с открытым доступом, распространяемая в соответствии с условиями лицензии Creative Commons Attribution License, которая разрешает неограниченное использование, распространение и воспроизведение на любом носителе при условии указания автора и источника.

Доступность данных: Необработанные дорожные данные и код приложения для Android доступны по адресу https://github.com/wmgeolab/roadrunner_app.

Финансирование: Эта работа была частично поддержана Инициативой Commonwealth Cyber ​​Initiative (CCI), которая инвестирует в продвижение кибер-исследований, инноваций и развития рабочей силы. Для получения дополнительной информации о CCI посетите сайт www.cyberinitiative.org. Спонсор не участвовал в разработке дизайна исследования, сборе и анализе данных, принятии решения о публикации или подготовке рукописи.

Конкурирующие интересы: Авторы заявили об отсутствии конкурирующих интересов.

Введение

Инвестиции в дорожную инфраструктуру являются крупными расходами как международных организаций по развитию, так и местных органов власти, что отражает важность транспортных сетей для широкого круга человеческих результатов [1–16]. Несмотря на важность дорожных сетей, данных об их расположении и качестве в большей части мира мало, особенно в развивающихся странах [17].В то время как выборка недавних исследований (например, [18]) была направлена ​​на определение местоположения дорог с использованием спутниковых данных, тема качества дорог исследовалась в гораздо меньшем объеме литературы (например, [17]). Это бросает вызов нашей способности эффективно распределять ресурсы, так как без точных измерений качества дорог и сопутствующих показателей скорости движения трудно оценить влияние новой или улучшенной дороги на ключевые показатели, такие как время в пути до местных дорог. рынки или поликлиники. Подходы, используемые для измерения качества дорог на сегодняшний день, имеют критические ограничения: локальные измерения требуют большого количества времени, труда и дорогостоящего оборудования [17], а краудсорсинговая информация страдает от скудного сбора и неточности во многих местах, где данные нужнее всего [19, 20].

Прогнозирование качества дорог с использованием удаленного автоматизированного анализа изображений высокого разрешения, полученных с воздушных или спутниковых платформ, обеспечивает глобальное систематическое решение этой проблемы [21]. В этой статье мы представляем тест использования трансферного обучения в сверточных нейронных сетях в сочетании со спутниковыми снимками дорог с высоким разрешением, чтобы определить (а) можно ли оценить качество дорог с разумной степенью точности с помощью спутниковых изображений, и ( б) степень, в которой такой подход может применяться в различных географических регионах.

Наша статья построена следующим образом. В разделе «Связанные работы» мы рассматриваем соответствующую литературу по применению компьютерного зрения к спутниковым изображениям. В разделе «Данные» мы обсуждаем наши методы сбора данных, а в разделе «Методология» представлен технический подход, который мы тестируем для классификации качества дорог. Мы представляем наши результаты в следующем разделе и, наконец, даем обсуждение и заключение в последних двух разделах.

Связанные работы

Недавние улучшения качества и скорости сверточных нейронных сетей (CNN) привели к появлению нескольких новых приложений во многих областях, в том числе для спутниковых изображений [22–27].Одним из наиболее ярких примеров этого было недавнее исследование способности дневных спутниковых изображений прогнозировать факторы, которые традиционно собирались только с помощью наземных обследований, включая доход домохозяйства и факторы, связанные с результатами для здоровья [28-31]. Прогресс в определении ограничений и возможностей спутниковых источников был быстрым, и сообщества компьютерного зрения и дистанционного зондирования (ДЗ) сотрудничали для преодоления ряда проблем. В широком спектре литературы содержится информация об эффективных технических стратегиях преодоления этих различий; [22] и [32] дают широкий обзор технических задач и инноваций, появившихся за последние несколько лет; мы также предоставляем наш собственный обзор в приложении S1.

Специально для дорог были проведены исследования по обнаружению дорог, извлечению осевой линии, картированию безопасности дорожного движения и автоматическому обнаружению дорожных трещин [18, 33–35]. Литература по дистанционному зондированию дорог имеет долгую историю, восходящую к попыткам 1980-х годов и ранее использовать изображения с грубым разрешением и ручную оцифровку [36]. Как и в случае с другими анализами изображений, трудности обнаружения дорог с помощью изображений дистанционного зондирования заключаются в том, что на характеристики изображений дорожных объектов могут влиять тип датчика, спектральное и пространственное разрешение, погода, изменение освещенности и характеристики грунта, среди прочих факторов [36]. ].Кроме того, поскольку изображения дорог методом ДЗ часто содержат разрывы, окклюзии или тени, почти параллельные границы с постоянной шириной и резкие изгибы, все эти ситуации сложно смоделировать и объединить в единый модуль — на практике это дорога. сеть слишком сложна, чтобы ее можно было смоделировать с помощью общей структурной модели [36]. Большинство методов, предлагаемых в литературе для обнаружения дорог, состоят из одного или нескольких типов алгоритмов: основанных на классификации (NN и SVM) [37, 38], основанных на знаниях [39, 40], математической морфологии [41, 42], модель активного контура [43] и динамическое программирование [44].В последнее время сверточные сети начали тестировать на предмет их эффективности при обнаружении и извлечении дорожных сетей. Чжан и др. объединили спутниковые изображения GF-2 и World View в качестве входных данных для CNN для извлечения дорог и достигли точности 99,2% [45]. Точно так же Сюй, Му, Чжао и Ма использовали низкочастотные и высокочастотные поддиапазоны, отражающие многомасштабные характеристики изображения, которые были получены путем контурного преобразования, получая точность классификации сцен выше 90% [46]. Кроме того, Ся, Цао, Ван и Шан добавили четыре типа текстурной информации к спутниковым изображениям и использовали полученные данные в качестве входных данных для CNN для извлечения дорог, транспортных средств и растительности на основе CNN и методов условного случайного поля [47]. .Эти исследования помогли проиллюстрировать, что большая информация о текстуре и спектре в данных из нескольких источников может повысить точность извлечения информации о дороге из изображений ДЗ [22].

В гораздо более ограниченной литературе исследовалась наша способность различать качество дорог с помощью спутниковых изображений. В 2018 году Ошри и соавт. использовали два источника данных в условиях обучения с учителем: данные опроса Afrobarometer [48] в качестве меток качества наземной инфраструктуры и спутниковые изображения относительно низкого разрешения (10 и 30 метров) от Landsat 8 и Sentinel 1 в качестве входных источников для классификации, среди прочего. объекты инфраструктуры, качество дорог в бинарной форме [49].Они достигли точности 70,5%. Также в 2018 году Габриэль Кадамуро и др. провели работу с использованием CNN для классификации качества дорог по спутниковым изображениям [17]. Здесь с помощью специализированного оборудования был собран Международный индекс шероховатости (IRI) для более чем 7000 км преимущественно магистральных дорог Кении. Используя информацию IRI для разметки спутниковых изображений с разрешением 50×50 см соответствующих дорог, предварительно обученные сети AlexNet, VGG и SqueezeNet были использованы для классификации сегментов дорог, что дало показатели точности, показанные в таблице 1 для бинарной и 5-категориальной классификации.Кадамуро и др. описали две ключевые остающиеся проблемы классификации дорог: (1) рассмотрение проблемы как последовательной, т. е. для прогнозирования данного сегмента дороги используйте данные близлежащих сегментов дороги, и (2) лучшее приспособление к непрерывному характеру неровностей дороги. измерения для смягчения негативного влияния неоднородности дорог на качество прогнозов [17]. Эта статья вносит свой вклад в этот растущий объем литературы несколькими способами, включая тесты, включающие изображения с более высоким разрешением, исследование эффективности межконтинентального трансферного обучения и внедрение непрерывного измерения неровностей дороги.

