Повеќе

Нормализирајте го растерот NDVI 0-255

Нормализирајте го растерот NDVI 0-255


Растерските вредности на NDVI се пресметуваат со употреба на вредностите на рефлексија на опсегот 3 и опсегот 4 b4-b3 / b4 + b3. Излезниот растер е од формат од 32 бита, иако можните опсези што се покажуваат во параметарот за статистика се од -0,35 до +0,65. Дали ова се должи на абнормални вредности за кои нема сметано вредности на податоци. Ако да, тогаш како можам да ги отстранам тие вредности од излезниот растер или да ги изразам за време на пресметката на NDVI во растерски калкулатор.

@Whuber. коментира во еден пост нормализира растер, но не може да разбере како да направам во мојот случај на слики за данок. има 5 слики што ги направив за споредба, но како да ги нормализирам за лесно да ги споредувам


Вие поставувате многу прашања, не само едно.

Дали ова се должи на абнормални вредности за кои нема сметано вредности на податоци.

Вредностите на NoData ќе бидат исклучени од пресметките. Ако вредноста од 0 се користи за забележување на NoData, ќе имате лоши резултати. Проверете ја табелата со атрибути за да видите што користат вашите податоци (други популарни избори се -999 и слично).

можните опсези што се прикажуваат во параметарот за статистика се од -0,35 до +0,65.

Валидниот опсег на вредности на NDVI е {-1, 1}. Вашите вредносни опсези се во рамките на очекуваниот опсег на вредностите на NDVI.

NDVI растер 0-255

Ова не е добра идеја, но можно е да се користи малку алгебра.

Не е добра идеја бидејќи таа е веќе нормализирана за споредба помеѓу сликите (тоа е она што N се залага за NDVI). Опсегот на вредности на NDVI е {-1, 1}. Обично <0 не значи вегетација и> 0 значи вегетација. Веројатно е дека треба да го калибрирате вашиот NDVI на вашите специфични слики со споредување на различните прагови на пиксели со рачно класифицирани податоци (вегетација / без вегетација) со некаде околу .1 - .2.


NDVI растер 0-255

Не можете да ги претставувате вредностите на NDVI на некоја широка сива скала 0-255 затоа што тоа нема никаква смисла.

НДВИ ги прикажува само областите со вегетативна покривка и оние што не се. Оттука, гетирањето на некои опсези за да претставува некој вид грмушки, изградени области или вода, всушност не е правилно. Многумина сепак се обидуваат да го сторат тоа со ограничување на прагот, но веруваат дека верувам дека тоа не е научно, но на крајот се забавуваа играјќи со податоци.


15. Подобрување на сликата

Техниките за корекција рутински се користат за решавање на геометриски, радиометриски и други проблеми кои се наоѓаат во сурови податоци од далечинско насетување. Друго семејство на техники за обработка на слики се користи за да се направат податоците за сликата полесно да се толкуваат. Овие таканаречени техники за подобрување на сликата вклучуваат истегнување на контраст, подобрување на работ и изведување на нови податоци со пресметување на разликите, односите или другите количини од вредностите на рефлексија во две или повеќе опсези, меѓу многу други. Овој дел разгледува накратко две вообичаени техники за подобрување: истегнување на контраст и изведени податоци. Подоцна ќе научите како се користат индексите на вегетација од видливите црвени и близу инфрацрвени ленти за следење на здравјето на вегетацијата во глобални размери.

Контрастно истегнување

Размислете за парот слики прикажани рамо до рамо на слика 8.16.1. Иако и двата се произведени од исти податоци на MSS на Landsat, ќе забележите дека сликата од левата страна е значително затемнета од онаа од десната страна. Разликата е резултат на истегнување на контрастот. Податоците за МСС имаат прецизност од 8 бита, т.е. вредностите на рефлексија се кодираат како 256 (2 8) нивоа на интензитет. Како што честопати се случува, рефлексиите во близу инфрацрвениот опсег на сцената делумно прикажани подолу се движеа од само 30 и 80 во необработените податоци за сликата. Овој ограничен опсег резултира со слика што нема контраст и, следствено, се чини мрачна. Сликата од десната страна го покажува ефектот на истегнување на опсегот на вредности на рефлексија во блиско-инфрацрвената лента од 30-80 до 0-255, а потоа на сличен начин се протегаат видливите зелени и видливи црвени ленти. Како што можете да видите, сликата со истегнување на контраст е посветла и појасна.

Изведени податоци: NDVI

Една предност на мултиспектралните податоци е можноста да се изведат нови податоци со пресметување на разликите, односите или другите количини од вредностите на рефлексија во две или повеќе опсези на бранова должина. На пример, откривањето на нагласена вегетација меѓу здравата вегетација може да биде тешко во која било лента, особено ако разликите во висината на теренот или наклонот предизвикуваат некои делови од сцената да бидат осветлени поинаку од другите. Односот на вредностите на рефлексија во видливата црвена лента и близу инфрацрвената лента ги компензира варијациите во осветлувањето на сцената, сепак. Бидејќи односот на двете вредности на рефлексија е значително помал за нагласената вегетација без оглед на условите на осветлување, откривањето е полесно и посигурно.

Покрај едноставните стапки, научниците за далечинско набудување извлекоа и други математички формули за добивање нови корисни податоци од мултиспектрални слики. Еден од најчесто користените примери е Индексот на вегетација на нормализирана разлика (НДВИ). Резултатите од НДВИ се пресметуваат пиксел по пиксел користејќи го следниот алгоритам:

R се залага за видливата црвена лента (MODIS и AVHRR канал 1), додека NIR претставува скоро инфрацрвена лента (MODIS и AVHRR канал 2). Хлорофилот во зелените растенија силно апсорбира зрачење во видливата црвена лента за време на фотосинтезата. Спротивно на тоа, структурите на лисјата предизвикуваат растенијата силно да го рефлектираат зрачењето во близу инфрацрвената лента. Резултатите од НДВИ се движат од -1,0 до 1,0. Пиксел поврзан со ниски вредности на рефлексија во видливиот опсег и висока рефлексија во близу инфрацрвената лента ќе произведе резултат на NDVI близу 1,0, што укажува на присуство на здрава вегетација. Спротивно на тоа, резултатите од NDVI на пиксели поврзани со висока рефлексија во видливиот опсег и ниска рефлексија во приближно инфрацрвениот опсег на пристапот -1,0, што укажува на облаци, снег или вода. Резултатите од НДВИ близу 0 укажуваат на карпа и не-вегетирана почва.

Апликациите на NDVI се движат од локално до глобално. На локално ниво, лозовите насади Мондави во долината Напа Калифорнија можат да ја потврдат корисноста на податоците за НДВИ во следењето на здравјето на растенијата. Во 1993 година, лозовите насади претрпеа наезда на филоксера, вид на растителни вошки што ги напаѓа корените и е непропустлив за пестициди. Штетниците може да се надминат само со отстранување на нападнати винова лоза и нивно заменување со поотпорен фонд на корен. Лозјето нарача консултантска фирма да се здобие со видливи и скоро инфрацрвени слики за време на последователните сезони на растење со помош на сензор за воздух. Откако податоците од двете сезони беа георегистрирани, споредбата на резултатите од НДВИ откри области во кои густината на крошна на лозата се намали. Откривањето на промените на НДВИ се покажа како толку плоден пристап што лозјата го усвоија за рутинска употреба како дел од нивната целокупна стратегија за прецизно земјоделство (Колучи, 1998). Многу понови студии на случаи изобилуваат.

Студијата на случај опишана на следната страница ги опишува чекорите за обработка на слики вклучени во производството на глобален сет на податоци за NDVI.


Работи што ќе треба да ги завршите оваа серија

Поставете го RStudio

За да ја завршите серијата упатства, ќе ви треба ажурирана верзија на R и, по можност, RStudio инсталирана на вашиот компјутер.

R е програмски јазик специјализиран за статистички компјутери. Тоа е моќна алатка за истражувачка анализа на податоци. За да комуницирате со R, силно го препорачуваме RStudio, интерактивно опкружување за развој (IDE).

