SWE- PREVENT Remote Sensing Theory (UOWM)

Fjärranalys

PREVENT projektet

Start

Introduktion

"Fjärranalys är vetenskapen och konsten att skaffa information om ett objekt, ett område eller ett fenomen genom analys av data som samlats in av en anordning som inte är i kontakt med det objekt, område eller fenomen som undersöks (Lillesand et al. 2003)."Det finns många sätt att definiera fjärranalys i litteraturen. Två gemensamma element kännetecknar detta vetenskapliga område: a) begreppet ”informationsinsamling” och b) ”observation på avstånd”. (Campbell, 1987)

Index

Aktiviteter

Mål

Bedömning

Moduler

Undersökning

Fjärranalys innebär att man samlar in information om ett objekt utan att ha direkt kontakt med det

-Gupta, (1991)-

Mål

Vårt huvudmål är att förse dig med de verktyg och kunskaper du behöver för att förstå din kunskap om fjärranalys, oavsett om du börjar från grunden eller vill förbättra dina nuvarande färdigheter. Under kursen kommer du att få delta i interaktiva lektioner, stimulerande fallstudier och praktiska övningar som är utformade för att förstärka din förståelse och tillämpning av viktiga begrepp. Efter avslutad kurs kommer du inte bara att ha en gedigen teoretisk förståelse, utan också självförtroendet och förmågan att ta itu med verkliga utmaningar inom fjärranalys. Gör dig redo att släppa loss din potential och uppnå nya framgångar i din professionella eller akademiska karriär!

'Fjärranalys skiljer sig från direkt observation eller mätning genom att det specifika observationsinstrumentet i det senare fallet befinner sig i eller är i kontakt med det objekt som mäts eller undersöks, till exempel en termometer.'

+ info

Moduler

Modul 2

Modul 1

Modul 4

Modul 3

Avancerad forskning och nationella bidragDenna modul fokuserar på forskning inom djupinlärning och fjärranalys.

Fjärranalyssystem och teknikDenna modul fokuserar på olika satellitsystem och deras kapacitet inom fjärranalys.

Grunderna i fjärranalys I detta avsnitt presenteras de grundläggande principerna, den historiska utvecklingen, fördelarna och begränsningarna med fjärranalys.

Tillämpningar och analys inom fjärranalysDetta avsnitt betonar tillämpningarna och analysen av deras roll i övervakningen av jordförändringar.

01

Historik om fjärranalys

Satellitbilder av översvämningarna i Deggendorf, Tyskland (före och efter) 2024 https://www.euspaceimaging.com/blog/2024/07/01/satellite-imagery-for-emergency-management/

01

Sammanfattning

Även om det är ganska svårt att exakt definiera startpunkten för fjärranalys och dess utvecklingsfaser, kan man urskilja fem huvudsakliga stadier under dess utveckling (Barrett & Curtis, 1992; Swain & Davis, 1978). Fjärranalys (RS) är ett eget område, men fungerar ofta som ett komplement till GIS-analyser genom att tillföra unik information och analysmetoder. Det finns två typer av fjärranalys, aktiv och passiv, och de används i allmänhet för olika tillämpningar. Aktiv fjärranalys innebär att man sänder ut en signal och väntar på att den ska återvända till sensorn. RADAR och LIDAR är exempel på aktiv fjärranalys, eftersom de sänder ut energi, mikrovågor respektive laserpulser och registrerar signalerna när de studsar tillbaka (Gennarelli G. & Catapano, 2022). Trots sina betydande framsteg står fjärranalysen inför vissa utmaningar som begränsar dess effektivitet i specifika tillämpningar. Fel i de registrerade uppgifterna kan uppstå av olika orsaker, vilket leder till avvikelser mellan faktiska och registrerade värden. Dessutom är det svårt att förstå de komplexa interaktionerna mellan den registrerade strålningen och målobjekten, eftersom dessa relationer påverkas av mycket varierande miljöfaktorer. De enorma rumsliga och tidsmässiga variationerna i atmosfären, litosfären och hydrosfären, i kombination med de komplexa mekanismerna för interaktion mellan energi och materia, komplicerar ytterligare den noggranna analysen och tolkningen av fjärranalysdata.

Historisk översikt

1925-1945

före 1925

1945-1955

1955-1960

1960-idag

Framsteg inom fototolkningstekniker. Fokus på analys framför tillämpningar.

Avancerade sensorer revolutionerar fjärranalys. Miljöövervakningen expanderar snabbt.

Utveckling av stereoskopisk flygfotografering. Användes flitigt under andra världskriget för topografisk kartläggning.

Tidiga experiment med flygfotografering. Användes för strategisk kartläggning.

Användningsområdena inom geologi och jordbruk utökades. Flygfotografier blev allmänt använda.

Typer av fjärranalys

Passiv

Aktiv

Aktiv RS innebär att man sänder ut en signal och väntar på att den ska återvända till sensorn. Exempel: RADAR, LIDAR

ExempelLandsat-serien (NASA/USGS)Sentinel-2 (ESA)

Fördelar med fjärranalys

Fjärranalys anses vara ett modernt, specialiserat verktyg som har tillämpningar inom många vetenskapliga ämnen, bland annat miljövetenskap, skogsbruk, geologi, arkeologi, oceanografi etc.

Sammanfattande täckning

Tillgänglighet

Upprepad täckning

Homogenitet i data

Multispektrala dataegenskaper

Inspelnings-tidens längd

Digital dataform

Datakostnad

Nackdelar med fjärranalys

Registrerade data

Egenskaper och mekanism

Ett av de allvarligaste problemen gäller de registrerade uppgifterna, som innehåller fel på grund av atmosfäriska förhållanden, områdets topografi och satellitsystemets funktion. Dessa fel beror på skillnader mellan den faktiska och den av satelliten registrerade reflekterade strålningen. För att dessa data ska kunna användas framgångsrikt i framtiden är det mycket viktigt att anpassa dem så nära de faktiska värdena som möjligt, särskilt i fall där analysen avser tidsstudier (Barrett och Curtis, 1992; Richards, 1993).

Ett annat problem som forskarna står inför är svårigheten att förstå karaktären och mekanismen hos även mycket enkla samband och interaktioner mellan den strålning som registreras av satelliten och målen. Förändringarna som sker i atmosfären, litosfären och hydrosfären är så stora i rumslig och tidsmässig dimension och mekanismerna för interaktion mellan energi och materia är så komplexa att det är svårt att fastställa enkla relationer mellan objekt och detektorer (Barrett och Curtis, 1992; Sabins, 1997).

02

Fjärranalyssystem och teknik

02

Sammanfattning

Detta avsnitt behandlar olika typer av satelliter och deras uppdrag när det gäller att övervaka och studera jorden. Först beskrivs optiska satellitsystem som LANDSAT, IKONOS, World View, QuickBird, Pleiades och SPOT, som tillhandahåller detaljerade data för tillämpningar som kartläggning, jordbruk och hantering av naturkatastrofer. Därefter tittar vi på aktiva satellitsystem som använder radar, såsom ERS- och Envisat-satelliterna. Dessa satelliter tillhandahåller data för miljöövervakning och klimatförändringar, medan TerraSAR-x och Cosmo-Skymed används för tillämpningar såsom hantering av naturkatastrofer och miljöresurser. Dessutom behandlas hyperspektrala satelliter, som EO-1 och Hyperion-sensorn, som samlar in data i flera spektralband för detaljerad analys av material på jordens yta. Slutligen fokuserar vi på Copernicus-programmet, ett EU-initiativ för övervakning av planeten och miljön.

Optiska satellitsystem

MODIS-instrumentet som flyger ombord på NASA:s satellit Terra avslöjade de kraftigaste åskväderna, Källa: https://blogs.nasa.gov/hurricanes

Fjärranalys

LANDSAT

Terra-satelliten

Optisk

IKONOS

Satellite Systems

ERS

Aktiv

TerraSAR-x

Hyperspektra

EO-1 och Hyperion

Landsat

Tekniska detaljer

Landsat 3

Landsat 2

Landsat 1

Landsat 6

Landsat 5

Landsat 4

Landsat 9

Landsat 7

Landsat 8

ERS

Mission

Mål

ERS-Instrument

ERS-Verktyg

Copernicus-programmet

Copernicus är jordobservationsdelen av Europeiska unionens rymdprogram, som ägnar sig åt att övervaka vår planet och dess miljö till förmån för alla europeiska medborgare. Det tillhandahåller informationstjänster som härrör från satellitbaserad jordobservation och in situ-data (icke-rymdbaserade data).

Next

Copernicus-programmet

Stora mängder globala data från satelliter och markbaserade, luftburna och sjöburna mätsystem tillhandahåller information som hjälper tjänsteleverantörer, offentliga myndigheter och andra internationella organisationer att förbättra livskvaliteten för medborgarna i Europa och andra delar av världen.

Sentinel 1

Sentinel 2

Sentinel 3

Sentinel 4-5

Sentinel 6

Sentinel-1A och 1B täcker hela jorden var sjätte dag.

Sentinel-2 har en högupplöst multispektral bildgivare med 13 spektralband.

Sentinel-3 kompletterar Sentinel 2:s uppdrag

Sentinel 4 och 5 fokuserar på övervakning av atmosfärens innehåll.