Данные

В этом разделе подробно описывается наша стратегия сбора и маркировки данных. В общей сложности 53 686 изображений дорог в Вирджинии были собраны и промаркированы в соответствии с их качеством в соответствии с процессом, подробно описанным в этом разделе. Кроме того, 1000 изображений дорог по всей Нигерии были использованы для проверки переносимости наиболее идентифицированной архитектуры модели.

Сбор данных о неровностях дороги

Для маркировки спутниковых снимков значения неровностей дороги были собраны через приложение для Android.Приложение (исходный код на https://github.com/wmgeolab/roadrunner_app) было распространено среди тридцати обученных пользователей для сбора по всей Вирджинии, США, с сентября по ноябрь 2020 года. Информация была собрана на 2400 км первичных, вторичных, и грунтовые дороги в юго-восточной, центральной, северной и западной Вирджинии, США.

Приложение для сбора данных использует акселерометры устройства для измерения среднего перемещения устройства по отношению к транспортному средству на расстоянии 20–70 метров.Это движение, по сути, представляет собой вибрационную информацию, передаваемую через шины, подвеску и, в конечном счете, к любой части автомобиля, с которой соприкасается устройство. Мы будем называть это измерение средней вибрацией сегмента дороги, . Приложение записывает в трех направлениях относительно экрана устройства. Приложение записывает только при движении с минимальной скоростью, например 3 мили в час. Географические координаты (широта и долгота) записываются всякий раз, когда новые пары становятся доступными через диспетчер GPS устройства.Наша версия приложения основана на предыдущей корреляции между показателями телефона и неровностями дороги, установленной в программном обеспечении, созданном Марком Буйе (https://github.com/mebuie).

В связи с переменным характером движения транспортного средства, размещением и физическими свойствами данного устройства взаимосвязь между качеством дороги и качеством дороги определялась индивидуально для каждого устройства/автомобиля. Для каждой установки пользователь делал субъективные визуальные и соматосенсорные суждения о качестве дороги во время вождения и сбора данных, отмечая также время сбора.Для наших приближений относительно ровные, ухоженные, шоссейные и основные дороги считаются качественными. Дороги низкого качества — это грунтовые или гравийные дороги без покрытия, а также участки дорог с многочисленными выбоинами. Дороги среднего качества находятся где-то посередине, включая дороги с зернистой текстурой, такой как бетон, или участки дороги с некоторыми выбоинами. Используя это суждение вместе со временем сбора и соответствующей средней вибрацией, были сделаны выводы о качестве сегментов дороги. См. рис. 1 в качестве примера того, как средние значения вибрации использовались для сортировки качества каждого сегмента для конкретного пользователя.

Рис. 1. Средние колебания.

График средних вибраций, , для отдельного устройства в порядке сбора времени, соответствующий датам между 4 сентября и 26 ноября 2020 г. В этом случае в направлении от центра Земли к оси неба использовал. Каждая точка представляет сегмент дороги. Пороги качества для этой настройки были определены как 0,375 и 0,600, где точки ниже представляют собой дороги высокого качества, выше — низкого качества, а промежуточные точки — среднего качества.Шип справа соответствует конкретному проезду по грунтовым дорогам в Аппалачах недалеко от Блэксбурга, штат Вирджиния, США.

https://doi.org/10.1371/journal.pone.0253370.g001

Коллекция изображений дистанционного зондирования

Исходные изображения были предоставлены Проектом базовой карты Вирджинии (VBMP) Географической информационной сети Вирджинии с разрешением 30×30 сантиметров в пикселях, снятых в период с 2017 по 2019 год [50]. По мере необходимости изображения регионов загружались вручную и объединялись в единую композицию (в сетке коллекции отсутствовали перекрытия).В течение всего времени сбора данных сценарий обработки запускался непрерывно циклами для анализа новых записей сегментов дороги в режиме, близком к реальному времени, с устройств сбора данных с мобильных телефонов. Сценарий обработки взял географические координаты данного сегмента и использовал их для обрезки нового изображения, показывающего только изображения, содержащиеся в пределах минимальной и максимальной широты и долготы, с добавлением 5 пикселей к каждому в качестве буфера. Результатом стал набор изображений, по одному изображению, соответствующему каждому пройденному участку дороги (см. рис. 2).

Рис. 2. Случайные изображения Вирджинии.

Случайная выборка изображений обрезанных участков дороги, измененных до размера 200×200 с соответствующими метками. Значения в диапазоне [0–1] соответствуют дорогам низкого качества, [1–2] – среднему качеству, а [2–3] – высокому качеству.

https://doi.org/10.1371/journal.pone.0253370.g002

Из 53 686 собранных сегментов дорог 47 557 были отмечены как дороги высокого качества, 5 417 — среднего качества и 712 — низкого качества. Этот дисбаланс был учтен при создании тестовой выборки, составив примерно половину тестовой выборки с дорогами высокого качества, четверть со средним качеством и четверть с низким качеством.Эта стратегия позволила провести более строгую проверку нашей способности обнаруживать дороги низкого и среднего качества, при этом стремясь свести к минимуму ошибки балансировки.

Информация о качестве дорог для тестового набора дорог, независимых от Вирджинии, была получена из Диагностики инфраструктуры Африки (AICD), комплексной программы знаний, заказанной Всемирным банком и Консорциумом инфраструктуры для Африки для улучшения понимания инфраструктуры Африки [51]. . Данные были собраны за 2001–2006 годы.Интересующие данные состояли из географических координат дорог, в нашем случае в Нигерии, а также связанного с ними типа дорожного покрытия и состояния. Статический API Google Maps, центрированный вокруг заданной пары координат, использовался для вырезания соответствующих изображений сегментов дороги размером 640×640 пикселей [52]. В нашем исследовании грунтовые и гравийные дороги были отмечены как низкокачественные, а дороги с твердым покрытием были отмечены как более качественные, всего два класса (что позволяет провести сравнение с предшествующей литературой в [17]). Дороги были выбраны из разных географических мест по всей стране.Из 1000 выбранных нигерийских дорог 500 были грунтовыми, а 500 — асфальтированными. Тип дорожного покрытия был подтвержден визуальным осмотром отдельных изображений. В среднем сегменты дорог на снимках из Нигерии занимают меньше места, чем в Вирджинии, из-за различий в методах кадрирования. Важно отметить, что большинство грунтовых дорог в Нигерии имеют характерный оранжевый цвет из-за состава почвы в регионе.

Методология

Общая методология для этого проекта была следующей:

  1. Сбор данных о вибрации на участках дороги из кабины транспортных средств
  2. Проанализируйте эти данные, чтобы представить три уровня неровностей дороги: высокое качество, среднее качество и низкое качество
  3. Используйте эту информацию для маркировки соответствующих кадров спутниковых изображений этих сегментов дороги
  4. Сравните возможности ряда архитектур CNN для точной классификации сегментов дороги
  5. Проверка сетей на подмножестве изображений Вирджинии, не используемых при обучении
  6. Проверьте возможности обучения этой модели на нигерийских дорогах

Мы сосредоточены на тестировании ряда архитектур отдельных моделей, распространенных в литературе, а также многоуровневых ансамблей обобщения.Конкретные модели, которые сравниваются в этой части для оценки их возможностей в различении классов дорог, включают ResNet50 [53], ResNet152V2 [53], Inceptionv3 [54], VGG16 [55], DenseNet201 [56], InceptionResNetV2 [57] и Восприятие [58]. Каждая модель была предварительно обучена в ImageNet; также была протестирована версия ResNet50, предварительно обученная на BigEarthNet.

Для каждой архитектуры базовой модели подготовка данных включала изменение размера изображений до 200×200 пикселей с использованием билинейной интерполяции для стандартизированного ввода в предварительно обученные архитектуры.Всего было использовано 52 821 обучающее и проверочное изображение с разделением 75/25% (N = 39 616 для обучения; N = 13 205 для проверки). Кроме того, тестовый набор 865 был оставлен для последующего тестирования и не использовался в процессе подбора.