Инсталирајте Р пакети

Може да изберете да инсталирате пакети со секоја лекција или сега можете да ги преземете сите потребни пакети R.

  • растерски: install.packages ("растер")
  • rgdal: install.packsages ("rgdal")
  • растерВис: install.packages ("rasterVis")

ggplot2: install.packages ("ggplot2")

Повеќе за пакетите во Р - адаптирано од софтверска столарија.


3 одговори 3

За да се прикажат само RGB опсезите (не алфа) или кој било посебен опсег, треба да го користите методот за читање заедно со методот за прикажување.

Редоследот на бендовите е важен, и тие можат да се нарачуваат поинаку во зависност од TIFF. Документацијата на податоците треба да опише каков е редоследот на опсегот, и се надевам дека може да се прочита од самите податоци (моето искуство е дека тоа не е често случај).

Прво можете да пробате да ги проверите етикетите на бендот (сепак, сепак сакате да се повикате на документите).

Ако таму не е означено ништо, треба да се повикате на документацијата за податоците.

Да речеме дека има 4 бендови нарачани како BGRN (како во NIR - близу инфраред) тогаш би ги посакале првите три бенда, но во обратен редослед.


Влијание на употребата на земјиштето / промената на покривањето на земјиштето врз температурата на површината на земјиштето користејќи сателитски податоци: Студија на случај на блокот Рајархат, област Северен 24-Парганас, Западен Бенгал

Зголемувањето на температурата на површината на земјиштето (LST) на растечките урбани области во сегашното сценарио на глобалното затоплување е причина за загриженост за градските планери. Оваа студија дискутира за влијанието на промената на употребата на земјиштето / земјиштето (LULC) врз LST на областа во и околу блокот Рајархат, Северна 24-област Парганас, Западен Бенгал, со површина од 165 км 2. Мулти-спектрални и мулти-темпорални сателитски податоци од Landsat 5 TM (1990), Landsat 8 OLI (2016) и Sentinel 2A (2016) се користат за мапирање на LULC и термички инфрацрвени податоци од Landsat 5 TM и Landsat 8 TIRS (2016) ) се користат за проценка на LST од 1990 и 2016 година. Резултатите покажуваат дека моделот на употреба на земјиштето во ноември се промени во Рајархат од 1990 до 2016 година: 13 км 2 растителна покривка изгубени поради урбанизација 9,3 км 2 отворено земјиште претворено во земјоделско земјиште и отворени полиња / паркови 1,4 км 2 езерца за аквакултура преобразени во покрив на дрвја / грмушки и 1,45 км 2 исполнети езера / езерца. Губење на вегетацијата (грмушка и дрво) покриваше резултираше со пораст на LST за околу 1,5 ° C. Езерцата за аквакултура имаат способност да одолеат на порастот на LST бидејќи зголемувањето на температурата од оваа класа е само 0,24 ° C како резултат на зголемување на неговата површина. Оваа промена во моделот на користење на земјиштето во текот на 26 години го зголеми LST за 0,94 ° C. Феноменот урбано-топло-остров (УХИ) исто така се зголеми. Областа на „најсилниот“ феномен на остров на топлина, според шемата за класификација на UTVFI, се зголеми за 20,1 км 2. Позитивна корелација е забележана помеѓу НДБИ и ЛСТ во урбаните области (р = 0,002 за 1990 година и р = 0,047 за 2016 година) што сугерира дека урбанизацијата е одговорна за порастот на LST. Моделот за температура на површината NCEP NOAA сугерира дека долгорочните трендови на пораст на максималниот LST над Рајахархат е околу 1 ° C од јануари 1990 до ноември 2016 година со 90% ниво на доверба што ги потврдува извлечените LST податоци од сателитите. Потребно е одржливо урбанистичко планирање за да се уапси порастот на LST што вклучува урбано шумарство, изградба на водни тела и фонтани, зачувување на постојните езерца за аквакултура и намалување на градежните активности.

Ова е преглед на содржината на претплатата, пристап преку вашата институција.


Потребата од метод за проценка на опасноста од пожар во дивината беше препознаена уште во далечната 1940 година, на конференциите за контрола на пожарот, повикани од Шумската служба, Министерството за земјоделство на САД, во Огден, Јута. До 1954 година се користеа неколку системи за рангирање на опасност од пожар низ САД. Во 1958 година, Keон Китч, канцеларија во Вашингтон, воздухопловство и управување со пожар, предводеше тим за развој на национален систем. До 1964 година повеќето организации за контрола на пожари во Соединетите Држави користеа систем & quotspread index & quot. Во 1968 година беше утврден уште еден истражувачки напор во Форт Колинс, Колорадо за развој на аналитички систем заснован на физиката на размена на влага, пренос на топлина и други познати аспекти на проблемот (Бредшо и др. 1983). Резултирачкиот модел на ширење на пожар (Ротермел 1972) беше искористен во првиот вистински Национален систем за оцена на опасност од пожар (NFDRS), воведен во 1972 година (Deeming et al. 1972, ревидиран во 1974). Овој систем е ревидиран двапати, во 1978 година (Deeming et al. 1977) и во 1988 година (Бурган 1988).
Одлуките што треба да ги донесат управителите за пожар зависат од временските и просторните скали кои се вклучени, како и од целите на управувањето. Одлуките за пресупресија често се насочени кон распределување средства за гаснење пожар, персонал и опрема. Ваквите одлуки обично имаат голем просторен контекст, опфаќаат милиони хектари и временска скала од 1 до 3 дена. Штом се појави пожар, првичните напади и одлуките за сузбивање се насочени кон постигнување на ефективно управување со пожарот. Ова може да вклучува одлука да не се потисне пожарот ако тој гори во однапред дефинирани ограничувања. Овие одлуки имаат просторна скала од неколку илјади хектари и временска скала од 24 часа или помалку. Откако е донесена одлука за гаснење на пожар, потребни се одлуки во просторна скала од неколку стотици хектари или помалку и временска скала од неколку минути до неколку часа. Ставот кон пожарот во дивината во Соединетите држави се менува од оној за едноставно гаснење кон сознанието дека пожарот мора да игра улога во одржувањето на здравјето на шумите, со што се препознава потребата од пропишани пожари (Mutch 1994). Методите за проценка на потенцијалниот пожар и стратешки и тактички исто така мора да еволуираат.
За проценка на пожарниот потенцијал од која било скала, во основа се потребни истите информации за горивата, топографијата и временските услови што се комбинираат за да се создаде потенцијална околина за пожар. Овие фактори традиционално се мерат за специфични места, со добиените проценки за пожар, произведени како алфа-нумерички текст, и резултатите применети на нејасно дефинирани географски области и временски периоди, со знаење дека понатамошниот е раселен (во време или простор ) од точката каде што се направени такви мерења, помалку е применлива проценка на потенцијалот за пожар. Оваа состојба брзо се менува бидејќи Географските информациони системи (ГИС) и вселенските наб observудувања значително ја подобруваат можноста за проценка на пожарниот потенцијал со многу подобра просторна и временска резолуција.
Неодамнешните подобрувања на технологијата за проценка на потенцијалот за пожар вклучуваат и мапи со широки размери на опасност од пожар и симулации на однесување на пожар во локална скала. Во контекст на однесување од пожар во локална скала, ФАРСИТ (Фени 1994) и БЕХЕВ (Бурган и Ротермел 1984, Ендрус 1986, Ендрус и Чејс 1989), обезбедуваат методи за симулирање на пожарно однесување за области до неколку илјади хектари. Во контекст на опасност од пожар во широко подрачје, мерењата на самото место на опасност од пожар, пресметани со употреба на NFDRS на специфични метеоролошки станици, се интерполираат и мапираат на национална основа (Слика 1) преку системот за проценка на пожар во Wildland (Бурган и сор. 1997) (http://www.fs.fed.us/land/wfas/welcome.html).

