Jak Copernicus zbiera dane przez cały rok i co to oznacza zimą

Satelita przelatuje nad Polską co kilka dni, niezależnie od pory roku. Nie wie, że jest styczeń. Nie wie, że pod nim leżą zaśnieżone pola. Rejestruje to, co odbija od powierzchni Ziemi, i zapisuje dane. Kwestia tego, co z tymi danymi można zrobić w środku zimy, jest osobną sprawą.

Dla pszczelarza, który myśli o planowaniu sezonu, dane zimowe mają konkretną wartość. Ale żeby je sensownie czytać, warto wiedzieć, jak Copernicus w ogóle zbiera dane i dlaczego zima to dla satelity optycznego wyjątkowo trudny czas.

Czym jest Copernicus i jakie satelity wchodzą w grę

Copernicus to program Unii Europejskiej, realizowany przez Europejską Komisję i ESA. Jego sercem są satelity z rodziny Sentinel, z których każdy robi coś innego. Dla pszczelarstwa i rolnictwa najistotniejsze są dwa.

Sentinel-2 to satelita optyczny. Rejestruje odbicie światła słonecznego od powierzchni Ziemi w 13 pasmach spektralnych, w tym w zakresie widzialnym i bliskiej podczerwieni, który jest podstawą wskaźnika NDVI. Problemem są chmury: Sentinel-2 ich przez nie nie przebija. Kiedy niebo jest zachmurzone, zdjęcie jest bezużyteczne. W Polsce zimą, gdy niebo bywa zakryte przez tygodnie, może minąć długi czas bez jednego użytecznego obrazu z danego obszaru.

Sentinel-1 działa zupełnie inaczej. To satelita radarowy, który wysyła własne sygnały i mierzy odbite echo. Działa w dzień i w nocy, przez chmury i przez śnieg. Radar nie jest wrażliwy na światło słoneczne, więc pora roku nie ma dla niego znaczenia w tym sensie, w jakim ma dla Sentinela-2. Dane radarowe mają jednak inne właściwości i są trudniejsze w interpretacji pod kątem roślinności.

Co przeszkadza Sentinelowi-2 zimą

Trzy rzeczy utrudniają zbieranie użytecznych danych optycznych w Polsce między listopadem a marcem.

Pierwsze to zachmurzenie. Polska zima to w dużej mierze szara, bezśnieżna aura z zachmurzeniem warstwowym, które może trwać tygodniami. Każde zdjęcie pokryte chmurami trafia na śmietnik. Przed analizą danych stosuje się maskowanie chmur, czyli algorytm, który odrzuca piksele zasłonięte przez chmury. Przy dużym zachmurzeniu z całego miesiąca może zostać tylko kilka użytecznych scen.

Drugie to śnieg. Śnieg odbija światło bardzo silnie, podobnie jak chmury, co utrudnia odróżnienie pokrywy śnieżnej od zachmurzenia. Można je rozróżnić na podstawie pasm krótkofalowej podczerwieni, bo śnieg i lód silnie pochłaniają to pasmo, a chmury nie. Mimo to pokrywa śnieżna sprawia, że NDVI terenu spada dramatycznie, bo satelita "widzi" śnieg zamiast roślin.

Trzecie to kąt słońca. Zimą słońce jest nisko nad horyzontem. Zdjęcia wykonane przy niskim kącie padania światła mają więcej cieni i gorszą jakość radiometryczną niż letnie, co może wpływać na dokładność wskaźników.

Co można z danych zimowych wyciągnąć

Mimo ograniczeń dane zimowe nie są bezużyteczne. Kilka zastosowań jest szczególnie przydatnych dla kogoś, kto myśli o pożytkach pszczelich.

Rośliny zimozielone, takie jak sosna, wrzos czy borówka, są zimą dobrze widoczne na tle nagiej roślinności liściastej i śniegu. Marzec, kiedy inne gatunki są jeszcze w spoczynku, to moment, gdy wrzosowiska i bory sosnowe wyróżniają się wyraźnie w danych NDVI. Dane marcowe z ostatnich kilku lat pozwalają ocenić, czy konkretne wrzosowisko jest stabilne, czy zmienia zasięg.

Dane zimowe dają też wgląd w strukturę krajobrazu bez liści. Lasy liściaste bez listowia mają zupełnie inny sygnał spektralny niż latem. Granice między typami użytkowania terenu, krawędzie lasu, mokradła i zbiorniki wodne są zimą często lepiej widoczne niż w sezonie wegetacyjnym.

Wreszcie porównanie zimy z sezonem wegetacyjnym, rok do roku, pozwala śledzić zmiany w krajobrazie. Czy pole, które było ugorem, zostało zaorane? Czy obszar nawłoci kurczy się czy rośnie? Dane archiwalne Sentinel-2 sięgają do 2016 roku, więc takie porównania są możliwe dla całej dekady.

Dlaczego dane mają miesięczne opóźnienie

Satellite przelatuje, robi zdjęcie, ale to zdjęcie nie trafia od razu do aplikacji. Między wykonaniem obrazu a jego dostępnością w systemach analitycznych upływa czas potrzebny na pobranie danych z satelity, przetworzenie surowych plików przez naziemne stacje kontrolne, korekcję atmosferyczną i geometryczną, walidację jakości oraz udostępnienie w archiwach Copernicus Data Space Ecosystem. W praktyce w Hive Mind operujemy danymi z około miesięcznym opóźnieniem względem daty wykonania zdjęcia.

Dla analizy planistycznej, jaką jest ocena lokalizacji pasieki czy porównanie sezonów, miesięczne opóźnienie nie ma znaczenia. Dla decyzji "czy wywieźć pszczoły jutro" trzeba korzystać z innych źródeł, na przykład prognozy pogody i własnej obserwacji terenu.

Jak to wszystko przekłada się na Hive Mind

W Hive Mind możesz wybrać miesiąc i rok analizy. Dane zimowe są dostępne, ale warto wiedzieć, co z nich wyciągasz. Analiza z grudnia lub stycznia dla typowej polskiej lokalizacji może być oparta na nielicznych scenkach bez chmur i nie zawsze odzwierciedli stan roślinności tak wiernie jak czerwcowa. Analiza marcowa, szczególnie dla obszarów z wrzosem, sosnami czy borówką, ma realną wartość i można ją porównywać rok do roku.

Jak wybrać odpowiedni miesiąc do analizy w zależności od pożytku, który Cię interesuje, wyjaśniamy w artykule Jak dobrze przeanalizować teren pod pasiekę? Jak czytać wynik analizy i co oznaczają poszczególne wartości: Jak czytać analizę pożytków w aplikacji Hive Mind?

Sprawdź, jak wygląda baza pożytkowa w okolicy Twojej pasieki w różnych porach roku: Hive Mind.