Soil Moisture da Sentinel 1

Frugando nei custom scripts di Sentinel 1 ho trovato questo algoritmo che stima l'umidita' del suolo da dati radar in base all'intensita' di  backscattering. Si tratta di una analisi multitemporale prendendo il valore massimo e minimo di una serie di almeno 3 anni; questo approccio permette di ridurre di effetti di scabrosita' del terreno (si presuppone che nel tempo le condizioni nel pixel si mantengano stabili con la sola variazione dell'umidita', anche l'eventuale crescita di vegetazione influenza i valori di backscattering)

Il principio fisico su cui si basa l'algoritmo e' la modifica della costante dielettrica del terreno sulla base del contenuto di acqua (bibliografia)

In alcuni casi e' possibile identificare una legge di correlazione tra intensita' di backscattering ed umidita' tramite verit' a terra ma l'algoritmo del custom script definisce solo categorie di variazioni e non valori assoluti di umidita', Alcuni autori hanno ritrovato valori di correlazione fino all'80% ma in bibliografia vengono indicati casi di correlazione del tutto assente

Esempio di correlazione con verita' a terra

Per testare l'algoritmo su Sentinel Playground si puo' andare a questo link

Ho provato a metterlo alla prova nell'area del Mugello perche' nel settore Nord nei terrazzi alluvionali e' frequente vedere, anche grazie ai lavori agricoli che rimuovono la vegetazione, zone umide anche in piena estate in corrispondenza di passaggi di litologia (sono frequenti anche sorgenti di contatto lungo le incisioni dei torrenti)

Volevo vedere se i dati radar avevano una corrispondenza con la geologia utilizzando la cartografia CARG che al momento ha il miglior dettaglio nella zona di interesse

I risultati sono nelle due immagini rappresentativi del periodo secco (agosto) e quello piu' umido (novembre). E sono un po' perplesso. I dati non sono casuali perche' comunque c'e' coerenza tra i due periodi. Le aree blu (umide) si attestano non alla base degli impluvi ma sulle creste dei terrazzi. Si vede un modesto controllo litologico sulla distribuzione dell'umidita' ma quello piu' evidente dall'elaborazione e' quello di tipo topografico

Ho pensato anche ad un errore nella georefenziazione delle immagini di Sentinel Playground (che ho dovuto fare a mano perche' non mi ha mai funzionato il download automatico) ma dopo vari controlli lo escluderei

Il progetto QGIS e' scaricabile qui

[1] Wagner, W., Lemoine, G., Borgeaud, M. and Rott, H., 1999. A study of vegetation cover effects on ERS scatterometer data. IEEE Transactions on Geoscience and Remote Sensing, 37(2), pp.938-948.

[2] B. Bauer-Marschallinger et al., "Toward Global Soil Moisture Monitoring With Sentinel-1: Harnessing Assets and Overcoming Obstacles," in IEEE Transactions on Geoscience and Remote Sensing, vol. 57, no. 1, pp. 520-539, Jan. 2019.

Mascherare le nuvole in Sentinel 2

Nei dati Sentinel 2 e' contenuta anche in QI_DATA/MSK_CLDPRB_20m.jp2 una maschera di probabilita' che il pixel sia relativo ad una nuova (con valore di probabilita' crescente)

Per fare una maschera ho provato a settare i valori maggiori di 50 a zero ed i valori inferiori a 1 per poi moltiplicare i valori della banda

import numpy as np

import rasterio

from rasterio import plot

band4 = rasterio.open('b4.jp2', driver='JP2OpenJPEG')

mask = rasterio.open('mask.jp2', driver='JP2OpenJPEG')

band4_ = band4.read(1)

mask_ = mask.read(1)

mask_[mask_ <= 50] = 1

mask_[mask_ > 50] = 0

ris = np.zeros(band4.shape, dtype=rasterio.uint32)

ris =band4_*mask_

kwargs = band4.meta

kwargs.update(driver='GTiff',dtype=rasterio.uint16,count=1)

maskimage = rasterio.open('maschera0_1.tiff','w',**kwargs )

maskimage.write(mask_,1)

maskimage.close()

b4mask = rasterio.open('b4mask.tiff','w', **kwargs)

b4mask.write(ris,1)

b4mask.close()

Tagliare tutte le bande Sentinel in un colpo solo

 Puo' essere utile tagliare un granule di Sentinel sulla base di uno shape file

Per fare cio' si prepara lo shape (io ho usato lo stesso sistema di riferimento dell'immagine Sentinel... non so se rasterio funziona anche con sistema di riferimento misti) 