Слика 1 Индексите на националниот систем за рангирање на опасности од пожар се пресметуваат за секоја метеоролошка станица, потоа индицираните нивоа на персонал се интерполираат и мапираат на национална основа (http://www.fs.fed.us/land/wfas/fd_class.gif)

Канаѓаните објавуваат слични карти за нивниот систем за опасност од пожар на Интернет (http://www.nofc.forestry.ca/fire/cwfis) (Ли 1995) (Стокс и др. 1989 г.) Мапите на САД се произведуваат со користење на пондерирање на обратно растојание на нивоа на персонал. Нивото на персонал го дефинира статусот на подготвеност на организацијата за сузбивање. Се заснова на споредба на моменталните вредности на индексот на опасност од пожар со историските вредности. Нивото на вработените (или подготвеноста) се зголемува со моменталниот индекс што се приближува кон историски високите вредности. Бидејќи пожарникарите ширум Соединетите држави не биле доследни во изборот на индекс NFDR на кој би се засновале нивоата на персоналот, самото ниво на персонал е единствениот вообичаен параметар со кој може да се мапира опасноста од пожар. Нивото на персоналот ги нормализира сите индекси наспроти нивните историски вредности, така што не е важно кој од неколкуте индекси на опасност од пожар избрал пожарникар. Сепак, овој метод ниту се осврнува на влијанието на топографијата врз пожарниот потенцијал, ниту обезбедува проценки на потенцијалот за пожар за специфични локации или резолуции на пределот.
Оперативен процес кој обезбедува резолуција на пејзаж од 1 км 2 е Системот за оцена на опасност од пожар во Оклахома (Карлсон и сор. 1996) (http://radar.metr.ou.edu/agwx/fire/intro.html), иако сè уште не го препознава ефектот на топографијата. Системот за оценување на опасност од пожар во Оклахома претставува насока на идните истражувања на системите за опасност од пожар за Соединетите држави, но интензивната временска мрежа на која се потпира може да го отежни примената на овој тип на систем за другите.
Мапа на гориво од дива земја, податоци за теренот и разумно земање примероци од времето се влез во повеќето системи за опасност од пожар. Овој труд дискутира за развој на национална мапа на модел на гориво од 1 км 2 за САД и го опишува моделот на индекс на потенцијал на пожар (FPI) што може да се користи за проценка на опасност од пожар со резолуција од 1 км 2.


Географски информациони системи (ГИС)

За векторските контролори и теренските биолози, предностите на современите географски информациони системи (ГИС) се складирање, визуелно анализирање и пријавување на податоци во просторни, како и временски формати (Freier & Flannery, 1998). ГИС обезбедува интегрирани процеси во една рамка - во најдобар случај систем „лулка до гроб“ за внесување, складирање, анализа, моделирање и прикажување на геореференцирани податоци што можат да се користат интерактивно за донесување одлуки. Зрелиот ГИС вклучува системи за обработка на слики, управување со бази на податоци, картографски приказ, развој на модел за дигитализирање / скенирање мапи, географски и статистички анализи. Гео-референцирањето е камен-темелник на сите постапки на ГИС, со упатување на просторната локација на слојот на податоци (или покриеноста), како што е дефинирано од познат координиран референтен систем. ГИС-софтверот е категоризиран според неговата основна архитектура, која може да биде или векторска (лак-базирана) или растерска (мрежна-базирана). За целите на овој преглед, насочен кон еколошки вектори, ќе ги користиме термините лак и мрежа за да избегнеме двосмисленост околу значењето на „вектор“.

ГИС заснован на лак

Лаците ја опишуваат секоја променлива количина што има и големина и насока, т.е. податоци што можат да се опишат со апсолутни координати (на пр. x и г.) Вклучува точки, линии и области (полигони). Секој лак има свои поврзани податоци за атрибутот (z) складирани во табеларна форма во релациона база на податоци. Информациите потребни за гео-референцирање на таквите податоци вклучуваат координиран референтен систем (на пр. Географска ширина и должина), референтни единици (на пр. Метри) и или координирана позиција на аглите на „ограничувачкиот правоаголник“ - дефинирање на границата на обележаната област - или повеќе референтни контролни точки.

Индустрискиот стандарден ГИС базиран на лак е ArcInfo ® (Институт за истражување на еколошки системи, ЕСРИ, Редландс, Калифорнија, САД), широко вработен низ комерцијалниот сектор и од владините администрации. Соодветно на тоа, овој софтвер се користи во бројни студии на вектори на болести (на пример, Вуд) и др. 1992 Николсон и Матер, 1996 година Пендер и др. 1997 Шарма и Шривастава, 1997). Покривањето на административни, биолошки, демографски и еколошки податоци на ArcInfo се чувани од разни меѓународни, национални и локални институции и може да се користат веднаш, преку ArcInfo ГИС, без понатамошна обработка. Овие покривки исто така можат да бидат вметнати директно во сојузничкиот софтвер ESRI ArcView. Заедничката програма на СЗО / УНИЦЕФ за управување со податоци и мапирање за јавно здравје (Мот и др. 1995 Нутал и др. 1998 СЗО, 1999 СЗО / Уницеф 1999) ја користеа истата софтверска структура како ArcView (Објекти на картата) за да создадат алатка за мапирање „Healthmapper“, што овозможува подготвена интеграција на информации (вклучително и опфаќања на ArcInfo) во различни размери - од локално до област, провинциски, национални, регионални и глобални.

Ако податоците се недостапни во дигитален формат, ова може да се измени со дигитализирање на точките или линиите со помош на таблет и дигитализиран таблет и софтвер компатибилен со програмата ГИС што се користи. На пример, контурите на топографската карта можат да се дигитализираат, калибрираат според познати референтни точки и да се креира покриеност на Дигитален модел на височина (ДЕМ). Оваа задача може да одземе многу време, а како последица и скапа, но има предност да го направи истражувачот посвесен за какви било ограничувања или грешки во финалниот производ.

Лошите страни на системот ArcInfo се неговата сложеност и неговата цена. На долниот крај од техничката скала доаѓа ЕПИМАП - едноставна програма за мапирање развиена од Центрите за спречување и контрола на болести на САД (Атланта, ГА, САД) за епидемиолози. Помеѓу овие две крајности, ГЦИС-софтверот заснован на лакови, најчесто користен во епидемиолошките и ентомолошките студии, вклучува ATLAS ®, ArcView ® (кој делува како пребарувач за податоци за датотеки со формат ArcInfo) и програмата за мапирање на работната површина MapInfo ® (види погоре).

ГИС заснован на мрежа

ГИС базиран на мрежа користи систем на претставување на слики каде што сликата е составена од мали, внатрешно униформни ќелии распоредени во мрежа. Овој тип на организација е особено корисен за континуирани површини со податоци како што се сателитски снимки, клима и топографија. Сликите се добиваат од сателитите како поток на податоци и се претвораат во модел на хоризонтални линии за скенирање за визуелизација. Сликите засновани на мрежа бараат гео-референцирање од г.x /г.г. координати за центарот на проекцијата или реалните граници / рабови на сликата. Софтверските пакети засновани на мрежа што ги користат векторски еколози вклучуваат слободно достапни пакети за обработка на слики од 8 бита, како што се IDA / WINDISP развиени за системи за рано предупредување на глад (FEWS) и се користат во следењето на посевите. IDRISI http (http://www.clarklabs.org) е популарен софтверски пакет за почетно ниво, развиен од Универзитетот Кларк, М-р, САД, „ERDAS Imagine ®“ се користи многу за детално толкување на сателитските снимки, ArcGrid the е поврзан мрежен модул на ArcInfo, и 'Просторен аналитичар ®' е мрежен модул за употреба со ArcView. ГИС базиран на мрежа е обично најсоодветен систем за анализа на ентомолошки и / или епидемиолошки податоци со податоци за животната средина.

