Sentinel-1 アルゴリズム

Sentinel-1 は、欧州連合が資金提供し、コペルニクス プログラムの一環として欧州宇宙機関（ESA）が実施する宇宙ミッションです。Sentinel-1 は、さまざまな偏光と解像度で C 帯域合成開口レーダー（SAR）画像を収集します。レーダーデータでは、補正済みのオルソ補正画像を取得するためにいくつかの特殊なアルゴリズムが必要になるため、このドキュメントでは、Earth Engine での Sentinel-1 データの前処理について説明します。

Sentinel-1 のデータは、上昇軌道と下降軌道の両方で、さまざまな機器構成、解像度、バンドの組み合わせで収集されます。この異種性のため、通常は処理を開始する前に、データを均質なサブセットにフィルタリングする必要があります。このプロセスの概要については、メタデータとフィルタリングのセクションをご覧ください。

メタデータとフィルタリング

Sentinel-1 データの均質なサブセットを作成するには、通常、メタデータ プロパティを使用してコレクションをフィルタする必要があります。フィルタリングに使用される一般的なメタデータ フィールドには、次のプロパティがあります。

  1. transmitterReceiverPolarisation: ['VV']、['HH']、['VV'、'VH']、['HH'、'HV']
  2. instrumentMode: 「IW」（干渉計ワイド スウェイス）、「EW」（エクストラワイド スウェイス）、または「SM」（ストリップマップ）。詳しくは、こちらのリファレンスをご覧ください。
  3. orbitProperties_pass: 「ASCENDING」または「DESCENDING」
  4. resolution_meters: 10、25、40
  5. resolution: 「M」（中）または「H」（高）。詳しくは、こちらのリファレンスをご覧ください。

次のコードは、transmitterReceiverPolarisation、instrumentMode、orbitProperties_pass プロパティで Sentinel-1 コレクションをフィルタリングし、地図に表示される複数の観測の組み合わせの合成を計算して、これらの特性がデータにどのように影響するかを示します。

コードエディタ（JavaScript）

// Load the Sentinel-1 ImageCollection, filter to Jun-Sep 2020 observations.
var sentinel1 = ee.ImageCollection('COPERNICUS/S1_GRD')
                    .filterDate('2020-06-01', '2020-10-01');

// Filter the Sentinel-1 collection by metadata properties.
var vvVhIw = sentinel1
  // Filter to get images with VV and VH dual polarization.
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VV'))
  .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
  // Filter to get images collected in interferometric wide swath mode.
  .filter(ee.Filter.eq('instrumentMode', 'IW'));

// Separate ascending and descending orbit images into distinct collections.
var vvVhIwAsc = vvVhIw.filter(
  ee.Filter.eq('orbitProperties_pass', 'ASCENDING'));
var vvVhIwDesc = vvVhIw.filter(
  ee.Filter.eq('orbitProperties_pass', 'DESCENDING'));

// Calculate temporal means for various observations to use for visualization.
// Mean VH ascending.
var vhIwAscMean = vvVhIwAsc.select('VH').mean();
// Mean VH descending.
var vhIwDescMean = vvVhIwDesc.select('VH').mean();
// Mean VV for combined ascending and descending image collections.
var vvIwAscDescMean = vvVhIwAsc.merge(vvVhIwDesc).select('VV').mean();
// Mean VH for combined ascending and descending image collections.
var vhIwAscDescMean = vvVhIwAsc.merge(vvVhIwDesc).select('VH').mean();

// Display the temporal means for various observations, compare them.
Map.addLayer(vvIwAscDescMean, {min: -12, max: -4}, 'vvIwAscDescMean');
Map.addLayer(vhIwAscDescMean, {min: -18, max: -10}, 'vhIwAscDescMean');
Map.addLayer(vhIwAscMean, {min: -18, max: -10}, 'vhIwAscMean');
Map.addLayer(vhIwDescMean, {min: -18, max: -10}, 'vhIwDescMean');
Map.setCenter(-73.8719, 4.512, 9);  // Bogota, Colombia

Python の設定

Python API とインタラクティブな開発で geemap を使用する方法については、 Python 環境のページをご覧ください。

import ee
import geemap.core as geemap

Colab（Python）

# Load the Sentinel-1 ImageCollection, filter to Jun-Sep 2020 observations.
sentinel_1 = ee.ImageCollection('COPERNICUS/S1_GRD').filterDate(
    '2020-06-01', '2020-10-01'
)