Sentinel-6 består av två satelliter: Sentinel-6A och Sentinel-6B.

Sentinel High Level Operations Plan (HLOP)

länk

Vad är Copernicus-programmet?

Klimatförändringar avser långsiktiga förändringar i temperaturer och vädermönster. Mänskliga aktiviteter har varit den främsta orsaken till klimatförändringarna, främst på grund av förbränningen av fossila bränslen som kol, olja och gas.

03

Denna bild publicerades ursprungligen i NASA Earth Observatory Story: Running Through Paris Heat, Data insamlad den 7 juni 2024. https://visibleearth.nasa.gov

Tillämpningar och analys inom fjärranalys

03

Sammanfattning

RFjärranalys spelar en viktig roll i övervakningen och begränsningen av naturkatastrofer. Uppskattning av markfuktighet med hjälp av aktiva och passiva sensorer underlättar förutsägelser av översvämningar, jordskred och vattenresurshantering. Tekniker som termisk infraröd och mikrovågsavkänning ger exakta data om markfuktighet, vilket är avgörande för miljöstudier. Kartläggning av marktäcke och markanvändning, med stöd av satellitbilder, ger snabba och omfattande rumsliga data för resurshantering och stadsplanering. Tekniker som DInSAR och Persistent Scatterers Interferometry möjliggör noggranna mätningar av ytdeformationer orsakade av jordbävningar och vulkaner. Termiska sensorer på satelliter som MODIS och Landsat förbättrar övervakningen av aktiva vulkaner, vilket bidrar till katastrofberedskap och katastrofhantering. Satellitbilder integreras i allt högre grad i skadebedömningar efter jordbävningar, vilket möjliggör snabbare räddningsinsatser och förbättrar strategierna för katastrofhantering.

Inspelnings- och jordobservationsutrustning

Inspelningsutrustning kännetecknas av sinarumsliga, radiometriska, spektrala och tidsmässiga upplösning.Dessa egenskaper avgör kvaliteten och noggrannheten hos de insamlade uppgifterna.

Tids- upplösning:

Spektral upplösning:

Radiometrisk upplösning:

Rumslig upplösning:

Avser hur ofta ett satellitsystem tar bilder av samma område. Detta är viktigt för att övervaka förändringar på jordytan över tid.

Relaterat till antalet spektralkanaler som används av satelliten. Fler spektralkanaler gör det möjligt att skilja mellan fler typer av ytstrukturer.

Beskriver systemets förmåga att registrera skillnader i intensiteten hos reflekterad eller utsänd energi. Denna upplösning uttrycks ofta i bitar.

Avser utrustningens förmåga att upptäcka små detaljer på jordytan. Ju mindre pixeln är, desto större är den rumsliga upplösningen.

Digital bildanalys

Digital bildanalys är en process som innebär att analoga signaler omvandlas till digitala värden. Dessa värden används för att spara och analysera data från satelliter eller andra registreringssystem. Dessa data registreras i binära tal (bitar) som representerar ljusstyrkan på den skannade ytan. Bilder, även kända som rasterdata, används för enkel hantering av pixelvärden genom bearbetningsprogramvara. Även om rasterdata är praktiska för digital analys, medför de svårigheter när det gäller att återge diskreta områden eller punkter jämfört med vektordata.

'Digitala bilder är tvådimensionella matriser av små områden som kallas pixlar.'

Pixelarrangemanget i rader och kolumner gör det möjligt för bearbetningsprogramvaran att analysera data och tillhandahålla användbar information om specifika ämnen. Programvara för bearbetning av satellitbilder hanterar fjärranalysdata och erbjuder analysfunktioner för vetenskapliga och kommersiella tillämpningar. Några av de vanligaste programvarorna är ERDAS IMAGINE, ArcGIS, ENVI, IDRISI och Geomatica.

Analys av optiska satellitbilder

Analysen av satellitbilder omfattar flera steg för att säkerställa korrekta och användbara resultat. Dessa steg omfattar bildåterställning och förbehandling, bildförbättring, bildklassificering och tolkning av satellitbilder och digitala flygfotografier.

Steg 3

Steg 2

Steg 1

Bildåterställning eller förbehandling

Bildklassificering

Bildförbättring

Fjärranalys för övervakning och begränsning av naturkatastrofer

Jordavkänning

Kartläggning av landtäcke

Jorddeformation

Registrering och bedömning av skador efter jordbävningen

Jordavkänning

Bestämning av markfuktighetsinnehåll med hjälp av aktiva och passiva sensorer från rymden

SJordfuktighet är en viktig variabel för att förstå vattenresurser och naturkatastrofer som översvämningar och jordskred. En noggrann uppskattning av rumsliga och tidsmässiga variationer i fuktighet är viktig för miljöstudier och för att förbättra översvämningsprognoser, särskilt i medelstora och stora avrinningsområden där översvämningar ofta orsakar katastrofer. Jordfuktigheten på ytan är avgörande för att bedöma regnvatteninfiltration eller avrinning, så denna information är viktig för översvämningsprognosmodeller. Dessutom är jordfuktigheten i bergsområden en nyckelfaktor för jordskred. Sedan 1970-talet har forskningen inom detta område använt tekniker som täcker hela det elektromagnetiska spektrumet, från optiskt till mikrovågsstrålning.

'Digital images are two-dimensional arrays of small areas called pixels.'

Fjärranalysmetoder använder olika våglängder, energikällor och sensorreaktioner för att uppskatta markfuktigheten. Solstrålning mäter reflekterat solljus, medan mikrovågor och termisk infraröd strålning används oftare. Termiska metoder, såsom termisk tröghet och temperatur-/vegetationsindex, är särskilt effektiva i områden med liten eller ingen vegetation. Dessa tekniker förbättrar förutsägelsen av naturkatastrofer och förvaltningen av vattenresurser.

Kartläggning av landtäcke

Kartläggning av landtäckning och markanvändning är avgörande för vetenskaplig forskning, fysisk planering och förvaltning av naturresurser. ”Landtäckning” avser ytans fysiska egenskaper, medan ”markanvändning” beskriver hur marken utnyttjas. En markanvändningsplan fångar interaktionen mellan människor och miljön, vilket påverkar viktiga ekonomiska aktiviteter. Framsteg inom satellitövervakningssystem har gjort fjärranalysmetoder till realistiska och attraktiva verktyg för forskning och förvaltning av naturresurser. Markanvändningskartor är särskilt användbara inom jordbruk och naturresursförvaltning, och det är nödvändigt att uppdatera dem på grund av de kontinuerliga förändringarna i naturresurser och mänskliga aktiviteter.

'Digital images are two-dimensional arrays of small areas called pixels.'

Fjärranalys erbjuder snabb och noggrann representation av landskapet och tillhandahåller data i digital form och över ett brett spektrum av spektralkanaler. Även om det inte helt ersätter fältobservationer, minskar det avsevärt tiden och kostnaden för datainsamling och ger en omfattande bild av studieområdet. Det underlättar också tillgången till avlägsna områden och övervakning av förändringar i landanvändning/landtäcke genom tidsdata.

Övervakning och utvärdering av jorddeformation

Aktiva sensorer använder fasskillnad för att mäta jordytans deformation genom tekniken differentiell interferometri (DInSAR). Denna teknik använder data från instrument med syntetisk aperturradar (SAR). För närvarande finns det flera satelliter som är lämpliga för att erhålla InSAR-data, såsom Europeiska rymdorganisationens Envisat-satelliter, de kanadensiska Radarsat-1 och 2, den tyska TerraSAR-X och de italienska Cosmo-Skymed-satelliterna, tillsammans med många planerade framtida SAR-uppdrag.

'Digital images are two-dimensional arrays of small areas called pixels.'

Fjärranalys erbjuder snabb och exakt representation av landskapet och tillhandahåller data i digital form och över ett brett spektrum av spektralkanaler. Även om det inte helt ersätter fältobservationer, minskar det avsevärt tiden och kostnaden för datainsamling och ger en omfattande bild av studieområdet. Det underlättar också tillgången till avlägset belägna områden och övervakningen av förändringar i landanvändning/landtäcke genom tidsdata.

Registrering och utvärdering av skador efter jordbävningen

Det är avgörande att registrera och utvärdera skador efter en jordbävning, särskilt när förstörelsen är geografiskt omfattande eller sker i avlägsna områden. Denna process är viktig för räddningsstyrkor och civilskyddstjänster och måste utföras snabbt och noggrant. Tekniken för att upptäcka förändringar med hjälp av bilder tagna före och efter jordbävningen är en snabb metod för att bedöma skador. I takt med att rymdtekniken förbättras integreras den i allt högre grad i katastrofhanteringsåtgärder. Stöd med rymdteknik är dock fortfarande i stort sett okänt för de flesta räddningstjänster och civilskyddsmyndigheter.

'Digital images are two-dimensional arrays of small areas called pixels.'

Fjärranalys erbjuder snabb och exakt representation av landskapet och tillhandahåller data i digital form och över ett brett spektrum av spektralkanaler. Även om det inte helt ersätter fältobservationer, minskar det avsevärt tiden och kostnaden för datainsamling och erbjuder en omfattande bild av studieområdet. Det underlättar också tillgången till avlägset belägna områden och övervakningen av förändringar i landanvändning/landtäcke genom tidsdata.

