Remote sensing of mountain snow from space: status and recommendations

Από RemoteSensing Wiki

Τηλεπισκόπιση χιονιού από το διάστημα: κατάσταση και προτάσεις

Πρωτότυπος τίτλος: Remote sensing of mountain snow from space: status and recommendations

Συγγραφείς: Simon Gascoin, Kari Luojus, Thomas Nagler, Hans Lievens, Mariano Masiokas, Tobias Jonas, Zhaojun Zheng, Patricia De Rosnay

Πηγή: https://www.frontiersin.org/journals/earth-science/articles/10.3389/feart.2024.1381323/full

1. Εισαγωγή

Γίνεται μια απόπειρα μελέτης του χιονιού στον κόσμο, και συγκεκριμένα τριών χαρακτηριστικών που με την ανάπτυξη της τεχνολογίας μπορεί να υπάρξει μεγάλη εξέλιξη, το ισοδύναμο χιονιού-νερού, εικόνες υψηλής ανάλυσης χιονοκάλυψης περιοχών και παρατήρηση μακροχρόνιας κάλυψης χιονιού συμπεριλαμβανομένου του δείκτη ανακλαστικότητας.

2. Στόχος της Εφαρμογής

Κάθε χρόνο, το χιόνι καλύπτει έως και το 40% της επιφάνειας της γης και το 45% των ορεινών περιοχών. Το χιόνι είναι σημαντικός παράγοντας από οικολογικής, ατμοσφαιρικής και υδρολογικής άποψης, καθώς παρέχει το νερό στους ποταμούς και τις υπόγειες δεξαμενές. Οι μακροπρόθεσμες παρατηρήσεις της εποχικής χιονοκάλυψης είναι κρίσιμες για την αξιολόγηση του ρυθμού και των επιπτώσεων της κλιματικής αλλαγής στις ορεινές περιοχές. Το Παγκόσμιο Σύστημα Παρατήρησης Κλίματος, επιβεβαιώνοντας την σημαντικότητα της επίβλεψης της παγκόσμιας κάλυψης χιονιού, αναφέρει ως βασικούς κλιματικούς δείκτες την χιονοκάλυψη, το ισοδύναμο χιονιού-νερού και το βάθος του χιονιού.

Εικόνα 1:Χιονοκάλυψη περιοχών τις τελευταίες 2 δεκαετίες. Είναι προφανής η μεγάλη ποσότητα του χιονιού στις ορεινές περιοχές.

Είδη δορυφορικών συστημάτων

Για την συλλογή των δεδομένων χρησιμοποιούνται εικόνες κάλυψης χιονιού από τον δορυφόρο Terra της NASA (εκτόξευση Δεκ 1999). Ο δορυφόρος περιλαμβάνει πέντε όργανα, ένα εκ των οποίων είναι το MODIS (Moderate Resolution Imaging Spectroradiometer). Τα δεδομένα MODIS χρησιμοποιούνται για την παραγωγή προϊόντων χιονοκάλυψης από αυτοματοποιημένους αλγόριθμους. Τα δεδομένα χιονοκάλυψης μπορεί να είναι είτε δυαδικά (0 για απουσία ή 1 για παρουσία χιονιού) είτε κλασματικά (το κλάσμα ενός εικονοστοιχείου που καλύπτεται από χιόνι). Η δυαδική κάλυψη χιονιού και τα προϊόντα κλασματικής κάλυψης χιονιού είναι τα μόνα προϊόντα χιονιού που έχουν φτάσει στο επίπεδο 2 (CEOS, 2023). Συγκεκριμένα, η συλλογή προϊόντων χιονιού MODIS/VIIRS προσφέρει την καλύτερη αντιστάθμιση όσον αφορά την κάλυψη (παγκόσμια), την επανάληψη (καθημερινή), την ανάλυση (500 m) και προσβασιμότητα (πολιτική ανοιχτών δεδομένων) για μελέτες ορεινού χιονιού. Δεδομένα από τον δορυφόρο ICESat-2 επίσης χρησιμοποιούνται για την εκτίμηση του βάθους του χιονιού, και ιδιαίτερα σε δασικές περιοχές, χάρη στην μοναδική ιδιότητα του ICESat-2 να μετράει το υψόμετρο κάτω από τα δέντρα, όπου οι άλλοι οπτικοί και μικροκυματικοί αισθητήρες παρέχουν περιορισμένες πληροφορίες.

3. Επεξεργασίες και αλγόριθμοι

Εικόνα 2:Σχηματική απεικόνιση των τηλεπισκοπικών δεδομένων που χρησιμοποιούνται για τον υπολογισμό του ισοδύναμου χιονιού-νερού (SWE).