Для каждого изображения масштабированное непрерывное значение — Continuous Quality Value ( CQV ) — качества дороги в диапазоне [0–3] было получено с использованием линейной модели на основе измеренных средних вибраций и соответствующих пороговых значений между классами для каждое мобильное устройство.Для каждой настройки устройства функция CQV представляла собой комбинацию трех линейных линий (см. пример на рис. 3). Верхним пределом для дороги высокого качества будет идеально гладкая дорога, имеющая значение 0,0, что соответствует CQV , равному 3,0. Нижний предел дорог высокого качества по определению определяется как средняя вибрация между высокими и средними классами, с CQV , равным 2,0. Наклон части среднего качества функции ограничен средним/нижним порогом , с CQV с между 2.0 и 1.0. Верхний предел для дорог низкого качества, соответствующий CQV = 1,0, по определению равен , при этом уклон линии равен среднему значению уклонов двух других сегментов. В целом, (1) где, опять же, — средняя вибрация данного сегмента дороги, а и — средние пороги вибрации между дорогами высокого и среднего качества и дорогами среднего и низкого качества соответственно для данной настройки устройства.

Рис. 3. Непрерывное значение качества.

Пример определения непрерывного значения качества ( CQV ) сегмента дороги для конкретной настройки устройства.Линия разделена на 3 части, представляющие каждый из трех классов качества. Наклон для диапазона качества [2–3] основан на пороговом значении CQV = 2,0 для настройки устройства и ограничении верхнего диапазона CQV = 3,0. Наклон для диапазона [1–2] определяется из порогов CQV = 1,0 и CQV = 2,0. Наконец, наклон диапазона [0–1] представляет собой среднее значение объединенного диапазона [1–3]. Отрицательные CQV s (т. е. значения шероховатости, превышающие заданный максимум) были переопределены до 0.В этом примере порог между дорогами высокого и среднего качества равен 0,125, а порог между дорогами среднего и низкого качества равен 0,28. Красный, оранжевый и зеленый цвета соответствуют участкам дорог низкого, среднего и высокого качества соответственно.

https://doi.org/10.1371/journal.pone.0253370.g003

Из-за присущей человеческому восприятию неопределенности качества дорог и неизбежных внедорожных вибраций, присутствующих в этом исследовании, была рассчитана форма сглаживания меток и используется для обучения, чтобы обеспечить более тонкое представление данных.Цель этого сглаживания состоит в том, чтобы приписать вероятность того, что данный образец принадлежит к диапазонам «низкого», «среднего» или «высокого» качества, а не только предоставить единую классификацию. Это было достигнуто для каждого сегмента дороги путем размещения его CQV в качестве среднего значения в нормальном распределении и вычисления площадей под кривой, ограниченной каждым из трех классов. То есть, (2) где CQV 0 CQV данного участка дороги, σ — стандартное отклонение (равное 0.25 в данном случае), а P i — это вероятность того, что участок дороги относится к классу i , определяемому связанными парами a и b , которые либо [0, 1] , [1, 2] или [2, 3]. σ был выбран таким образом, чтобы CQV 0 в середине двух ограничивающих CQV s для данного класса класса содержал ровно два стандартных отклонения в пределах этого класса, т. е. с вероятностью 95 % сегмент дороги принадлежит к классу (см. рис. 4 для примера).

Рис. 4. Маркировка вероятности.

Пример CQV 1,60, указывающий на участок дороги среднего класса качества. Вероятности для метки были основаны на доле площади под кривой нормального распределения ( σ = 0,25), которая попадает в каждый из трех классов. В случае с этим сегментом дороги метка [0,008,0,937,0,055].

https://doi.org/10.1371/journal.pone.0253370.g004

Результатом этого уравнения является набор из трех вероятностных программных меток для каждого наблюдения, по одной для каждого класса дорог.Они использовались для обучения сети с данными проверки (и тестирования), определенными в виде списков с горячим кодированием.

Для каждой из протестированных предварительно обученных архитектур был удален верхний, т. е. последний полносвязный слой класса 1000. После предварительно обученной модели выходные данные были сглажены, и были добавлены два полносвязных слоя с выпадающим слоем между ними. Первый полносвязный слой содержал 256 нейронов с активацией ReLU, а в последнем слое использовалась функция активации softmax, выводящая данные в три класса.

В рамках процесса тонкой настройки сеть сначала обучалась с использованием весов предварительно обученных моделей, замороженных для инициализации весов в двух добавленных полносвязных слоях, затем веса базовой модели были разморожены и снова обучены с помощью более низкая скорость обучения. Адам был выбран в качестве алгоритма оптимизации веса, а категориальная кросс-энтропия — в качестве функции потерь. Первоначально поиск по сетке использовался для подмножества данных для разработки идей по оптимальному размеру обучающей партии и гиперпараметрам скорости обучения.В зависимости от модели скорость обучения 0,01 или 0,001 использовалась во время обучения инициализации, а 10 -4 или 10 -5 использовалась во время тонкой настройки. Размеры пакетов 32 или 64 использовались для более крупного набора данных Вирджинии и 16 для набора данных дорог Нигерии. Обратные вызовы ранней остановки и контрольных точек модели использовались во время обучения для отслеживания потерь при проверке, остановки обучения, когда потери при проверке не уменьшались после заданного количества эпох, и для сохранения модели с максимальной точностью проверки.

Для тестирования на дорогах Нигерии самая производительная базовая модель была первоначально обучена на двоичном подмножестве данных Вирджинии — 534 изображения низкого качества и 1068 изображений высокого качества, всего 1602 изображения и два класса. Затем были протестированы все 1000 нигерийских дорог. Дороги Нигерии были помечены детерминистически: [1, 0] для грунтовых дорог с горячим кодированием и [0, 1] для асфальтированных дорог. Для окончательной оценки 750 нигерийских дорог были настроены на модели с очень низкой скоростью обучения (10 90 511 −5 90 512 ), а модель была протестирована на оставшихся 250.

Результаты и анализ

Результаты каждой базовой архитектуры на тестовом наборе в Вирджинии в порядке общей точности показаны в таблице 2.

Разница между лучшими и худшими сетями, InceptionResNet и Xception, составила 8%. Никакой конкретный класс не коррелировал с общей производительностью. Каждая модель показала себя относительно плохо на дорогах среднего качества, хотя производительность между моделями в этом классе различалась больше всего. Система Inception была наиболее успешной в своем классе, правильно классифицировав на 39% больше дорог среднего качества, чем Xception с наихудшими показателями.При использовании 47 136 высококачественных дорог в обучении каждая модель показала относительно хорошие результаты прогнозирования в классе, и разница между моделями в классе была меньше (всего 9%). Производительность у меньших архитектур была немного выше, чем у больших; пять лучших моделей в среднем набрали 39 877 971 параметр против 45 476 120 у четырех нижних. Оба варианта ResNet50 превзошли ResNet152 в нашем сценарии. Было обнаружено, что размораживание только последнего блока свертки для точной настройки сети на основе VGG дало в целом лучшие результаты примерно на 3% по сравнению с размораживанием всей базовой модели.Эффективность этого метода не сохранилась в сети на основе DenseNet, но это может быть связано с размером, то есть количеством слоев, каждого блока свертки в DenseNet или выбором гиперпараметров.

Выбор гиперпараметров сильно повлиял на относительную производительность моделей. В каждой сети было протестировано небольшое количество конфигураций гиперпараметров, в результате чего общая точность изменилась на целых 6,5%. В большинстве случаев было замечено, что использование функции активации ReLU, в отличие от отсутствия активации, на предпоследнем полностью подключенном слое наряду с более высокой скоростью обучения во время тонкой настройки обеспечивает более высокую точность в целом и на дорогах низкого и среднего качества за счет более низкой точности на дорогах высокого качества (DenseNet и Xception являются двумя примерами исключений, которые дали более низкую общую точность в этой конфигурации).Производительность внутри классов также варьировалась в зависимости от гиперпараметров для данной сети. Например, добавление активации ReLU к предпоследнему полностью подключенному слою и повышение скорости тонкой настройки на порядок с 10 −5 до 10 −4 повысило среднее качество сети на основе Inception. производительность с 35% до 60% (и ее общая производительность от второй худшей до второй лучшей).