Observation av aktiva vulkaner med hjälp av termisk strålning

Även om det inte finns någon satellit som är utformad enbart för vulkaniska tillämpningar, kan många termiska sensorer för militära, urbana och industriella tillämpningar anpassas för vulkanövervakning. Till exempel kan vädersatelliter tillhandahålla data för att undersöka vulkaniska hotspots, även om meteorologiska sensorer vanligtvis mäter lägre temperaturer. I början av det nya årtusendet lanserades nya NASA-satelliter, såsom Terra, Landsat-7, Aqua och EO-1, som möjliggör termisk registrering av aktiva vulkaner.

'Digital images are two-dimensional arrays of small areas called pixels.'

Detta ledde till att det första globala satellitövervakningssystemet för vulkaner inrättades, som dagligen övervakar alla aktiva och potentiellt aktiva vulkaner. Termiska data från satellitsensorer blir alltmer tillgängliga, till exempel är MODIS- och Landsat-data tillgängliga utan kostnad. Termisk fjärranalys har gett värdefulla insikter om vulkaners beteende, trots avsaknaden av specialiserade sensorer.

04

Avancerad forskning och nationella bidrag

04

Samanfattning

Fjärranalys spelar en viktig roll i övervakningen och begränsningen av naturkatastrofer. Uppskattning av markfuktighet med hjälp av aktiva och passiva sensorer underlättar förutsägelser av översvämningar, jordskred och vattenresurshantering. Tekniker som termisk infraröd och mikrovågsavkänning ger exakta data om markfuktighet, vilket är avgörande för miljöstudier. Kartläggning av marktäcke och markanvändning, med stöd av satellitbilder, ger snabba och omfattande rumsliga data för resurshantering och stadsplanering. Tekniker som DInSAR och Persistent Scatterers Interferometry möjliggör noggranna mätningar av ytdeformationer orsakade av jordbävningar och vulkaner. Termiska sensorer på satelliter som MODIS och Landsat förbättrar övervakningen av aktiva vulkaner, vilket bidrar till katastrofberedskap och katastrofinsatser. Satellitbilder integreras i allt högre grad i skadebedömningar efter jordbävningar, vilket möjliggör snabbare räddningsinsatser och förbättrar strategierna för katastrofberedskap.

Avancerad forskning och nationella bidrag

Grekiska initiativ

Forskning

Methoder

Grekiska initiativ inom hantering av naturkatastrofer

Forskning och framsteg inom djupinlärning och fjärranalys för hantering av naturkatastrofer

Tekniker och avancerade metoder inom djupinlärning och fjärranalys

Analysen av satellitbilder omfattar flera steg för att säkerställa korrekta och användbara resultat. Dessa steg omfattar bildåterställning och förbehandling, bildförbättring, bildklassificering och tolkning av satellitbilder och digitala flygfotografier.

Metoder inom djupinlärning och fjärranalys

CNN

GAN

RNN

CD

SSM

10

DMCNN

SAR

Geo-beräkningstekniker

UAV

EO

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Forskning och framsteg inom djupinlärning och fjärranalys för hantering av naturkatastrofer (1/3)

Djupinlärning och fjärranalys har under de senaste åren integrerats i stor utsträckning i system för hantering av katastrofrisker, tack vare den ökande tillgången på högkvalitativa data/produkter och avancerade system för analys av dessa. Fjärranalys bidrar i allt högre grad till kartläggning och övervakning av katastrofer, eftersom den möjliggör snabb och noggrann fysisk observation av jordytan före, under och efter katastrofer.

Park et al. (2022)

Long et al. (2021)

Psomiadis et al. (2019)

Wang et al. (2021)

Goldberg et al. (2020)

Stephenson et al. (2022)

Elmahdy et al. (2020)

Dinh et al. (2022)

Barmpoutis et al. (2020)

Peng (2022)

Taskin et al. (2022)

Hakim et al. (2022)

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Forskning och framsteg inom djupinlärning och fjärranalys för hantering av naturkatastrofer (2/3)

Djupinlärning och fjärranalys har under de senaste åren integrerats i stor utsträckning i system för hantering av katastrofrisker, tack vare den ökande tillgången på högkvalitativa data/produkter och avancerade system för analys av dessa. Fjärranalys bidrar i allt högre grad till kartläggning och övervakning av katastrofer, eftersom den möjliggör snabb och noggrann fysisk observation av jordytan före, under och efter katastrofer.

Dinh et al. (2022)

Zhang et al., (2022)

Asaly et al. (2022)

Akhyar et al. (2023)

Feng et al. (2022)

Chen et al. (2023)

Ananias et al. (2022)

Garcia et al. (2023)

Sun et al. (2022)

Kim & Muminov (2023)

Lee (2022)

Jia & Ye (2023)

Here you can put an important title

Your content is good, but it‘ll engage much more if it’s interactive. Capture your audience's attention with an interactive photo or illustration.

Forskning och framsteg inom djupinlärning och fjärranalys för hantering av naturkatastrofer (3/3)

Djupinlärning och fjärranalys har under de senaste åren integrerats i stor utsträckning i system för hantering av katastrofrisker, tack vare den ökande tillgången på högkvalitativa data/produkter och avancerade system för analys av dessa. Fjärranalys bidrar i allt högre grad till kartläggning och övervakning av katastrofer, eftersom den möjliggör snabb och noggrann fysisk observation av jordytan före, under och efter katastrofer.

Ntinopoulos et al. (2023)

Shastry et al. (2023)

Li et al. (2023)

Yang et al. (2024)

Wu et al. (2024)

Sundriyal et al. (2024)

Grekiska initiativ inom hantering av naturkatastrofer

I Grekland har olika initiativ och projekt genomförts för att förbättra hanteringen av naturkatastrofer med hjälp av avancerad teknik.

Maestro

SEASFire

Ofire+

GET

DISARM

Akvititeter Visa vad du kan!

Aktivitet 2

Aktivitet 1

Klicka på rätt begrepp

Matchningsfrågor

1. Copernicus Programmet
2. Sentinel-1
3. Sentinel-2
4. Sentinel-3
5. Sentinel-4 and 5
6. Sentinel-6

Activitet 2

Lösning

Klicka på rätt begrepp

Välj 4 termer

BEGREPP 1

Efter en jordbävning används fjärranalysmetoder för att bedöma skadornas omfattning och konsekvenser, inklusive förstörd infrastruktur, sprickor i markytan och förändringar i terrängen. Välj 4 termer som har med skadebedömning efter jordbävningar att göra:

Detektering av seismiska vågor

Detektering av förändringar

Klassificering av skador

Kartläggning av förskjutning

Syntetisk aperturradar

Optiska bilder

Persistenta spridare

Obemannade luftfarkoster (UAV)

Activitet 3

Lösning

Klicka på rätt begrepp

Välj de 4 rätta svaren

BEGREPP 2

Vilken kombination av tekniker skulle du välja för att effektivt bedöma skadorna efter en jordbävning i ett tätbefolkat stadsområde? Välj de 4 rätta svaren bland de angivna alternativen.

Recurrent Neural Networks (RNN)

Convolutional Neural Networks (CNN)

Unmanned Aerial Vehicles (UAV)

Synthetic Aperture Radar (SAR)

Semantic Segmentation Net (SSN)

Generative Adversarial Net (GAN)

Maestro telemetrisystem

Persistenta spridare

Bedömning

I det här avsnittet får du möjlighet att testa dina kunskaper från kursen. Vårt interaktiva quiz ger dig en detaljerad bedömning av din förståelse av viktiga ämnen. Gör dig redo att utmana dina färdigheter och förstärka dina kunskaper när du närmar dig att behärska de grundläggande begreppen. Missa inte chansen att visa upp allt du har lärt dig hittills!

1/10

2/10

3/10

4/10

5/10

6/10

7/10

8/10

01:00

9/10

10/10

Kursen är klar!

Hakim et al. (2022)

Undersöker de vulkaniska landformationerna i Hantangang River Volcanic Field (HRVF) och belyser deras geologiska kulturarv. Studien använder 3D-utskrift av en terrängmodell och Q-LavHA-simulering för att uppskatta en förhistorisk eruption från två källor i Nordkorea. Artificiella neurala nätverk (ANN) och supportvektormaskiner (SVM) används för att klassificera lavaområdet, där SVM visar högre noggrannhet och effektivitet. Scenariot med en enda eruptionskälla visade bättre noggrannhet än Q-LavHA-simuleringen, men scenarier med flera källor förbättrade den totala noggrannheten.

Tekniska detaljer

Uppskjutningsdatum: 1 mars 1984Status: Avvecklat januari 2013Sensorer: TM, MSSHöjd: 705 kmInklination: 98,2°Bana: polär, solsynkronTidpunkt för ekvatorpassage: nominellt 9:45 (± 15 min.) lokal tid (nedåtgående nod)Omloppstid: 99 minuter; ~14,5 varv/dagUpprepningsfrekvens: 16 dagar

1945-55

Denna period kännetecknas av utvecklingen av metoder och tekniker för fotoanalys. Tonvikten låg på analys och fotoanalysmetoder snarare än på deras tillämpningar.