Το πρόγραμμα Copernicus προσφέρει την δυνατότητα παρακολούθησης της χιονοκάλυψης σε υψηλή ανάλυση και παγκόσμια κλίμακα. Δεδομένα από τον δορυφόρο Sentinel-1 και Sentinel-2 διανέμονται δωρεάν, καλύπτουν την τελευταία δεκαετία και υπάρχουν διαθέσιμα εργαλεία για την επεξεργασία τους. Χρησιμοποιώντας μια παλιά μέθοδο (Rott and Nagler, 1995; Nagler and Rott, 2000), το χιόνι μπορεί να ανιχνευθεί από την οπισθοσκέδαση του C-band από εικόνες του Sentinel-1. Παρομοίως, παλιές μέθοδοι από το 1989 επεκτάθηκαν και εφαρμόζονται σε πολυφασματικές εικόνες του Sentinel-2. Ο συνδυασμός των δύο αυτών αποτελεσμάτων αυξάνει τις παρατηρήσεις για την εκτίμηση της περιοχής και διάρκειας χιονοκάλυψης σε ανάλυση 10μ. Μια νέα μέθοδος έχει προταθεί (Keuris et al., 2023) για την εκτίμηση της κλασματικής χιονοκάλυψης, καθώς και άλλες ιδιότητες όπως δείκτη ανάκλασης χιονιού, μέγεθος κόκκου και παρουσία σωματιδίων απορρόφησης φωτός, χρησιμοποιώντας όλες τις πολυφασματικές ικανότητες των μοντέρνων δορυφορικών αισθητήρων, όπως Sentinel-2, Landsat-7/8/9 και Sentinel-3 SLSTR/OLCI.

4. Προχωρημένες επεξεργασίες τηλεπισκοπικών εικόνων

Αλγόριθμοι μηχανικής/βαθιάς μάθησης (machine/deep learning) έχουν εκπαιδευτεί επιτυχώς ώστε να βρουν το βάθος του χιονιού στις Άλπεις, είτε από αισθητήρες AMSR-E (Advanced Microwave Scanning Radiometer for EOS) με ανάλυση 10χλμ, είτε από εικόνες Sentinel-1/2 με 10μ ανάλυση. Αυτοί οι αλγόριθμοι βασίζονται σε επί τόπου δεδομένα ή από αερομεταφερόμενους αισθητήρες για την εκπαίδευσή τους, με αποτέλεσμα να μην είναι εφαρμόσιμα σε άλλες περιοχές. Η μηχανική μάθηση (machine learning) όμως έχει αυξανόμενη εφαρμογή στην ανίχνευση της χιονοκάλυψης σε δορυφορικές εικόνες υψηλής ανάλυσης. Νευρωνικά δίκτυα συνέλιξης εφαρμόζονται επίσης στον διαχωρισμό χιονιού από σύννεφα, καθώς λαμβάνουν υπόψη και τα γειτονικά pixel σε συνδυασμό με την φασματική πληροφορία του μοναδικού pixel. Αυτή η προσέγγιση χρησιμοποιείται για την εύρεση της χιονοκάλυψης σε ιστορικά δεδομένα χαμηλής ραδιομετρικής ανάλυσης και στην απουσία εγγύς υπέρυθρης φασματικής πληροφορίας, όπως στους SPOT 1-4 και Landsat 1-4.

5. Προκλήσεις

• Το μέγεθος των δεδομένων (petabytes) απαιτεί και τεράστια υπολογιστική ισχύ για την επεξεργασία τους. Οι ερευνητές βασίζονται ολοένα και περισσότερο σε εμπορικές πλατφόρμες όπως το Google Earth Engine και το Microsoft Planetary Computer. Το cloud computing είναι μια μέθοδος που γίνεται όλο και πιο απαραίτητη για την εκτέλεση πολύπλοκων υπολογισμών για την μηχανική/βαθιά μάθηση.
• Η έλλειψη σε εξειδικευμένο λογισμικό αφομοίωσης δεδομένων χιονιού καθώς και το γεγονός ότι οι αλγόριθμοι για αφομοίωση δεδομένων είναι πολύπλοκοι και απαιτούν βαθιά γνώση εφαρμοσμένων μαθηματικών.
• Τα σύννεφα αποτελούν ένα ζήτημα που παρόλες τις δεκαετίες έρευνας στην τηλεπισκόπηση χιονοκάλυψης, παραμένει πρόκληση. Η νεφοκάλυψη εμποδίζει την δυνατότητα της αναγνώρισης του χιονιού, ιδιαίτερα σε περιοχές όπως τα ανατολικά Ιμαλάια. Ο μη διαχωρισμός σύννεφου-χιονιού είναι αρκετά εμφανής σε μελέτες με χρήση εμπορικών εικόνων υψηλής ανάλυσης, που εμποδίζει την χρήση τους σε μεγάλη κλίμακα.

6. Προτάσεις βελτίωσης

Οι ειδικοί συμφώνησαν σε συστάσεις για την βελτίωση της απομακρυσμένης παρακολούθησης χιονιού σε βουνά. Οι κύριες προκλήσεις είναι η έλλειψη αντιπροσωπευτικών παρατηρήσεων SWE, η έλλειψη συστηματικών και τακτικών παρατηρήσεων υψηλής ανάλυσης και η έλλειψη μακροχρόνιων παρατηρήσεων. Προτείνονται ήδη διαθέσιμα δεδομένα από δορυφόρους, όπως το Sentinel-2 και Landsat-8/9, για παρακολούθηση της κάλυψης χιονιού, ενώ η αφομοίωση παρατηρήσεων σε μοντέλα χιονιού μπορεί να βοηθήσει στην εκτίμηση του SWE. Επιπλέον, η συνδυασμένη χρήση διαφορετικών δορυφορικών δεδομένων και η ανάπτυξη νέων αλγορίθμων μελλοντικών αποστολών (όπως οι L-band SAR και θερμικές αποστολές) αναμένονται να βελτιώσουν τις μετρήσεις.