Стоит отметить, что сеть ResNet50, предварительно обученная на BigEarthNet, работала наравне с другими моделями без заметного увеличения времени до сходимости, демонстрируя, что исходные веса, используемые при классификации земного покрова, хорошо подходят для идентификации признаков на изображениях дорог.

В целом наиболее точным ансамблем был ансамбль из 3 участников, состоящий из сетей с наивысшей производительностью в каждом классе (IncpetionResNet, Inception и DenseNet), с точностью классификации 80,0 %, что на 2,0 % больше, чем у отдельной модели с наивысшим рейтингом. Матрица путаницы для ансамбля показана в таблице 3.

По сравнению со средними показателями для трех моделей, было отмечено улучшение на 7% и 17% для классификации дорог низкого и среднего качества соответственно, но снижение на 7% для дорог высокого качества.Ансамбль показал себя на 11% лучше, чем лучшая индивидуальная модель, Inception, при классификации дорог среднего качества. Точность дорог низкого и высокого качества оставалась высокой: 87% и 91% прогнозов для дорог низкого и высокого качества оказались правильными. Для дорог низкого и высокого качества предсказание с точностью до одного класса (фактически точность двух лучших) составило 99,2%. Эффективность классификации экстремальных случаев также была подтверждена в отдельных небольших тестах на отдельных моделях, показавших точность до 96% для наборов данных только с дорогами низкого и высокого качества.Опять же, с ансамблем эффективность классификации дорог среднего качества все еще была относительно низкой: F 1 -балл 66, и ансамбль прогнозировал 23,1% всех дорог среднего качества как высокого качества. Всего 97,1% всех неправильно классифицированных дорог отличались только на один класс.

Случайно выбранные правильно классифицированные изображения и случайно выбранные неправильно классифицированные изображения показаны на рис. 5. Ошибки при сборе данных (см. Ограничения), затенение деревьями, недостаточное разрешение, смещенные от центра или чрезмерно увеличенные культуры (см. Ограничения) могут иметь способствовало многим неверным предсказаниям.Используя визуализацию SHAP (методика визуализации Shapley Additive exPlanations и программное обеспечение, разработанное на факультете компьютерных наук Вашингтонского университета [59]), на рис. 6 показан пример того, какие факторы повлияли на правильную классификацию двух изображений в сети на основе VGG.

Рис. 6. Прогнозный анализ штата Вирджиния.

Выше показаны два случайных правильно классифицированных тестовых изображения в первом столбце. Во втором, третьем и четвертом столбцах показаны пиксели/функции, которые способствовали прогнозированию и противоречили ему для каждого из трех классов.Например, верхнее левое изображение представляет собой дорогу с маркировкой высокого качества, которая, по прогнозам модели, скорее всего будет дорогой высокого качества, затем средней, а затем низкой. Синие пиксели представляют области, которые работают против классификации в данном классе, а красные пиксели представляют области, которые работают для классификации. В данном случае исследовалась сеть на базе VGG16.

https://doi.org/10.1371/journal.pone.0253370.g006

Для изображения в первом ряду на рис. 6 линии дорог и стрелки сыграли большую роль в его качественном обозначении, и те же самые особенности помешали ему отнесены к категории среднего качества.На втором изображении общий цвет дороги был важным фактором для классификации среднего качества, возможно, наряду с диагональными промежутками между бетонными блоками, составляющими дорогу, и некоторыми кустами сбоку.

Для бинарной оценки нигерийских дорог сеть InceptionResNet, обученная по двум классам, показала результат 67,3% на всех нигерийских дорогах. Последующая точная настройка модели на подмножестве дорог из 750 изображений повысила точность классификации до 94%, что примерно соответствует бинарной классификации дорог Вирджинии.В таблице 4 показана результирующая матрица путаницы для классификации. Оценки SHAP в большинстве случаев подтверждают, что точно настроенная модель успешно различает особенности (в первую очередь цвет) реальных дорог для определения классификации.

В то время как эта статья была сосредоточена на результатах категориальной классификации, прогнозы непрерывного измерения качества дорог, CQV , были выполнены с использованием нескольких моделей. Используя тот же набор данных, что и в классификационном ансамбле, суммированный ансамбль из 5 элементов с линейной регрессией привел к среднеквадратичной ошибке (MSE), равной 0.23 и средней абсолютной ошибкой 0,32, что составляет 10,6% от полного диапазона 3. Членами ансамбля с самой низкой MSE в первую очередь были ResNet152, VGG16, InceptionResNet, Inception и DenseNet201. Никакие другие модели не тестировались для предсказания CQV. Ансамбль немного улучшился по сравнению с лучшей отдельной моделью, ResNet152, снизив MSE с 0,27.

Обсуждение

Работа, представленная в этой статье, представляет собой пять вкладов в литературу. Во-первых, мы вносим свой вклад в растущее количество доказательств того, что современные орфографические изображения имеют достаточное разрешение, чтобы фиксировать различия в качестве дорог в разных географических регионах.В то время как некоторая первоначальная работа в этом [17] предполагала возможность, работа, представленная здесь, обеспечивает тщательное исследование различных подходов к глубокому обучению в более широком диапазоне географических контекстов. Во-вторых, и в связи с этим, мы показываем, что разные архитектуры моделей имеют заметно разные возможности для этого класса задач, что указывает на необходимость более адаптированных подходов к сверточным сетям, предназначенным для анализа спутниковых изображений. В-третьих, мы представляем, насколько нам известно, первое применение принадлежности к нечеткому классу для квалификации объектов с использованием спутниковых данных и сверточных нейронных сетей.В-четвертых, мы проводим первую непрерывную оценку качества дорог по спутниковым снимкам. Наконец, мы приводим первый пример использования приложения для телефона в сочетании с машинным обучением для прогнозирования качества дорог.

Относительно высокая доля дорог низкого и среднего качества, помеченных как на один класс выше, может частично объясняться ошибками при сборе данных, поскольку непреднамеренное движение устройства для сбора данных будет ложно повышать воспринимаемую неровность данного сегмента дороги (см. Ограничения ниже) .Метки высокого качества с меньшей вероятностью содержат существенную ошибку, потому что изначально в этом исследовании градиент экспериментальной ошибки указывает в направлении более высоких значений шероховатости. Кроме того, многие из дорог среднего качества могут быть более неровными участками дороги высокого качества в целом, например, сегментом, содержащим выбоины. В этих случаях многие характерные черты дороги высокого качества, такие как темный цвет и четкие линии, по-прежнему будут присутствовать, но разрешение спутникового изображения, вероятно, будет недостаточно высоким, чтобы различать более мелкие детали, такие как выбоины.Также важно отметить временное несоответствие (от одного года до трех лет) между моментом получения спутниковых изображений и временем сбора данных о качестве дорог на местности. Эта проблема была отмечена в других задачах спутникового обучения, но особенно важна в нашем исследовании, поскольку качество дорог может резко меняться в течение коротких периодов времени (например, из-за погоды или строительных работ).

Использование мягких меток добавляло неопределенность экспериментально собранным данным, что было особенно полезно для значений шероховатости, близких к пороговым значениям класса, тогда как жесткие метки обеспечивали более низкий уровень точности без неопределенности.Использование программных меток привело к наблюдаемому повышению точности примерно на 2% для данной модели.

