Sentinel-2 nowe źródło danych w badaniach koryt rzecznych

• Autorzy: Kryniecka Klaudia , Magnuszewski Artur

Warianty tytułu

EN

Sentinel-2 new source of data in research on riverbeds

• Języki publikacji: PL

Abstrakty

PL

Zmiany morfologiczne zachodzące w korytach rzek są dynamiczne i wymagają monitorowania. Skutecznym sposobem śledzenia dynamiki zmian są analizy obrazów satelitarnych, które pozwalają na określenie geometrii form korytowych i tempa ich deformacji. W pracy omówiono źródła danych satelitarnych, w tym także tworzony przez IMGW-PIB portal „Sat4Envi". Przedstawione zostały parametry techniczne misji satelitarnej Sentinel-2 (rozdzielczość radiometryczna, spektralna, przestrzenna i czasowa), a także możliwości zastosowania zdjęć optycznych. Jako przykład w badaniach form korytowych pokazano wskaźniki teledetekcyjne NDWI, MNDWI, AWEInsh, AWEIsh, LSWI, MLSWI, SWM, obliczone na podstawie obrazu Sentinel-2 zarejestrowanego w dniu 5/09/19. Celem analizy jest wyróżnienie form korytowych w wybranym odcinku koryta dolnej Wisły (km 816-828) w warunkach niskiego przepływu oraz analiza przemieszczenia form korytowych w ciągu roku. Wyniki pokazują przydatność danych satelitarnych do badania form korytowych dużych rzek.

EN

Morphological changes occurring in riverbeds are dynamic and need to be monitored. An effective method of following the dynamics of such changes are satellite image analyses, which allow for determination of the riverbed forms geometry and their deformation rate. The article discusses the sources of satellite data, including the Sat4Envi portal created by the Institute of Meteorology and Water Management - National Research Institute. It presents technical parameters of the Sentinel-2 satellite mission (radiometric, spectral, spatial and temporal resolution), as well as the possibility to use optical photographs. As an example of data used in research on riverbed forms, the authors discuss the NDWI, MNDWI, AWEInsh, AWEIsh, LSWI, MLSWI and SWM remote sensing indexes, calculated based on the Sentinel-2 image recorded on 05/09/2019. The aim of the analysis is identification of riverbed forms in the selected section of the lower Vistula River (km 816-828) in low flow conditions and an analysis of riverbed forms movement throughout the year. The results show the useful char- acter of satellite data in research on large riverbed forms.

Słowa kluczowe

PL

koryto rzeki; Sat4Envi; Sentinel-2

EN

riverbed; Sat4Envi; Sentinel-2

• Wydawca: Wydawnictwo SIGMA-NOT
• Czasopismo: Gospodarka Wodna
• Rocznik: 2020
• Tom: Nr 7
• Strony: 13--18
• Opis fizyczny: Bibliogr. 25 poz., rys., tab.

Twórcy

autor

Kryniecka Klaudia

• Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Hydrologii

autor

Magnuszewski Artur

• Uniwersytet Warszawski Wydział Geografii i Studiów Regionalnych Zakład Hydrologii