Tutte le bande sono nel folder immagini mentre il risultato sara' salvato nel folder rst

Nonostante sia Python e' uno script molto veloce

import os

import fiona

import rasterio

from rasterio.mask import mask

bandPath = './immagini/'

bandNames = os.listdir(bandPath)

aoiFile = fiona.open('./taglio.shp')

aoiGeom = [aoiFile[0]['geometry']]

for band in bandNames:

rasterPath = os.path.join(bandPath,band)

rasterBand = rasterio.open(rasterPath)

outImage, outTransform = mask(rasterBand, aoiGeom, crop=True)

outMeta = rasterBand.meta

outMeta.update({"driver": 'JP2OpenJPEG',

"height": outImage.shape[1],

"width": outImage.shape[2],

"transform": outTransform})

outPath = os.path.join('./rst',band)

outRaster = rasterio.open(outPath, "w", **outMeta)

outRaster.write(outImage)

outRaster.close()

NDVI Sentinel 2 con RasterIO

il formato di output e' stato modificato in Geotiff perche' JP2 non permette di salvare in float32 

import numpy as np

import rasterio

from rasterio import plot

imagePath = './immagini/'

band4 = rasterio.open(imagePath+'B4.jp2', driver='JP2OpenJPEG')

band8 = rasterio.open(imagePath+'B8.jp2', driver='JP2OpenJPEG')

band4s = band4.read(1)

band8s = band8.read(1)

RED=band4s.astype(float)

NIR=band8s.astype(float)

np.seterr(divide = "ignore", invalid = "ignore")

ndvi = np.zeros(RED.shape, dtype=rasterio.float32)

ndvi = (NIR-RED) / (NIR+RED)

ndvi[ndvi > 1] = np.nan

ndvi[ndvi < -1] = np.nan

kwargs = band4.meta

kwargs.update(driver='GTiff',dtype=rasterio.float32,count=1)

ndviimage = rasterio.open('./immagini/SentinelNDVI2.tiff','w',**kwargs )

ndviimage.write(ndvi,1)

ndviimage.close()

Truecolor Sentinel2 con RasterIO

Truecolor da dati Sentinel 2 usando RasterIO 

L'immagine e' stata corretta nel contrasto per renderla piu' leggibile

import rasterio

from rasterio import plot

imagePath = './immagini/'

band2 = rasterio.open(imagePath+'B2.jp2', driver='JP2OpenJPEG') #blue

band3 = rasterio.open(imagePath+'B3.jp2', driver='JP2OpenJPEG') #green

band4 = rasterio.open(imagePath+'B4.jp2', driver='JP2OpenJPEG') #red

band2s = band2.read(1)

band3s = band3.read(1)

band4s = band4.read(1)

bandg2=2.5*(band2s.astype(float))

bandg3=2.5*(band3s.astype(float))

bandg4=2.5*(band4s.astype(float))

trueColor = rasterio.open('./immagini/SentinelTrueColor2.tiff','w',driver='Gtiff',

width=band4.width, height=band4.height,

count=3,

crs=band4.crs,

transform=band4.transform,

dtype=band4.dtypes[0]

)

trueColor.write(bandg2,3) #blue

trueColor.write(bandg3,2) #green

trueColor.write(bandg4,1) #red

trueColor.close()

Sentinel 2 da SciHub

Nel precedente post avevo provato a scaricare i dati Sentinel da un bucket Google Cloud

In realta' ho trovato una procedura piu' lineare usando OpenHub di https://scihub.copernicus.eu/ 

E' necessario un account ma non e' legato a nessuna carta di credito ed il download e' libero

Per effettuare la selezione ed il download si usa lo script dhusget (Altre istruzioni a questo link )

una stringa di richiesta e' del tipo

./dhusget_0.3.8.sh -u username -p password -m Sentinel-2 -T S2MSI2A -t96 -o product -c 10.6,43.5:11.3,44 -n 1 -w 5 -O ./immagini

in cui viene effettuata la richeista delle immagini che contengano Firenze (vedi coordinate) acquisite nelle ultime 96 ore della missione Sentinel 2

Si possono specificare anche intervalli temporali tramite intervalli di date (in questo caso tra il 10/8/2022 ed il 12/8/2022

./dhusget_0.3.8.sh -u c1p81 -p xxxxxx@xxxxx -m Sentinel-2 -T S2MSI2A -S 2022-08-10T00:00:00.000Z -E 2022-08-12T00:00:00.000Z -n 1 -w 5 -c 10.6,43.5:11.3,44 -o product  -O ./immagini