Наш независимый анализ в международных условиях показал скромную способность модели, обученной на дорогах высокого и низкого качества в Вирджинии, США, классифицировать дороги с твердым покрытием и грунтовые дороги в Нигерии. В отличие от подхода сбора данных на месте Cadamuro et al. в Кении [17] (см. Таблицу 1) наш подход к трансфертному обучению показал себя на 4 процентных пункта лучше в нашем бинарном тематическом исследовании Нигерии.Это говорит о том, что подходы к трансфертному обучению могут достигать такого же уровня точности, как и подходы, основанные на сборе данных на месте. Следует учитывать тот факт, что модель изначально не была обучена задаче сравнения асфальта и грунта, а скорее относительной шероховатости. Поэтому некоторые изображения Вирджинии в низком классе качества включали дороги с твердым покрытием, противоречащие попытке оценки нигерийских дорог. После доводки модели на некоторых нигерийских дорогах производительность модели значительно выросла (на 27%, до 94%).Неправильно классифицированные дороги, как правило, были промежуточными случаями, когда площадь за пределами дороги часто влияла на прогноз больше, чем фактическая дорога, что было недостатком менее точного кадрирования, отображающего более широкую область.

Ограничения

Из-за экспериментального характера сбора данных через приложение, ориентированного на человека, в данные и, в конечном итоге, в маркировку изображений были внесены некоторые ошибки. Например, во время записи пользователь может получить сообщение или телефонный звонок, вызывающий вибрацию или значительное движение.Другие движения могут произойти, если устройство не закреплено должным образом или если пользователь, например, поднимает телефон, чтобы проверить, записывает ли он. Таким образом, нет уверенности, что каждая точка данных была собрана без непреднамеренного перемещения, и, таким образом, присвоенные метки не являются абсолютно достоверными. Даже наземная истина в конечном счете субъективна в контексте сбора информации о неровностях дороги на основе приложений, поскольку инициализация требует, чтобы разные пользователи оценивали класс. Как видно на рис. 5, некоторые неверные прогнозы для качества выше метки могли быть вызваны этими ошибками при сборе данных, поскольку некоторые дороги не выглядят (с точки зрения человека) принадлежащими маркированному классу, например, самая нижняя правая дорога. изображение.Если приложение используется снова, для устранения ошибок будущие версии могут приостанавливать запись, когда некоторые другие приложения получают уведомления или когда обнаруживается движение, выходящее за рамки обычных вибраций. В этом исследовании некоторые из этих ошибок учитывались как экстремальные вибрационные показания и отфильтровывались на последующих этапах обработки. Использование приложения имеет преимущества с точки зрения масштаба, простоты использования, возможности развертывания, стоимости и охвата по сравнению с традиционными дорожными профилометрами на колесах или на автомобилях.

Второе ограничение связано с сильно различающейся длиной дорог, по которым проходят небольшие промежутки времени, т.е.е., какую длину дороги считать участком, на котором зафиксирована данная неровность. Что касается обрезки спутниковых изображений, недостатком использования минимальной и максимальной широты/долготы для обрезки изображения, в отличие от произвольного количества пикселей от центральной точки в любом направлении, является то, что результирующие изображения представляют собой не квадраты, а прямоугольники. . При изменении размера до квадрата для единообразного использования с моделью, если есть небольшие различия в широте или долготе, результат может выглядеть как непропорциональное и растянутое изображение.Примерно 10% изображений попадают в эту категорию. Более тонкий, но более затратный в вычислительном отношении метод обрезки, при котором проверяются различия между минимальными и максимальными координатами, а затем при необходимости корректируются, поможет решить эту проблему (однако дальнейшая оценка бинарного тестового примера была выполнена на обрезанных квадратных изображениях, центрированных вокруг одной координаты). пара не дает улучшения). Кроме того, еще 5–10% кадрированных изображений заметно смещены от центра из-за неточности геолокации относительно интересующей дороги.Это проявляется в виде изображений, на которых дорога расположена не по центру и содержит непропорционально большое количество внедорожной области.

Будущие направления

Помимо улучшений в дизайне приложений, методах обрезки изображений и методах сбора данных, будущие исследования могут выиграть от обучения и тестирования на более разнообразных данных. Связанная с этим проблема заключается в том, что из-за ограниченного числа типов дорог пространственно смежные участки дорог содержатся как в наборах поездов, так и в тестовых наборах. Сбор на большем количестве дорог позволит нам лучше удерживать последовательные сегменты дороги (например,г., в пределах 1 км) от появления как в поезде, так и в тестовом наборе. Географическое разнообразие при сборе данных также может быть расширено для улучшения обобщения на регионы, отличающиеся от средней Атлантики США по климату, листве, стилю застройки и дизайну дорог. Эффективность этой идеи продемонстрировала улучшение после доводки с нигерийскими дорогами. Как и в случае с Вирджинией, локальные для Нигерии эффекты, такие как цвет почвы и растительность, вероятно, оказали влияние на модель на региональном уровне, хотя можно представить, что развернутая модель постоянно обновляется на небольших подмножествах данных из недавно собранных географических областей, становясь все лучше и лучше в прогнозировании качества дорог в целом, независимо от глобальное местоположение и независимо от того, были ли дороги этого конкретного региона включены в предыдущую тонкую настройку.Помимо данных, другие существующие разновидности сетей, не протестированные в этом исследовании, включая рекуррентные нейронные сети, и дальнейшее развитие архитектур CNN и Quantum CNN (QCNN) могут обеспечить дополнительные улучшения в задачах оценки объектов спутниковых изображений. Точная настройка сетей, предварительно обученных на наборах данных спутниковых изображений, таких как BigEarthNet, также может оказаться полезной.

Заключение

В этой статье мы стремились изучить возможности архитектур сверточных нейронных сетей для определения качества дорог по изображениям, полученным дистанционно.Мы интегрировали новое приложение для Android для сбора информации о качестве дорог, спутниковых изображений высокого разрешения и использовали их в качестве входных данных для тестирования различных архитектур CNN (таблица 2). Этот подход достиг первой точности 80,0%, при этом 99,4% прогнозов попали в реальный или соседний класс. Между моделями наблюдалась некоторая разница в производительности в зависимости от конфигурации гиперпараметров, и ни одна сеть не работала лучше, чем любая другая, более чем в одном классе. Набор наиболее точных моделей в каждом классе обеспечивает общее улучшение по сравнению с любой отдельной моделью, особенно в промежуточных случаях.Результат оценки, направленной на прогнозирование непрерывной оценки качества дорог ( CQV ), продемонстрировал общую способность методов извлекать значимую информацию из спутниковых изображений для получения обоснованных оценок качества дорог. Наконец, наш исследовательский тестовый пример на нигерийских дорогах показал гибкость этого подхода: лишь небольшое количество местных данных из Нигерии предоставило достаточную информацию для применения подхода, основанного на переносе обучения, и достижения высокого уровня точности (94%) в соответствующих задача определения, являются ли дороги асфальтированными или грунтовыми.

Точная и недорогая удаленная оценка дорог может быть эффективно использована в нескольких областях, включая ремонт дорог, распределение международной помощи и определение маршрута транспортных средств. Отслеживая работу строительных фирм и подрядчиков, он может дать правительствам, донорам и политикам возможность выявлять особенно опасные дороги, повышая общественную безопасность и повышая эффективность государственных расходов. С его помощью организации по оказанию помощи могут более легко отслеживать инвестиции в инфраструктуру в развивающихся регионах.Компании, занимающиеся маршрутизацией, могут использовать непрерывные и интегрированные формы технологии, чтобы включить качество дорог в то, как они направляют клиентов или автономные транспортные средства. Из-за повсеместной доступности спутниковых изображений, а также наличия и важности дорог в жизни почти каждого человека в мире эта работа должна иметь краткосрочное применение во многих областях.

Благодарности

Авторы признательны William & Mary Research Computing за предоставление вычислительных ресурсов и техническую поддержку, которые способствовали получению результатов, изложенных в этой статье.URL-адрес: https://www.wm.edu/it/rc.

