クリスチャン・アーリング・ソレンセン
これは、Sentinel-1 衛星画像を純粋に Python で操作するための Python モジュールです。これにより、必要な画像を見つけてダウンロードし、操作することができます (キャリブレーション、スペックル フィトラーなど)。メタデータには SentinelSAT パッケージを使用します。次に、データは NASA ASF からダウンロードされます。
なぜ？ ESA SNAP を使用したくないからです。また、これにより、ワークフロー全体を Python で行う方が簡単になりました。
品質、安全性などについては一切保証しません。お好みに合わせてお使いください。
導入
要件
インストールして実行する
Python で Sentinel-1 イメージを使用する
SAR の概要
謝辞
しこり
ジオパンダ
mgrs (後のバージョンでは削除されるはずです。ごめんなさい。)
scikit-learn (後のバージョンでは削除されるはずです。ごめんなさい。)
scipy (後のバージョンでは削除されるはずです。ごめんなさい。)
カルトピー
枕
パンダ
センチネルサット
マットプロットライブラリ
このリポジトリは、git clone または pypi のいずれかを使用してインストールできます。現時点では、pypi-test にのみ配置しているので、そこに残ることを願います。
Pypiの使用
GDAL。 gdal バインディングが機能していることを確認してください...
pypy テストを使用して Sentinel_1_python をインストールする
python3 -m pip install sentinel-1-python --extra-index-url=https://test.pypi.org/simple/
クローンの使用
すべての要件をインストールする
クローン
git clone https://github.com/aalling93/sentinel_1_python.git
目次に戻る
画像のメタデータを取得する
Sentinel_metadata() をmet:met.area([29.9,21,56.7,58])としたmet.get_metadata(sensor='s1_slc',start_data='20220109',end_date='20221010')
必要に応じて画像をフィルタリングします
met.iw() #filer なので、IW しかありません
ダウンロード前に画像を表示する:
met.plot_image_areas() # 画像の範囲を表示met.show_cross_pol(4)
その後、画像の範囲を確認できます。
そして、ダウンロードする前に画像を表示してください...
画像をダウンロードする
フォルダー = f'{os.getenv("raw_data_dir")}/slc_sweden'with Satellite_download(met.products_df) as dwl:os.makedirs(folder,exist_ok=True)#save metadatadwl.products_df.to_pickle(f'{folder} /slc_dataframe.pkl')#ダウンロードsumnailsdwl.download_thumbnails(folder=f'{folder}/slc_thumbnails') #slc イメージを .zip 形式でダウンロードし、.SAFE 形式に抽出します。.dwl.download_sentinel_1(f'{folder}/slc')Pythonでスペックルフィルター画像をロード、調整、調整する
image_paths = glob.glob(f'{os.getenv("raw_data_dir")}/*/*/*.SAFE')img = s1_load(image_paths[0])img =img.calibrate(mode='gamma') #例: 'sigma_0' img = img.boxcar(5) も使用できます。 # 例: Lee を簡単に作成できますフィルター..img.simple_plot(band_index=0) 
これで、インデックスまたは座標セットで定義された画像の領域を抽出できるようになりました。
indx = img.get_index(lat=57.0047,long=19.399)img[indx[0]-125:indx[0]+125,indx[1]-125:indx[1]+125].simple_plot(band_index=1) )
目次に戻る
合成開口レーダー (SAR) は、非協力的な監視タスクなどに使用できるアクティブな機器です。 MSI などと比較した最大の利点は、昼夜を問わず動作し、雲や雨さえも確認できることです。 SAR 計測器を衛星に設置することにより、設計固有の時間的および空間的解像度で地球規模のカバー範囲を取得することが可能になります。したがって、例えば、AIS と SAR 機器を組み合わせることで、協調的および非協調的な監視を取得できます。
レーダーは、マイクロ波スペクトル内の特定の特徴を持つ電磁パルスを放射する機器です。モノスタティック レーダーの場合、レーダー機器はパルスからの後方散乱信号の送信と受信の両方を行います。後方散乱信号は、それが照射したターゲットの構造に依存するため、よく知られている送信信号と受信信号を比較することにより、モノスタティック レーダー方程式を使用してターゲットの幾何学的特性と基礎的な特性の両方を記述することができます。