Дигитални бази на податоци

Широките просторни бази на податоци со континентално, регионално и локално покритие стануваат сè по достапни (Табела 3). Многу од нив се развиени со оглед на потребите на другите сектори (на пример, земјоделство, планирање на природни ресурси и туризам), но се исклучително вредни за употреба во векторски студии. На пример, широк опсег на државни опфаќања на Арк / Инфо веќе постоеја за државата Илиноис кога Китрон и др. (1991) започна да ја испитува еко дистрибуцијата на крлежот Ixodes dammini Спилман и др. 1979 година (син. I. scapularis Да речеме, 1823 година) како вектор на Лајмска болест. За да се поврзе присуството на крлеж со фактори на животната средина, тие надредеа дистрибуција на елен заразен со крлежи на покривањата на почвата и вегетацијата. Ова ја откри фокусната природа на дистрибуцијата на крлежи и нејзината поврзаност со песочна почва и тврди дрва. Бази на податоци со континентална скала НДВИ, првично користени за проучување на состојбата на вегетацијата, се користеа широко во студиите за фактори поврзани со дистрибуцијата на цецеви во Африка (Роџерс и Вилијамс, 1994).

Точност

За успешно користење на овие бази на податоци, нивните ограничувања, како и предностите, мора јасно да се разберат. Инхерентен проблем поврзан со дигиталните бази на податоци е тоа што корисникот е оддалечен од процесот на создавање и затоа проблемите со квалитетот на податоците честопати се игнорираат. Многу бази на податоци се обезбедени со документација што укажува на нивото на точност што може да се припише на целокупниот производ. Сепак, од многу причини, точноста варира просторно и со текот на времето, па оттука и квалитетот на податоците варира значително според географската област и другите критериуми. На пример, Центарот за податоци на ЕРОС (види Табела 3) го создаде американскиот геолошки институт Дигитален модел на надморска височина за Африка (од дигиталниот график на светот) со точност ограничена на 2000 m хоризонтална грешка и ± 650 m вертикална грешка со 90% доверба . Според тоа, интуитивно, вертикалната грешка е најголема во нерамен планински терен, каде што сите мали неточности во хоризонталната рамнина сигурно предизвикуваат големи неточности на вертикалната рамнина. Методите за визуелно претставување на оваа несигурност не се вклучени во најчесто користениот ГИС софтвер.

Површините на категорични податоци засновани на мрежа може да бидат особено ограничени во однос на сигурноста, бидејќи променливата може да припаѓа на само една категорија за секој мрежен квадрат. На пример, мапата за почва на ФАО – УНЕСКО за Африка е достапна во дигитален формат, како и отпечатена на хартија. Дигиталните податоци ги користеше Томсон и др. (1999б) во обидот да се утврдат еколошките параметри кои ја ограничуваат дистрибуцијата на песочната мува Phlebotomus orientalis, вектор на висцерална лајшманијаза во Судан. Phlebotomus orientalis е силно поврзана со вертизоли богати со глина (т.н. „црни памучни“ почви), широко распространети во источен Судан и западна Етиопија. Вертизолите се јавуваат често како дискретни или тесни линеарни комплекси во рамките на другите класи на почва, премногу мали за да се решат на мапата на ФАО - УНЕСКО. Текстуалните табели кои ги придружуваат листовите со мапи со хартија го компензираат ова со укажување на присуство на придружни или вклучени групи почви на скали под резолуцијата на картата, но оваа информација не е вклучена во дигиталната мапа. Алтернативно, NDVI може да биде добар показател за различните типови на почва во некои области, особено за избирање на вертизоли - според наодите на Фарар и др. (1994) во Боцвана. Со користење на податоци од NDVI со резолуција од 1 км (или други производи добиени од сателит), може да биде можно да се мапира појавата на вертизоли на површината на земјата и оттаму и потенцијалната дистрибуција на P. orientalis (Слика 2).

Прелиминарна мапа на ризик за висцерална лајшманијаза (кала азар) во Судан, заснована на веројатноста за Phlebotomus orientalis присуство. Информациите користени за креирање на моделот се состојат од тип на почва, врнежи од дожд и просечна годишна дневна максимална температура. Хумара = област на моментална епидемија во западен Тиграј, северозападна Етиопија: ВОН = област на голема епидемија од 1988 година во провинцијата Западен горен Нил, јужен Судан (Томсон и др. 1999б).

Климатски површини создадени од податоци за метеоролошка станица, како што се топографската и климатската база на податоци за Африка (Хачинсон и др. 1995 година) се создадени од различни техники на просторна анализа и интерполација (Табела 3), со ограничувања кои варираат во зависност од видот на истражените податоци. На пример, Хеј и Ленон, (1999) ги спореди резултатите од сателитските податоци (Метеосат и АВХРР) со резултатите од просторната интерполација на податоците од метеоролошките станици, за предвидување на просторната варијација во месечната клима низ Африка во текот на една година. Откриле дека просторната интерполација на податоците од станицата дава подобро предвидување на температурата, додека далечинското набingудување на CCD е подобар предиктор за врнежите.

Сателитските податоци имаат својствени просторни и временски грешки кои произлегуваат од постапките за земање примероци вклучени во нивното генерирање. Како што споменавме погоре, разликите во техниките за претходна обработка може да резултираат во значителни разлики помеѓу архивите на податоци за НДВИ. Robinson 1996) ги истражуваше инхерентните проблеми на NDVI сетот на податоци од ARTEMIS (просторна резолуција 7,6 км, временска резолуција 1 декад, временска серија 1981–91), што е широко користено во студиите на вектори (на пр. Роџерс и др. 1996 година Бајлис и др. 1998). За студиско подрачје во Источна Африка, Робинсон (1996) ја процени точноста на податоците за АРТЕМИС во однос на просторната резолуција, локацијата на пикселите, пристрасноста за земање примероци, систематските грешки и присуството на бучавата на сигналот во мулти-временските профили на податоците. Овие фактори воведоа значителни грешки, предизвикувајќи значителни ограничувања на веродостојноста на податоците за разликување на специфични живеалишта на теренот, особено во малите области на студии. Робинсон (1996) заклучи дека ваквите грешки мора да бидат земени предвид при секој понатамошен развој на апликациите за овие групи на груби резолуции. Сание и др. (1998) исто така, во споредба на сликите на НДВИ од ФАО-АРТЕМИС и неодамна коригираните вредности на НДВИ од НАСА Патфиндер, откриле значителни и систематски разлики помеѓу овие две архиви - што укажува на тоа дека тие не треба да се користат заедно без да се направат соодветни корекции.

Формат на датотеки

Форматот на датотеката влијае на нејзината големина и брзината со која може да се обработи. На пример, со користење на IDRISI за Windows, датотеките со слики можат да бидат зачувани како ASCII, бинарни или спакувани бинарни, постепено заштедувајќи мемориски простор, но намалувајќи ја брзината на пристап / употреба. Секоја датотека со податоци е поврзана со документарна датотека која го опишува системот за референтна проекција, референтните единици и координатите на аглите на сликата. Некои суштински барања (на пр. Референтна проекција и единици) мора да бидат заеднички за сите документи со документи за тие да се користат во одредена анализа

Проекции за мапирање

Инхерентен проблем на сите процеси на мапирање е неможноста за совршено претставување на сферичната закривеност на Земјата на рамна површина на мапата. Затоа, сите мапи мора да ги изобличуваат растојанијата и, во големи области, овие нарушувања можат да бидат значителни (Штајнванд) и др. 1995 година) Изборот на проекција на мапа зависи од големината и обликот на областа што треба да се претстави. Проекциите на мапите може да се класифицираат како еднаква површина, конформална или еднакво оддалечена. Проекциите за мапи со еднаква површина номинално резултираат во најмало можно изобличување на формите и растојанијата за глобалните и континенталните множества на податоци. За други проекции, проблемите со нарушување се пропорционални на областа на студии. Ова треба да се земе предвид при спојување на множества податоци од поголеми и помали области на заедничка мапа.