Si possono scaricare sia il livello L1C che L2A .. di seguito si riporta il contenuto del file zip

I file zip vanno da circa 800 Mb ad oltre 1.1 Gb

Per selezionare solo un prodotto si puo' usare lo switch 

-T S2MSI1C per L21C

-T S2MSI2A per L2A

Ho notato che il sistema spesso tronca la connessione e non termina in modo corretto il download...se si abilita la funzione di checksum al termine non funziona mai..disabilitandolo invece si ottengono dei download corretti

LEVEL 1C

tutte le bande ognuna alla sua risoluzione nativa + truecolor a 10 m

LEVEL 2A 
risoluzione 10 m
AOT : Aerosol Optical Thickness
WVP : Water vapor 

TCI : Truecolor

Bande B2,B3,B4,B8

risoluzione 20 m
AOT : Aerosol Optical Thickness
WVP : Water vapor 

TCI : Truecolor

SCL : Scene classification map

Bande B1,B2,B3,B4,B5,B6,B7,B11,B12,B8A

risoluzione 60 m
AOT : Aerosol Optical Thickness
WVP : Water vapor 

TCI : Truecolor

SCL : Scene classification map

Bande B1,B2,B3,B4,B5,B6,B7,B9,B11,B12,B8A

con il medesimo sistema si possono ottenere i dati di Sentinel 1 SLC, OCN, GRDH e RAW

Sentinel 2 in Google Cloud

 Le immagini Sentinel2 sono rilasciate in modo gratuito ma i repository delle immagini le forniscono con una interfaccia utente interattiva mentre e' a pagamento l'accesso automatico via API

In modo abbastanza casuale mi sono imbattuto in questo bucket su Google Cloud

https://console.cloud.google.com/storage/browser/gcp-public-data-sentinel-2/tiles/33/U/UP;tab=objects?prefix=&forceOnObjectsSortingFiltering=false

che puo' essere utilizzato mediante questa libreria Python (per la selezione e download)

https://github.com/QuantuMobileSoftware/sentinel2tools

per l'installazione si usa

pip3 install 
git+https://github.com/QuantuMobileSoftware/sentinel2tools.git@ca232cb66106db6cac729defdab91aad9aecb15b.

Lo scripthe puo' essere utilizzato mediante questa libreria Python (per la selezione e download)

Il criterio di selezione geografica avviene tramite un geojson che puo' essere creato mediante il servizio on line geojson.io

from sentinel2download.downloader import Sentinel2Downloader

from sentinel2download.overlap import Sentinel2Overlap

if __name__ == '__main__':

verbose = True

aoi_path = "./firenze_geojson_utm.json"

overlap = Sentinel2Overlap(aoi_path, verbose=verbose)

tiles = overlap.overlap()

print(f"Overlapped tiles: {tiles}")

api_key = f"./api_key.json"

loader = Sentinel2Downloader(api_key, verbose=verbose)

product_type = 'L2A' # or L1C

start_date = "2022-09-01"

end_date = "2022-09-30"

output_dir = './utm'

cores = 3

BANDS = {'TCI', 'B04', }

CONSTRAINTS = {'NODATA_PIXEL_PERCENTAGE': 15.0, 'CLOUDY_PIXEL_PERCENTAGE': 10.0, }

loaded = loader.download(product_type,

tiles,

start_date=start_date,

end_date=end_date,

output_dir=output_dir,

cores=cores,

bands=BANDS,

constraints=CONSTRAINTS)

print(f"Load information")

for item in loaded:

print(item)

print("Execution ended")

Visto che i dati sono in un bucket di Gooogle Cloud e' richiesta anche 'autenticazione a GCloud. 

Per avere il file json di autenticazione si deve aprire la consolle di GCloud, creare un progetto e seguire le istruzioni al link seguente

https://cloud.google.com/api-keys/docs/get-started-api-keys

Le immagini vengono scaricate in formato JP2, una per banda, a 16 bit e georiferite in UTM (attenzione a questo dato). Oltre alle 12 bande sono presenti un truecolor (TCI) 

Viene scaricata tutta l'immagine che comprende la selezione geografica. Per effettuare il taglio si possono usare le GDAL. Le coordinate devono essere UTM

from osgeo import gdal

upper_left_x = 674882

upper_left_y = 4854678

lower_right_x = 688882

lower_right_y = 4844623

window = (upper_left_x,upper_left_y,lower_right_x,lower_right_y)

gdal.Translate('output_tci.jp2', 'tci.jp2', projWin = window)