Stäng

Convolutional Neural Networks (CNN)

Unmanned Aerial Vehicles (UAV)

Synthetic Aperture Radar (SAR)

Semantic Segmentation Net (SSN)

Mål

ERS var ESA:s första program inom jordobservation som tillhandahöll miljöövervakning baserad på mikrovågsspektrum. Missionernas instrument kunde övervaka land, hav och atmosfär, och mer specifikt havsis, geologi, skogsbruk, vågfenomen, batymetri, meteorologiska händelser och många andra vetenskapliga områden.

Earth Observation (EO) Tekniker

Innebär användning av satellit- och flygdata för att övervaka och utvärdera naturkatastrofer och katastrofer orsakade av människor. EO-teknik används för insatser efter katastrofer, bedömning av skador, återuppbyggnad och skadebegränsning, och tillhandahåller detaljerade realtidsdata för bättre beslutsfattande. Tillhandahåller detaljerade realtidsdata för bättre beslutsfattande.

Beskrivning

Metoder: Indelade i oövervakade och övervakade metoder.Oövervakad klassificering: Identifierar naturliga spektralgrupper automatiskt utan extern information.Övervakad klassificering: Använder prover med känd identitet för att styra klassificeringen.Algoritmer: Inkluderar minsta avstånd och maximal sannolikhet.Utvärdering av noggrannhet: Klassificeringsnoggrannheten utvärderas genom att jämföra resultaten med referensdata.Resultat: Producerar en tematisk karta som kan integreras i GIS.

Unmanned Aerial Vehicles (UAVs)

Drönare utrustade med högupplösta kameror och sensorer tillhandahåller realtidsdata från katastrofplatser. UAV:er används för sök- och räddningsinsatser och för att bedöma skador efter katastrofer, snabbt kartlägga stora områden och lokalisera överlevande.

Drönarvideo av förödelsen i Palisades

Wu et al. (2024)

Presenterar en studie om klassificering av husskador efter översvämningskatastrofer med hjälp av en Dual-View Convolutional Neural Network (DV-CNN)-modell, publicerad i Sustainable Cities and Society. Denna modell, som innehåller ResNet-50, transfer learning och Concentration-Based Attention Module (CBAM), förbättrar effektiviteten och generaliseringen av skadebedömningen. DV-CNN har validerats med data från den kraftiga regnstormen i Zhengzhou den 20 juli och uppnådde en noggrannhet på 92,5 % vid klassificering av skadenivåer, vilket överträffar andra modeller. Studien understryker modellens tillförlitlighet och generaliserbarhet och utgör en värdefull referens för skadebedömning av hus på landsbygden efter översvämningar.

Zhang et al., (2022)

Undersöker användningen av termiska infraröda data med hög rumslig upplösning för att förutsäga jordbävningar med hjälp av ett ”uppvärmningsfilter”. Deras studie behandlar två huvudsakliga luckor: variationen i termiska anomalier med olika jordbävningsmagnituder och utmaningen med ojämn fördelning av termiska anomalier i högupplösta data. Forskningen innefattar omprovtagning av data, tillämpning av ett ”uppvärmningsfilter” för att isolera seismiska termiska anomalier och användning av tids-, avstånds- och magnitudfönster för korrelation. Resultaten visar ingen signifikant skillnad i termiska anomalier mellan olika jordbävningsmagnituder och modellen kan förutsäga jordbävningar inom 200 km och 20 dagar efter att anomalin uppträtt. Denna binära förutsägelsemodell erbjuder en värdefull referens för jordbävningsförutsägelser.

Sundriyal et al. (2024)

Använder en integrerad metod för maskininlärning och fjärranalys för att utvärdera risker för jordskred och riskområden i nordvästra Himalaya. Genom att använda en Multilayer Perceptron (MLP) för att generera en karta över jordskredsbenägenhet, i kombination med data om nederbördsintensitet, producerar studien en omfattande riskkarta. Med hjälp av data om markanvändning och marktäcke visar den resulterande riskkartan att cirka 5 % av området ligger i högriskzoner. Forskningen visar att cirka 53 % av befolkningen bor i områden med hög till mycket hög risk för jordskred, vilket understryker behovet av hållbar utveckling och stadsplanering i denna utsatta region.

Garcia et al. (2023)

Föreslår ett nytt CNN-ramverk för halvautomatisk detektering av reliktslides i regnskogsområden, med hjälp av en dataset genererad av en k-means-klusteralgoritm med ett förträningssteg för att finjustera CNN-träningsprocessen. Studien jämför det föreslagna ramverket med standardmetoder med hjälp av CBERS-04A WPM-bilder och testar 42 kombinationer av tre CNN:er (Unet, FPN och Linknet) och två utökade datamängder. Ramverket visar högre återkallningsgrader, men precisionen förblir låg på grund av falska positiva resultat. Trots begränsningar i detekteringen av reliktjordskred på grund av spektrala likheter med områden utan jordskred, visar ramverket förbättrad noggrannhet vid detektering av jordskred.

Shastry et al. (2023)

Utvecklar en djupinlärningsmodell för kartläggning av översvämningar med hjälp av Maxar WorldView-bilder, som hanterar utmaningen med ytliga hinder i form av moln och vegetation. Deras tillvägagångssätt innebär att man skapar en semantiskt märkt dataset som representerar variationen i ytvatten i Nordamerika, som används för att träna ett konvolutionellt neuronnätverk (CNN) inom ramen för Deep Earth Learning, Tools and Analysis (DELTA). Modellen uppnår hög precision (98 %) och återkallningsgrad (94 %) under valideringen. En jämförelse med hydrauliska modeller visar dock en 62-procentig underuppskattning av översvämningarnas omfattning, främst på grund av hinder, varav 74 % kan hänföras till vegetation och 9 % till moln. Studien understryker behovet av att kombinera översvämningsmodeller med fjärranalysdata för att kunna kartlägga översvämningar på ett korrekt sätt.

Psomiadis et al. (2019)

Beskriver en synergistisk metod som använder fjärranalys och GIS-teknik för övervakning av störtfloder och skadebedömning i Thessaly Plain-området i Grekland. Studien fokuserar på en störtflod i maj 2016 och använder Landsat-7 ETM+ och Sentinel-1 SAR-bilder för att upptäcka översvämmade områden. Olika vattenindex och en tröskelmetod tillämpades på Landsat-7- och Sentinel-1-data. Dessutom användes högupplösta DEM- och Sentinel-2-bilder för att förfina avgränsningen av översvämningarna, uppskatta översvämningsvattnets djup och bedöma markanvändningen/marktäcket i de översvämmade områdena. Denna integrerade metod lyckades avgränsa översvämmade områden och utvärdera den ekonomiska påverkan på drabbade odlingar, vilket visar effektiviteten i att kombinera optiska data och radardata med GIS-modellering för noggrann kartläggning av översvämningar och skadeutvärdering.

Sentinel 2

Dess uppdrag omfattar övervakning av vegetation, markförhållanden och vattenresurshantering. Sentinel-2-uppdragets mål omfattar:

1. Observation av mark, vegetation, mark- och vattentäcke, inre vattenvägar, kustområden
2. Kartläggning av förändringar i marktäcke
3. Hantering av livsmedelssäkerhet
4. Övervakning av skogar
5. Bestämning av olika växtindex (bladarea, klorofyll, vattenhalt)

6. Information om vattenföroreningar 7. Hjälp vid katastrofhantering (bilddokumentation av översvämningar, vulkanutbrott och jordskred) 8. Övervakning av klimatförändringar

Beskrivning

Tekniker: Inkluderar kontrastförbättring, filtrering, huvudkomponentanalys och spektralbandskombination. Visuell förbättring: Förbättrar den visuella tolkningen av digitala bilder. Kontrastförbättring: Ökar gråskalegradienterna. Filter: Låg- och högfrekvensfilter förbättrar eller eliminerar bilddetaljer.

Sun et al. (2022)

Utvecklade en modell för skogsbrandsbenägenhet med hjälp av algoritmen Light Gradient Boosting Machine (LightGBM) för att skapa en exakt karta över brandbenägenhet. Studien fokuserade på en subtropisk nationalpark i Jiangsu, Kina, och använde åtta variabler som härleddes från topografiska, klimatiska, mänskliga aktivitets- och vegetationsfaktorer. LightGBM-modellen jämfördes med logistisk regression (LR) och random forest (RF)-modeller. Resultaten visade att temperaturen var den främsta branddrivande faktorn, där LightGBM överträffade LR och RF i F1-poäng, noggrannhet (88,8 %) och AUC (0,935), vilket visade på överlägsen prediktiv prestanda.

Goldberg et al. (2020)

Använder operativa satellitobservationer för att kartlägga och övervaka översvämningar orsakade av isproppar och snösmältning, särskilt i höglatitudregioner. Studien använder Visible Infrared Imaging Radiometer Suite (VIIRS) och Advanced Baseline Imager (ABI) för att uppskatta vattenfraktioner genom blandad pixeluppdelning, och härleder översvämningskartor från skillnader i vattenfraktioner före och efter översvämningen. ABI:s höga tidsupplösning och VIIRS detaljerade rumsliga upplösning möjliggör effektiv observation av isrörelser, snösmältningsstatus och översvämningsvattenutveckling, vilket underlättar översvämningsprognoser och dynamisk övervakning. JPSS- och GOES-R-översvämningsprodukterna inkluderar unikt suprasnö-/isöversvämningstyper och snö-/ismasker, vilket ökar deras användbarhet för flodprognosmakare och breda slutanvändare.