# Filter the Sentinel-1 collection by metadata properties.
vv_vh_iw = (
    sentinel_1.filter(
        # Filter to get images with VV and VH dual polarization.
        ee.Filter.listContains('transmitterReceiverPolarisation', 'VV')
    )
    .filter(ee.Filter.listContains('transmitterReceiverPolarisation', 'VH'))
    .filter(
        # Filter to get images collected in interferometric wide swath mode.
        ee.Filter.eq('instrumentMode', 'IW')
    )
)

# Separate ascending and descending orbit images into distinct collections.
vv_vh_iw_asc = vv_vh_iw.filter(
    ee.Filter.eq('orbitProperties_pass', 'ASCENDING')
)
vv_vh_iw_desc = vv_vh_iw.filter(
    ee.Filter.eq('orbitProperties_pass', 'DESCENDING')
)

# Calculate temporal means for various observations to use for visualization.
# Mean VH ascending.
vh_iw_asc_mean = vv_vh_iw_asc.select('VH').mean()
# Mean VH descending.
vh_iw_desc_mean = vv_vh_iw_desc.select('VH').mean()
# Mean VV for combined ascending and descending image collections.
vv_iw_asc_desc_mean = vv_vh_iw_asc.merge(vv_vh_iw_desc).select('VV').mean()
# Mean VH for combined ascending and descending image collections.
vh_iw_asc_desc_mean = vv_vh_iw_asc.merge(vv_vh_iw_desc).select('VH').mean()

# Display the temporal means for various observations, compare them.
m = geemap.Map()
m.add_layer(vv_iw_asc_desc_mean, {'min': -12, 'max': -4}, 'vv_iw_asc_desc_mean')
m.add_layer(
    vh_iw_asc_desc_mean, {'min': -18, 'max': -10}, 'vh_iw_asc_desc_mean'
)
m.add_layer(vh_iw_asc_mean, {'min': -18, 'max': -10}, 'vh_iw_asc_mean')
m.add_layer(vh_iw_desc_mean, {'min': -18, 'max': -10}, 'vh_iw_desc_mean')
m.set_center(-73.8719, 4.512, 9)  # Bogota, Colombia
m

Sentinel-1 の前処理

Earth Engine の 'COPERNICUS/S1_GRD' Sentinel-1 ImageCollection の画像は、デシベル（dB）で後方散乱係数（σ°）に処理されたレベル 1 地上範囲検出（GRD）シーンで構成されています。後方散乱係数は、地表面積あたりのターゲットの後方散乱面積（レーダー断面積）を表します。これは数桁の違いが生じる可能性があるため、10*log10σ° として dB に変換されます。これは、放射された地形が、入射マイクロ波を SAR センサーから離れた方向（dB < 0）に優先的に散乱させるか、SAR センサーに向かって散乱させるか（dB > 0）を測定します。この散乱特性は、地形の物理的特性（主に地形要素のジオメトリとその電磁特性）によって異なります。

Earth Engine では、次の前処理ステップ（Sentinel-1 ツールボックスで実装されている）を使用して、各ピクセルの後方散乱係数を導出します。

  1. 軌道ファイルを適用する
    • 復元された軌道ファイル（復元された軌道ファイルが利用できない場合は正確な軌道ファイル）を使用して軌道メタデータを更新します。
  2. GRD 境界ノイズ除去
    • シーンのエッジにある低強度のノイズと無効なデータを削除します。 （2018 年 1 月 12 日現在）
  3. サーマル ノイズ除去
    • サブスウェープの加算ノイズを除去し、マルチスウェープ アキュージョン モードのシーンの各サブスウェープ間の不連続性を低減します。（このオペレーションは、2015 年 7 月より前に作成された画像には適用できません）。
  4. 放射計測の補正値の適用
    • GRD メタデータのセンサー キャリブレーション パラメータを使用して、後方散乱強度を計算します。
  5. 地形補正（オルソ補正）
    • 地形を考慮しない地上範囲ジオメトリから、SRTM 30 メートル DEM または高緯度（60° より大きいまたは -60° より小さい）の ASTER DEM を使用して σ° に変換します。

データセットのメモ

  • 山の斜面にアーティファクトがあるため、ラジオメトリック地形の平坦化が適用されていません。
  • 単位のない後方散乱係数は、上記のように dB に変換されます。
  • Earth Engine は複雑な値を含む画像をサポートしていないため、現在、Sentinel-1 SLC データを取り込むことはできません。これは、ピラミッド化中に位相情報を失うことなく平均化できないためです。
  • S1 ツールボックスの境界ノイズ除去オペレーションの computeNoiseScalingFactor() 関数は SM モードをサポートしていないため、GRD SM アセットは取り込まれません。