Bibliografia

• [1] Acharya T.D., Subedi A., Lee D.H. 2018. Evaluation of Water Indices for Surface Water Extraction in a Landsat 8 Scene of Nepal. Sensors, 18(8), 2580. doi:10.3390/ s18082580.
• [2] Bukata R., Jerome J., Kondratyev A., Pozdnyakov D. 1995. Optical Properties and Remote Sensing of Inland and Coastal Waters, ISBN: 9780203744956.
• [3] Burshtyńska K., Halochkin M., Tretyak S., Zayats I. 2017. Monitoring of riverbed of river Dniester using GIS technologies. Archiwum Fotogrametrii, Kartografii i Teledetekcji, vol. 29, pp. 25-36, ISSN 2083-2214, eISSN 2391-9477, doi: 10.14681/afkit.2017.002.
• [4] Centrum Badań Kosmicznych PAN (CBK). 2019. Awaria kolektorów ściekowych oczyszczalni Czajka. Poster.
• [5] Dana-Negula I., Poenaru V., Olteanu V., Badea A. 2016. Sentinel-1/2 data for ship traffic monitoring on the Danube river. ISPRS - Intenational Archives of the Photogrammetry, Remote Sensing and Spatial Information Sciences. XLI-B8. 37-41. 10.5194/isprsarchives-XLI-B8-37-2016.
• [6] Du Y., Zhang Y., Ling F., Wang Q., Li W., Li X. 2015. Water Bodies' Mapping from Sentinel-2 Imagery with Modified Normalized Difference Water Index at 10-m Spatial Resolution Produced by Sharpening the SWIR Band, Remote Sensing, 8, 354.
• [7] Drusch M., Del Bello U., Carlier S., Colin O., Fernandez V., Gascon F., Hoersch B., Isola C., Laberinti P., Martimort P., Meygret A., Spoto F., Sy O., Marchese F., Bargellini P. 2012. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Opes rational Services, Remote Sensing of Environment, Volume 120, p. 25-36, ISSN 0034-4257.
• [8] Feyisa G., Meilby H., Fensholt R., Proud S. 2014. Automated Water Extraction Index: A new technique for surface water mapping using Landsat imagery, Remote Sensing of Environment, 140, 23-35 C.
• [9] Fletcher K. 2012. Sentinel-2: ESA's Optical High-Resolution Mission for GMES Operational Services (ESA SP-1322/2 March 2012) ISBN 978-92-9221-419-7.
• [10] Golenia M., Gurdak R., Jarocińska A., Mierczyk M., Ochtyra A., Zagajewski B. 2016. Zastosowanie zobrazowań satelitarnych Landsat do detekcji zmian obszarów zurbanizowanych. [Application of Landsat images in urban change detection]. In: Buławka N., Chyla J. M., Lechnio J., Misiewicz K., Stępień M. (eds.), Forum GIS UW. GIS na Uniwersytecie Warszawskim. Forum użytkowników licencji edukacyjnej SITE oprogramowania ArcGIS na Uniwersytecie Warszawskim. Conference proceedings. Volume II/III, Pages 91-101, ISBN (Online) 978-83-61376-78-1.
• [11] Jain P., Schoen-Phelan B., Ross R. 2020. Automatic flood detection in SentineI-2 images using deep convolutional neural networks. In Proceedings of the 35th Annual ACM Symposium on Applied Computing (SAC '20). Association for Computing Machinery, New York, NY, USA, 617-623. DOI: https://doi. org/10.1145/3341105.3374023.
• [12] Jensen J.R. 2007. Remote Sensing of the Environment: An Earth Resource Perspective, Second Edition. Pearson Education. pp. 421, eISBN-13: 9781292034935.
• [13] Jurgens C. 1997. The modified normalized difference vegetation index (mNDVI) a new index to determine frost damages in agriculture based on Landsat TM data, International Journal of Remote Sensing, 18:17, 3583-3594.
• [14] Kuhn C., et all. 2019. Performance of Landsat-8 and Sentinel-2 surface reflectance products for river remote sensing retrievals of chlorophyll-a and turbidity, Remote Sensing of Environment, t. 224, s. 104-118 doi: 10.1016/j.rse.2019.01.023.
• [15] Kurczyński Z. 2014. Fotogrametria. Wydawnictwo Naukowe PWN, pp. 311, ISBN 978-83-01-19135-1.
• [16] Kwak Y., 2017. Nationwide Flood Monitoring for Disaster Risk Reduction Using Multiple Satellite Data, ISPRS Int. J. Geo-Inf. 6, no. 7: 203.
• [17] McFeeters S. 1996. The use of the Normalized Difference Water Index (NDWI) in the delineation of open water features, International Journal of Remote Sensing, 17:7, 1425-1432.
• [18] Otsu N. 1979. A Threshold Selection Method from Gray-Level Histograms ir IEEE Transactions on Systems, Man, and Cybernetics, vol. 9, no. 1, pp. 62-66 doi: 10.1109/TSMC.1979.4310076.
• [19] Papa M., Nones M., Cavallo C., Gargiulo M., Ruello G. 2020. Data-fusion of satellite and ground sensors for river hydro-morphodynamics monitoring. 10.5194/ egusphere-egu2020-20381.
• [20] Pluto-Kossakowska J., Władyka M., Tulkowska W. 2018. Ocena obrazowych danych teledetekcyjnych do identyfikacji obiektów w zielonej i błękitnej infrastrukturze. Teledetekcja Środowiska. pp. 13-27, ISSN 0071-8076.
• [21] Robak A., Gadawska A., Milczarek M., Lewiński S. 2016. The detection of water on Sentinel-2 imagery based on water indices. Teledetekcja Środowiska. pp. 59-72 ISSN 0071-8076.
• [22] Voigt S., Trnka J., Kemper T., Riedlinger T., Husson A. 2009. Satellite Based Information to Support European Crisis Response. W: Jasani B., Pesaresi M., Schneiderbauer S., Zeug G. (red.), Remote Sensing from Space (s. 33-45). Springer Science, ISBN: 978-1-4020-8483-6.
• [23] Wieland M., Martinis S. 2020. Large-scale surface water change observed by Sentinel-2 during the 2018 drought in Germany, International Journal of Remote Sensing, 41:12, 4742-4756, doi: 10.10 8 0/01431161.2020.1723817.
• [24] Xu H. 2006. Modification of Normalized Difference Water Index (NDWI) to Enhance Open Water Features in Remotely Sensed Imagery, International Journal of Remote Sensing, 27(14), 3025-3033.
• [25] Zagajewski B. 2010. Ocena przydatności sieci neuronowych i danych hiperspektralnych do klasyfikacji roślinności Tatr Wysokich. Teledetekcja Środowiska 43: 113.

Uwagi

Opracowanie rekordu ze środków MNiSW, umowa Nr 461252 w ramach programu "Społeczna odpowiedzialność nauki" - moduł: Popularyzacja nauki i promocja sportu (2020).