Ananias et. al (2022)

Introducerar ramverket Algal Bloom Forecast (ABF) för att förutsäga algblomning i inlandsvatten med hjälp av maskininlärning och fjärranalysdata. Det helt automatiserade ABF-ramverket utnyttjar MODIS-bilder, miljödata och spektralindex för att bygga modeller för avvikelsedetektion med SVM-, RF- och LSTM-metoder. Fallstudier i sjöarna Erie (USA), Chilika (Indien) och Taihu (Kina) visar ramverkets effektivitet. RF-modellen inom ABF-ramverket uppnådde de bästa förutsägelserna, utvärderade genom mått såsom global noggrannhet, kappa-koefficient, F1-poäng och R2-poäng.

Copernicus Program

The European Commission oversees the Programme, which is executed in collaboration with Member States, the European Space Agency (ESA), the European Organisation for the Exploitation of Meteorological Satellites (EUMETSAT), the European Centre for Medium-Range Weather Forecasts (ECMWF), various EU Agencies, Mercator Ocean, the European Environment Agency (EEA) and the Joint Research Center (JRC).

Tekniska detaljer

Uppskjutningsdatum: 15 april 1999Status: i drift trots fel på Scan Line Corrector (SLC) den 31 maj 2003Sensorer: ETM+Höjd: 705 kmInklination: 98,2° Bana: polär, solsynkronTidpunkt för ekvatorpassage: nominellt kl. 10.00 (± 15 min.) lokal tid (nedåtgående nod)Omloppstid: 99 minuter; ~14,5 varv/dagUpprepningsfrekvens: 16 dagar

Sentinel-6

Sentinel-6 består av två satelliter: Sentinel-6A lanserades i november 2020, medan Sentinel-6B är planerad att lanseras 2025. Dess primära uppdrag är att tillhandahålla högprecisionsinformation om havets topografi över hela världen, medan dess sekundära uppdrag är radioockultation för övervakning av klimatförändringar och väderprognoser. För dessa ändamål är Sentinel-6 utrustad med en syntetisk aperturradarhöjdmätare (POSEIDON-4) respektive en GNSS-RO. Sentinel-6 har förmågan att kartlägga upp till 95 % av jordens hav var tionde dag, och den insamlade informationen kompletterar havsdata från Sentinel-3. Baserat på sina uppdrag har Sentinel-6 följande mål:

1. Övervakning av förändringar i havsnivån
2. Prognostisering för operativ oceanografi
3. Tillhandahållande av information om havsströmmar, vindhastighet och våghöjd för sjösäkerheten
4. Att skydda och förvalta kustområden

link

Vad är fjärranalys?

• Förståelse av grundläggande principer för fjärranalys

Analys av de grundläggande begreppen inom fjärranalys, tillsammans med dess fördelar och nackdelar.

• Historisk utveckling av fjärranalys

Översikt över utvecklingen av teknologin, från de första fotografierna till dagens moderna satellitsystem.

• Användning av aktiva och passiva system

Presentation av aktiva och passiva fjärranalysmetoder, med fokus på RADAR- och LIDAR-system för fjärranalys.

• Hantering av naturkatastrofer med hjälp av fjärranalys

Tillämpningar av fjärranalys vid övervakning och hantering av naturkatastrofer såsom översvämningar, jordbävningar och bränder.

• Satellitbildanalys

Syntes och analys av satellitbilder genom digital behandling och kategoriseringstekniker för vetenskapligt bruk.

• Integration med geografiska informationssystem (GIS)

Användning av GIS för analys och presentation av fjärranalysdata, med fokus på deras tillämpning inom hantering av naturkatastrofer.

• Grekiska initiativ inom katastrofhantering

Presentation av grekiska projekt som använder fjärranalys för övervakning och hantering av naturkatastrofer, såsom SEASFire, Maestro telemetrisystem och DISARM.

En tidslinje för Landsat | Landsat Science

Landsat 8 lanserades framgångsrikt den 11 februari 2013 och Landsats dataarkiv fortsätter att växa.Landsat 5 levererade högkvalitativa, globala data om jordens landyta i 28 år och 10 månader, vilket officiellt gav den en ny Guinness världsrekordtitel för ”Längst fungerande jordobservationssatellit”.

Technical Details

DISARM-projektet

är en del av Interreg Balkan-Mediterranean 2014-2020-programmet och fokuserar på att skapa ett system för tidig varning för brandrisk i Grekland, Cypern och Bulgarien. Systemet har utvecklats av Geospatial Enabling Technologies och använder data från meteorologiska stationer och satellit-information för att förutsäga brandrisker. Plattformen inkluderar temperatur, luftfuktighet, vindhastighet och specialiserade brandriskindex, tillsammans med satellitdata om aktiva bränder och väderprognoser. Webbplatsen och verktygen har byggts med hjälp av öppen källkod och internationella standarder .

Park et al. (2022)

Ta itu med det ökande behovet av snabb upptäckt och övervakning av naturkatastrofer till följd av klimatförändringarna. De betonar fjärranalys-metodernas roll i hanteringen av katastrofer över flera rumsliga och tidsmässiga domäner. Trots utmaningarna med att utveckla robusta övervaknings- och utvärderingsmetoder för komplexa katastrofmekanismer erbjuder de senaste framstegen inom satellit-, flyg- och markbaserad fjärranalys, tillsammans med nya bildanalystekniker, lovande lösningar. Deras studie belyser integreringen av olika fjärranalysdata för omfattande katastrofövervakning och -utvärdering, i syfte att minska katastrofriskerna.

Deep Learning-Based Change Detection (CD)

Använder multitemporala fjärranalysbilder och djupinlärning för att upptäcka förändringar på jordytan. Denna metod hjälper till att uppdatera markanvändning, bedöma naturkatastrofer och analysera stadsutbredning genom att automatiskt lära sig och anpassa sig till högnivårepresentationer av egenskaper.

Geo-beräkningstekniker

Inkluderar integration av GIS, LIDAR, UAV och avancerade beräkningstekniker som maskininlärning och djupinlärning. Används för modellering, visualisering och förutsägelse av naturkatastrofer på lokal till global skala, vilket förbättrar katastrofförutsägelser och hantering.

Convolutional Neural Networks (CNNs)

CNN är hörnstenen i bildbaserade djupinlärningsmodeller. De har använts i stor utsträckning vid analys av satellit- och flygbilder för att upptäcka och klassificera katastrofdrabbade områden. Till exempel har utvärdering av skador efter katastrofer med hjälp av CNN visat sig vara effektivt för att identifiera förstörda byggnader och infrastruktur med hög noggrannhet.

Dinh et al. (2022)

Utvärderar prestandan hos olika optimeringsverktyg för Deformable-DETR vid bedömning av skador orsakade av naturkatastrofer. Med hjälp av djupinlärningstekniker och fjärranalys med UAV förbättrar studien katastrofhanteringen genom att öka effektiviteten och konvergenshastigheten hos Deformable DETR, en transformatorbaserad metod för objektdetektering. Forskarna analyserar flera optimeringsverktyg för att förbättra prestandan hos Deformable DETR och visar dess anpassningsförmåga och effektivitet för snabb bedömning av byggnadsskador i katastrofscenarier.

TerraSAR-X och TanDEM-X Mål

TerraSAR-X- och TanDEM-X-satelliterna flyger i tät formation och har som mål att samtidigt avbilda jordens terräng från olika vinklar med oöverträffad noggrannhet för forsknings- och utvecklingsändamål samt vetenskapliga och kommersiella tillämpningar.

Tekniska detaljer

Uppskjutningsdatum: 5 mars 1978Status: satt i standby-läge: 31 mars 1983; avvecklat: 7 september 1983Sensorer: RBV, MSSHöjd: nominellt 900 kmInklination: 99,2°Bana: polär, solsynkronTidpunkt för ekvatorpassage: nominellt 9:42 lokal tid (nedåtgående nod)Omloppstid: 103 minuter; ~14 varv/dagUpprepningsfrekvens: 18 dagar

Earthquakes release energy from the Earth and transfer this energy to the surface, causing significant effects in the affected areas. Satellite images provide a unique tool for capturing these areas after seismic events, offering a rapid damage assessment. Damage assessment after an earthquake must consider the following parameters: 1. Spatial resolution: The analysis of space data in relation to the characteristics of built-up areas (dense or sparse construction). 2. System repeatability: The frequency with which the satellite images the same area. Although a system may have high repeatability, acquiring data in real or near real-time is critical. 3. Detection and recognition capability: This capability is particularly important in sparsely built areas.