Авторы также хотели бы поблагодарить следующих стипендиатов и членов Инициативы по кибербезопасности Содружества (CCI) за их помощь в сборе данных и предоставление полезной информации: Тайме Алириани, Остину Андерсону, Кариму Бахгату, Кэлвину Бертончини, Джаинг Чен, Женевьев Эвинс, Рини Гупта. , Клэр Хейнбо, Сара Лаример, Эмилио Луз-Рикка, Линда Ма, Эрик Нуббе, Йоу Офори-Аддаэ, Грейс Смит, Джейкоб Сомер, Энтони Стефанидис, Кришна Теджо и Оливия Вахоб из William & Mary; Сай Гуррапу, Минь Нгуен и Чарльз Тан из Технологического института Вирджинии; Ви Нгуен и Мэтью Вуттен из Университета Джорджа Мейсона; Аллан Брюэр Педин и Ханна Аллен из Университета Кристофера Ньюпорта; Хлоя Адзима и Миан Шах из Университета Содружества Вирджинии; и Вадим Кудлай, Мэдисон Лондон, и Абдул Кадир Рехан из Ричмондского университета.

Каталожные номера

  1. 1. Фэй М., Ли Х.И., Маструцци М., Хан С., Чо М. Достижение триллионной отметки: взгляд на то, сколько стран тратят на инфраструктуру. Всемирный банк, Вашингтон, округ Колумбия; 2019. Доступно по адресу: http://www.worldbank.org/.
  2. 2. Герни Кевин Роберт, Пати Ромеро-Ланкао, Сето Карен С., Хутира Люси Р., Дюрен Райли, Кеннеди Кристофер и др. Изменение климата: отслеживайте выбросы в городах в человеческом масштабе. Новости природы. 2015;525 (7568). пмид:26354467
  3. 3.Ранфола Д., Польски С., Николсон С., … NGL, Urban, 2013 u. Растущее беспокойство? Изучение влияния размера газона на использование воды жилыми домами в пригороде Бостона, Массачусетс, США. Эльзевир. 2013;.
  4. 4. Миллер Ранфола Д., Ратик С., Блю Дж., Аксиния Мачадо Э., Хиремат Н., Гинер Н. и др. Многокритериальный подход географических информационных систем к измерению уязвимости к изменению климата. Стратегии смягчения последствий и адаптации к глобальным изменениям. 2017;22:349–368.
  5. 5.Навроцки Р., Риосмена Ф., Хантер Л., Ранфола Д. Усиление или подавление: социальные сети и ассоциация изменения климата и миграции в сельских районах Мексики. Глобальное изменение окружающей среды. 2015; 35: 463–474. пмид:26692656
  6. 6. Марти Р., Долан К.Б., Леу М., Ранфола Д. Перенос дебатов о медицинской помощи на субнациональный уровень: влияние и распределение иностранной медицинской помощи в Малави. Глобальное здоровье BMJ. 2017;2(1):129. пмид:28588997
  7. 7. Бен Ишай А., Хойзер С., Рунфола Д., Трихлер Р.Права коренных народов на землю и вырубка лесов: данные из бразильской Амазонии. Журнал экономики и управления окружающей средой. 2017;86:29–47.
  8. 8. Бунте Дж. Б., Десаи Х., Гбала К., Паркс Б., Рунфола Д.М. ПИИ в сектор природных ресурсов, государственная политика и экономический рост: квазиэкспериментальные данные из Либерии. Мировое развитие. 2018;107:151–162.
  9. 9. Ранфола Д.М., Хьюз С. Что делает зеленые города уникальными? Изучение экономических и политических характеристик континуума от серого к зеленому.Земля. 2014;3(1):131–147. пмид:25541593
  10. 10. Чжао Дж., Рунфола Д.М., Кемпер П. Количественная оценка неоднородных причинно-следственных связей в проектах Всемирного банка по финансированию развития. В: Конспекты лекций по информатике (включая конспекты лекций по искусственному интеллекту и конспекты лекций по биоинформатике). об. 10536 ЛНАИ. Спрингер Верлаг; 2017. с. 204–215.
  11. 11. Марти Р., Гудман С., ЛеФью М., Долан С., Бен Ишай А., Ранфола Д. Оценка причинно-следственного воздействия китайской помощи на растительный покров земли в Бурунди и Руанде в условиях пространственной неточности.Инжиниринг развития. 2019;4.
  12. 12. Рунфола Д., Ишай А.Б., Таннер Дж., Бьюкенен Г., Нагол Дж., Леу М. и др. Нисходящий подход к оценке пространственно неоднородного воздействия помощи в целях развития на секвестрацию углерода растительностью. Устойчивое развитие (Швейцария). 2017;9(3).
  13. 13. Миллер Ранфола Д., Нейпир А. Миграция, климат и международная помощь: изучение свидетельств спутниковых данных, данных о помощи и микропереписи. Миграция и развитие. 2016;5(2):275–292.
  14. 14. Buchanan GM, Parks BC, Donald PF, O’donnell BF, Runfola D, Swaddle JP и др. Местное воздействие проектов развития Всемирного банка вблизи природоохранных объектов. Журнал окружающей среды … Развитие. 2018;27(3):299–322.
  15. 15. Ранфола Д., Батра Г., Ананд А., Уэй А., Гудман С. Изучение социально-экономических сопутствующих преимуществ проектов глобальных экологических объектов в Уганде с использованием подхода квазиэкспериментальной геопространственной интерполяции (QGI). Устойчивое развитие (Швейцария).2020;12(8):1–13.
  16. 16. Ислам М.Н., Китадзава Д., Рунфола Д.М., Гинер Н.М. Городские озера в развивающейся стране: движущие силы, состояние и влияние качества и количества воды в Дакке, Бангладеш. Озера и водохранилища: исследования и управление. 2012;17(4):253–263.
  17. 17. Кадамуро Г., Мухебва А., Танеджа Дж. Выставление оценки: точное измерение качества дороги с использованием спутниковых изображений. CoRR. 2018;абс/1812.01699.
  18. 18. Мних В., Хинтон Г.Э. Обучение обнаружению дорог на аэрофотоснимках высокого разрешения.В: Данилидис К., Марагос П., Парагиос Н., редакторы. Компьютерное зрение – ECCV 2010. Берлин, Гейдельберг: Springer Berlin Heidelberg; 2010. с. 210–223.
  19. 19. Форслёф Л., Джонс Х. Roadroid: непрерывный мониторинг состояния дорог с помощью смартфонов. Журнал гражданского строительства и архитектуры. 2015; 9: 485–496.
  20. 20. Группа АБР. Карты — Программа знаний об инфраструктуре Африки; 2011. https://www.infrastructureafrica.org/tools/maps/.
  21. 21. Ли Х., Херфорт Б., Хуан В., Зия М., Зипф А.Исследование отсутствующих застроенных территорий OpenStreetMap с использованием иерархической кластеризации Twitter и глубокого обучения в Мозамбике. Журнал фотограмметрии и дистанционного зондирования ISPRS. 2020; 166: 41–51.
  22. 22. Сонг Дж., Гао С., Чжу Ю., Ма К. Обзор классификации изображений дистанционного зондирования на основе CNN. Большие данные о Земле. 2019;3(3):232–254.
  23. 23. Редди Гадекаллу Т., Сингх Раджпут Д., Кумар Редди М. Правин, Лакшманна К., Бхаттачарья С., Сингх С. и др. Новая модель глубокой нейронной сети, основанная на оптимизации PCA-китов, для классификации болезней растений томатов с использованием графического процессора.Журнал обработки изображений в реальном времени. 2020;.
  24. 24. Vasan D, Alazab M, Wassan S, Safaei B, Zheng Q. Классификация вредоносных программ на основе изображений с использованием ансамбля архитектур CNN (IMCEC). Компьютеры… Безопасность. 2020;92:101748.
  25. 25. Редди Гадекаллу Т., Алазаб М., Калури Р., Кумар Редди Маддикунта П., Бхаттачарья С., Лакшманна К. Классификация жестов рук с использованием нового алгоритма поиска CNN-ворона. Комплекс… Интеллектуальные системы. 2021;. https://doi.org/10.1007/s40747-021-00324-x