Интеграција на податоци

За да се интегрираат податоците од различни извори, потребно е да се користи заеднички формат на датотека, систем за проекција на мапирање и скала. Сите ГИС доаѓаат со низа можности за увоз, извоз и репроекција на датотеки и се препорачува однапред да се провери дали има достапност на потребните. Процеси на интеграција, на пр. спалување, репроектирање, конвертирање на податоци од лак-база во мрежа-база (вектор во растер)) и Обратно, неизбежно воведува дополнителни грешки во обработените податоци.

Постапки за ГИС

ГИС-пакетите базирани на мрежа обично ги вклучуваат следниве можности:

Барање за база на податоци за рекласификација, преклопување, табеларно / статистичко сумирање

карта алгебра за математички комбинирање на слоевите на картата

контекстни оператори за создавање нова мапа од постоечка мапа, со користење на соседски или локални оператори

оператори за поврзување да се утврди дали соседните точки имаат еквивалентна вредност (ако има, групирајќи ги во грутка со нова вредност).

оператори на далечина за мерење на растојанието помеѓу секоја ќелија и најблиското од множеството целни карактеристики

анализа на просторни податоци за визуелизација, истражување, моделирање и сл.

За теренски студии на паразити, штетници и вектори на болести, ГИС обично се користи како структурирана средина во која се мапираат нивните дистрибуции, живеалишта и епидемиологија. Главните апликации против паразитски болести вклучуваат подготовки за Програмата за искоренување на црви од Гвинеја (Кларк) и др. 1991 година), Глобална елиминација на лимфната филаријаза (СЗО, 1998а), Африканска програма за контрола на онхоцеркијаза (СЗО, 1998 б), дистрибуција и контрола на други хелминти инфекции кај луѓето (Брукер и др. 2000 година) и мапирање на интензитетот на пренесување на маларија во подготвеност за нови интервенции во Африка (МАРА, 1998 Омумбо и др. 1998 ).

Наједноставно, ГИС може да се користи за да се преклопат податоците за присуство / отсуство или преваленца на мапи за топографија, реки, патишта, села, градови и административни области со цел да се олесни планирањето и спроведувањето на контролните операции. Simple distance operators can be used to demarcate villages within flight range of the vector breeding sites – as in the case of Simulium vectors of Onchocerciasis in Latin America ( Clark et al. 1997 ). For many disease situations in developing countries it is simply not possible to map the distribution of the vector or disease in sufficient detail findings from localized surveys must be extended to a broader region by the development of predictive models of either vector or disease distribution. For example, GIS database query commands are commonly used to extract information from environmental databases for specific locations where entomological data are available.


Normalize the NDVI raster 0-255 - Geographic Information Systems

April 19th, 2021 by Andi Thomas

We recently received an email about adding country labels to a NEO image to better understand where certain data points are in the world. Here is one way to add labels to any NEO image in QGIS.

QGIS is a free and open-source Geographic Information System. If you do not have QGIS on your machine, there are copies available for download here: https://qgis.org/en/site/forusers/download.html.

We are now ready to add country labels to your NEO layer of choice. For this example, I am going to use the Nitrogen Dioxide (1 month) dataset.

This is a screenshot of my QGIS window showing the Nitrogen Dioxide (1 month) dataset.

There are several datasets available for free that provide the country border and label for the world. I keep one handy in my directory that was created by Bjorn Sandvik at thematicmapping.org. Download your own copy here: https://thematicmapping.org/downloads/world_borders.php. Once you have downloaded and saved the file somewhere on your machine, unzip the file and drag and drop the TM_WORLD_BORDERS-0.3.shp into your QGIS window.

Here is what my screen looks like when I drag and drop the TM_World_Borders shapefile into QGIS.

Now it is time to add labels.

Go to Слој > Select Labeling and add Single Labels from the drop down in the Layer Styling window that pops up.

Here is where you will find Labeling under the Layer window. Here is what my screen looks like with the labels turned on and the map zoomed in to Europe.

The map may not have the aesthetic you need to see the labels clearly. The color and font of the labels can be changed in the Layer Styling window. The color of the countries shapefile can be changed by double-clicking on the box next to the shapefile label in the Layers window.

If the labels do not provide the granularity needed for each country, try adding one of these shapefiles from the Centers for Disease Control and Prevention to your map using the same process: https://www.cdc.gov/epiinfo/support/downloads/shapefiles.html.

Feel free to add any questions or tutorial suggestions in the comments below.

Raster and Floating Point GeoTIFFs: What is the difference?

December 23rd, 2020 by Andi Thomas

When you are considering which format to download for a NEO image, there are two GeoTIFF format options: GeoTIFF (raster) и GeoTIFF (floating point). This can be confusing at first. Let’s take a look at both examples using the Chlorophyll Concentration dataset to distinguish the two formats.

Here is a screenshot showing the Downloads box with an arrow pointing to where you can select either GeoTiff format and a circle around where the raw data is available for download. This is the Aqua/ MODIS Chlorophyll Concentration GeoTIFF (floating point) image for the month of October 2020.

The image above is what downloads when you select GeoTIFF (floating point). This is a floating-point image file where each cell has a number with a decimal (ex. 1.1111). We call this format “data-like” for our purposes because it has been scaled and resampled as part of the processing of the original source data for NEO and the files are simplifications of the original data. Keep this in mind when you are using NEO imagery for analysis—our datasets should not be used for scientific research because they were not calibrated to the precision needed for scientific analysis. If you want to do your own processing for scientific research, choose the “Download Raw Data” option located in the Преземања box.

This is the Aqua/ MODIS Chlorophyll Concentration GeoTIFF (raster) image for the month of October 2020.

To simplify even further, the GeoTIFF (raster) above is an 8-bit color image. The values are stored as 8 bit grayscale and the color table is applied on-the-fly based on those values.

If you have any additional questions or need further clarification, please email us through the “Contact Us” button below.

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 3 of 3)

October 28th, 2020 by Andi Thomas

We have added the NEO color table to a grayscale image, learned how to accommodate the color blind easily with our maps, and now we are ready to build custom color palettes.

Adobe has an online color wheel that is helpful to use when surfing through different colors. If you are unsure what colors to start with, use the color wheel to give you a few ideas and follow these three steps as a guide for applying colors to your map with the wheel:

Step 1. Play around with the different color functions of the wheel to find a palette you would like to work with. You can work with a different hue and saturation of one color or look at three different complimentary colors. The radio buttons on the side of the wheel will help guide your decision-making. The RGB value for each color is at the bottom. Feel free to also mess with the lightness, hue and saturation sliders to get exactly what you want after the color wheel gives you an output. I decided to use the shades function and make a minty green palette. I plan to use these colors for land and then choose a contrasting color for the water.

My color wheel choice for this example.

Step 2. Open the color table back up for the grayscale image and use the same method as before: Select a couple of rows and change the colors to what you selected on the wheel, gradually moving from light to dark down the color table. Or, see what happens when you move from dark to light down the color table. Does it change the message of the map?

Step 3. Save your color palette for future use.

Alright, I know, that was short and easy. But not so fast, we have a couple more things to learn.

Follow these steps to make your own color palette in Photoshop:

Step 1. Open a new project for a clean slate to make palettes on. Do not worry about the canvas size as long as you have enough space to work with.

Step 2. Using the brush tool at a size that is easy to see, pick and paint a color on the canvas that you want on your map. I chose green because that is what I think of when I think of vegetation.

My Canvas so far.

Step 3. Now open the Color Picker back up and select a color that is lighter (less saturated) and move the hue up the color scale a little bit. Repeat this process but in the other direction for your third color. There is a tutorial by Greg Gunn that has a very similar process but is way more detailed. Please check out the video if you need a little more context on choosing the right colors.

I have selected and changed the hue and saturation to a part of the colors I am working with but this is not necessary. Do what is right for you.

Step 4. I have chosen a few colors to work with and am ready to add them to the color table. Clip the canvas to the colors you would like on your map. Go to Image, Mode, and select Indexed Color. Now open up the Color Table under Image, Mode. The colors you have chosen may be scattered around the table.

Step 5. Select one of your lightest colors on the table and add it to the 5th and 6th rows using the RGB values located on Color Picker. I may choose to add the same colors to three rows instead of two but this is a good starting place.