Sentinel 3

Sentinel-3:s huvudsakliga mål är att mäta havsytans topografi, land- och havsytans temperatur samt havets färg. Den tillhandahåller högprecisa data som stöd för miljö- och klimatprognoser samt övervakning. Sentinel-3 kompletterar Sentinel 2:s uppdrag med mål som:

1. Bestämning av havsytans topografi och höjd samt signifikant våghöjd
2. Mätning av havs- och landytans temperatur
3. Bestämning av havs- och landytans färg
4. Kartläggning av havs- och landisens topografi
5. Övervakning av havs- och insjövattenkvalitet, föroreningar och biologisk produktivitet
6. Modellering av klimatförändringar
7. Identifiering av förändringar i markanvändning
8. Kartläggning av skogstäckning
9. Detektering av skogsbränder
10. Tillhandahålla index över vegetationens status
11. Prognosering av väder och klimat
12. Mätning av jordens värmestrålning för atmosfäriska tillämpningar

Semantic Segmentation Networks

Använder SSN för att identifiera och lokalisera områden av intresse inom satellitbilder. Väsentligt för analys av naturkatastrofer såsom skogsbränder, översvämningar och orkaner genom att tillhandahålla precisa och korrekta skadeuppskattningar, förbättra insatserna och resursfördelningen.

EarthExplorer

EarthExplorer (EE) är ett onlineverktyg som utvecklats av United States Geological Survey (USGS) för sökning, upptäckt och beställning. Det gör det möjligt för användare att söka i satellit-, flyg- och andra fjärranalysinventarier med hjälp av interaktiva och textbaserade sökfunktioner.

Recurrent Neural Networks (RNNs)

RNN, särskilt Long Short-Term Memory (LSTM)-nätverk, används för tidsserieprognoser, vilket gör dem lämpliga för prognoser av naturkatastrofer. Studier har visat deras förmåga att förutsäga översvämningar genom att analysera tidssekvenser av nederbördsdata och flodernas avrinningshastigheter.

Peng, (2022)

Granskar senaste framsteg och utmaningar inom fjärranalysmetoder för övervakning av meteorologiska katastrofer. De viktigaste frågorna som identifierats är uppgiftsfördelning, informationsutvinning och detektering av förändringar över tid. För noggrann övervakning krävs fastställande av tidsramar, sensorplanering och konstruktion av representationsmodeller. Den extraherade informationen bearbetas sedan och jämförs över tid för att upptäcka katastrofens utveckling. Även om det finns framgångsrika tillämpningar finns det fortfarande luckor i processövervakningen. Framtida forskning om sensorplanering, informationsrepresentation och fusion av data från flera källor behövs för att förbättra övervakningen och förståelsen av meteorologiska katastrofer.

Stäng

Detektering av förändringar

Klassificering av skador

Syntetisk aperturradar

Obemannade luftfarkoster (UAV)

IKONOS, World View, QuickBird, Pleiades och SPOT-satelliter

Dess kapacitet inkluderar att fånga en 3,2 m multispektral, nära infraröd (NIR) 0,80 meter panchromatisk upplösning vid nadir. Dess tillämpningar inkluderar både urban och rural kartläggning av naturresurser och naturkatastrofer, skattekartläggning, jordbruks- och skogsbruksanalys, gruvdrift, teknik, konstruktion och förändringsdetektering. Den kan ge relevant data för nästan alla aspekter av miljöundersökningar.

Feng et al. (2022)

Undersöker osäkerheterna i maskininlärningsmodeller för att bedöma risken för jordskred orsakade av jordbävningar. Med hjälp av artificiella neuronnätverk (ANN), Random Forest (RF), Support Vector Machine (SVM) och logistisk regression (LR) utvärderar studien modellosäkerheten genom känslighetszonering, statistik över riskområden och arean under ROC-kurvan. Resultaten visar att jordskred tenderar att klusteras rumsligt, med verkliga jordskred i högriskområden på 86 % för SVM, 87 % för RF, 82 % för LR och 61 % för ANN. ROC-området för RF, SVM, LR och ANN är 90,92 %, 80,45 %, 73,75 % respektive 71,95 %. Noggrannheten minskar när man förutsäger jordskred från olika jordbävningar.

Yang et al. (2024)

Presenterar en studie om en förfinad metod för branddetektering och bandval i hyperspektrala fjärranalysbilder med hjälp av sparse-VIT. Denna forskning, som publicerats i Infrared Physics & Technology, syftar till att förbättra branddetekteringsnoggrannheten genom att utnyttja avancerade hyperspektrala bildtekniker. Studien, som genomförts av forskare från Shanghai Institute of Technical Physics, University of Chinese Academy of Sciences och Beijing Institute of Remote Sensing Information, visar på betydande förbättringar inom fjärranalysapplikationer för brandövervakning och brandhantering, vilket ger en robust ram för framtida utveckling inom området.

Elmahdy et al. (2020)

Fokuserar på kartläggning och förutsägelse av risken för plötsliga översvämningar (FF) i norra Förenade Arabemiraten (NUAE) med hjälp av en hybridmetod som integrerar maskininlärning och geohydrologiska modeller. Studien testar tre maskininlärningsmodeller: förstärkt regressionsträd (BRT), klassificerings- och regressionsträd (CART) och naivt Bayes-träd (NBT). BRT-modellen visade högst prestanda, utvärderat med hjälp av precision, återkallelse, F1-poäng och ROC-kurva. Kartan över känslighet för FF förfinades ytterligare genom att dela upp den i sju bassänger och beräkna nya FF-konditioneringsparametrar. Resultaten visade att bergiga och smala bassänger som RAK, Masafi, Fujairah och Rol Dadnah har den högsta förekomsten och omfattningen av FF, medan bredare alluviala slätter som Al Dhaid har den lägsta. Denna metod förbättrar noggrannheten i kartläggningen av känslighet för FF och utgör ett värdefullt verktyg för katastrofhantering i torra regioner.

Li et al. (2023)

Integrerar SLIDE-modellen i CAESAR-Lisflood för att kvantitativt modellera mekanismen för katastrofkedjan ”regn-jordskred-översvämning” under landskapsutvecklingen i bergsområden. Denna integrerade modell, som tillämpas på det jordbävningsdrabbade området Wenchuan, förutsäger jordskredskänslighet vid extrem nederbörd och identifierar högriskområden såsom bergsdalar och branta raviner. Studien belyser den betydande inverkan som jordskred har på erosions- och sedimentationsprocesser, vilket förbättrar modellens tillämplighet för katastrofhantering och katastrofbegränsning i jordbävningsdrabbade regioner.

Lee, (2022)

Undersöker trender och egenskaper hos skogsbränder i Nordkorea med hjälp av fjärranalysmetoder och digitala topografiska data. Studien analyserar MODIS-data från 2004 till 2015 och Landsat-data för att uppskatta de brända områdena i provinsen Sydhamgyong (SHP) och provinsen Gangwon (GWP). Resultaten visar att bränderna i SHP är mer frekventa och allvarliga, särskilt i barrskogsområden, som är mer brandkänsliga på grund av sitt brännbara kåda. Stora bränder inträffar främst på öppna sluttningar på vindutsatta sidor, medan det är färre bränder i grunda dalar och på höga bergskammar. Studien belyser behovet av att Nordkorea utvecklar åtgärder mot stora brandskador.

Barmpoutis et al. (2020)

Ge en omfattande översikt över system för tidig upptäckt av skogsbränder med hjälp av optisk fjärranalys. Studien behandlar det eskalerande hotet från storskaliga skogsbränder och betonar behovet av effektiva strategier för förebyggande, tidig varning och respons. Den kategoriserar branddetekteringssystem i tre typer: markbaserade, luftburna och rymdburna, och utvärderar olika algoritmer för flam- och rökdetektering som används av dessa tekniker. Översikten belyser styrkor och svagheter hos varje system, med målet att vägleda framtida forskning i utvecklingen av mer exakta och tillförlitliga system för tidig varning för att mildra skogsbrändernas påverkan på miljön och människors liv.

Analysen av en tidsserie av SAR-bilder utvidgar de möjliga tillämpningarna av interferometri, vilket möjliggör detektering av små förskjutningar i storleksordningen några millimeter och minskar felkällorna. Det finns två huvudsakliga tekniker:

a. SBAS-tekniken (Berardino P. och Sansosti, 2002), som kräver många bilder för att skapa flera enkla interferogram. Genom en bearbetningsprocess möjliggör dessa interferogram en precis registrering av deformationer.b. Tekniken Persistent Scatterers (PS), som också kräver ett stort antal SAR-bilder och fokuserar på markegenskaper som förblir stabila över tid (Ferretti A. & Rocca, 2001). Denna teknik ger punktinformation om deformation, främst från mänskliga konstruktioner och kala bergarter.

Förändringar i landtäckning upptäcks via fjärranalys genom att analysera variationer i strålningsvärden. Satellitbilder ger rumslig insikt, täcker stora områden och ger tidsdata för övervakning av dynamiska fenomen. Skapandet av tematiska kartor över landtäckning/markanvändning sker i tre steg: förbehandling, förbättring och klassificering. Klassificeringen tilldelar pixelegenskaper till markkategorier, och dess noggrannhet är avgörande. Satellitbilder över tid möjliggör övervakning av förändringar. Övervakad klassificering bygger på statistiska data och precisa klassdefinitioner, vilket kräver expertis för effektiv kartläggning.