  26. 26.Джавед А.Р., Усман М., Рехман С.У., Хан М.Ю., Хагиги М.С. Обнаружение аномалий в автоматизированных транспортных средствах с использованием многоступенчатой ​​сверточной нейронной сети на основе внимания. Транзакции IEEE в интеллектуальных транспортных системах. 2020; п. 1–10.
  27. 27. Рехман А., Ур Рехман С., Хан М., Алазаб М., Г. ТР. CANintelliIDS: обнаружение вторжений из транспортных средств в сеть контроллеров с использованием CNN и GRU на основе внимания. IEEE Transactions по сетевой науке и технике. 2021; п. 1–1.
  28. 28. Берк М., Дрисколл А., Лобелл Д.Б., Эрмон С. Использование спутниковых снимков для понимания и продвижения устойчивого развития. Наука. 2021;371(6535):eabe8628. пмид:33737462
  29. 29. Мелландер К., Лобо Дж., Столарик К., Мэтисон З. Данные о освещенности в ночное время: хороший косвенный показатель экономической активности? ПЛОС ОДИН. 2015;10(10):1–18. пмид:26496428
  30. 30. Альберт А., Каур Дж., Гонсалес М.С. Использование сверточных сетей и спутниковых изображений для определения объектов в городской среде в больших масштабах.CoRR. 2017;
  31. 31. Джин Н., Берк М., Се М., Дэвис В.М., Лобелл Д.Б., Эрмон С. Сочетание спутниковых снимков и машинного обучения для прогнозирования бедности. Наука. 2016;353(6301):790–794. пмид:27540167
  32. 32. Сумбул Г., Чарфуэлан М., Демир Б., Маркл В. BigEarthNet: крупномасштабный эталонный архив для понимания изображений дистанционного зондирования. CoRR. 2019;абс/1902.06148.
  33. 33. Cheng G, Wang Y, Xu S, Wang H, Xiang S, Pan C. Автоматическое обнаружение дорог и извлечение центральной линии с помощью каскадной сквозной сверточной нейронной сети.Транзакции IEEE по геонаукам и дистанционному зондированию. 2017;55(6):3322–3337.
  34. 34. Наджар А., Канеко С., Миянага Ю. Объединение спутниковых изображений и открытых данных для картографирования безопасности дорожного движения. АААИ. 2017;
  35. 35. Чжан Л., Ян Ф., Даниэль Чжан Ю., Чжу Ю.Дж. Обнаружение дорожных трещин с помощью глубокой сверточной нейронной сети. В: Труды — Международная конференция по обработке изображений, ICIP. об. 2016-август. Компьютерное общество IEEE; 2016. с. 3708–3712.
  36. 36. Ван В, Ян Н, Чжан И, Ван Ф, Цао Т, Эклунд П.Обзор извлечения дорог из изображений дистанционного зондирования. Журнал дорожного движения и транспортной инженерии. 2016;3(3):271–282.
  37. 37. Чжоу Дж., Бишоф В.Ф., Каэлли Т. Отслеживание дорог на аэрофотоснимках на основе взаимодействия человека с компьютером и байесовской фильтрации. Журнал фотограмметрии и дистанционного зондирования ISPRS. 2006;61(2):108–124.
  38. 38. Ягер Н., Совмя А. Машины опорных векторов для извлечения дорог из изображений дистанционного зондирования. Конспекты лекций по информатике (включая конспекты лекций по искусственному интеллекту и конспекты лекций по биоинформатике).2003; 2756: 285–292.
  39. 39. Ван И, Чжэн К. Распознавание дорог и мостов на изображениях РСА. Распознавание образов. 1998;31(7):953–962.
  40. 40. Ху Дж., Раздан А., Фемиани Дж. К., Цуй М., Вонка П. Извлечение дорожной сети и обнаружение перекрестков по аэрофотоснимкам путем отслеживания дорожных следов. В: IEEE Transactions по геонаукам и дистанционному зондированию. об. 45; 2007. с. 4144–4157.
  41. 41. Валеро С., Шануссо Дж., Бенедиктссон Дж. А., Талбот Х., Васке Б.Усовершенствованная математическая морфология направлений для обнаружения дорожной сети на изображениях дистанционного зондирования с очень высоким разрешением. Письма распознавания образов. 2010;31(10):1120–1127.
  42. 42. Ма С., Сюй Ю., Юэ В. Численные решения дробной финансовой системы переменного порядка. Журнал прикладной математики. 2012;2012.
  43. 43. Касс М., Виткин А., Терзопулос Д. Змеи: активные контурные модели. Международный журнал компьютерного зрения. 1988;1(4):321–331.
  44. 44. Movaghati S, Moghaddamjoo A, Tavakoli A. Извлечение дорог из спутниковых изображений с использованием фильтрации частиц и расширенной фильтрации Калмана. Транзакции IEEE по геонаукам и дистанционному зондированию. 2010;48(7):2807–2817.
  45. 45. Чжан И, Ся В, Чжан Ю З, Сунь С.К., Санг Л.З. Извлечение дороги из изображения дистанционного зондирования высокого разрешения с несколькими источниками с использованием сверточной нейронной сети. В: 2018 Международная конференция по аудио, языку и обработке изображений (ICALIP).ИЭЭЭ; 2018. с. 201–204.
  46. 46. Suhui X, Xiaodong M, Peng Z, Ji M. Классификация сцен изображения дистанционного зондирования на основе многомасштабных признаков и глубокой нейронной сети. Acta Geodaetica et Cartographica Sinica. 2016;45(7):834.
  47. 47. Ся М., Цао Г., Ван Г., Шан Ю. Классификация изображений дистанционного зондирования на основе глубокого обучения и условных случайных полей. Журнал изображения и графики. 2017;22(9):1289–1301.
  48. 48. Бен Ишай А., Ротберг Р., Уэллс Дж., Лв М., Гудман С., Ковачевич Л. и др.. Геокодирование афробарометра 1-6 раунды; 2017. Доступно по адресу: http://geo.aiddata.org.
  49. 49. Ошри Б., Ху А., Адельсон П., Чен Х., Дюпас П., Вайнштейн Дж. и др. Оценка качества инфраструктуры в Африке с использованием спутниковых снимков и глубокого обучения. CoRR. 2018;абс/1806.00894.
  50. 50. Базовая карта Вирджинии. Загрузки ортообразов Вирджинии; 2019. https://vgin.maps.arcgis.com/apps/Viewer/index.html?appid=cbe6a0c1b2c440168e228ee33b89cb38.
  51. 51. Фостер В., Брицено-Гармендия К.Инфраструктура Африки. Всемирный банк; 2009. Доступно по адресу: https://openknowledge.worldbank.org/handle/10986/2692.
  52. 52. Статический API ООО «Г. Карты»; 2021 г. https://developers.google.com/maps/documentation/maps-static/overview.
  53. 53. He K, Zhang X, Ren S, Sun J. Глубокое остаточное обучение для распознавания изображений. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2016. с. 770–778.
  54. 54. Szegedy C, Vanhoucke V, Ioffe S, Shlens J, Wojna Z.Переосмысление исходной архитектуры компьютерного зрения. В: Материалы конференции IEEE Computer Society по компьютерному зрению и распознаванию образов. об. 2016-декабрь. Компьютерное общество IEEE; 2016. с. 2818–2826. Доступно по адресу: https://arxiv.org/abs/1512.00567v3.
  55. 55. Симонян К., Зиссерман А. Очень глубокие сверточные сети для крупномасштабного распознавания изображений. Препринт arXiv arXiv: 14091556. 2014;
  56. 56. Хуанг Г., Лю З., Ван Дер Маатен Л., Вайнбергер К.К.Плотносвязные сверточные сети. В: Материалы конференции IEEE по компьютерному зрению и распознаванию образов; 2017. с. 4700–4708.
  57. 57. Szegedy C, Ioffe S, Vanhoucke V. Inception-v4, Inception-ResNet и влияние остаточных связей на обучение. CoRR. 2016;абс/1602.07261.
  58. 58. Шолле Ф. Xception: Глубокое обучение с помощью глубоко отделимых сверток. CoRR. 2016;абс/1610.02357.
  59. 59. Лундберг С., Ли С.Единый подход к интерпретации прогнозов модели. CoRR. 2017;абс/1705.07874.