Step 6. Create a lighter color from the one you just filled in the 5th and 6th rows by toggling hue and saturation in Color Picker and add it to the 3rd and 4th rows. Repeat this process for rows 1 and 2.

Step 7. Now pick a second color that is darker than rows 5 and 6 and add it to rows 7 and 8. Repeat this process all the way down.

Step 8. Choose and apply a contrasting color for the last cell to represent water.

Here is what I came up with after Step 8.

Step 9. Save the color table somewhere that is easy to find and open up a new project with the grayscale NDVI map.

Step 10. Change the mode to Indexed Color and open up the Color Table.

Step 11. Load the color table you just created and see what you think. Feel free to change the colors up or maybe even repeat the steps with an entirely new set of colors. This tutorial is not available to get it right on the first try. We simply want to give you the tools you need to make the right map for your needs.

What do you think? Not bad for a first try?

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 2 of 3)

October 21st, 2020 by Andi Thomas

Now that we have finished part one and understand how the color table provided with each dataset on NEO is applied to each grayscale map, let’s focus on creating custom color palettes that are easy for everyone to see.

Color-blindness is a common condition that prohibits some individuals (mostly men) from distinguishing between colors. Especially, red and green.

“Roughly 1 in 20 people have some sort of color vision deficiency.”

U.S. Department of Agriculture

Luckily, there are plenty of resources that can help with creating color-blind friendly maps. Color Brewer is one great place to start for pairing colors together and we will use the site throughout this part of the series to guide our color decision-making.

If you are unable to see the number 74 in green, you may want to take a color blindness test. Image Credit: Wikipedia

Follow these steps to surf through Color Brewer and customize a color palette that suits your needs and the color-blind:

Step 1. Navigate to the Color Brewer site and make sure the colorblind safe box is selected.

Here is the Color Brewer site with a yellow circle around the colorblind safe button that should be selected.

Step 2. Select 9 classes so you will have plenty of colors to work with for an 8-bit dataset. An 8-bit dataset has 256 values (0-255) which means the color table we are working with is a 16 x 16 grid. This will make more sense when we are looking at the color table in Photoshop. You could select 8 classes so every two rows have a different color, but I like to graduate the color to one row at the end. I encourage you to play around with a few combinations and decide what is best for your map.

Step 3. Instead of the default HEX codes, Select RGB from the drop down.

Step 4. Pick a color scheme. I am going to choose the yellow to green combo under sequential multi-hue. It is similar to what we are displaying now but lighter and I really want the water to be more of a dark blue rather than black.

Step 5. Go back to Photoshop and open the Color Table window again (Image, Mode, Color Table…). To make it easier, my Color Brewer window and Photoshop application are sitting side-by-side on my screen.

My desktop set-up for this tutorial.

Step 6. Select two rows at a time on the color table and change the color using the RBG values that are on Color Brewer for the scheme you selected. Repeat this step as you move down the color bar until you get to the last two rows. Then you can graduate to one row and use the darker colors at the bottom of the scheme for the last two rows. The very last color (0) on the table is the map’s water (technically, it is areas of no data that are also where the oceans are). I chose to make the water a dark blue color rather than black.

Here is what the color table looks like after I have customized the palette and applied it to the map.

Step 7. Save the color table you have created to load to another map if you like what you see.

Spend a little more time trying out different colors and using the options Color Brewer provides. Keep in mind, the map represents a dataset and in this case we are trying to show areas of less and more vegetation. Choose wisely on the colors you want to represent places with dense and sparse vegetation. Next time we will look at creating a custom color palette from scratch and applying it to your map.

Create and Apply the Right Color Palette in Adobe Photoshop for your Map Visualization (Part 1 of 3)

October 16th, 2020 by Andi Thomas

Applying the right color palette to an image is crucial to conveying the right message to your audience. There are obvious no-nos in map-making like, do not color land and water blue because it may look like your entire map is water. Or, do not color a disaster map green because it may convey a message of positivity. This tutorial series will show you how to apply and save different color palettes, but it is important to look into why different colors are chosen, basic color theory, and best practices for choosing the right palette. There is a 6-part series on Earth Observatory published several years ago called the “Subtleties of Color” that is still a great base to start from before making and applying your own palettes. If you already feel comfortable with your knowledge and use of colors, let’s make color palettes!

Each NEO image is natively grayscale and the color table is applied in post-processing to display the colored image on each dataset’s page. Underneath the image is a downloadable Adobe Color Table (ACT) that can be saved and used to create and save color palettes for other grayscale images.

Let’s look at the Vegetation Index (NDVI) MODIS imagery as an example for applying a ready-made color table for the dataset following these steps:

Step 1. Download and save the color palette displayed for the NDVI imagery (filename: modis_ndvi.act) and a grayscale PNG at the temporal and spatial resolution of your choice. I saved the files to my desktop so they would be easy to find.

The yellow circles indicate where the color table and grayscale radio button are located on the vegetation index page.

Step 2. Open Photoshop and load the grayscale NDVI image into a new project.

Step 3. Make sure the swatches window is open. There should be a check mark next to “Swatches” and the window should appear on the top right.

Step 4. In the swatches window, expand the hamburger button on the right and click Import Swatches

Step 5. Navigate to where you saved the ACT file and open the file. You should now see the color palette in the Swatches window under its filename and you will be able to access it later and even reuse some of the colors for your own palette creations.

Screenshot of Photoshop with the grayscale image and ACT file loaded.

Step 6. Now go to Image, Mode, and select Indexed Color. Keep the default settings and click Ok. Your image name should have changed to “index”.

Step 7. Go back to Image, Mode and select Color Table…

Step 8. Изберете Обичај from the drop-down menu at the top of the window and click Load…

Step 9. Navigate to the modis_ndvi.act file, select the file, and click Ok.

Step 10. The color applied to the map should now look the same as what is on our site for the MODIS Vegetation Index dataset.

Here is what my Photoshop screen looks like after step 5.

Now we are ready to move on to part 2 where we will learn how to apply a custom color palette that is color-blind friendly. See you then!

How to Visualize NEO Imagery in Excel

September 15th, 2020 by Andi Thomas

Did you know you can use Excel to visualize raster datasets? If not, follow this short tutorial and find out how.

Let’s use the cloud fraction imagery NEO provides for this example.

Step 1. Go to the cloud fraction imagery page and choose the CSV for Excel download option from the drop-down at 1.0-degree resolution for a month and year of your choice. I am going to download the latest monthly image for August 2020.

This is the cloud fraction imagery page with green arrows pointing to the selections you need to make when you download the CSV file.

Step 2. Open the CSV in Excel and select all data except for the latitude and longitude row and column (which are the first row and first column).

All of the cells except for the latitude and longitude row and column should be selected in this step. Here is an example of what the Excel sheet will look like.

Step 3. Find and replace all 9999 values with an empty cell. I pressed the space bar a couple of times in the Replace with: cell. Once you click the Replace All button, an alert message will come up, and you will notice the cells that previously had 9999 are now empty.

This is an example of where to find and replace the 9999 values. This alert will come up once you hit the Replace All копче.

Step 4. From the Excel home tab: Select conditional formatting, color scales, and choose one of the 2-color scheme options available или select More Rules… and choose a different minimum and maximum value color. I am going to choose blue for the minimum color and white for the maximum color to create a look similar to what is available on the cloud fraction page.

Here is where you need to be for step 4. For the new formatting rule, I selected blue for the minimum color and white for the maximum color. The maximum value corresponds to the highest cloud fraction while the minimum value represents low to no cloud cover.

Step 5. Zoom out using the slider on the bottom right side of the excel window and you will notice the global imagery taking shape.

Voila! There is your image coming to life in Excel. Now it is time to zoom in and investigate the cloud fraction values at different latitudes and longitudes. You may also want to try repeating the process at a higher resolution.

I remember learning the difference between raster and vector data in my entry-level GIS courses. Vector data is all of the point, line, and polygon data while raster data is made of cells or pixels. I wish my professor would have shown me how to visualize raster data in Excel at the time to really grasp cell values that make up the imagery we see as a whole. It certainly would have been easier to process!