Asaly et al. (2022)

Undersöker detektering av föregångare till jordbävningar med hjälp av fjärranalys-teknik och maskininlärningsmetoder. De tillämpar en support vector machine (SVM)-teknik på GPS-data om jonosfärens totala elektroninnehåll (TEC) för att identifiera potentiella föregångare till jordbävningar. Efter att ha filtrerat bort solens och jordens magnetiska påverkan uppnådde deras metod 85,7 % noggrannhet för sanna negativa förutsägelser och 80 % för sanna positiva förutsägelser för stora jordbävningar (Mw > 6). Modellens prestanda valideras med olika skicklighetspoäng, inklusive en noggrannhet på 0,83, precision på 0,85, återkallelse på 0,8, Heidke-skicklighetspoäng på 0,66 och sann skicklighetsstatistik på 0,66.

Akhyar et al. (2023)

Ge en omfattande översikt över metoder för djupinlärning, särskilt konvolutionella neuronnätverk (CNN), som används för system för hantering av naturkatastrofer. Studien belyser användningen av semantiska segmenteringsnätverk för att analysera satellitbilder och fjärranalysdata för katastrofbedömning och katastrofhantering. Trots effektiviteten hos modeller som SegNet, U-Net, FCNs, FCDenseNet, PSPNet, HRNet och DeepLab i uppgifter som avgränsning av skogsbränder, kartläggning av översvämningar och bedömning av jordbävningsskador, kvarstår utmaningar när det gäller att behålla rumslig information och optimal representation av egenskaper. Denna översikt understryker vikten av att extrahera egenskaper från flera nivåer av semantisk representation för att förbättra katastrofhanteringsinsatserna.

Kim & Muminov, (2023)

Föreslår en avancerad YOLOv7-modell för att upptäcka skogsbrandsrök med hjälp av UAV-bilder. Modellförbättringarna inkluderar införlivande av CBAM-uppmärksamhetsmekanismen, tillägg av ett SPPF+-lager för bättre fokus på mindre rökområden och införande av avkopplade huvuden för effektiv dataextraktion. En BiFPN används för multiskalig funktionsfusion, med inlärningsvikter för att prioritera kritiska funktionsmappningar. Testad på en dataset med 6500 UAV-bilder uppnådde den föreslagna metoden en AP50 på 86,4 %, vilket överträffade tidigare detektorer med 3,9 % och visade dess effektivitet vid tidig upptäckt av skogsbrandsrök.

Tekniska detaljer

Uppskjutningsdatum: 22 januari 1975Status: borttagen från operativ status: 5 februari 1982; avvecklad: 27 juli 1983Sensorer: RBV, MSSHöjd: nominellt 900 kmInklination: 99,2°Bana: polär, solsynkronTidpunkt för ekvatorpassage: nominellt 9:42 lokal tid (nedåtgående nod)Omloppstid: 103 minuter; ~14 varv/dagUpprepningsfrekvens: 18 dagar

Grekiskt GIS-företag GET

De slutliga datamängderna och de upptäckta översvämningspolygonerna visas dynamiskt via GET SDI-portalen, vilket visar potentialen hos Sentinel-1-data i krishantering. RGB-bilden som skapats från Sentinel-1-data den 11 februari 2018 (före krisen) och den 23 februari 2018 (under krisen) markerar översvämmade områden i rött på grund av kontrasten i bakåtspridningsvärdena. Översvämnings-polygonerna har härletts genom att tillämpa ett globalt tröskelvärde på skillnaden mellan bilderna före krisen och under krisen.

https://www.getmap.eu/company/?lang=en

Sentinel 1

Uppskjutningen

Datum: Sentinel-1A – 3 april 2014 Sentinel-1B – 25 april 2016 Sentinel-1C – 5 december 2024Plats: Kourou, Franska GuyanaRaket: Sentinel-1A och -B på Soyuz Sentinel-1C på Vega-C

Tekniska detaljer

Uppskjutningsdatum: 5 oktober 1993Status: förlorad vid uppskjutningenSensor: ETM

Stephenson et al. (2022)

Introducerar en ny metod baserad på djupinlärning för kartläggning av skador med hjälp av InSAR-koherens tidsserier för att förbättra separationen av katastrofskador från andra ytförändringar. Denna metod utnyttjar återkommande neurala nätverk (RNN) för att analysera hela tidshistoriken för observationer från syntetisk aperturradar (SAR) och upptäcka onormala variationer i ytegenskaper.

Tekniska detaljer

Uppskjutningsdatum: 16 juli 1982Status: avvecklad, 15 juni 2001Sensorer: TM, MSSHöjd: 705 kmInklination: 98,2°Bana: polär, solsynkronTidpunkt för ekvatorpassage: nominellt 9:45 (± 15 min.) lokal tid (nedåtgående nod)Omloppstid: 99 minuter; ~14,5 varv/dagUpprepningsfrekvens: 16 dagar

Om Terra

Terra-satelliten är ungefär lika stor som en liten skolbuss och bär på fem instrument som gör samtidiga mätningar av jordsystemet:

1. Advanced Spaceborne Thermal Emission and Reflection Radiometer (ASTER)
2. Clouds and Earth’s Radiant Energy System (CERES)
3. Multi-angle Imaging Spectroradiometer (MISR)
4. Measurements of Pollution in the Troposphere (MOPITT)
5. Moderate Resolution Imaging Spectroradiometer (MODIS)

Jia & Ye, (2023)

Genomförar en omfattande granskning av tillämpningar av djupinlärning (DL) inom jordbävningskatastrofbedömning (EDA) och analysera 204 artiklar för att undersöka nuläget, utvecklingen och utmaningarna. De kategoriserar EDA-objekt i katastrofobjekt (jordbävningar och sekundära katastrofer) och fysiska objekt (byggnader, infrastruktur och områden). Studien undersöker användningen av fjärranalys, seismiska data och data från sociala medier inom EDA och belyser deras fördelar och begränsningar. Den utvärderar också sex DL-modeller, inklusive CNN, MLP, RNN, GAN, TL och hybridmodeller, i olika jordbävningsstadier (före, under, efter och flerstegs). CNN är särskilt framträdande för bildklassificering vid bedömning av byggnadsskador. Granskningen identifierar utmaningar i träningsdata och DL-modeller, föreslår möjligheter i nya datakällor, multimodal DL och nya koncept, och ger värdefulla insikter för forskare och praktiker.

1925-45

Under denna period användes flygfotografering i stor utsträckning, främst för topografisk kartläggning med hjälp av stereoskopiska flygfotografier. Andra världskriget bidrog i hög grad till förbättringen av flygfotograferingsteknologin.

Sentinel 4 and 5

Sentinel-4 är en framtida geostationär mission som övervakar viktiga spårgaskoncentrationer och aerosoler i luften över Europa för att stödja tjänster som rör luftkvalitetstillämpningar och klimatprotokoll. Missionerna Sentinel-4 och Sentinel-5 fokuserar på övervakning av atmosfärens sammansättning. Sentinel-4, Sentinel-5P och Sentinel 5 har utformats för att komplettera Copernicus Atmosphere Monitoring Service (CAMS), som tillhandahåller aggregerad information om luftföroreningar, hälsa, solenergi, växthusgaser och klimatpåverkan över hela världen.Sentinel-4:s uppdragsmål omfattar följande:

1. Mätning av luftkvalitet
2. Övervakning av stratosfäriskt ozon
3. Mätning av solstrålning
4. Övervakning av klimatförändringar

link

1955-60

Flygfotografier blev mer populära och deras användningsområden utvidgades från topografisk kartläggning till att även omfatta geologi, jordbruk, miljö, skogsbruk, arkeologi etc.

Synthetic Aperture Radar (SAR)

Använder radar för att skapa detaljerade bilder av jordytan, även genom molntäcke och i mörker. SAR används för att bedöma skador efter jordbävningar och övervaka vulkanutbrott, och tillhandahåller viktig information för tidig skadebedömning och förutsägelser om vulkanutbrott.

Deep Multi-Instance Convolutional Neural Networks (DMCNN)

En ny djupinlärningsmodell utformad för katastrofklassificering i högupplösta fjärranalysbilder. Detekterar och klassificerar olika naturkatastrofer och erbjuder robusta funktioner för katastrofhantering genom att noggrant identifiera och klassificera drabbade regioner.

Taskin et al. (2022)

Presenterar en ensemble-arkitektur för djupinlärning baserad på delade block för kartläggning av känslighet för ytliga jordskred. Detta tillvägagångssätt syftar till att hantera begränsningar i modellvarians och generalisering. Genom att kombinera konvolutionella neuronnätverk (CNN), återkommande neuronnätverk (RNN) och LSTM-modeller (Long Short-Term Memory) tillämpades ensemblemodellen (CNN-RNN-LSTM) på provinsen Trabzon i Turkiet. Ensemblen uppnådde den högsta modelleringsprestandan med en noggrannhet på 0,93, vilket överträffade enskilda modeller. Ensemblemodellen förbättrade den totala noggrannheten med upp till 7 % och visade en signifikant förbättring (~4 %) i kartläggningens noggrannhet, vilket bekräftades av Wilcoxon signed-rank test.