Новое партнерство обеспечивает доступ к спутниковым изображениям тропиков с высоким разрешением во всех странах. Планета и Аэробус.

  • Это новое партнерство предоставит миру бесплатный доступ к спутниковым изображениям тропиков в высоком разрешении.
  • Контракт был заключен в рамках Международной инициативы Норвегии по климату и лесам, направленной на смягчение последствий изменения климата путем защиты тропических лесов.
  • Спутники — это мощные инструменты для мониторинга вырубки лесов. Теперь новое партнерство направлено на то, чтобы сделать спутниковые снимки тропиков в высоком разрешении бесплатными и доступными для всех.

    Министерство климата и окружающей среды Норвегии объявило на этой неделе, что они заключили новый контракт, формируя партнерство с тремя хорошо зарекомендовавшими себя технологическими группами спутникового мониторинга: Kongsberg Satellite Services (KSAT), Planet и Airbus.

    Контракт на сумму 43,5 млн долларов США был заключен в рамках Норвежской международной инициативы по климату и лесам (NICFI), программы, направленной на смягчение последствий изменения климата путем защиты тропических лесов. Правительство Норвегии вложило значительные средства в борьбу с вырубкой лесов в тропиках, и в течение нескольких лет NICFI поддерживает Global Forest Watch (GFW) — инструмент, используемый Монгабеем и другими для визуализации и мониторинга изменений в лесах.

    «Это новое партнерство, о котором объявило правительство Норвегии, может изменить правила игры для тропических лесов», — написала Кристал Дэвис, директор Global Forest Watch, в электронном письме Монгабею.«Теперь общественность имеет свободный доступ к спутниковым снимкам высокого разрешения, которые могут показать судьбу отдельного дерева».

    Глобальная карта, показывающая объем ежемесячных базовых карт Planet, которые будут предоставляться в рамках партнерства по мониторингу тропических лесов. Изображение предоставлено Planet Labs Inc.

    Последняя революция в глобальном мониторинге лесов, по словам Дэвиса, произошла, когда в 2007 году правительство США предоставило в свободный доступ спутниковые снимки Landsat, что сделало возможными такие инструменты, как GFW. Однако, несмотря на эти свободно доступные изображения, спутниковые изображения высокого разрешения остаются очень дорогими.

    «Это новое объявление, — сказал Дэвис, — дает миру доступ к коммерческим спутниковым снимкам с разрешением более чем в 10 раз выше, чем у Landsat. Теперь мы все должны воспользоваться этой огромной возможностью».

    За последние 40 лет была уничтожена площадь леса размером почти с Европу. В 2019 году площадь первичного тропического леса размером с футбольное поле исчезала каждые 6 секунд. Эти тенденции во многом обусловлены сельским хозяйством, развитием инфраструктуры (дороги, плотины и т. д.), пожарами, разрастанием городов и добывающими отраслями, такими как горнодобывающая и лесозаготовительная.

    Спутниковый мониторинг позволяет НПО, группам коренных народов, правительствам, предприятиям и частным лицам визуализировать и отслеживать изменения в лесах с течением времени, чтобы лучше понять, что происходит на земле. Например, в 2015 году спутниковые снимки Landsat показали, что поставщик «устойчивого какао» вырубил 2000 гектаров (4900 акров) первичных тропических лесов в Перу. Некоммерческая организация MAAP использовала спутниковые данные Planet, чтобы подтвердить, что пожары в Амазонии в 2019 году в основном следовали схеме обезлесения.

    Видео «Планета» показывает замедленную съемку обезлесения в Амазонии (Лабреа, штат Амазонас, Бразилия) за трехлетний период, демонстрируя использование изображений «Планета» с высоким разрешением.

    «Теперь можно увидеть и услышать, как небольшие сообщества борются с компаниями, которые крадут их законные территории», — заявил норвежский министр климата и окружающей среды Свейнунг Ротеватн в заявлении о запуске. «Супермаркеты по всему миру могут отслеживать заявления своих поставщиков относительно устойчивого производства сои, пальмового масла и другого сырья»,

    Партнерство дает миру много данных для инвестиций, говорит Андреас Даль-Йоргенсен, управляющий директор NICFI, поскольку оно использует сильные стороны всех трех партнеров.

    KSAT предоставляет пользователям и техническую поддержку как в Норвегии, так и для многих лицензированных пользователей по всему миру. Airbus привносит в партнерство исторические спутниковые снимки десятилетий, позволяя пользователям путешествовать во времени для изучения тенденций и изменений. И Planet предоставляет изображения с высоким разрешением, обновляемые ежемесячно, которые объединяют лучшие изображения за данный месяц в цельный, безоблачный слой. В следующем месяце Planet запустит пользовательскую платформу на своем веб-сайте для размещения новых данных в свободном доступе.

    «Революция спутниковых данных, чтобы мы могли видеть, что вырубка лесов происходит достаточно быстро, чтобы остановить ее, была одной из основных причин, по которой мы основали Planet 10 лет назад», — сказал Уилл Маршалл, генеральный директор и соучредитель Planet.

    Космический корабль Planet’s Dove обеспечивает набор данных высокого разрешения PlanetScope. Изображение предоставлено «Планетой».

    «Набор данных PlanetScope — это поистине революционный набор данных для решения этой задачи, — сказала Монгабею Тара О’Ши, директор лесных программ PlanetScope. «Но… я думаю, важно отметить, что это само по себе не панацея, и поэтому нам очень интересно иметь такого рода партнерство с политическим руководством Норвегии и с опытом таких групп, как Global Forest Watch.

    По словам О’Ши, важные приложения для обнаружения и измерения вырубки лесов используются в правительственных учреждениях, и эти новые данные позволят выполнить множество обязательств по Парижскому соглашению. В соответствии с Рамочной конвенцией Организации Объединенных Наций об изменении климата ряд развивающихся стран имеют право на выплаты, если они сокращают выбросы в результате обезлесения и деградации лесов, поэтому эта новая спутниковая информация может значительно улучшить процессы проверки отчетности по этим обязательствам.

    Объединение данных Planet с другими наборами данных, такими как LIDAR, для непосредственного измерения углерода в лесах также может иметь значение для будущих научных исследований. Но самое интересное, по словам О’Ши, — сделать эти данные доступными для сообществ.

    «Удивительно работать со странами и самими сообществами, потому что они знают местные особенности, — сказал О’Ши. «Вы предоставляете им данные, и они находят в них гораздо больше».

    «Спутниковое изображение является мощным инструментом, поскольку оно лучше понимается общинами коренных народов по сравнению с источниками данных из чисел», — говорится в заявлении Ианукулы Кайаби Суйа, лидера коренных народов, представляющего территорию Сан-Феликс-ду-Шингу, Бразилия.В последние годы на территориях Шингу наблюдается безудержная вырубка лесов и пожары.

    «Эти изображения дадут сообществам лучшее понимание местоположения и масштаба проблем, — добавила Кайаби Суйа, — чтобы можно было лучше планировать свои действия».

    Изображение баннера: Иллюстрация спутника Landsat предоставлена ​​Центром космических полетов имени Годдарда НАСА.

    Лиз Кимбро — штатный писатель Mongabay.Найдите ее в Твиттере  @lizkimbrough_

    ОБРАТНАЯ СВЯЗЬ:  Используйте эту форму , чтобы отправить сообщение автору этого сообщения.

    Leave a comment