Please share what you process in the comments below. We would love to hear any feedback or suggestions you may have.

Visualizing Changes in Nitrogen Dioxide Levels During the COVID-19 Pandemic

August 12th, 2020 by Andi Thomas

On March 11, 2020, COVID-19 was classified as a global pandemic by the World Health Organization. That same month, all New York City non-essential businesses were ordered to close by the governor’s office and several residents fled the city to get away from the rapidly spreading virus. There is typically a significant amount of nitrogen dioxide (NO2) in the air from the burning of fossil fuels during mass transportation, especially in larger cities like New York City. But, because all of the non-essential businesses were closed, along with many transportation lines, there was a significant decrease in NO2 in March 2020 compared to previous years.

The data probe function in the NEO analysis tool shows a significant decrease in NO2 levels in March 2020 compared to March 2018 & 2019.

By adding the Nitrogen Dioxide dataset to the analysis tool for March 2018, 2019 & 2020, we can compare NO2 levels over one geographic coordinate using the data probe function or over a distance using the plot transect function. For more information on how this is done, check out our post on NEO Analysis in 10 Easy Steps. According to these New York City snapshots, NO2 levels decreased by roughly half in comparison to the previous 2018 and 2019 average NO2 levels when city operations were normal.

A quick draw of a transect line using the plot transect function shows a decrease in NO2 levels in March 2020 compared to March 2018 & 2019 over New York State.

The Governor of Sao Paulo, Brazil, Joao Dorio, also ordered a shutdown of the state for two weeks at the end of March 2020 to help slow the spread of the virus. The NO2 levels in April 2020 in comparison to the previous two years also decreased by nearly half.

Here is a snapshot of South America with the data probe floating over Sao Paulo, Brazil to compare NO2 levels in April 2018, 2019 & 2020.

Global human behavior changed rapidly as COVID-19 spread across the globe and the change can be detected from satellites in space. NASA scientists are monitoring several atmospheric indicators globally, including NO2, to read a global pulse on how our atmosphere is responding. Although NEO datasets are heavily processed for visualization and should not be used for scientific analysis, we can still qualitatively see changes on a global scale.

Global snapshot of NO2 levels in March 2020.

Analysis: Pacific life – how is it related to ocean temperature?

August 3rd, 2017 by Stephanie Uz

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Here we explore phytoplankton blooms and their relationship to sea surface temperatures, with background information featured in ClimateBits: Phytoplankton.

Recent studies link warmer waters off the U.S. west coast to more frequent toxic algae blooms, negatively impacting the marine food web and the economy. In 2014-16, the waters off the west coast were unusually warm and were famously dubbed the ‘warm blob’ by the press. The warmer ocean impacted weather on the west coast and was linked to lower fish catches and stressed sea life.

A toxic algae bloom in 2015 extended from California to Alaska resulting in the closure of the Dungeness crab fishery and an economic decline of $100 million, according to the Fisheries of the U.S. Report, 2015. Sea lion strandings increased, including a starving baby sea lion that seated itself at a San Diego restaurant in early 2016, weighing half of what it should for its age according to the Sea World rescue team.

Following the strong El Niño of 2015-16, ocean temperatures off the west coast returned to ‘normal’. Here we use NEO to explore these reports. How do the satellite sea surface temperature records compare before, during, and after the warm anomaly?

Figure 1. North Pacific Sea Surface Temperatures during February 2013 (red), February 2015 (green), February 2017 (blue). Transect values from NW to SE along the U.S. west coast.

A NEO comparison of ocean surface temperatures for the month of February before the warm anomaly in 2013 (red), during the warm anomaly in 2015 (green), and after the warm anomaly in 2017 (blue). Along the entire west coast – from Alaska to the Baja Peninsula – temperatures during the warm blob (February 2015) were roughly 3 degrees C (or 5 degrees F) warmer compared to before (February 2013) and after (February 2017).

Temperatures off of Alaska (Distance

0km along the transect) were around 7C in February 2013 and 2017, but around 10C in 2015. Off of southern California (Distance

2000km), temperatures were around 13C in February 2013 but 16C during the warm blob in 2015. West of the Baja Peninsula (Distance

3500km), temperatures were around 21C in 2013 and 2017, but 25C in 2015.

How do the temperature changes relate to ocean biology measured by satellites?

Figure 2. North Pacific chlorophyll concentrations during February 2013 (red), February 2015 (green), and February 2017 (blue) plotted in a histogram for the area west of California outlined in white.

Chlorophyll concentrations indicate the amount of phytoplankton blooming. More phytoplankton means more food for fish and the rest of the marine food web. In the chlorophyll histogram in Figure 2, chlorophyll during the warm blob in February 2015 (green) had lower values (around 0.1 mg/m 3 ) more frequently than the other two years. The waters were almost 10 times more productive (approaching 0.9 mg/m 3 ) in February 2013 (red) compared to the other two years. Recall that February 2013 had the coolest water.

Usually, cooler surface water means that the water has recently been at depth — below the sunlit surface. Deep water containing unused nutrients can support new phytoplankton blooms. Thus, cooler water is generally associated with higher chlorophyll concentrations. How do the two data sets compare along the west coast before, during, and after the warm blob?

Here we compare sea surface temperature and chlorophyll along a transect from NW to SE off the coast of California for February 2013, 2015, 2017.

Figure 3. Sea surface temperature (red) and chlorophyll (green) plotted along the white transect line in the large panel, from northwest to southeast for February 2013 (left), February 2015 (middle), February 2017 (right) – before, during, and after the warm blob, respectively.

In all of the plots in Figures 3, sea surface temperature and chlorophyll demonstrate their inverse relationship. Cooler, more productive water to the north is contrasted with warmer, less productive water toward the south. The peaks in the chlorophyll (green line) correspond to phytoplankton filaments typically associated with nutrient entrainment along the boundaries of circulation features, such as in the California Current system. Note that over the 2000km transect from northwest to southeast, temperatures changed about 10C and chlorophyll concentrations changed more than an order of magnitude (10x). Also notice that February 2013 (Figure 3, left) had chlorophyll peaks reaching concentrations around 5 mg/m 3 . During the warm anomaly in 2015, chlorophyll concentrations were never above 0.9 mg/m 3 . After the demise of the warm blob, sea surface temperatures cooled in 2017 (Figure 3, right) compared to 2015 (Figure 3, middle), chlorophyll concentrations remained low (< 0.9 mg/m 3 ) and were certainly much lower than in 2013.

Diving into the 2017 data a bit more through scatter plots, we can highlight the geographical distributions of different data combinations.

Where are the highest chlorophyll concentrations?

Figure 4. Scatter plot of sea surface temperature (bottom axis) versus chlorophyll (left axis) during February 2017 for the region within the white line. The highest chlorophyll values (magenta box on the scatter plot) are highlighted in magenta on the map. Note that the values at the very top of the plot (74mg/m 3 ) are outliers or artifacts.

Where are the warmest waters within the area outlined in white?

Figure 5. Same plot as Figure 4, with the magenta area highlighting a different distribution of temperature (16-21C) and chlorophyll values (0.05-0.2 mg/m 3 ).

Where are the coolest waters within the area outlined in white?

Figure 6. Same plot as Figure 4 and 5, with the magenta area highlighting a different distribution of temperature (7-10C) and chlorophyll values (0.2-0.8 mg/m 3 ).

Not surprisingly, the coolest waters are in the north the warmest waters are in the south and the most productive waters with the highest chlorophyll values are next to the coast where nutrients were plentiful. Recall that January and February 2017 was a time of plentiful rain and snow on the west coast (a.k.a. atmospheric rivers that led to much run-off from land).

Note: This blog was written in response to a request for an analysis comparing sea surface temperature and chlorophyll. If there is an analysis you would like to see in this blog, please let us know!