ERS-Instrument

• Along-Track Scanning Radiometer (ATSR) mätte havsytans temperatur och molntoppens temperatur.
• Global Ozone Monitoring Experiment (GOME) var ett nadirskannande ultraviolett och synligt spektrometer för global övervakning av atmosfäriskt ozon.
• Microwave Radiometer (MWR) mätte den integrerade atmosfäriska vattenångkolonnen och molnens flytande vatteninnehåll, som korrigeringstermer för radarhöjdmätarens signal.
• Radarhöjdmätaren (RA) var en Ku-band (13,8 GHz) nadir-pekande aktiv mikrovågssensor utformad för att mäta tidssvarsekot från havs- och isytor.
• Syntetisk aperturradar (SAR) vågmod gav tvådimensionella spektra av havsytans vågor.
• Vindscatterometern (WS) erhöll information om vindhastighet och vindriktning vid havsytan för att införlivas i modeller, global statistik och klimatologiska datamängder.
• Laserretroreflektorn (LRR) var en passiv anordning som användes som reflektor av markbaserade SLR-stationer med hög effekt pulslasrar.
• Precise Range And Range-Rate Equipment (PRARE) var ett kompakt, rymdbaserat, tvåvägs, tvåfrekvent mikrovågsbaserat satellitspårningssystem.

Beskrivning

Kritisk fas: Förhindrar förstoring av brister i digital bearbetning. Atmosfäriska korrigeringar: Nödvändiga för exakta resultat. Geometriska korrigeringar: Omvandlar bilder till kartor för GIS-användning. Konverteringsprocess: Innebär konvertering av bildkoordinater till ett kartografiskt projektionssystem med hjälp av polynomiala algoritmer och kontrollpunkter.

SEASFire-projektet

fokuserar på att utveckla ett system för övervakning och hantering av skogsbränder i realtid. Systemet integrerar satellitdata, UAV:er och markgivare för att ge en omfattande situationsbild och stödja brandbekämpnings-insatser.

Systemet syftar till att förbättra beslutsfattandet inom skogsbrandshantering genom avancerad teknik och dataanalys. Genom att utnyttja dessa verktyg strävar SEASFire efter att förbättra effektiviteten och ändamålsenligheten i brandbekämpningsinsatser, vilket i slutändan minskar skogsbrandernas påverkan. Projektet leds av National Observatory of Athens och finansieras av ESA. Syftet är att förutsäga säsongsmässiga mönster för skogsbränder i Europa med hjälp av avancerade djupinlärningsmodeller och jordobservationsdata. Projektet fokuserar på att förstå de spatio-temporala sambanden mellan atmosfäriska förhållanden och brandregimer (”SeasFire – Earth System Deep Learning for Seasonal Fire Forecasting in Europe”, 2024).

1960-idag

Denna fas kännetecknas av en aktiv utveckling av satelliter och sensorer. 1960 sköts den första meteorologiska satelliten upp, vilket markerade en ny era av intensiv aktivitet och forskning inom fjärranalys. Under denna period började vissa satellitregistreringssystem, som ursprungligen utvecklats uteslutande för militära ändamål, användas i stor utsträckning, eftersom mer avancerade system utvecklades för militära tillämpningar.

Wang et al., (2021)

Identifierar Separable Channel Attention Network (SCANet) som en lovande djupteknik för hantering av naturkatastrofer, särskilt jordskred. SCANet använder en Poolformer-kodare och SCA-FPN-avkodare för att förbättra noggrannheten i jordskredsdetektering från fjärranalysbilder. Genom att förbättra förutsägelser på pixelnivå och minska beräkningskomplexiteten överträffar SCANet avsevärt befintliga metoder, vilket underlättar snabba räddningsinsatser och ekologiska återställningsinsatser efter katastrofer.

Maestro-telemetrisystemet

utvecklat av Aristotle University of Thessaloniki, är utformat för att förutsäga och hantera skogsbränder. Det innebär att trådlösa sensorer placeras i skogsområden för att samla in data om temperatur, luftfuktighet, vindhastighet, flam- och rökdetektering. Dessa data, som överförs via internet, används för att förutsäga brandrisker och informera om civilskyddsplaner. Systemet kommer att testas i en kontrollerad brand på universitetets gård för att utvärdera sensorns känslighet.

Ofire+ från OMIKRON SA

är ett innovativt system som utformats för att förbättra beredskapen för hantering av skogsbränder i kommuner och regioner. Det erbjuder en kombination av vetenskapliga och tekniska lösningar, med dagliga meteorologiska data, brandhärdar, simuleringar av brand-beteende, egenskaper hos vegetationsbränder och ett brandväderindex. Systemet inkluderar en webb-/molnbaserad hanteringsapplikation för kommunala myndigheter och en mobilapp för personal, volontärer, invånare och besökare, vilket möjliggör autonom användning för enskilda fastigheter.

Finansierat av EU och nationella resurser, syftar det till att förbättra krishantering och krishantering (Omikron S.A., 2024)

https://ofireplus.com/

Ntinopoulos et al. (2023)

Undersöker fusionen av fjärranalyserade brandrelaterade index för förutsägelse av skogsbränder med hjälp av artificiell intelligens. Studien använder artificiella neurala nätverk (ANN) och radiella basfunktionsnätverk (RBF) för att förutsäga skogsbränder i Grekland, med hjälp av index som Fire Weather Index (FWI), Fosberg Fire Weather Index (FFWI), Normalized Difference Vegetation Index (NDVI) och Normalized Difference Moisture Index (NDMI). Dessutom introducerar de ett nytt index, ”Vegetation-Enhanced FWI” (FWIveg), som kombinerar FWI med NDVI-information. Detta index har utvecklats genom Google Earth Engine-plattformen och optimerats med hjälp av en genetisk algoritm. Metodens robusthet demonstrerades genom att förutsäga skogsbranden i Mati i Attika, Grekland, 2018, vilket visade effektiviteten av att integrera FWIveg med neurala nätverk för brandprognoser.

Generative Adversarial Networks (GANs)

GAN används för att förbättra upplösningen på fjärranalysbilder, vilket förbättrar noggrannheten i bedömningar av katastrofens omfattning. De genererar högupplösta bilder från lågupplösta indata, vilket är avgörande för detaljerade analyser i katastrofdrabbade områden.

Mission

Satelliterna ERS-1 och ERS-2, som sköts upp på 1990-talet, använder syntetisk aperturradar (SAR) för att kartlägga jorden. Envisat, som sköts upp 2002, tillhandahöll data för övervakning av miljö- och klimatförändringar fram till 2012.

Long et al. (2021)

Presenterar en studie om användning av djupinlärning för nödövervakning av stora jordskredskatastrofer i Jinsha-flodområdet. Genom att kombinera satellitbilder med olika faktorer som kan orsaka jordskred har studien tagit fram två detektionsmodeller: Deep Belief Networks (DBN) och Convolutional Neural-Deep Belief Networks (CDN). Modellernas prestanda analyseras utifrån parametrar som antalet neuroner och inlärningslager, där DBN och CDN uppnår en detektionsnoggrannhet på 97,56 % respektive 97,63 %. Denna forskning visar att dessa modeller är lämpliga för noggrann övervakning av jordskred och ger värdefulla insikter för katastrofhantering i regionen.

Dinh et al. (2022)

Utvärderar prestandan hos olika optimeringsverktyg för Deformable-DETR i samband med skadebedömning vid naturkatastrofer. Studien utnyttjar de senaste framstegen inom datorseende och fjärranalys med UAV och syftar till att förbättra katastrofhanteringen genom att förbättra metoderna för skadebedömning. Deformable DETR, en förbättring av den Transformer-baserade DETR-metoden för objektdetektering, undersöks med avseende på effektivitet och konvergeringstid. Forskarna analyserar flera optimeringsverktyg för att öka prestandan hos Deformable DETR och visar dess lämplighet och effektivitet för snabb skadebedömning i katastrofscenarier.

Tekniska detaljer

Uppskjutningsdatum: 23 juli 1972Status: utgången, 6 januari 1978Sensorer: RBV, MSSHöjd: nominellt 900 kmInklination: 99,2°Bana: polär, solsynkronTidpunkt för ekvatoriell passage: nominellt 9:42 lokal tid (nedåtgående nod)Omloppstid: 103 minuter; ~14 varv/dagUpprepad täckning: 18 dagar

Chen et al. (2023)

Föreslår en K-Net-baserad hybrid semantisk segmenteringsmetod för att extrahera sjöar, som åtgärdar ineffektivitet och faror i traditionella metoder. Denna metod introducerar dynamiska semantiska kärnor för att iterativt förfina funktionsinformation, vilket avsevärt förbättrar extraktionsnoggrannheten från fjärranalysbilder. Validering på en Google-datauppsättning visar modellens överlägsenhet, där UperNet +K-Net-modellen med Swin-l uppnår den högsta genomsnittliga skärningspunkten över union (mIoU) på 97,77 %. Införlivandet av K-Net-modulen förbättrar konsekvent mIoU i alla testade modeller.

Före 1925

Denna period kännetecknas av experiment med fotografering från ballonger och flygplan för topografisk kartläggning. Redan från början visade dessa fotografier värdet av flygfotografering, särskilt under första världskriget när de användes för att lokalisera och kartlägga strategiska positioner.