どこ ？？受信信号は送信信号から派生したものですか??。変数 ?はレーダーの設計固有の波長、?(?,?) はレーダーのゲイン パターンです。信号は移動距離に応じて分散されます。したがって、レーダー断面積、α（α、β）を導出することができ、これはターゲットの誘電特性および幾何学的特性を記述しており、角度αに依存する。そして ？。 ただし、ノイズが存在する場合は、モノスタティック レーダーの方程式に別の寄与を追加する必要があります。私の他のリポジトリ https://github.com/aalling93/Finding-on-groud-Radars-in-SAR-images では、Radio Frequency Interfence (RFI) を使用しています。他のレーダーからの他の信号が SAR 信号に干渉する現象。一般に、?(?,?) はターゲット領域内の利用可能なエネルギーを表すため、その領域で正規化する必要があります。レーダー後方散乱係数は次のように求められます。
当面の問題に応じてさまざまな領域を使用できます。 SAR を画像レーダーとして使用する場合、画像内の各ピクセルは位相と振幅値を持ちます。画像をキャリブレーションすることにより、式に示されているレーダー後方散乱係数を取得することができます。 。このモジュールでは、外部ソフトウェアや (悪名高い) Snappy パッケージなどを必要とせずに、Sentinel-1 イメージをダウンロードしてロードし、調整することができます。
SAR は照射領域内のすべての物体から後方散乱の影響を受けるため、スペックルと呼ばれるノイズのような現象が発生します。これにより、各ピクセルが領域内の個々のオブジェクトからの後方散乱の組み合わせである粒状の画像が生成されます。 私のリポジトリ https://github.com/aalling93/Custom-made-SAR-speckle-reduction では、いくつかの異なるスペックル フィルターを実装し、さまざまな条件下での違いを示しています。 。
SAR 画像レーダーは通常のレーダーとは異なり、プラットフォームの動きを利用してより高い解像度を合成するため、合成開口レーダーと呼ばれています。静止したターゲットの写真を撮影する場合、ドップラー周波数はプラットフォームの速度から求められます。 SAR は、同じターゲットとの間で複数のパルスを発信および受信しています。 SAR がターゲットに向かって飛行しているとき、SAR は正のドップラー周波数を測定しますが、ターゲットに対して垂直になるまで減少し、その後は負のドップラー周波数が増加します。
電磁信号は水平偏波または垂直偏波のいずれかで送信され、フルパラメトリック SAR は水平偏波と垂直偏波の両方を送信できます。送信パルスとターゲットとの相互作用により、垂直信号と水平信号の両方が反射されて SAR に戻ります。これにより、いくつかの異なる散乱メカニズムが発生します。いくつかのタイプの散乱メカニズムが存在します。船舶検出の場合、最も顕著なものは表面散乱と二重反射散乱です。
送信された信号は、照射する物体によって部分的に吸収され、部分的に反射されます。表面散乱は、反射信号を表す散乱です。表面が完全に滑らか（鏡面）の場合、後方散乱は SAR に反射されません。表面が粗い場合、散乱が発生し、入射パルスの一部が散乱されて SAR に戻ります。粗い表面は、滑らかな表面と比較して後方散乱が高くなります。さらに、VV と HH は、粗い表面と滑らかな表面の両方で、VH と HV に比べて後方散乱が高くなります (HV と VH はほとんど常に同じです)。 表面が湿っていると、レーダー断面積が大きくなります。表面の後方散乱は、それが照らすターゲットの粗さと誘電率に依存します。したがって、SAR 周波数での高い誘電率を考慮しても、海面は濡れていて比較的滑らかな表面のため (風速が低い場合)、小さな後方散乱が発生することがよくあります。
ダブルバウンス散乱は、送信されたパルスがコーナーから SAR に 2 回鏡面反射されるときに発生します。これにより、非常に高い後方散乱が発生します。船舶には多くのコーナーがあり、非常に滑らかであることが多く、その結果、後方散乱が特に高くなります。したがって、多くの場合、海面のある船などを区別するのは簡単です。海洋における飛散メカニズムの詳細については、こちらをご覧ください。前述したように、他にもいくつかの散乱メカニズムが存在し、北極の SAR 画像で船などを検出する場合は、体積散乱も考慮する必要があります。
SAR とその移動プラットフォームの幾何学的形状により、一般的な SAR イメージング センサーは、画像取得中にターゲットが静止しているという想定の下で、良好な解像度で焦点の合った画像を取得できるように設計されています。この焦点は移動するターゲットには適用できないため、通常の SAR 機器は船舶などの高速で移動するオブジェクトの検出には適していません。その結果、静止した背景はよく解像度され、動くターゲットはあまり解像度が低くなります。非協力的な監視タスクでは、これは重大な問題です。ターゲットが一定の加速度で SAR の視線に対して垂直に移動しているという仮定の下では、SAR 画像のドップラー シフトを考慮することで問題を軽減できます。船舶は通常、そのようなパターンに従いません。したがって、SAR 機器を搭載した船舶を観察する場合は、より複雑な軌道パターンを考慮する必要があります。
要約すると、SAR 機器の機能を使用すると、海面上の船舶を検出できるはずです。
私自身、サイモン・ルペンバ、エイギル・リッパート
ライセンス ファイルを参照してください。要するに：
あなたの作品で私を引用してください！次のようなもの: Kristian Aalling Sørensen (2020) Sentinel_1_python [ソース コード]。 https://github.com/aalling93/sentinel_1_python。電子メール: [email protected]
できるだけ多くの人に Github で私をフォローしてもらいます。少なくともこれを使用しているあなたとあなたの同僚。私は同じようなハンターです。
上記と同じように条件付けして、このリポジトリにスターを付けます。
私がどれだけ素晴らしい仕事をしたのか、メールを 1 ～ 2 通書いて教えてください。
作品の改善にご協力ください。協力者を随時募集しています。