Analysis: Hot in the city

May 30th, 2017 by Stephanie Uz

As the northern hemisphere approaches summer, we explore land surface temperatures that are featured in ClimateBits: Urban Heat Islands.

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Urban Heat Islands are places on land where buildings, roads, and other impervious surfaces trap more heat than the surrounding rural area. During summer, an urban place like New York City can be 4°C (7°F) or more warmer than surrounding rural areas. Vegetation plays a cooling role through transpiration. Cities such as Minneapolis, Chicago and St. Louis — where most trees were cleared to make way for pavement and development — are urban heat islands surrounded by cooler forests.

Demonstrate seasonal changes

Load March, June and September, 2016 for land surface temperature [day]. These are found under the ‘Land’ category. Note the difference between ‘land surface temperature’ and ‘average land surface temperature’ data sets, the latter being climatology. We use the former in this example. These are MODIS/Terra observations collected since February, 2000 at daily, 8 day and monthly temporal resolution. Here we compare [day] temperatures.

The warmest land is colored yellow coolest land is colored light blue. Hottest places are in the tropics and during summer in areas where the land is driest. Coldest places are covered in snow and ice. Black areas are missing data — over the ocean or due to cloud cover or lack of sunlight. The values along the white transect on the large map are plotted for March (red), June (green), September (blue).

The white line drawn from south of Lake Michigan east to New York City shows that the transect was about 10°C cooler in March compared to June and September in 2016. As the month of maximum sunlight, June would be expected to be warmest, yet September temperatures were not much cooler due to the thermal inertia of the land.

Compare day/night seasonal changes

Now load March, June and September, 2016 for land surface temperature [night]. Night temperatures are also coldest for places covered in snow and ice, but have important differences from daytime temperatures for warm areas.

The same line drawn from south of Lake Michigan east to New York City corresponds to the plot of nighttime temperatures for March (red), June (green), September (blue). September temperatures were again very close to those in June, especially for the urban areas at either end of the transect (near Chicago and New York City).

Compare urban and rural day/night temperatures

Looking at a weekly map from the end of June, we can compare day and night temperatures with a focus on urban versus rural New York.

Land surface temperature [day] in red and [night] in green for the week of June 26-July 4, 2016. Histograms show temperature distributions around urban New York City (left) compared to rural upstate New York (right).

Related Reading

Analysis: Reflections on the Blue Planet

April 21st, 2017 by Stephanie Uz

To better engage you on critical Earth science topics, NEO launched a new web-based analysis tool. This Analysis Blog explores NEO data sets used in ClimateBits: Albedo. Albedo is the fraction of incoming solar energy that is immediately reflected back to space.

Note that these examples are intended for curious people looking for hands-on Earth data exploration. Primary scientific research will require additional analyses through other methods. For the basics on how to use the NEO tool, see ‘Analysis tool in 10 easy steps’.

Reflected shortwave radiation

Categorized under ‘Energy’, maps of reflected shortwave radiation show the amount of solar or shortwave energy (in Watts per square meter) reflected by the Earth. These are CERES observations combined with MODIS measurements, available since July, 2006. Brighter colors indicate more reflection while dark blue indicates the least reflection. The brightest, most reflective regions are associated with clouds, snow and ice. Because clouds move quickly, they are best observed in daily maps. The 8 day and monthly composites mute transient weather patterns. More persistent features, such as polar ice caps, can be observed and compared at longer time increments. The least reflective regions are dark surfaces without cloud cover, such as forests and the ocean. The poles are dark during their winters because of the absence of sunlight then.

Reflected Shortwave Radiation (in Watts per square meter). The pale green to white regions show where more sunlight is reflected dark blue regions are where the least sunlight is reflected.

Land albedo

Categorized under ‘Energy’ as well as ‘Land’, maps of albedo show how reflective land surfaces are from 0, meaning no reflection, to 0.9, indicating nearly all incoming solar energy is reflected. These maps are derived from MODIS measurements, available since February, 2000 at 16 day and monthly composites. Dark blue indicates the least reflection and white indicates the most. Black areas are missing data – over the ocean or due to cloud cover or lack of sunlight.

Land albedo scales from 0 (dark blue) meaning no incoming sunlight reflected to 0.9 (white) meaning almost all sunlight reflected (1 would be all). Black areas mean “no data,” either over ocean or because persistent cloudiness prevented a view of the land surface. Notice the highest albedos are due to ice caps, glaciers and snow-cover.

Comparison: different surfaces

Africa is a continent with the Sahara Desert north of savannah grasslands and then forests with thick vegetation. To see how different land cover impacts albedo and reflected radiation, we compare them during January, 2017. We limit our analysis to the area delineated by the yellow box (below, left). Користете Data Probe и Plot transect to explore the whole geographic area, comparing and contrasting values of albedo and reflected radiation.

Left: Map of the region selected as the yellow box. Right: a comparison of albedo and reflected radiation from north to south along the transect (white line).

Notice that albedo and reflected radiation are highest over the Sahara Desert, except for the dark spot associated with the Tibesti mountains in northern Chad. Albedo and reflected radiation decline over the savannah grasslands, which are darker. Farther south, over the tropical rain forest, however, reflected radiation starts to rise while albedo continues to decline – likely due to evapotranspiration that promotes cloud formation.

Left: region selected (white box). Right: scatter plot of albedo versus reflected radiation within that region.

A scatter plot of the transition zone between desert and savannah demonstrates the direct relationship between albedo and reflected radiation.


H. Pan-sharpening


  Click image to expand

Band 8 is panchromatic for Landsat 7 (EMT+ sensor) and Landsat 8 (OLI sensor).


  Click image to expand

Panchromatic sharpening is a way to increase the detail (spatial resolution) of an image. In a nutshell, a high-resolution gray-scale panchromatic band is combined with lower-resolution &ldquocolor&rdquo multispectral bands. The result has visual advantages of both&mdashhigh resolution multisprctral images.

Several multispectral satellite sensors have a &ldquopanchromatic&rdquo band&mdasha single band that covers visible wavelengths (exact wavelength range varies by sensor, see graphic). Panchromatic sensors can &ldquoafford&rdquo to have higher spatial resolution because they capture more energy (from a wider wavelength range) and lump that brightness into one image file. Dividing visible light into 3 bands (RGB) requires 3 times as much storage space.

Publicly available commercial satellite imagery has panchromatic resolutions as fine as 31 cm (WorldView-4 satellite, operated by DigitalGlobe https://www.digitalglobe.com). Landsat offers free 15 meter panchromatic resolution.

The following graphics show a pan-sharpened Landsat 8 image of Malibu California. Malibu Images Credit: Charlie Loyd, MapBox, published June 14, 2013. https://landsat.gsfc.nasa.gov/landsat-8/landsat-8-bands/


  Click image to expand

Normal Color, not pan-sharpened (30 m).


  Click image to expand

Normal Color, after pan-sharpening.

Click the Bubbles Above or the Double Arrows ( ) to Explore this Principle

Plotting Points From a CSV File

The CSV file in this example is HERE.

Plotting Polygons From a Shapefile

The data for this example is in 2017-state-data.zip.

Your browser does not support the video tag.

  • Download a zip file of a shapefile provided by the City of Denver Open Data Catalog containing data from the 2009-2013 American Community Survey for census tracts in Denver
  • Unzip the data and create a choropleth map based on some variable in the data that you find interesting. Please avoid using a variable on race unless you have some overriding need to do so http://data.denvergov.org/dataset/city-and-county-of-denver-american-community-survey-tracts-2009-2013
  • Export the choropleth to a PNG file and paste that into a word processing document
  • Describe the variable you used and provide some basic interpretation of any patterns that you see (or don't see). Indicate whether or not this showed you anything unexpected.
  • Provide metadata indicating the data source, the URL, the date of download, and any other metadata you think might be useful for some potential future user of this data or map
  • Give your documents a meaningful title along with your name and the date
  • Save your document as a PDF and submit it on Canvas

Optionally, if you would prefer to use ArcGIS Online, view the tutorial below.


Погледнете го видеото: Applications of Remote Sensing for Crop Management - NDVI